JP5851648B2 - ネットワーク仮想ユーザリスク抑制方法およびシステム - Google Patents

Description

他の出願の相互参照
本願は、すべての目的のために参照により本明細書に組み込まれる、発明の名称を「Ａ ＮＥＴＷＯＲＫ ＶＩＲＴＵＡＬ ＵＳＥＲ ＲＩＳＫ ＣＯＮＴＲＯＬ ＭＥＴＨＯＤ ＡＮＤ ＳＹＳＴＥＭ（ネットワーク仮想ユーザリスク抑制方法およびシステム）」とする、２０１２年４月１日出願の中国特許出願第２０１２１００９６２７５．０号に基づく優先権を主張する。

本願は、ネットワーク仮想ユーザリスク抑制方法およびシステムに関する。

インターネットが成熟するにつれ、より多くの人々がネットワークを介して相互作用しており、ネットワークは、多くのユーザにとって情報交換のプラットフォームになりつつある。ネットワーク内では、あらゆるユーザが仮想ユーザであり、ネットワーク内での仮想ユーザの活動は、現実世界でのユーザ間の関係性を反映する。

例えば、ソーシャルネットワーキングサービス（ＳＮＳ）について、図１は、ソーシャルネットワーク内のＳＮＳ友達を表す概略図である。仮想ユーザＡおよび仮想ユーザＢが、共通の友達ユーザＣを有する場合、ユーザＡおよびＢは、現実世界でも友達である可能性が非常に高い。換言すると、ユーザＡは、ユーザＢと関係を有する。

実際の応用例において、仮想ユーザ間の現実の関連性が、ユーザのオンライン活動のリスクを抑制するために利用されうる。例えば、オンライン取引システムにおいて、取引処理中に特定のユーザの側で詐欺が検出され、そのユーザが、悪意あるユーザのブラックリストにすでに追加されており、この悪意のあるユーザが現実の関連性を持つ他の仮想ユーザが検出されうる場合、他の仮想ユーザの１人による詐欺行為が起きる可能性も非常に高い。したがって、関連する他の仮想ユーザを悪意あるユーザとして予め設定することにより、取引詐欺の発生を防ぐことができる。

上記のリスク抑制処理において、オンライン取引システムは、一般に、デバイスデータまたはデバイスフィンガープリントを用いて、仮想ユーザの現実の関連性を分析する。ハードドライブデータ、マザーボードデータ、および、デバイスを一意的に識別できるその他のデータなど、デバイスデータ（すなわち、デバイスフィンガープリント）を収集することにより、複数の仮想ユーザが同じ物理的デバイスを用いているか否かを判定することができる。例えば、２人の仮想ユーザが１つの物理的デバイスを用いていると判定された場合、これらの２人の仮想ユーザの間に関連性が存在しうる。

現行のシステムには以下のような制限がある：異なる仮想ユーザが同一の物理的デバイスを用いる場合にしか、関係するユーザを決定できない；仮想ユーザが異なる物理的デバイスを用いる場合には、彼らが関連のあるユーザであっても、上述の方法でユーザ間の関連性を検出することはできない。したがって、上述の分析方法は、あまりに制限があり、ネットワーク仮想ユーザの実際の関連性を正確に検出できないため、悪意あるユーザを正確に特定することができない。したがって、上述の分析方法は、ネットワーク詐欺の活動を大幅に最小化することはない。

以下の詳細な説明と添付の図面において、本発明の様々な実施形態を開示する。

ソーシャルネットワーク内のＳＮＳ友達を示す概略図。

量的因子の一実施形態を示す概略図。

時間的因子の一実施形態を示す概略図。 時間的因子の一実施形態を示す概略図。 時間的因子の一実施形態を示す概略図。

カスケード因子の一実施形態を示す概略図。

ネットワーク仮想ユーザリスク抑制方法の一実施形態を示すフローチャート。

関連性生データリトリーブ方法の一実施形態を示すフローチャート。

第２の仮想ユーザを探し出す一実施形態を示すフローチャート。

ユーザ間の多次元の関連性の一実施形態を示す概略図。

関連性の程度の計算の一実施形態を示す概略図。

ネットワーク仮想ユーザリスク抑制システムの一実施形態を示す構造図。

データリトリーブユニットの一実施形態を示す構造図。

第２のデータリトリーブユニットの一実施形態を示す構造図。

ネットワーク仮想ユーザリスク抑制システムの一実施形態を示す図。

本発明は、処理、装置、システム、物質の組成、コンピュータ読み取り可能な格納媒体上に具現化されたコンピュータプログラム製品、および／または、プロセッサ（プロセッサに接続されたメモリに格納および／またはそのメモリによって提供される命令を実行するよう構成されたプロセッサ）を含め、様々な形態で実装されうる。本明細書では、これらの実装または本発明が取りうる任意の他の形態を、技術と呼ぶ。一般に、開示された処理の工程の順序は、本発明の範囲内で変更されてもよい。特に言及しない限り、タスクを実行するよう構成されるものとして記載されたプロセッサまたはメモリなどの構成要素は、ある時間にタスクを実行するよう一時的に構成された一般的な構成要素として、または、タスクを実行するよう製造された特定の構成要素として実装されてよい。本明細書では、「プロセッサ」という用語は、１または複数のデバイス、回路、および／または、コンピュータプログラム命令などのデータを処理するよう構成された処理コアを指すものとする。

以下では、本発明の原理を示す図面を参照しつつ、本発明の１または複数の実施形態の詳細な説明を行う。本発明は、かかる実施形態に関連して説明されているが、どの実施形態にも限定されない。本発明の範囲は、特許請求の範囲によってのみ限定されるものであり、多くの代替物、変形物、および、等価物を含む。以下の説明では、本発明の完全な理解を提供するために、多くの具体的な詳細事項が記載されている。これらの詳細事項は、例示を目的としたものであり、本発明は、これらの具体的な詳細事項の一部または全てがなくとも特許請求の範囲に従って実施可能である。簡単のために、本発明に関連する技術分野で周知の技術要素については、本発明が必要以上にわかりにくくならないように、詳細には説明していない。

現実のユーザの関連性を分析する際、ネットワーク仮想ユーザリスク抑制方法により、関連性次元に対する関連性値を計算できる。

関連性次元は、デバイスフィンガープリント、インターネットプロトコル（ＩＰ）アドレス、クッキー、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名など、ユーザを識別できる情報に関連しうる。これらの情報はすべて、ユーザ間の現実の関連性を分析するための関連性次元として機能しうる。

さらに、関連性値は、量的因子、時間的因子、および、カスケード因子（ｃａｓｃａｄｅ ｆａｃｔｏｒ）を含みうる。

図２は、量的因子の一実施形態を示す概略図である。

量的因子は、以下に関する：仮想ユーザＡおよび仮想ユーザＢの両方が、一群の共通の友達Ｃ、Ｄ、Ｅ・・・を有する場合、ＡおよびＢが友達である可能性は極めて高い。

図３Ａから図３Ｃは、時間的因子の一実施形態を示す概略図である。

時間的因子は、以下のように関係する。図３Ａに示すように、仮想ユーザＡおよび仮想ユーザＢの両方が、共通の友達Ｃを有し、仮想ユーザＡおよび仮想ユーザＢの両方が、過去１年以内にＣと友達になった場合、ＡおよびＢが友達である可能性は極めて高い。同様に、図３Ｂに示すように、仮想ユーザＡおよび仮想ユーザＣが１０年来の友達であり、仮想ユーザＢおよび仮想ユーザＣも１０年来の友達であった場合も、仮想ユーザＡおよびＢが友達である可能性は極めて高い。逆に、図３Ｃに示すように、仮想ユーザＡおよび仮想ユーザＣが１０年来の友達であるが、仮想ユーザＢおよび仮想ユーザＣが過去１年以内に友達になったにすぎない場合、仮想ユーザＡおよびＢが友達である可能性は、前の２つのシナリオよりも低くなる。

図４は、カスケード因子の一実施形態を示す概略図である。

カスケード因子は、以下のように関係する。友達の友達の・・・友達も、あなたの友達である可能性がある。カスケードの派生の数が多くなるほど、その人があなたの友達である可能性は低くなる。友達は、ｆａｃｅｂｏｏｋ．ｃｏｍまたはｌｉｎｋｅｄｉｎ．ｃｏｍなどのソーシャルネットワーキングを背景とする友達でありうる。例えば、仮想ユーザＡおよび仮想ユーザＢが友達であり、仮想ユーザＢおよび仮想ユーザＣが友達である場合、仮想ユーザＡおよびＣが友達である可能性は非常に高い。仮想ユーザＣおよび仮想ユーザＤが友達である場合、仮想ユーザＡおよびＤが友達である可能性は、仮想ユーザＡおよびＣが友達である可能性に比べて低い。さらに、仮想ユーザＤおよび仮想ユーザＥが友達である場合、仮想ユーザＡおよびＥが友達である可能性は、仮想ユーザＡおよびＤが友達である可能性に比べて低い。仮想ユーザＡおよびＢをレベル１の関連性、仮想ユーザＡおよびＣをレベル２の関連性、仮想ユーザＡおよびＤをレベル３の関連性、そして、仮想ユーザＡおよびＥをレベル４の関連性と呼ぶことができる。

図５は、ネットワーク仮想ユーザリスク抑制方法の一実施形態を示すフローチャートである。２人の仮想ユーザ間の現実の関連性の分析例を用いる。図９のシステム９００が、方法５００を実施しうる。方法５００は、以下を含む。

工程５１０では、サーバが、第１の仮想ユーザの関連性生データおよび第２の仮想ユーザの関連性生データを別個にリトリーブするよう構成されている。関連性生データは、多次元のデータを含む。各次元に関するデータは、関連性次元として機能し、ユーザを識別できる。

多次元データは、ＩＰアドレス、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名、または、それらの任意の組み合わせなどの情報を含みうる。各次元に関するデータは、ユーザの身元を特定できる。各次元に関するデータは、仮想ユーザ間の関連性の程度を分析するために利用できる。さらに、仮想ユーザの身元を特定できる他の情報が、関連性データとして用いられてもよい。他の情報の一例は、メディアアクセス制御（ＭＡＣ）アドレスを含みうる。

工程５２０では、第１および第２の仮想ユーザの関連性生データに基づいて、サーバは、関連性次元について第１の仮想ユーザおよび第２の仮想ユーザの間の少なくとも１つの関連性値を別個に計算するよう構成されている。いくつかの実施形態において、サーバは、各関連性次元について第１の仮想ユーザおよび第２の仮想ユーザの間の少なくとも１つの関連性値を計算するよう構成されうる。

例えば、第１の仮想ユーザおよび第２の仮想ユーザの関連性生データがいずれも、インターネットプロトコル（ＩＰ）アドレスおよびクッキーを含むとする。ＩＰアドレスは、第１および第２の仮想ユーザの間の第１の関連性値を計算するために用いられてよい。クッキーは、第１および第２の仮想ユーザの間の第２の関連性値を計算するために用いられてよい。

同じ関連性次元についての分析因子が、量的因子、時間的因子、および、カスケード因子を含むよう拡張されうる。したがって、各関連性次元について、第１の仮想ユーザおよび第２の仮想ユーザの間の少なくとも１つの関連性値は、量的因子、時間的因子、および、カスケード因子に基づいて計算できる。

分析因子に基づいて関連性値を計算する方法について以下に説明する。

工程５３０では、サーバは、第１の仮想ユーザおよび第２の仮想ユーザの間の現実の関連性の程度を得るために、各関連性次元について少なくとも１つの関連性値を集計するよう構成されている。現実の関連性の程度は、第１の仮想ユーザおよび第２の仮想ユーザが同一人物であるか否か、または、彼らが同じ人物グループに関係するか否かに言及しうる。

集計を達成する多くの方法が存在するので、実際の適用条件に基づいて、集計を達成する方法が決定されうる。

例えば、関連性次元の各々に対する関連性値が合計されてよい。合計の結果は、第１の仮想ユーザと第２の仮想ユーザとの間の現実の関連性の程度を表しうる。合計は、単純和関数、平方和関数、または、加重和関数であってよい。

例えば、

単純和＝ｘ１＋ｘ２＋ｘ３、

平方和＝ｘ１＾２＋ｘ２＾２＋ｘ３＾２、

加重和＝ａ＊ｘ１＋ｂ＊ｘ２＋ｃ＊ｘ３、

注：ｘ１＾２＝ｘ１＊ｘ１であり、ａ、ｂ、および、ｃはすべて、重み付け係数であり、ｘ１、ｘ２、および、ｘ３は、関連性次元に対する関連性値を指しうる。例えば、ｘ１は、インターネットプロトコル（ＩＰ）アドレスに関連してよく、ｘ２は、クッキーの値に関連してよい、などである。重み付け係数は、シナリオに基づいて決定されうる。例えば、ｘ１は、ＩＰアドレスの関連性値に対応してよく、ｘ２は、クッキーの関連性値に対応してよく、ｘ３は、デバイスフィンガープリントの関連性値に対応してよい。

例えば、ＩＰアドレスは、３０％の確率で正確にユーザを特定でき、クッキーは、６０％の確率で正確にユーザを特定でき、デバイスフィンガープリントは、９０％の確率で正確にユーザを特定できる。したがって、重み付け係数は、以下のようであってよい、ａ＝３、ｂ＝６、ｃ＝９。別の例においては、重み付け係数は、以下のようであってもよい、ａ＝１、ｂ＝２、ｃ＝３。

したがって、加重和は、ａ＊ｘ１＋ｂ＊ｘ２＋ｃ＊ｘ３たり得、これは、３＊ｘ１＋６＊ｘ２＋９＊ｘ３に対応する。

別の例において、ユーザＡおよびＢは、同じＩＰアドレス２０１．１．２３２．３４を利用し、同じクッキー１２１．０．２９．１９６．６９５５２０２２０８７２１９．５および１２１．０．２９．１９９．９１２４２１１３２１５４３０．０を有する。その結果、ｘ１は１に対応し、ｘ２は２に対応し、ｘ３は０に対応する。したがって、加重和は、３＊ｘ１＋６＊ｘ２＋９＊ｘ３＝３＊１＋６＊２＋９＊０＝１５たり得る。

工程５４０では、サーバは、第１の仮想ユーザおよび第２の仮想ユーザの間の現実の関連性の程度が所定の閾値を超えるか否かを判定するよう構成されている。

閾値も、シナリオに基づいて決定されうる。例えば、閾値は、１０に対応しうる。１５の加重和は、１０に対応する閾値よりも大きい。換言すると、ユーザＡおよびＢの間の現実の関連性の程度は、所定の閾値を超える。

重み付け係数は、ａ＝３、ｂ＝６、および、ｃ＝９に設定されない場合には、その代わりに、ａ＝１、ｂ＝２、および、ｃ＝３に設定される。加重和は、ａ＊ｘ１＋ｂ＊ｘ２＋ｃ＊ｘ３＝１＊ｘ１＋２＊ｘ２＋３＊ｘ３＝１＊１＋２＊２＋３＊０＝５に対応する。この例において、ユーザＡおよびＢの間の現実の関連性の程度は、所定の閾値を超えない。

いくつかの実施形態において、重み付け係数を最初に決定することができ、シナリオに基づいて閾値を調整できる。

ａ＝３、ｂ＝６、ｃ＝９である例に戻ると、ユーザＡおよびＢは、同じＩＰアドレス２０１．１．２３２．３４と、同じクッキー１２１．０．２９．１９６．６９５５２０２２０８７２１９．５および１２１．０．２９．１９９．９１２４２１１３２１５４３０．０と、を有する。ユーザＡおよびＢの加重和は、３＊１＋６＊２＋９＊０＝１５に対応する。

ユーザＡおよびＣに関して、ユーザＡおよびＣは、同じデバイスフィンガープリントＣ４７９０ｂ２７３７ｃａｅ５ａｂ７３ｆ２ａａａ１ｅ３３８３４ｂ９８を用いていた。ユーザＡおよびＣの加重和は、３＊０＋６＊０＋９＊１＝９に対応する。閾値が１０に対応する場合、ユーザＡおよびＢの間の現実の関連性の程度は閾値を超え、ユーザＡおよびＣの間の現実の関連性の程度は閾値を超えない。

シナリオにより、ユーザＡおよびＣの間の現実の関連性の程度が閾値を超えることが望ましい場合、閾値は、８に対応するよう設定されうる。

工程５５０では、第１の仮想ユーザおよび第２の仮想ユーザの間の現実の関連性の程度が所定の閾値を超える場合、サーバは、第１および第２の仮想ユーザの一方が悪意あるユーザであるか否かを判定するよう構成されている。

工程５６０では、第１および第２の仮想ユーザの一方が悪意あるユーザである場合、サーバは、第１および第２の仮想ユーザの他方が悪意あるユーザであると判定するよう構成されている。

ネットワークリスク抑制では、工程５１０から５３０を実行した後、２人の仮想ユーザの間の現実の関係性の程度を得ることができる。得られた２人の仮想ユーザ間の現実の関係性の程度に基づいて、２人の仮想ユーザ間の現実の関係性の程度が所定の閾値を超えた場合、所定の閾値を超えた程度は、現実世界での２人のユーザ間の関係性の程度が非常に高いことを示唆する。そのため、２人のユーザの一方がすでに悪意あるユーザであると決定されている場合、２人のユーザの他方が悪意あるユーザである可能性も非常に高い。したがって、その一方のユーザとの関連性の程度が所定の閾値を超える関連ユーザも、悪意あるユーザと判定される。

要約すると、２人の仮想ユーザを分析する時、複数の関連性次元（例えば、ＩＰアドレス、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名など）のデータを同時に用いて、分析を実行することができる。複数の関連性次元のデータを分析すると、２人の仮想ユーザが同一の物理的デバイスを用いていない場合に２人のユーザ間の現実の関連性を検出するために他の次元からの情報を利用することが可能になる。したがって、従来の分析方法の制限を回避することができ、ネットワークの仮想ユーザ間の現実の関係性を正確に検出することができる。さらに、かかる分析方法を利用すれば、悪意あるユーザとの関連性の程度が高い他のユーザ（同じく、悪意のあるユーザである可能性がある）を正確に特定することが可能であり、ネットワークリスクの抑制を向上させ、ネットワーク詐欺の危険性を減少させることができる。図６Ａは、関連性生データリトリーブ方法の一実施形態を示すフローチャートである。図５の実施形態に基づいて、工程５１０は、図６の工程を用いて実施されうる。方法６００は、以下を含む。

工程６１０では、サーバは、第１の仮想ユーザの関連性生データをリトリーブするよう構成されている。例えば、第１の仮想ユーザがユーザＡであり、ユーザＡに関する関連性生データがＩＰアドレスおよびクッキーを含みうると仮定する。ＩＰアドレスの一例は、１０．１９．２１８．２０８であってよく、クッキーの一例は、１２１．０．２９．１９６．６９５５２０２２０８７２１９．５であってよい。

工程６２０では、第１の仮想ユーザの関連性生データに基づいて、サーバは、第１の仮想ユーザに関連のある第２の仮想ユーザと、第２の仮想ユーザの関連性生データとを探し出す（ｌｏｃａｔｅ）よう構成されている。

例えば、ＩＰアドレス関連性次元を用いて、ユーザＡおよび他のすべてのユーザによって共用されたＩＰアドレスを見つけるために、時間的因子が破棄され、データ格納フォーマットは、例えば、以下の表１および表２に示すようなフォーマットとなる：

上記のキー値の格納フォーマットは、仮想ユーザＡと同じＩＰアドレスを利用したすべての他の仮想ユーザを素早く探し出すことを可能にする。したがって、仮想ユーザＡと関連するユーザ探し出すことが単純化される。

図６Ｂは、第２の仮想ユーザを探し出す一実施形態を示すフローチャートである。探索動作６２０は、以下を含む。

工程６２２２では、各関連性次元について、サーバは、ユーザの識別子に基づいて、第１の仮想ユーザによって用いられた次元データを見つけるよう構成されている。

さらに、現実の関連性の程度を決定するために、上記の表１に、ユーザＡをクエリしてよく、ユーザＡに関係するＩＰアドレスリストに対応するクエリ結果を取得できる。クエリ結果は、例えば、以下の表３に格納されうる。

表３からわかるように、ユーザＡが用いたＩＰアドレスは、ＩＰ１、ＩＰ２、および、ＩＰ３である。

工程６２２４では、サーバは、見つかった次元データを用いて、見つかった次元データに関係するユーザリストを見つけるよう構成されている。

さらに、ユーザＡに関係する表３からのＩＰアドレスＩＰ１、ＩＰ２、および、ＩＰ３を用いた表２のクエリに基づいて、ＩＰアドレスリストに基づいたユーザリストに対応するクエリ結果が、表４に格納されうる。クエリ結果は、以下を含む。

工程６２２６では、サーバは、各関連性次元について見つかったユーザリスト内の重複ユーザを除去するよう構成されており、その結果、得られたユーザリストで特定されるすべてのユーザが第１の仮想ユーザと関連する第２の仮想ユーザになる。

表４が示すように、ＩＰアドレスＩＰ１を用いたユーザは、ユーザＡであり、ＩＰアドレスＩＰ２を用いたユーザは、ユーザＢおよびＣであり、ＩＰアドレスＩＰ３を用いたユーザは、ユーザＡおよびＣである。重複ユーザの除去後、得られたユーザリストは、ユーザＡ、Ｂ、および、Ｃを含む。

したがって、レベル１の関係性は、ユーザＡ、Ｂ、および、Ｃを含む。ユーザＡを除去した後、ユーザＢおよびＣが残る。換言すると、ユーザＡとレベル１の関連性を有するユーザは、ユーザＢおよびＣを含む。

ユーザＡとレベル２の関連性を有するユーザを決定するために、表１に、ユーザＢおよびＣを用いてクエリを行い、クエリ結果としてＩＰアドレスのリストを得る。クエリ結果は、以下の表５に格納されうる。

表２に、ユーザＢおよびＣによって用いられたＩＰアドレスのリストを用いてクエリを行い、クエリ結果としてユーザリストを得る。クエリ結果は、以下の表６に格納されうる。

重複ユーザの除去後、レベル２の関連性は、ユーザＢおよびＣを含む。

同様に、一例として、上述のデータ格納フォーマットは、ＩＰアドレス、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名など、他の関連性生データにも用いることができる。

要約すると、図６からわかるように、計算量を削減するために、第１の仮想ユーザを最初に決定し、続いて、第１の仮想ユーザに関連する他のユーザを探し出すことができる。他のユーザおよび第１の仮想ユーザを探し出した後、他のユーザおよび第１の仮想ユーザの間の現実の関連性の程度の計算が実行されうる。実際の適用対象に基づいて、２人のユーザがグループ化され、２人のユーザ間の関連性の程度が計算されうる。一態様として、関連性の程度「０」を有する２人のユーザのグループが存在しうる。

ユーザＡならびに関連ユーザＢおよびＣが見つかった後、ユーザＡおよび関連ユーザの間の現実の関連性の程度を計算できる方法の一例が以下で提供される。

ＩＰアドレス関連性次元に基づいて、ユーザＡおよびＢの両方が、同じＩＰアドレス（例えば、ＩＰ１）を用いていた場合、ユーザＡおよびＢは「関連している」可能性が非常に高い。量的因子、時間的因子、および、カスケード因子が関連性に関係しうる。

量的因子に関しては、ユーザＡおよびＢの両方が、同じグループのＩＰアドレス（例えば、ＩＰ１、ＩＰ２、ＩＰ３、・・・）を用いていた場合、ユーザＡおよびＢが「関連している」可能性は非常に高い。

時間的因子に関しては、ユーザＡおよびＢの両方が、同じＩＰアドレス（例えば、ＩＰ１）を用いており、過去１年以内に同じＩＰアドレスを用いていた場合、ユーザＡおよびＢが「関連している」可能性は非常に高い。一方、ユーザＡが過去１年間にＩＰ１を用い、ユーザＢが先月にＩＰ１を用いていた場合、ユーザＡおよびＢが「関連している」可能性は、ユーザＡおよびＢが同じ期間中に同じＩＰアドレスを用いていた場合よりも低い。

カスケード因子に関しては、ユーザＡおよびＢが、同じＩＰアドレス（例えば、ＩＰ１）を利用し、ユーザＢおよびＣが、同じＩＰアドレス（例えば、ＩＰ２）を利用していたが、ユーザＢおよびＣが用いた同じＩＰアドレスが、ユーザＡおよびＢが用いた同じＩＰアドレスと異なる場合、ユーザＡおよびＣが「関連する」可能性は非常に高い。上記のＩＰアドレスの関係性に基づいて、ユーザＡおよびＢは、レベル１の関連性を有すると定義され、ユーザＡおよびＣは、レベル２の関連性を有すると定義される。

換言すると、「時間」および「カスケードレベル」は、「関連性」に対して減衰効果を有するため、減衰関数を用いて、「時間」および「カスケードレベル」を計算することが可能であり、「量」は、「関連性」に対する累積効果を有するため、累積関数を用いて、「量」を計算することが可能である。本願は、特定の減衰関数または累積関数には限定されない。

一例として、「量」に用いられる累積関数は、総和関数であってよく、「時間」および「カスケードレベル」に用いられる減衰関数は、逆関数であってよい。

さらに、時間（ｔ）は、月単位に従って分類できる。

例えば、ｔ＝１は現在の月を表す、ｔ＝２は前月を表す、などとしてよく、関連性の程度の関数は、１／ｔ、と定義できる。

カスケードレベル（ｌｅｖｅｌ）について、ｌｅｖｅｌ＝１は、ＩＰアドレス１を介したレベル１の関連性を表してよく、ｌｅｖｅｌ＝２はＩＰアドレスを介したレベル２の関連性を表してよく、・・・、関連性の程度の関数は、１／ｌｅｖｅｌと定義されうる。

別の例として、時間間隔がｔに対応し、カスケードレベルがｌｅｖｅｌに対応する場合、関連性の程度は、（１／ｔ）＊（１／ｌｅｖｅｌ）に対応しうる。

ユーザＡおよびＢが、現在の月（ｔ＝１）にＩＰアドレスを介したレベル１の関連性を有する（例えば、ユーザＡおよびＢが、同じＩＰアドレスＩＰ１を用いていた）場合、関連性の程度は、（１／１）＊（１／１）＝１に対応する。

ユーザＡおよびＢが、先月（ｔ＝２）にＩＰアドレス（ｌｅｖｅｌ＝１）を介したレベル１の関連性（ｌｅｖｅｌ＝１）を有する場合、関連性の程度は、（１／２）＊（１／１）＝０．５に対応する。

ユーザＡおよびＢが、先月（ｔ＝２）にレベル２の関連性（ｌｅｖｅｌ＝２）を有する場合、関連性の程度は、（１／２）＊（１／２）＝０．２５に対応する。

要約すると、時間ｔが６ヶ月間に限定され、カスケードレベルの数が３であると仮定すると、ＩＰアドレスＩＰ１に関して、２人のユーザ（例えば、ユーザＡおよびＢ）の関係性の程度は、以下のようでありうる。

総和関数は、量を集計するための累積関数として用いることができる。換言すると、各ＩＰアドレスについての関連性の程度を合計することができる。時間が６ヶ月間に限定され、カスケードレベルの数が３であると仮定すると、すべてのＩＰアドレスについて、ユーザＡおよびＢの関係性の程度は、以下のようでありうる。

上記の例において、ＩＰアドレスは、１つの次元（ＩＰアドレス）にのみ関係する。いくつかの実施形態において、ＩＰアドレスに加えて、例えば、図７に示すように、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名などの次元が、関連性の程度を決定する際に考慮されてもよい。図７は、ユーザ間の多次元の関連性の一実施形態を示す概略図である。

図８に示すように、他の次元について、ＩＰアドレス関連性に実行したのと同様の計算を行うことができる。図８は、関連性の程度の計算の一実施形態を示す概略図である。各関連性の次元に実行される計算は、時間的因子、量的因子、および、カスケード因子を含みうる。結果が各次元について計算された後、その結果は、集計（例えば、合計）されうる。その後、仮想ユーザ間の関連性の程度が決定されうる。

例えば、ＩＰアドレス、クッキー、デバイスフィンガープリント、および、電話番号を介したユーザＡおよびＢの間の関連性について、各次元の計算は、時間的因子、量的因子、および、カスケード因子を考慮することができる。ＩＰアドレス関連性値、クッキー関連性値、デバイスフィンガープリント関連性値、および、電話番号関連性値が、別個に計算されうる。その後、関連性値は、ユーザＡおよびＢの間の最終的な現実の関連性の程度を得るために合計によって集計される。

別の例において、ユーザＡおよびＢをＩＰアドレスに基づいて関連付け、ユーザＢおよびＣをクッキーに基づいて関連付けることができる。ユーザＢおよびＣが同じクッキーを有する場合、ユーザＢおよびＣは関連している。最終的な集計段階で、ユーザＡおよびＢの間のＩＰアドレス関連性値ならびにＢおよびＣの間のクッキー関連性値は、ユーザＡおよびＣの間の現実の関連性の程度を得るために合計されうる。

さらに、「量」のための累積関数は、総和関数、加重和関数、平方和関数、または、別の総和関数であってよい。上記の関数は、一般に、合計関数と呼ばれうる。同様に、「時間」および「カスケードレベル」のための減衰関数は、上記の逆関数、加重逆関数、逆二乗関数、または、別の減衰関数を含んでよく、これらはすべて一般に逆関数と呼ばれうる。

加重逆関数の一例は、以下の通りである。

総和関数＝ｘ１＋ｘ２＋ｘ３、

加重和関数＝ａ＊ｘ１＋ｂ＊ｘ２＋ｃ＊ｘ３、

逆関数＝１／ｘ１＋１／ｘ２＋１／ｘ３、

加重逆関数＝ａ／ｘ１＋ｂ／ｘ２＋ｃ／ｘ３、

注：ａ、ｂ、および、ｃはすべて重み付け係数である。

平方和関数および逆二乗関数の例は、以下の通りである。

総和関数＝ｘ１＋ｘ２＋ｘ３、

平方和関数＝ｘ１＾２＋ｘ２＾２＋ｘ３＾２、

逆関数＝１／ｘ１＋１／ｘ２＋１／ｘ３、

逆二乗関数＝１／（ｘ１＾２）＋１／（ｘ２＾２）＋１／（ｘ３＾２）、

注：ｘ１＾２＝ｘ１＊ｘ１

要約すると、関連性次元および同じ次元の分析因子を拡張することにより、仮想ユーザが同じ物理的デバイスを利用していない場合でも、他の次元からの情報を利用して、ユーザ間の現実の関連性を検出することが可能になる。したがって、従来の分析方法の制限を回避して、ネットワーク上の仮想ユーザの現実の関係性を、より正確に決定することを可能にすることができる。さらに、従来の単因子分析に比べて、関連性次元および同じ次元の分析因子を拡張することにより、分析結果の精度が高くなる。

ネットワーク仮想ユーザの現実の関連性の上記の分析は、多様なシナリオに適用できる。例えば、ネットワークリスク抑制シナリオにおいて、特定のユーザが詐欺行為を犯したとわかっており信頼できない場合、その特定のユーザと現実の関連性を有する他のユーザによる同様の詐欺のリスクも存在する。別の例は、インテリジェント推薦シナリオの例である。特定のユーザがアウトドア利用の品物を購入したいことがわかっている場合に、このユーザと現実の関連性を有する他のユーザに、アウトドア利用の品物を自動的に推薦することができる。推薦は、購入レベルを高めるために用いることができる。

上記の方法の上記の記載に基づいて、対応するシステムを提供する。

図９は、ネットワーク仮想ユーザリスク抑制システムの一実施形態を示す構造図である。システム９００は、データリトリーブユニット９１０、関連性計算ユニット９２０、関連性集計ユニット９３０、リスク判定ユニット９４０、第１の悪意判定ユニット９５０、および、第２の悪意判定ユニット９６０を備える。

データリトリーブユニット９１０は、第１の仮想ユーザの関連性生データおよび第２の仮想ユーザの関連性生データを別個にリトリーブするよう構成されている。関連性生データは、多次元のデータを含む。各次元のデータは、ユーザを識別すると共に、関連性次元として機能することができる。

関連性計算ユニット９２０は、第１および第２の仮想ユーザの関連性生データに基づいて、関連性次元について第１の仮想ユーザおよび第２の仮想ユーザの間の少なくとも１つの関連性値を別個に計算するよう構成されている。いくつかの実施形態において、関連性計算モジュール９２０は、第１および第２の仮想ユーザの関連性生データに基づいて、各関連性次元について第１の仮想ユーザおよび第２の仮想ユーザの間の少なくとも１つの関連性値を別個に計算するよう構成されている。

関連性集計ユニット９３０は、第１の仮想ユーザおよび第２の仮想ユーザの間の現実の関連性の程度を得るために、関連性次元の少なくとも１つの関連性値を集計するよう構成されている。

リスク判定ユニット９４０は、第１の仮想ユーザおよび第２の仮想ユーザの間の現実の関連性の程度が所定の閾値を超えるか否かを判定するよう構成されている。

第１の悪意判定ユニット９５０は、第１の仮想ユーザおよび第２の仮想ユーザの間の現実の関連性の程度が所定の閾値を超えた場合に、第１および第２の仮想ユーザの一方が悪意あるユーザであるか否かを判定するよう構成されている。

第２の悪意判定ユニット９６０は、第１および第２の仮想ユーザの一方が悪意あるユーザであった場合に、第１および第２の仮想ユーザの他方が悪意あるユーザであると判定するよう構成されている。

いくつかの実施形態において、関連性計算ユニット９２０は、各関連性次元について第１の仮想ユーザおよび第２の仮想ユーザの間の少なくとも１つの関連性値を計算するよう構成されている。いくつかの実施形態において、関連性計算ユニット９２０は、各関連性次元について第１の仮想ユーザおよび第２の仮想ユーザの間の少なくとも２つの関連性値を計算するよう構成されている。少なくとも１つの関連性値または少なくとも２つの関連性値は、量的因子、時間的因子、および、カスケード因子に基づいて計算できる。

いくつかの実施形態において、量的因子は、総和関数を用いることができる。

いくつかの実施形態において、時間的因子およびカスケード因子は両方とも、逆関数を用いることができる。

いくつかの実施形態において、関連性計算ユニット９２０は、以下の式を用いて、第１の仮想ユーザおよび第２の仮想ユーザの間の関連性値を計算できる。

Σは、総和関数に対応し、ｘは、特定の関連性次元での関連性量に対応し、ｌｅｖｅｌは、カスケードレベルに対応し、ｔは、時間に対応しうる。

いくつかの実施形態において、多次元データは、ＩＰアドレス、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名、または、それらの任意の組み合わせを含みうる。

図１０Ａは、データリトリーブユニットの一実施形態を示す構造図である。データリトリーブユニット９１０は、第１のリトリーブユニット１０１０および第２のリトリーブユニット１０２０を含みうる。

第１のリトリーブユニット１０１０は、第１の仮想ユーザの関連性生データをリトリーブするよう構成されている。

第２のリトリーブユニット１０２０は、第１の仮想ユーザの関連性生データに基づいて、第１の仮想ユーザに関連する第２の仮想ユーザと、第２の仮想ユーザの関連性生データとを探し出すよう構成されている。

図１０Ｂは、第２のデータリトリーブユニットの一実施形態を示す構造図である。第２のリトリーブユニット１０２０は、第１のクエリユニット１０２２、第２のクエリユニット１０２４、および、重複除去ユニット１０２６を備えてよい。

第１のクエリユニット１０２２は、各関連性次元について、第１の仮想ユーザの識別子に基づいて、第１仮想ユーザによって用いられた次元データを見つけるよう構成されている。

第２のクエリユニット１０２４は、見つかった次元データを用いて、次元データに対応するユーザリストを見つけるよう構成されている。

重複除去ユニット１０２６は、各関連性次元について見つかったユーザリストから重複ユーザを除去して、ユーザリスト内のユーザを第１の仮想ユーザに関連する第２の仮想ユーザとして特定するよう構成されている。

いくつかの実施形態において、関連性集計ユニット９３０は、関連性次元について少なくとも１つの関連性値を合計するよう構成されてよい。

システムの実施形態に関しては、基本的に方法の実施形態と同様であるため、比較的簡単な記載になっており、関連する態様については、方法の実施形態の説明の一部を参照できる。

上述のリスク抑制システムは、ネットワークの仮想ユーザ間の現実の関連性を正確に検出し、次いで、悪意あるユーザとの関連性の程度が高い他のユーザを悪意あるユーザとして正確に識別することで、ネットワークリスク抑制を強化し、ネットワーク詐欺の発生を減少させることができる。

図１１は、ネットワーク仮想ユーザリスク抑制システムの一実施形態を示す図である。システム１１００は、ネットワーク１１３０を通してサーバ１１１０に接続された複数のクライアント１１２０を含む。図９のシステム９００は、サーバ１１１０を実施するために利用できる。第１および第２の仮想ユーザは、クライアント１１２０を利用しうる。

上述のユニットは、１または複数の汎用プロセッサ上で実行されるソフトウェアコンポーネントとして、特定の機能を実行するよう設計されたプログラム可能論理デバイスおよび／または特定用途向け集積回路などのハードウェアとして、もしくは、それらの組み合わせとして実装することができる。いくつかの実施形態において、ユニットは、コンピュータデバイス（パーソナルコンピュータ、サーバ、ネットワーク装置など）に本発明の実施形態に記載された方法を実行させるための複数の命令など、不揮発性記憶媒体（光学ディスク、フラッシュ記憶装置、携帯用ハードディスクなど）に格納することができるソフトウェア製品の形態で具現化されてよい。ユニットは、単一のデバイス上に実装されてもよいし、複数のデバイスにわたって分散されてもよい。ユニットの機能は、互いに統合されてもよいし、複数のサブユニットにさらに分割されてもよい。

本明細書に開示の実施形態に照らして説明した方法またはアルゴリズム工程は、ハードウェア、プロセッサによって実行されるソフトウェアモジュール、または、両方の組み合わせを用いて実施されうる。ソフトウェアモジュールは、ランダムアクセスメモリ（ＲＡＭ）、メモリ、読み出し専用メモリ（ＲＯＭ）、電気的プログラム可能ＲＯＭ、電気的消去可能プログラム可能ＲＯＭ、レジスタ、ハードドライブ、リムーバブルディスク、ＣＤ−ＲＯＭ、または、任意の他の形態の当業者に周知の記憶媒体内にインストールされてよい。

上述の実施形態は、理解しやすいようにいくぶん詳しく説明されているが、本発明は、提供された詳細事項に限定されるものではない。本発明を実施する多くの代替方法が存在する。開示された実施形態は、例示であり、限定を意図するものではない。
適用例１：ネットワーク仮想ユーザリスク抑制方法であって、第１の仮想ユーザの関連性生データおよび第２の仮想ユーザの関連性生データをリトリーブし、前記関連性生データは多次元データを含み、各次元に関連するデータはユーザを識別すると共に関連性次元として機能することが可能であり、前記第１の仮想ユーザおよび前記第２の仮想ユーザの一方は悪意あるユーザであると見なされ、前記第１の仮想ユーザおよび前記第２の仮想ユーザの前記関連性生データに基づいて、関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の少なくとも１つの関連性値を計算し、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の現実の関連性の程度を得るために、前記関連性次元の前記少なくとも１つの関連性値を集計し、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記現実の関連性の程度が所定の閾値を超えるか否かを判定し、前記第１および第２の仮想ユーザの他方が悪意あるユーザであると判定する、ことを備える、方法。
適用例２：適用例１に記載の方法であって、前記関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値を計算することは、前記関連性次元について、量的因子、時間的因子、および、カスケード因子に基づいて、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値を計算することを含む、方法。
適用例３：適用例２に記載の方法であって、前記量的因子は、総和関数を用いる、方法。
適用例４：適用例３に記載の方法であって、前記時間的因子および前記カスケード因子は両方とも、逆関数を用いる、方法。
適用例５：適用例４に記載の方法であって、前記関連性次元についての前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値は、

という式を用いて計算され、Σは、前記総和関数に対応し、ｘは、関連性次元についての前記関連性量に対応し、ｌｅｖｅｌは、カスケードレベルに対応し、ｔは、時間に対応する、方法。
適用例６：適用例１に記載の方法であって、前記多次元データは、ＩＰアドレス、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名、または、それらの任意の組み合わせを含む、方法。
適用例７：適用例１に記載の方法であって、前記第１の仮想ユーザの前記関連性生データおよび前記第２の仮想ユーザの前記関連性生データをリトリーブすることは、前記第１の仮想ユーザの前記関連性生データをリトリーブし、前記第１の仮想ユーザの前記関連性生データに基づいて、前記第１のユーザに関連する前記第２の仮想ユーザと、前記第２の仮想ユーザの前記関連性生データとを探し出すこと、を含む、方法。
適用例８：適用例７に記載の方法であって、前記第１の仮想ユーザに関連する前記第２の仮想ユーザと、前記第２の仮想ユーザの前記関連性生データとを探し出すことは、
各関連性次元について、前記第１の仮想ユーザの識別子に基づいて、前記第１の仮想ユーザによって用いられた次元データを見つけ、前記見つかった次元データを用いて、前記次元データに対応するユーザリストを見つけ、前記各関連性次元について見つかった前記ユーザリストから重複ユーザを除去して、前記ユーザリスト内のユーザを前記第１の仮想ユーザに関連する前記第２の仮想ユーザとして特定する、ことを含む、方法。
適用例９：適用例１に記載の方法であって、前記少なくとも１つの関連性値を集計することは、前記関連性次元について前記少なくとも１つの関連性値を合計することを含む、方法。
適用例１０：ネットワーク仮想ユーザリスク抑制システムであって、少なくとも１つのプロセッサであって、第１の仮想ユーザの関連性生データおよび第２の仮想ユーザの関連性生データをリトリーブし、前記関連性生データは多次元データを含み、各次元に関連するデータはユーザを識別すると共に関連性次元として機能することが可能であり、前記第１の仮想ユーザおよび前記第２の仮想ユーザの一方が、悪意あるユーザであると見なされ、前記第１の仮想ユーザおよび前記第２の仮想ユーザの前記関連性生データに基づいて、関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の少なくとも１つの関連性値を計算し、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の現実の関連性の程度を得るために、前記関連性次元についての前記少なくとも１つの関連性値を集計し、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記現実の関連性の程度が所定の閾値を超えるか否かを判定し、前記第１および第２の仮想ユーザの他方が悪意あるユーザであると判定するよう構成されている、少なくとも１つのプロセッサと、前記少なくとも１つのプロセッサに接続され、前記少なくとも１つのプロセッサに命令を提供するよう構成されているメモリと、を備える、システム。
適用例１１：適用例１０に記載のシステムであって、前記関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値を計算することは、前記関連性次元について、量的因子、時間的因子、および、カスケード因子に基づいて、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値を計算することを含む、システム。
適用例１２：適用例１１に記載のシステムであって、前記量的因子は、総和関数を用い、前記時間的因子および前記カスケード因子は両方とも、逆関数を用い、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値は、

という式を用いて計算され、Σは、前記総和関数に対応し、ｘは、関連性次元についての前記関連性量に対応し、ｌｅｖｅｌは、カスケードレベルに対応し、ｔは、時間に対応する、システム。
適用例１３：適用例１０に記載のシステムであって、前記多次元データは、ＩＰアドレス、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名、または、それらの任意の組み合わせを含む、システム。
適用例１４：適用例１０に記載のシステムであって、前記第１の仮想ユーザの前記関連性生データおよび前記第２の仮想ユーザの前記関連性生データをリトリーブすることは、前記第１の仮想ユーザの前記関連性生データをリトリーブし、前記第１の仮想ユーザの前記関連性生データに基づいて、前記第１のユーザに関連する前記第２の仮想ユーザと、前記第２の仮想ユーザの前記関連性生データとを探し出すこと、を含む、システム。
適用例１５：適用例１４に記載のシステムであって、前記第１の仮想ユーザに関連する前記第２の仮想ユーザと、前記第２の仮想ユーザの前記関連性生データとを探し出すことは、各関連性次元について、前記第１の仮想ユーザの識別子に基づいて、前記第１の仮想ユーザによって用いられた次元データを見つけ、前記見つかった次元データを用いて、前記次元データに対応するユーザリストを見つけ、前記各関連性次元について見つかった前記ユーザリストから重複ユーザを除去して、前記ユーザリスト内のユーザを前記第１の仮想ユーザに関連する前記第２の仮想ユーザとして特定すること、を含む、システム。
適用例１６：適用例１０に記載のシステムであって、前記少なくとも１つの関連性値を集計することは、前記関連性次元について前記少なくとも１つの関連性値を合計することを含む、システム。
適用例１７：ネットワーク仮想ユーザリスクを抑制するためのコンピュータプログラム製品であって、前記コンピュータプログラム製品は、持続性のコンピュータ読み取り可能な記憶媒体内に具現化され、第１の仮想ユーザの関連性生データおよび第２の仮想ユーザの関連性生データをリトリーブするためのコンピュータ命令と、前記関連性生データは多次元データを含み、各次元に関連するデータはユーザを識別すると共に関連性次元として機能することが可能であり、前記第１の仮想ユーザおよび前記第２の仮想ユーザの一方が、悪意あるユーザであると見なされ、前記第１の仮想ユーザおよび前記第２の仮想ユーザの前記関連性生データに基づいて、関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の少なくとも１つの関連性値を計算するためのコンピュータ命令と、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の現実の関連性の程度を得るために、前記関連性次元の前記少なくとも１つの関連性値を集計するためのコンピュータ命令と、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記現実の関連性の程度が所定の閾値を超えるか否かを判定するためのコンピュータ命令と、前記第１および第２の仮想ユーザの他方が悪意あるユーザであると判定するためのコンピュータ命令と、
を備える、コンピュータプログラム製品。

Claims (17)

1. ネットワーク仮想ユーザリスク抑制方法であって、
   第１の仮想ユーザの関連性生データおよび第２の仮想ユーザの関連性生データをリトリーブし、前記関連性生データは多次元データを含み、各次元に関連するデータはユーザを識別すると共に関連性次元として機能することが可能であり、前記第１の仮想ユーザおよび前記第２の仮想ユーザの一方は悪意あるユーザであると見なされ、
   前記第１の仮想ユーザおよび前記第２の仮想ユーザの前記関連性生データに基づいて、関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の少なくとも１つの関連性値を計算し、
   前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の現実の関連性の程度を得るために、前記関連性次元の前記少なくとも１つの関連性値を集計し、
   前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記現実の関連性の程度が所定の閾値を超えるか否かを判定し、
   前記第１および第２の仮想ユーザの他方が悪意あるユーザであると判定する、
   ことを備える、方法。
2. 請求項１に記載の方法であって、前記関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値を計算することは、
   前記関連性次元について、量的因子、時間的因子、および、カスケード因子に基づいて、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値を計算することを含む、方法。
3. 請求項２に記載の方法であって、前記量的因子は、総和関数を用いる、方法。
4. 請求項３に記載の方法であって、前記時間的因子および前記カスケード因子は両方とも、逆関数を用いる、方法。
5. 請求項４に記載の方法であって、前記関連性次元についての前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値は、
   

   

   という式を用いて計算され、Σは、前記総和関数に対応し、ｘは、関連性次元についての前記関連性値に対応し、ｌｅｖｅｌは、カスケードレベルに対応し、ｔは、時間に対応する、方法。
6. 請求項１に記載の方法であって、前記多次元データは、ＩＰアドレス、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名、または、それらの任意の組み合わせを含む、方法。
7. 請求項１に記載の方法であって、前記第１の仮想ユーザの前記関連性生データおよび前記第２の仮想ユーザの前記関連性生データをリトリーブすることは、
   前記第１の仮想ユーザの前記関連性生データをリトリーブし、
   前記第１の仮想ユーザの前記関連性生データに基づいて、前記第１の仮想ユーザに関連する前記第２の仮想ユーザと、前記第２の仮想ユーザの前記関連性生データとを探し出すこと、
   を含む、方法。
8. 請求項７に記載の方法であって、前記第１の仮想ユーザに関連する前記第２の仮想ユーザと、前記第２の仮想ユーザの前記関連性生データとを探し出すことは、
   各関連性次元について、前記第１の仮想ユーザの識別子に基づいて、前記第１の仮想ユーザによって用いられた次元データを見つけ、
   前記見つかった次元データを用いて、前記次元データに対応するユーザリストを見つけ、
   前記各関連性次元について見つかった前記ユーザリストから重複ユーザを除去して、前記ユーザリスト内のユーザを前記第１の仮想ユーザに関連する前記第２の仮想ユーザとして特定する、
   ことを含む、方法。
9. 請求項１に記載の方法であって、前記少なくとも１つの関連性値を集計することは、前記関連性次元について前記少なくとも１つの関連性値を合計することを含む、方法。
10. ネットワーク仮想ユーザリスク抑制システムであって、
    少なくとも１つのプロセッサであって、
    第１の仮想ユーザの関連性生データおよび第２の仮想ユーザの関連性生データをリトリーブし、前記関連性生データは多次元データを含み、各次元に関連するデータはユーザを識別すると共に関連性次元として機能することが可能であり、前記第１の仮想ユーザおよび前記第２の仮想ユーザの一方が、悪意あるユーザであると見なされ、
    前記第１の仮想ユーザおよび前記第２の仮想ユーザの前記関連性生データに基づいて、関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の少なくとも１つの関連性値を計算し、
    前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の現実の関連性の程度を得るために、前記関連性次元についての前記少なくとも１つの関連性値を集計し、
    前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記現実の関連性の程度が所定の閾値を超えるか否かを判定し、
    前記第１および第２の仮想ユーザの他方が悪意あるユーザであると判定するよう構成されている、少なくとも１つのプロセッサと、
    前記少なくとも１つのプロセッサに接続され、前記少なくとも１つのプロセッサに命令を提供するよう構成されているメモリと、
    を備える、システム。
11. 請求項１０に記載のシステムであって、前記関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値を計算することは、
    前記関連性次元について、量的因子、時間的因子、および、カスケード因子に基づいて、前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値を計算することを含む、システム。
12. 請求項１１に記載のシステムであって、
    前記量的因子は、総和関数を用い、
    前記時間的因子および前記カスケード因子は両方とも、逆関数を用い、
    前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記少なくとも１つの関連性値は、
    

    

    という式を用いて計算され、Σは、前記総和関数に対応し、ｘは、関連性次元についての前記関連性値に対応し、ｌｅｖｅｌは、カスケードレベルに対応し、ｔは、時間に対応する、システム。
13. 請求項１０に記載のシステムであって、前記多次元データは、ＩＰアドレス、クッキー、デバイスフィンガープリント、携帯電話番号、電話番号、ファクス番号、電子メールアドレス、住所、ユーザ名、または、それらの任意の組み合わせを含む、システム。
14. 請求項１０に記載のシステムであって、前記第１の仮想ユーザの前記関連性生データおよび前記第２の仮想ユーザの前記関連性生データをリトリーブすることは、
    前記第１の仮想ユーザの前記関連性生データをリトリーブし、
    前記第１の仮想ユーザの前記関連性生データに基づいて、前記第１の仮想ユーザに関連する前記第２の仮想ユーザと、前記第２の仮想ユーザの前記関連性生データとを探し出すこと、
    を含む、システム。
15. 請求項１４に記載のシステムであって、前記第１の仮想ユーザに関連する前記第２の仮想ユーザと、前記第２の仮想ユーザの前記関連性生データとを探し出すことは、
    各関連性次元について、前記第１の仮想ユーザの識別子に基づいて、前記第１の仮想ユーザによって用いられた次元データを見つけ、
    前記見つかった次元データを用いて、前記次元データに対応するユーザリストを見つけ、
    前記各関連性次元について見つかった前記ユーザリストから重複ユーザを除去して、前記ユーザリスト内のユーザを前記第１の仮想ユーザに関連する前記第２の仮想ユーザとして特定すること、
    を含む、システム。
16. 請求項１０に記載のシステムであって、前記少なくとも１つの関連性値を集計することは、前記関連性次元について前記少なくとも１つの関連性値を合計することを含む、システム。
17. ネットワーク仮想ユーザリスクを抑制するためのコンピュータプログラムであって、
    第１の仮想ユーザの関連性生データおよび第２の仮想ユーザの関連性生データをリトリーブするための機能と、前記関連性生データは多次元データを含み、各次元に関連するデータはユーザを識別すると共に関連性次元として機能することが可能であり、前記第１の仮想ユーザおよび前記第２の仮想ユーザの一方が、悪意あるユーザであると見なされ、
    前記第１の仮想ユーザおよび前記第２の仮想ユーザの前記関連性生データに基づいて、関連性次元について前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の少なくとも１つの関連性値を計算するための機能と、
    前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の現実の関連性の程度を得るために、前記関連性次元の前記少なくとも１つの関連性値を集計するための機能と、
    前記第１の仮想ユーザおよび前記第２の仮想ユーザの間の前記現実の関連性の程度が所定の閾値を超えるか否かを判定するための機能と、
    前記第１および第２の仮想ユーザの他方が悪意あるユーザであると判定するための機能と、
    をコンピュータによって実現させる、コンピュータプログラム。

Images