应用程序的刷量识别方法、装置制造方法及图纸

本申请公开一种应用程序的刷量识别方法、装置，其通过获取每次用户操作行为发生时相应的移动终端各个传感器的状态采样值，进而根据各个传感器的状态采样值计算该用操作行为的可信度，如果该可信度在预设范围内，则判定相应的用户操作行为是刷量行为。可见，相对于现有技术，本申请提供的刷量识别方法颗粒度更细，可以具体到对某个群体的某个用户的某个操作行为进行识别，且不被恶意用户伪装的操作行为所欺骗，能有效应对伪装成单次或少量下载的欺诈刷量行为；且不需要用户的历史操作信息，不需要用户的账户信息，具有识别准确率高，反刷量能力好的优点。

Method and device for identifying brush amount of application program

The amount of brush device recognition method, the invention discloses an application, the user behavior through the acquisition of each mobile terminal when each sensor of the corresponding state sampling value, then the value calculated with the credibility of the sampling operation according to each sensor state, if the credibility in the preset range, then determine the user behavior the corresponding amount of brush behavior is. Therefore, compared with the prior art, the amount of brush particle recognition method provided by the application of more detailed, can be specific to a certain operation behavior of a user to a group of recognition, and not be deceived by the operation behavior of malicious users in disguise, can effectively deal with fraud disguised as a single or a small amount of brush behavior download; and does not need the user's historical operation information, the user does not need to account information, has high recognition accuracy, the advantages of good anti brush capacity.

【技术实现步骤摘要】
应用程序的刷量识别方法、装置
本申请涉及移动互联网
，尤其涉及应用程序的刷量识别方法、装置。
技术介绍
随着移动互联网技术的发展，各种基于该移动互联网的移动端应用程序层出不穷，为人们的工作和学习带来诸多便利。但同时，对应用程序的下载刷量现象也随之产生，即，应用程序开发者或恶意利益相关者通过刷下载量或更新量，甚至伪造下载、更新，造成相应应用程序很受欢迎的假象，从中获取利益。现有应用应用程序的刷量行为识别方法虽然很多，但都或多或少存在一些缺点。其中一种识别方法为：通过对应用程序或者提供各种应用程序的渠道的群体下载行为进行监控及分析，判断相应群体是否存在刷量行为；具体的，如果分析发现同一开发者开发的多个应用程序出现非常接近的下载趋势，或者某应用程序在多个省份和地域的下载量一样或非常接近，或者某应用程序某段时间的下载量和卸载量几乎一致，等等，都可以判定存在刷量行为。但这种方法是针对群体的分析，所以无法针对某个用户甚至某个下载行为，做出是否刷量的判断。现有另一种识别方法，通过获取阈值时间段内各个用户操作应用程序的操作数据，分析出每个用户是否存在多次下载同一应用程序的刷量行为；但这种方法只能识别出同一个用户的反复刷量行为，如果恶意用户通过不断虚拟新的设备伪装成初次下载来进行刷量，该方法将完全失效。因此，如何准确识别各类应用程序刷量行为，已成为本领域技术人员亟需解决的问题。
技术实现思路
为克服相关技术中存在的问题，本申请提供一种应用程序的反刷量方法、装置。本申请第一方面，提供一种应用程序的刷量识别方法，包括：获取每次用户操作行为发生时相应移动终端中各个传感器的状态采样值；根据所述状态采样值计算所述用户操作行为的可信度；判断所述用户操作行为的可信度是否在预设范围内，如果是，则判定所述用户操作行为为刷量行为。结合第一方面，在第一方面第一种可行的实施方式中，获取每次用户操作行为发生时相应的移动终端中各个传感器的状态采样值，包括：在发生用户操作行为时，获取相应移动终端中各个传感器的可访问状态；对于可访问状态为允许访问的传感器，按照预设采样周期对其状态值进行采样得到对应的状态采样值。结合第一方面，或者第一方面第一种可行的实施方式，在第一方面第二种可行的实施方式中，在根据所述状态采样值计算所述用户操作行为的可信度之前，所述方法还包括：获取状态值正样本和状态值负样本，并根据所述状态值正样本和状态值负样本进行训练，确定预设神经网络模型的模型参数。结合第一方面第二种可行的实施方式，在第一方面第三种可行的实施方式中，根据所述状态采样值计算所述用户操作行为的可信度，包括：根据所述状态采样值计算各个传感器的采样值标准差；根据所述采样值标准差生成对应于所述用户操作行为的特征向量；将所述特征向量输入预设神经网络模型，并根据所述预设神经网络模型的模型参数计算所述用户操作行为的可信度。结合第一方面，或者第一方面第一种可行的实施方式，在第一方面第四种可行的实施方式中，所述方法还包括：在获取到所述状态采样值后，将所述状态采样值与对应的传感器标识码和移动终端标识码以打点日志的形式进行存储。本申请第二方面，提供一种应用程序的刷量识别装置，包括：数据采样单元，用于获取每次用户操作行为发生时相应移动终端中各个传感器的状态采样值；数据处理单元，用于根据所述状态采样值计算所述用户操作行为的可信度；刷量识别单元，用于判断所述用户操作行为的可信度是否在预设范围内，如果是，则判定所述用户操作行为为刷量行为。结合第二方面，在第二方面第一种可行的实施方式中，所述数据采样单元包括：访问状态确定模块，用于在发生用户操作行为时，获取相应移动终端中各个传感器的可访问状态；数据采样模块，用于对于可访问状态为允许访问的传感器，按照预设采样周期对其状态值进行采样得到对应的状态采样值。结合第二方面，或者第二方面第一种可行的实施方式，在第二方面第二种可行的实施方式中，所述装置还包括：模型训练单元，用于获取状态值正样本和状态值负样本，并根据所述状态值正样本和状态值负样本进行训练，确定预设神经网络模型的模型参数。结合第二方面第二种可行的实施方式，在第二方面第三种可行的实施方式中，所述数据处理单元包括：标准差计算模块，用于根据所述状态采样值计算各个传感器的采样值标准差；特征向量生成模块，用于根据所述采样值标准差生成对应于所述用户操作行为的特征向量；可信度计算模块，用于将所述特征向量生成单元生成的特征向量输入预设神经网络模型，并根据所述预设神经网络模型的模型参数计算所述用户操作行为的可信度。结合第二方面，或者第二方面第一种可行的实施方式，在第二方面第四种可行的实施方式中，所述装置还包括：打点记录单元，用于在获取到所述状态采样值后，将所述状态采样值与对应的传感器标识码和移动终端标识码以打点日志的形式进行存储。由以上技术方案可知，本申请实施例通过获取每次用户操作行为发生时相应的移动终端各个传感器的状态采样值，进而根据各个传感器的状态采样值计算该用操作行为的可信度，如果该可信度在预设范围内，则判定相应的用户操作行为是刷量行为。可见，相对于现有技术，上述刷量识别方法颗粒度更细，可以具体到对某个群体的某个用户的某个操作行为进行识别，且不被恶意用户伪装的操作行为所欺骗，能有效应对伪装成单次或少量下载的欺诈刷量行为；且不需要用户的历史操作信息，不需要用户的账户信息，具有识别准确率高，反刷量能力好的优点。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1是本申请实施例提供的一种应用程序的反刷量方法的流程图。图2是本申请实施例提供的另一种应用程序的反刷量方法的流程图。图3是本申请实施例提供的一种应用程序的反刷量装置的结构框图。图4是本申请实施例提供的一种应用程序的反刷量装置在实际应用中的配置框图；图5是本申请实施例提供的另一种应用程序的反刷量装置的结构框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。为解决准确识别各类刷量行为的问题，申请人对现有刷量操作方式进行的研究总结，发现其可以概括为如下两种：(1)通过虚拟机，用软件模拟出一个或者多个移动终端，并通过这些虚拟出的移动终端进行刷量作弊；(2)通过在真实移动终端上，用软件虚拟出用户的操作行为进行刷量作弊；进而将上述刷量操作与在真实移动终端上的实际操作进行比较，发现主要区别在于，真实移动终端上的实际操作，不可避免地会人为造成移动终端抖动(如，位置变化、放置形态变化等)，即使是很微小的抖动也可以被移动终端中内置的各种高灵敏度传感器(如，加速度计、陀螺仪、磁力计、方位传感器等)感应到；而上述第一种刷量操作不存在真是的移动终端，故也不存在可以感应抖动的传感器，第二种刷量操作虽然通过真实的移动终端实现，但由于其是通过软件模拟用户操作本文档来自技高网...

【技术保护点】
一种应用程序的刷量识别方法，其特征在于，包括：获取每次用户操作行为发生时相应移动终端中各个传感器的状态采样值；根据所述状态采样值计算所述用户操作行为的可信度；判断所述用户操作行为的可信度是否在预设范围内，如果是，则判定所述用户操作行为为刷量行为。

【技术特征摘要】
1.一种应用程序的刷量识别方法，其特征在于，包括：获取每次用户操作行为发生时相应移动终端中各个传感器的状态采样值；根据所述状态采样值计算所述用户操作行为的可信度；判断所述用户操作行为的可信度是否在预设范围内，如果是，则判定所述用户操作行为为刷量行为。2.根据权利要求1所述的方法，其特征在于，获取每次用户操作行为发生时相应的移动终端中各个传感器的状态采样值，包括：在发生用户操作行为时，获取相应移动终端中各个传感器的可访问状态；对于可访问状态为允许访问的传感器，按照预设采样周期对其状态值进行采样得到对应的状态采样值。3.根据权利要求1或2所述的方法，其特征在于，在根据所述状态采样值计算所述用户操作行为的可信度之前，所述方法还包括：获取状态值正样本和状态值负样本，并根据所述状态值正样本和状态值负样本进行训练，确定预设神经网络模型的模型参数。4.根据权利要求3所述的方法，其特征在于，根据所述状态采样值计算所述用户操作行为的可信度，包括：根据所述状态采样值计算各个传感器的采样值标准差；根据所述采样值标准差生成对应于所述用户操作行为的特征向量；将所述特征向量输入预设神经网络模型，并根据所述预设神经网络模型的模型参数计算所述用户操作行为的可信度。5.根据权利要求1或2所述的方法，其特征在于，还包括：在获取到所述状态采样值后，将所述状态采样值与对应的传感器标识码和移动终端标识码以打点日志的形式进行存储。6.一种应用程序的刷量识别装置，其特...

【专利技术属性】
技术研发人员：黄振，
申请(专利权)人：广州市动景计算机科技有限公司，
类型：发明
国别省市：广东,44