应用程序的反作弊方法及装置制造方法及图纸

本发明专利技术公开了一种应用程序的反作弊方法及装置，涉及网络安全技术领域，主要目的在于能够提升应用程序反作弊效率和精确度，所述方法包括：利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量；将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到的；若为作弊应用程序，则利用预设反作弊规则对所述应用程序进行反作弊处理。本发明专利技术适用于应用程序的反作弊。

【技术实现步骤摘要】
应用程序的反作弊方法及装置
本专利技术涉及网络安全
，特别是涉及一种应用程序的反作弊方法及装置。
技术介绍
随着信息技术的不断发展，各种各样的应用程序随之出现。应用程序开发者通常会进行应用程序推广，使得用户在看到应用程序推广后安装使用应用程序，以吸引更多的用户数。为了用户数，或者为了给投资者看应用程序的相应数据，或者为了获取一些非法数据，以获取更多经济利益，一些开发者会采用作弊方式推广或者使用应用程序，这样的应用程序可以称为作弊应用程序。例如，通过刷机方式刷取假的用户数，数据流量等。为了保证应用程序市场正常运行，需要严厉打击应用程序作弊的行为。目前，主要采用人工方式识别作弊应用程序，并对所述应用程序进行反作弊处理。然而，涉及作弊的应用程序数量巨多，且技术人员的精力有限，通过上述方式反应用程序作弊，会造成应用程序的反作弊效率和精确度较低。
技术实现思路
有鉴于此，本专利技术提供一种应用程序的反作弊方法及装置，主要目的在于能够提升应用程序的反作弊效率和精确度。依据本专利技术第一方面，提供了一种应用程序的反作弊方法，包括：利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量；将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到的；若为作弊应用程序，则利用预设反作弊规则对所述应用程序进行反作弊处理。依据本专利技术第二方面，提供了一种应用程序检测装置，包括：词向量处理单元，用于利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量；识别单元，用于将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到的；反作弊处理单元，还用于若为作弊应用程序，则利用预设反作弊规则对所述应用程序进行反作弊处理。依据本专利技术第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量；将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到的；若为作弊应用程序，则利用预设反作弊规则对所述应用程序进行反作弊处理。依据本专利技术第四方面，提供了一种应用程序的反作弊装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量；将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到的；若为作弊应用程序，则利用预设反作弊规则对所述应用程序进行反作弊处理。本专利技术提供一种应用程序的反作弊方法及装置，与目前采用人工方式识别作弊应用程序，并对所述应用程序进行反作弊处理相比，本专利技术能够利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量；将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到。与此同时，在识别出所述应用程序为作弊应用程序时，能够利用预设反作弊规则对所述应用程序进行反作弊处理，从而能够实现自动进行应用程序的反作弊，进而能够提升应用程序的反作弊的效率和精确度。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了本专利技术实施例提供的一种应用程序的反作弊方法流程图；图2示出了本专利技术实施例提供的另一种应用程序的反作弊方法流程图；图3示出了本专利技术实施例提供的一种作弊识别模型的训练方法流程图；图4示出了本专利技术实施例提供的一种应用程序的反作弊装置的结构示意图；图5示出了本专利技术实施例提供的另一种应用程序的反作弊装置的结构示意图；图6示出了本专利技术实施例提供的一种应用程序的反作弊装置的实体结构示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。如
技术介绍
所述，目前主要采用人工方式识别作弊应用程序，并对所述应用程序进行反作弊处理。然而，涉及作弊的应用程序数量巨多，且技术人员的精力有限，通过上述方式反应用程序作弊，会造成应用程序的反作弊效率较低。为了解决上述技术问题，本专利技术实施例提供了一种应用程序的反作弊方法，如图1所示，所述方法包括：101、利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量。其中，所述应用程序的词向量能够表示所述应用程序，利用所述预设词向量模型对应用程序进行词向量处理的过程可以包括如下步骤：1、对所述应用程序进行分词处理，以提取所述应用程序对应的关键词。所采用的分词方法可以为基于字符串匹配的分词方法、基于理解的分词方法、基于统计的分词方法，这些分词方法都具有较高的分词准确率和快速的分词系统，能够自动过滤掉中间词、助词、连词、感叹词等停顿词、保留名词、动词、形容词等指定词性的词，并将指定词性的词作为候选关键词。2、在所述预设词向量模型中查找关键词对应的词向量，预设词向量模型包括关键词的词向量。所述预设词向量模型可以为通过word2vec训练得到的，word2vec可以为一种生成词向量的神经网络模型，即在训练所述模型时，将词语作输入、输出一个低维度的词向量表示这个词语，然后用反向传播的方法不断优化参数。通过word2vec可以训练能够表示应用程序语义关系的词向量。102、将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序。其中，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到的。所述样本应用程序对应的样本词向量可以为通过步骤101所描述的方式获取的，所述预设机器学习算法可以为卷积神经网络模型或者预设逻辑斯特回归拟合算法。所述作弊识别模型可以通过离线方式自动训练的，训练的作弊识别模型可以称为作弊识别的离线模型，而在识别所述应用程序是否为作弊应用程序时，可以通过在线方式识别，通过离线方式自动训练作弊识别模型，能够避免占用较多的网络资源，从而能够提升作弊应用程序本文档来自技高网...

【技术保护点】
一种应用程序的反作弊方法，其特征在于，包括：利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量；将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到的；若为作弊应用程序，则利用预设反作弊规则对所述应用程序进行反作弊处理。

【技术特征摘要】
1.一种应用程序的反作弊方法，其特征在于，包括：利用预设词向量模型对应用程序进行词向量处理，得到所述应用程序对应的词向量；将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，所述作弊识别模型为利用预设机器学习算法对所述样本应用程序对应的样本词向量和作弊标注进行训练得到的；若为作弊应用程序，则利用预设反作弊规则对所述应用程序进行反作弊处理。2.根据权利要求1所述的方法，其特征在于，所述利用预设词向量模型对应用程序进行词向量处理之前，所述方法还包括：通过训练的用户画像获取应用程序安装列表；对所述应用程序安装列表进行数据清洗，得到样本应用程序；利用所述预设词向量模型对所述样本应用程序进行词向量处理，得到所述样本应用程序对应的样本词向量；利用预设聚类算法和种子作弊词向量，对所述样本词向量进行分类；对与所述种子作弊词向量归属于同一类别的样本词向量进行标注，得到作弊标注；利用预设机器学习算法对所述样本词向量和所述作弊标注进行训练，得到所述作弊识别模型。3.根据权利要求2所述的方法，其特征在于，所述利用预设机器学习算法对所述样本词向量和所述作弊标注进行训练，得到所述作弊识别模型，具体包括：对所述样本词向量和所述作弊标注进行抽样处理；将抽样后的样本词向量和作弊标注拆分为训练集和测试集；利用预设逻辑斯特回归拟合算法对所述训练集进行训练，得到训练模型；利用所述测试集验证所述训练模型的效果直到满足预设条件，得到所述作弊识别模型。4.根据权利要求2所述的方法，其特征在于，所述利用预设聚类算法和种子作弊词向量，对所述样本词向量进行分类之前，所述方法还包括：将反编译代码的、破解通讯协议的、或者安装虚拟机的应用程序，确定为种子作弊应用程序；利用所述预设词向量模型对所述种子作弊应用程序进行词向量处理，得到所述种子作弊词向量。5.根据权利要求1所述的方法，其特征在于，所述将所述词向量输入到预先训练的作弊识别模型进行匹配，以识别所述应用程序是否为作弊应用程序，具体包括：将所述词向量输入到所述作弊识别模型进行匹配；确定所述词向量与作弊标注对应的样本词向量之间的相似度是否大于或者等于预设相似度阈...

【专利技术属性】
技术研发人员：姚城，闫绍华，李振博，
申请(专利权)人：北京奇虎科技有限公司，
类型：发明
国别省市：北京,11