一种识别风险设备的方法以及相关设备技术

本发明专利技术实施例提供了一种识别风险设备的方法以及相关设备，可以准确的识别出直播平台中批量注册的风险设备，净化直播平台的网络环境。该方法包括：获取目标设备，所述目标设备为直播平台中待识别风险的设备；确定所述目标设备的图模型特征；将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值；判断所述目标设备的风险值是否大于预设阈值；若是，则确定所述目标设备为风险设备。

A Method of Identifying Risk Equipment and Related Equipment

The embodiment of the invention provides a method for identifying risk equipment and related equipment, which can accurately identify batch registered risk equipment in the live broadcast platform and purify the network environment of the live broadcast platform. The method includes: acquiring the target equipment, which is the equipment to identify the risk in the live broadcast platform; determining the graph model characteristics of the target equipment; inputting the graph model features of the target equipment into the preset training model to obtain the risk value of the target equipment; judging whether the risk value of the target equipment is greater than the preset threshold value; and, if so, determining the target. The equipment is risk equipment.

【技术实现步骤摘要】
一种识别风险设备的方法以及相关设备
本专利技术涉及信息处理
，尤其涉及一种识别风险设备的方法以及相关设备。
技术介绍
对于直播平台而言，活跃的平台用户是平台健康运营的保证。然而，某些黑产团体为了自身利益，常常有一些危害平台的行为，例如批量注册、批量刷直播间热度、批量刷关注等。黑产团体往往采用设备群控的方式进行批量操作，从而获取利润。在这种操作模式中，黑产团伙由于频繁更换账号，导致难以直接从账号捕获黑产团伙。然而，由于黑产无法频繁的更换设备，导致设备在一段时间内会存在某些异常的行为模式，这些行为模式可以被捕捉到。因此，如果可以对黑产用户的设备进行识别，有利于减少黑产对平台的损害，提高黑产的成本。
技术实现思路
本专利技术实施例提供了一种识别风险设备的方法及相关设备，可以准确的识别出直播平台中风险设备，净化直播平台的网络环境。本专利技术实施例的第一方面提供了一种识别风险设备的方法，包括：获取目标设备，所述目标设备为直播平台中待识别风险的设备；确定所述目标设备的图模型特征；将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值，所述预设训练模型为经过逻辑回归模型对训练数据进行训练得到的，所述训练数据包括已风险标注的训练设备的标签以及所述已风险标注的训练设备的图模型特征，所述已风险标注的训练设备的标签指示所述已风险标注的训练设备是否为风险设备，所述已风险标注的训练设备的图模型特征为通过所述已风险标注的训练设备对应的图模型确定得到的，所述图模型包括所述已风险标注的训练设备之间的关联关系；判断所述目标设备的风险值是否大于预设阈值；若是，则确定所述目标设备为风险设备。可选地，所述将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值之前，所述方法还包括：获取所述已风险标注的训练设备的标签；构建所述已风险标注的训练设备对应的图模型；基于所述图模型确定所述已风险标注的训练设备中各个训练设备的图模型特征；将所述各个训练设备的标签以及所述各个训练设备的图模型特征对应输入逻辑回归模型进行迭代训练；当满足预置的迭代终止条件时，将迭代终止时的所述逻辑回归模型确定为所述预设训练模型。可选地，所述各个训练设备的图模型特征包括所述各个训练设备的图节点的度、所述各个训练设备的图节点的连接总强度、所述各个训练设备的图节点的平均连接强度、所述各个训练设备的图节点的聚类系数以及所述各个训练设备的图节点的聚类强度。可选地，所述基于所述图模型确定所述训练设备集合中各个训练设备的图模型特征包括：通过如下公式计算所述各个训练设备的图节点的度：ki＝|L(i)|；其中，所述ki为所述各个训练设备中的第i个设备的图节点的度，所述第i个设备的图节点的度为所述图模型中与所述第i个设备的图节点vi连接的边的数量，L(i)为所述图模型中与所述第i个设备的图节点vi连接的图节点集合，L(i)＝{vj:eij∈E}，vj为所述图模型中与所述图节点vi连接的节点，eij为所述图模型中所述图节点vi与图节点vj之间连接的边，为所述图模型中的边集合，n为所述已风险标注的训练设备的数量；通过如下公式确定所述各个训练设备的图节点的连接总强度：其中，csi为所述第i个设备的图节点的连接总强度，wij为所述eij的权重；通过如下公式确定所述各个训练设备的图节点的平均连接强度：其中，csai为所述第i个设备的图节点的平均连接强度，所述ki为所述第i个设备的图节点的度；通过如下公式确定所述各个训练设备的聚类系数；其中，ci为所述第i个设备的聚类系数，mi为所述图模型中与所述节点vi连接的节点之间相互连接的边的个数，为所述图模型中相邻节点之间两两连接的边的个数，所述mi为通过如下公式计算得到的：mi＝|{ekl:ekl∈E∧vk∈L(i)∧vl∈L(i)}|，ekl为所述图模型中与所述节点vi连接的节点vk和节点vl之间的边；通过如下公式确定所述各个训练设备的图节点的聚类强度：其中，mi为所述图模型中与所述节点vi连接的节点之间相互连接的边的个数，wkl为所述节点vk和所述节点vl之间的边的权重，为所述图模型中与所述节点vi连接的节点之间相互连接的边的权重之和。可选地，所述方法还包括：判断迭代次数是否达到预置数值，若是，则确定满足所述预置的迭代终止条件；或，判断所述预设训练模型的参数是否收敛，若是，则确定满足所述预置的迭代终止条件。本专利技术实施例第二方面提供了一种识别风险设备的装置，包括：获取单元，用于获取目标设备，所述目标设备为直播平台中待识别风险的设备；确定单元，用于确定所述目标设备的图模型特征；处理单元，用于将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值，所述预设训练模型为经过逻辑回归模型对训练数据进行训练得到的，所述训练数据包括已风险标注的训练设备的标签以及所述已风险标注的训练设备的图模型特征，所述已风险标注的训练设备的标签指示所述已风险标注的训练设备是否为风险设备，所述已风险标注的训练设备的图模型特征为通过所述已风险标注的训练设备对应的图模型确定得到的，所述图模型包括所述已风险标注的训练设备之间的关联关系；判断单元，用于判断所述目标设备的风险值是否大于预设阈值；所述确定单元，用于当所述目标设备的风险值大于所述预设阈值时，确定所述目标设备为风险设备。可选地，所述装置还包括：训练单元，所述训练单元用于：获取所述已风险标注的训练设备的标签；构建所述已风险标注的训练设备对应的图模型；基于所述图模型确定所述已风险标注的训练设备中各个训练设备的图模型特征；将所述各个训练设备的标签以及所述各个训练设备的图模型特征对应输入逻辑回归模型进行迭代训练；当满足预置的迭代终止条件时，将迭代终止时的所述逻辑回归模型确定为所述预设训练模型。可选地，所述各个训练设备的图模型特征包括所述各个训练设备的图节点的度、所述各个训练设备的图节点的连接总强度、所述各个训练设备的图节点的平均连接强度、所述各个训练设备的图节点的聚类系数以及所述各个训练设备的图节点的聚类强度。可选的，所述训练单元基于所述图模型确定所述训练设备集合中各个训练设备的图模型特征包括：通过如下公式计算所述各个训练设备的图节点的度：ki＝|L(i)|；其中，所述ki为所述各个训练设备中的第i个设备的图节点的度，所述第i个设备的图节点的度为所述图模型中与所述第i个设备的图节点vi连接的边的数量，L(i)为所述图模型中与所述第i个设备的图节点vi连接的图节点集合，L(i)＝{vj:eij∈E}，vj为所述图模型中与所述图节点vi连接的节点，eij为所述图模型中所述图节点vi与图节点vj之间连接的边，为所述图模型中的边集合，n为所述已风险标注的训练设备的数量；通过如下公式确定所述各个训练设备的图节点的连接总强度：其中，csi为所述第i个设备的图节点的连接总强度，wij为所述eij的权重；通过如下公式确定所述各个训练设备的图节点的平均连接强度：其中，csai为所述第i个设备的图节点的平均连接强度，所述ki为所述第i个设备的图节点的度；通过如下公式确定所述各个训练设备的聚类系数；其中，ci为所述第i个设备的聚类系数，mi为所述图模型中与所述节点vi连接的节点之间相互连接的边的个数，为所述图模型中相邻节本文档来自技高网...

【技术保护点】
1.一种识别风险设备的方法，其特征在于，包括：获取目标设备，所述目标设备为直播平台中待识别风险的设备；确定所述目标设备的图模型特征；将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值，所述预设训练模型为经过逻辑回归模型对训练数据进行训练得到的，所述训练数据包括已风险标注的训练设备的标签以及所述已风险标注的训练设备的图模型特征，所述已风险标注的训练设备的标签指示所述已风险标注的训练设备是否为风险设备，所述已风险标注的训练设备的图模型特征为通过所述已风险标注的训练设备对应的图模型确定得到的，所述图模型包括所述已风险标注的训练设备之间的关联关系；判断所述目标设备的风险值是否大于预设阈值；若是，则确定所述目标设备为风险设备。

【技术特征摘要】
1.一种识别风险设备的方法，其特征在于，包括：获取目标设备，所述目标设备为直播平台中待识别风险的设备；确定所述目标设备的图模型特征；将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值，所述预设训练模型为经过逻辑回归模型对训练数据进行训练得到的，所述训练数据包括已风险标注的训练设备的标签以及所述已风险标注的训练设备的图模型特征，所述已风险标注的训练设备的标签指示所述已风险标注的训练设备是否为风险设备，所述已风险标注的训练设备的图模型特征为通过所述已风险标注的训练设备对应的图模型确定得到的，所述图模型包括所述已风险标注的训练设备之间的关联关系；判断所述目标设备的风险值是否大于预设阈值；若是，则确定所述目标设备为风险设备。2.根据权利要求1所述的方法，其特征在于，所述将所述目标设备的图模型特征输入预设训练模型，以得到所述目标设备的风险值之前，所述方法还包括：获取所述已风险标注的训练设备的标签；构建所述已风险标注的训练设备对应的图模型；基于所述图模型确定所述已风险标注的训练设备中各个训练设备的图模型特征；将所述各个训练设备的标签以及所述各个训练设备的图模型特征对应输入逻辑回归模型进行迭代训练；当满足预置的迭代终止条件时，将迭代终止时的所述逻辑回归模型确定为所述预设训练模型。3.根据权利要求2所述的方法，其特征在于，所述各个训练设备的图模型特征包括所述各个训练设备的图节点的度、所述各个训练设备的图节点的连接总强度、所述各个训练设备的图节点的平均连接强度、所述各个训练设备的图节点的聚类系数以及所述各个训练设备的图节点的聚类强度。4.根据权利要求3所述的方法，其特征在于，所述基于所述图模型确定所述训练设备集合中各个训练设备的图模型特征包括：通过如下公式计算所述各个训练设备的图节点的度：ki＝|L(i)|；其中，所述ki为所述各个训练设备中的第i个设备的图节点的度，所述第i个设备的图节点的度为所述图模型中与所述第i个设备的图节点vi连接的边的数量，L(i)为所述图模型中与所述第i个设备的图节点vi连接的图节点集合，L(i)＝{vj:eij∈E}，vj为所述图模型中与所述图节点vi连接的节点，eij为所述图模型中所述图节点vi与图节点vj之间连接的边，为所述图模型中的边集合，n为所述已风险标注的训练设备的数量；通过如下公式确定所述各个训练设备的图节点的连接总强度：其中，csi为所述第i个设备的图节点的连接总强度，wij为所述eij的权重；通过如下公式确定所述各个训练设备的图节点的平均连接强度：其中，csai为所述第i个设备的图节点的平均连接强度，所述ki为所述第i个设备的图节点的度；通过如下公式确定所述各个训练设备的聚类系数；其中，ci为所述第i个设备的聚类系数，mi为所述图模型中与所述节点vi连接的节点之间相互连接的边的个数，为所述图模型中相邻节点之间两两连接的边的个数，所述mi为通过如下公式计算得到的：ekl为所述图模型中与所述节点vi连接的节点vk和节点vl之间的边；通过如下公式确定所述各个训练设备的图节点的聚类强度：其中，mi为所述图模型中与所述节点vi连接的节点之间相互连接的边的个数，wkl为所述节点vk和所述节点vl之间的边的权重，为所述图模型中与所述节点vi连接的节点之间相互连接的边的权重之和。5.根据权利要求2至4中任一项所述的方法，其特征在于，所述方法还包括：判断迭代次数是否达到预置数值，若是，则确定满足所述预置的迭代终止条件；或，判断所述预设训练模型的参数是否收敛，若是，则确定满足所述预置的迭代终止条件。6.一种识别风险设备的装置，其特征在于，包括：获取单元，用于获取目标设备，所述目标设备为直播平台中待识别风险的设备；确定单元，用于确定所述目标设备的图...

【专利技术属性】
技术研发人员：王非池，
申请(专利权)人：武汉斗鱼鱼乐网络科技有限公司，
类型：发明
国别省市：湖北,42