电子装置、异常用户处理策略智能决策方法及存储介质制造方法及图纸

本发明专利技术公开了一种电子装置、异常用户处理策略智能决策方法以及存储介质，所述方法包括：预先确定的多个用户的操作特征数据以及基于所述操作特征数据，以无监督学习方式确定出所述多个用户中的异常用户；根据有监督学习方法对确定的各个异常用户的异常特征进行关键性分析，以得到所述各个异常用户的关键异常特征；将各个异常用户的关键异常特征代入预先确定的异常用户评分公式进行用户评分计算，以计算出各个异常用户的用户评分；根据预先存储的用户评分与异常处理策略之间的映射关系，确定针对各个异常用户所需的异常处理策略。不仅能节约大量的人力资源，且能够提高结果的准确性。

【技术实现步骤摘要】
电子装置、异常用户处理策略智能决策方法及存储介质
本专利技术涉及异常处理领域，尤其涉及一种电子装置、异常用户处理策略智能决策方法及存储介质。
技术介绍
目前，针对异常数据(异常操作行为)对应的用户(异常用户)进行核查以及选取对应的处理策略的过程，一般都是由人工根据经验进行异常特征分析，然后进一步获取与异常数据相关联的异常用户的其他信息，并进行人工核查并选取对应的处理策略，整个过程存在较多的人工处理环节，且各阶段通常会由不同的人员进行处理，导致各个阶段之间相对分离，无法实现智能决策，不仅浪费大量的人力资源，且无法保证结果的准确性。
技术实现思路
有鉴于此，为解决上述问题，本专利技术提出一种电子装置、所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的异常用户处理策略智能决策程序，所述异常用户处理策略智能决策程序被所述处理器执行时实现如下步骤：A1、获取预先确定的多个用户的操作特征数据以及基于所述操作特征数据，以无监督学习方式确定出所述多个用户中的异常用户；A2、根据有监督学习方法对确定的各个异常用户的异常特征参数进行关键性分析，以得到所述各个异常用户的关键异常特征参数；A3、将各个异常用户的关键异常特征参数代入预先确定的异常用户评分公式进行用户评分计算，以计算出各个异常用户的用户评分；A4、根据预先存储的用户评分与异常处理策略之间的映射关系，确定针对各个异常用户所需的异常处理策略。优选地，在所述步骤A1中，所述无监督学习方式为聚类算法，所述以无监督学习方式确定出所述多个用户中的异常用户的步骤，包括：对多个用户的操作特征数据进行聚类，将关联度高的用户的操作特征数据聚合，得到多个簇；分别判断每一个簇中各个操作特征数据的分布，若一个簇中包含的操作特征数据小于第一预设数量，则认为该簇中的用户为异常用户；若一个簇中包含的操作特征数据大于或者等于所述第一预设数量，且离预定义的中心数据的距离大于预定义距离阈值的操作特征数据的个数，大于或者等于第二预设数量，则认为该簇中的用户为异常用户；或者，若一个簇中包含的操作特征数据大于或者等于所述第一预设数量，且离预定义的中心数据的距离大于预定义距离阈值的操作特征数据的个数，小于所述第二预设数量，则认为该簇中离中心数据的距离大于预定义距离阈值的操作特征数据对应的用户的为异常用户。优选地，在所述步骤A2中，所述有监督学习方式为决策树方法，所述步骤A2包括：利用确定出的异常用户的操作特征数据，构建决策树，所述决策树包含多个节点，每一个节点对应一个操作特征数据且距离决策树的根节点的位置越近的节点对应的操作特征数据在识别异常用户中越重要；选取决策树中距离所述根节点的深度小于预定义的深度阈值的节点对应的操作特征数据作为关键异常特征。优选地，在所述步骤A3中，所述用户评分公式为：其中，X为待评分的异常用户的用户评分，w0为预设常量调整因子，wi表示第i个异常特征参数的特征权重值，xi表示第i个异常特征参数的特征值，m为异常特征参数的数量。优选地，所述操作特征数据包括操作用户的用户名、登录IP、时间、操作事件、参数等数据信息。此外，为实现上述目的，本申请还提出一种异常用户处理策略智能决策方法，其特征在于，所述方法包括如下步骤：S1、获取预先确定的多个用户的操作特征数据以及基于所述操作特征数据，以无监督学习方式确定出所述多个用户中的异常用户；S2、根据有监督学习方法对确定的各个异常用户的异常特征参数进行关键性分析，以得到所述各个异常用户的关键异常特征参数；S3、将各个异常用户的关键异常特征参数代入预先确定的异常用户评分公式进行用户评分计算，以计算出各个异常用户的用户评分；S4、根据预先存储的用户评分与异常处理策略之间的映射关系，确定针对各个异常用户所需的异常处理策略。优选地，在所述步骤S1中，所述无监督学习方式为聚类算法，所述以无监督学习方式确定出所述多个用户中的异常用户的步骤，包括：对多个用户的操作特征数据进行聚类，将关联度高的用户的操作特征数据聚合，得到多个簇；分别判断每一个簇中各个操作特征数据的分布，若一个簇中包含的操作特征数据小于第一预设数量，则认为该簇中的用户为异常用户；若一个簇中包含的操作特征数据大于或者等于所述第一预设数量，且离预定义的中心数据的距离大于预定义距离阈值的操作特征数据的个数，大于或者等于第二预设数量，则认为该簇中的用户为异常用户；或者，若一个簇中包含的操作特征数据大于或者等于所述第一预设数量，且离预定义的中心数据的距离大于预定义距离阈值的操作特征数据的个数，小于所述第二预设数量，则认为该簇中离中心数据的距离大于预定义距离阈值的操作特征数据对应的用户的为异常用户。优选地，在所述步骤S2中，所述有监督学习方式为决策树方法，所述步骤A2包括：利用确定出的异常用户的操作特征数据，构建决策树，所述决策树包含多个节点，每一个节点对应一个操作特征数据且距离决策树的根节点的位置越近的节点对应的操作特征数据在识别异常用户中越重要；选取决策树中距离所述根节点的深度小于预定义的深度阈值的节点对应的操作特征数据作为关键异常特征。优选地，在所述步骤S3中，所述用户评分公式为：其中，X为待评分的异常用户的用户评分，w0为预设常量调整因子，wi表示第i个异常特征参数的特征权重值，xi表示第i个异常特征参数的特征值，m为异常特征参数的数量。此外，为实现上述目的，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质存储有基于虚拟号码监测查勘程序，所述异常用户处理策略智能决策程序可被至少一个处理器执行，以使所述至少一个处理器执行如上任一实施例所述的异常用户处理策略智能决策方法的步骤。本专利技术所提出的电子装置、异常用户处理策略智能决策方法以及存储介质，首先获取预先确定的多个用户的操作特征数据以及基于所述操作特征数据，以无监督学习方式确定出所述多个用户中的异常用户；然后根据有监督学习方法对确定的各个异常用户的异常特征进行关键性分析，以得到所述各个异常用户的关键异常特征；再次将各个异常用户的关键异常特征代入预先确定的异常用户评分公式进行用户评分计算，以计算出各个异常用户的用户评分；最后根据预先存储的用户评分与异常处理策略之间的映射关系，确定针对各个异常用户所需的异常处理策略。不仅能节约大量的人力资源，且能够提高结果的准确性。附图说明图1是本专利技术提出的电子装置一可选的硬件架构的示意图；图2是本专利技术电子装置一实施例中异常用户处理策略智能决策程序的程序模块示意图；图3是本专利技术异常用户处理策略智能决策方法较佳实施例的实施流程图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包本文档来自技高网...

【技术保护点】
1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的异常用户处理策略智能决策程序，所述异常用户处理策略智能决策程序被所述处理器执行时实现如下步骤：A1、获取预先确定的多个用户的操作特征数据以及基于所述操作特征数据，以无监督学习方式确定出所述多个用户中的异常用户；A2、根据有监督学习方法对确定的各个异常用户的异常特征参数进行关键性分析，以得到所述各个异常用户的关键异常特征参数；A3、将各个异常用户的关键异常特征参数代入预先确定的异常用户评分公式进行用户评分计算，以计算出各个异常用户的用户评分；A4、根据预先存储的用户评分与异常处理策略之间的映射关系，确定针对各个异常用户所需的异常处理策略。

【技术特征摘要】
1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的异常用户处理策略智能决策程序，所述异常用户处理策略智能决策程序被所述处理器执行时实现如下步骤：A1、获取预先确定的多个用户的操作特征数据以及基于所述操作特征数据，以无监督学习方式确定出所述多个用户中的异常用户；A2、根据有监督学习方法对确定的各个异常用户的异常特征参数进行关键性分析，以得到所述各个异常用户的关键异常特征参数；A3、将各个异常用户的关键异常特征参数代入预先确定的异常用户评分公式进行用户评分计算，以计算出各个异常用户的用户评分；A4、根据预先存储的用户评分与异常处理策略之间的映射关系，确定针对各个异常用户所需的异常处理策略。2.如权利要求1所述的电子装置，其特征在于，在所述步骤A1中，所述无监督学习方式为聚类算法，所述以无监督学习方式确定出所述多个用户中的异常用户的步骤，包括：对多个用户的操作特征数据进行聚类，将关联度高的用户的操作特征数据聚合，得到多个簇；分别判断每一个簇中各个操作特征数据的分布，若一个簇中包含的操作特征数据小于第一预设数量，则认为该簇中的用户为异常用户；若一个簇中包含的操作特征数据大于或者等于所述第一预设数量，且离预定义的中心数据的距离大于预定义距离阈值的操作特征数据的个数，大于或者等于第二预设数量，则认为该簇中的用户为异常用户；或者，若一个簇中包含的操作特征数据大于或者等于所述第一预设数量，且离预定义的中心数据的距离大于预定义距离阈值的操作特征数据的个数，小于所述第二预设数量，则认为该簇中离中心数据的距离大于预定义距离阈值的操作特征数据对应的用户的为异常用户。3.如权利要求1所述的电子装置，其特征在于，在所述步骤A2中，所述有监督学习方式为决策树方法，所述步骤A2包括：利用确定出的异常用户的操作特征数据，构建决策树，所述决策树包含多个节点，每一个节点对应一个操作特征数据且距离决策树的根节点的位置越近的节点对应的操作特征数据在识别异常用户中越重要；选取决策树中距离所述根节点的深度小于预定义的深度阈值的节点对应的操作特征数据作为关键异常特征。4.如权利要求1所述的电子装置，其特征在于，在所述步骤A3中，所述用户评分公式为：其中，X为待评分的异常用户的用户评分，w0为预设常量调整因子，wi表示第i个异常特征参数的特征权重值，xi表示第i个异常特征参数的特征值，m为异常特征参数的数量。5.如权利要求1-4任一项所述的电子装置，其特征在于，所述操作特征数据包括操作用户的用户名、登录IP、时间、操作事件、参数等数据信息。6.一种...

【专利技术属性】
技术研发人员：王斑，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44