用于检测账户使用异常的方法及装置制造方法及图纸

本公开提供了一种用于检测账户使用异常的方法及装置，其中所述用于检测账户使用异常的方法包括：获取待检测账户的第一行为特征数据，该第一行为特征数据是与长期时段内针对待检测账户执行的第一历史行为数据对应的行为特征数据；获取待检测账户的第二行为特征数据，该第二行为特征数据是与短期时段内针对待检测账户执行的第二历史行为数据对应的行为特征数据，并且短期时段的结束时间不早于长期时段的结束时间；然后，将第一行为特征数据和第二行为特征数据提供给账户异常检测模型来确定针对账户的使用是否异常。利用该方法，通过使用针对待检测账户的长期累积行为和短期突发行为来检测账户使用异常，可以提高账户安全性。

Methods and devices used to detect abnormal use of accounts

【技术实现步骤摘要】
用于检测账户使用异常的方法及装置
本公开涉及互联网领域，具体地，涉及一种用于检测账户使用异常的方法及装置。
技术介绍
随着互联网技术的不断发展，使用互联网账户进行工作和生活等活动的用户越来越多，例如用户可以通过类似“QQ”的网络账户与好友进行即时通讯，以及用户还可以通过类似“摩拜”、“滴滴”的出行网络账户预约共享车辆等，这些网络活动为用户带来了工作和生活上的便利。但是，若互联网账户被他人盗用，尤其是手机钱包类的金融账户被非法盗用时，则会为用户带来较大的损失。并且，一旦出现用户账户盗用，不仅危害用户的资金安全，同时还会出现网络平台产品安全性低下的舆论风险，会严重影响网络平台的口碑。因此，如何检测互联网账户是否存在异常使用或盗用风险，以增加用户的安全感和用户粘性，是目前业界亟待解决的难题。
技术实现思路
鉴于上述问题，本公开提供了一种用于检测账户使用异常的方法及装置，利用该方法及装置，通过使用账户的长期累积行为数据和短期突发行为数据来进行账户使用异常检测，可以提升账户异常使用检测的准确率，增强用户的安全感和用户粘性。根据本公开的一个方面，提供了一种用于检测账户使用异常的方法，包括：获取待检测账户的至少一个第一行为特征数据，所述第一行为特征数据是与第一时段内针对所述待检测账户执行的第一历史行为数据对应的行为特征数据；获取所述待检测账户的至少一个第二行为特征数据，所述第二行为特征数据是与第二时段内针对所述待检测账户执行的第二历史行为数据对应的行为特征数据，其中，所述第二时段小于所述第一时段，并且所述第二时段的结束时间不早于所述第一时段的结束时间；以及将所述至少一个第一行为特征数据和所述至少一个第二行为特征数据提供给账户异常检测模型来确定针对所述账户的使用是否异常。可选地，在一个示例中，所述第二时段的结束时间等于所述账户异常检测的触发时刻。可选地，在一个示例中，所述至少一个第二历史行为数据被时序化为第二历史行为时序数据。可选地，获取所述待检测账户的至少一个第一或第二行为特征数据包括：获取所述待检测账户的至少一个第一或第二历史行为数据；确定所述至少一个第一或第二历史行为数据的数据类型；以及使用与所述至少一个第一或第二历史行为数据的数据类型匹配的特征向量化方法来对所述至少一个第一或第二历史行为数据进行特征向量化处理，以得到所述至少一个第一或第二行为特征数据。可选地，获取所述待检测账户的至少一个第一或第二行为特征数据还包括：基于行为发生频率来对所获取的至少一个第一或第二历史行为数据进行筛选处理，以及使用与所述至少一个第一或第二历史行为数据的数据类型匹配的向量特征化方法来对所述至少一个第一或第二历史行为数据进行特征向量化处理，以得到所述至少一个第一或第二行为特征数据包括：使用与所述至少一个第一或第二历史行为数据的数据类型匹配的特征向量化方法来对经过筛选处理后的至少一个第一或第二历史行为数据进行特征向量化处理，以得到所述至少一个第一或第二行为特征数据。可选地，所述特征向量化方法包括下述方法中的一种：归一化处理、词向量处理和独热编码处理。可选地，所述词向量处理包括Word2Vec处理。可选地，所述账户异常检测模型包括宽深度模型，所述宽深度模型中的宽度模型为线性模型，以及深度模型为深度学习模型，其中，将所述至少一个第一行为特征数据和所述至少一个第二行为特征数据提供给账户异常检测模型来确定针对所述账户的使用是否异常包括：将所述至少一个第一行为特征数据提供给所述线性模型来得到第一异常检测结果；将所述至少一个第二行为特征数据提供给所述深度学习模型来得到第二异常检测结果；以及基于所述第一异常检测结果和所述第二异常检测结果来确定针对所述账户的使用是否异常。可选地，所述线性模型和所述深度学习模型具有对应的权重因子，其中，基于所述第一异常检测结果和所述第二异常检测结果来确定针对所述账户的使用是否异常包括：基于所述第一异常检测结果和所述第二异常检测结果以及对应的权重因子，确定针对所述账户的使用是否异常。根据本公开的另一方面，还提供一种用于检测账户使用异常的装置，包括：第一特征获取单元，被配置为获取待检测账户的至少一个第一行为特征数据，所述第一行为特征数据是与第一时段内针对所述待检测账户执行的第一历史行为数据对应的行为特征数据；第二特征获取单元，被配置为获取所述待检测账户的至少一个第二行为特征数据，所述第二行为特征数据是与第二时段内针对所述待检测账户执行的第二历史行为数据对应的行为特征数据，其中，所述第二时段小于所述第一时段，并且所述第二时段的结束时间不早于所述第一时段的结束时间；异常检测单元，被配置为将所述至少一个第一行为特征数据和所述至少一个第二行为特征数据提供给账户异常检测模型来确定针对所述账户的使用是否异常。可选地，所述至少一个第二历史行为数据被时序化为第二历史行为时序数据。可选地，所述第一特征获取单元或所述第二特征获取单元包括：行为数据获取模块，被配置为获取所述待检测账户的至少一个第一或第二历史行为数据；数据类型确定模块，被配置为确定所述至少一个第一或第二历史行为数据的数据类型；特征处理模块，被配置为使用与所述至少一个第一或第二历史行为数据的数据类型匹配的特征向量化方法来对所述至少一个第一或第二历史行为数据进行特征向量化处理，以得到所述至少一个第一或第二行为特征数据。可选地，所述第一特征获取单元或所述第二特征获取单元包括：频率筛选模块，被配置为基于行为发生频率来对所获取的至少一个第一或第二历史行为数据进行筛选处理；其中，所述特征处理模块被配置为：使用与所述至少一个第一或第二历史行为数据的数据类型匹配的特征向量化方法来对经过筛选处理后的至少一个第一或第二历史行为数据进行特征向量化处理，以得到所述至少一个第一或第二行为特征数据。可选地，所述特征向量化方法包括下述方法中的一种：归一化处理、词向量处理和独热编码处理。可选地，所述账户异常检测模型包括宽深度模型，所述宽深度模型中的宽度模型为线性模型，以及深度模型为深度学习模型，其中，所述异常检测单元包括：第一异常确定模块，被配置为将所述至少一个第一行为特征数据提供给所述线性模型来得到第一异常检测结果；第二异常确定模块，被配置为将所述至少一个第二行为特征数据提供给所述深度学习模型来得到第二异常检测结果；以及异常检测模块，基于所述第一异常检测结果和所述第二异常检测结果来确定针对所述账户的使用是否异常。可选地，所述线性模型和所述深度学习模型具有对应的权重因子，其中，所述异常检测模块被配置为：基于所述第一异常检测结果和所述第二异常检测结果以及对应的权重因子，确定针对所述账户的使用是否异常。根据本公开的另一方面，还提供一种计算设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的用于检测账户使用异常的方法。根据本公开的另一方面，还提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用于检测账户使用异常的方法。附图说明通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。附图是用来提供对本专利技术实施例的进一步理解，并且构本文档来自技高网...

【技术保护点】
1.一种用于检测账户使用异常的方法，包括：获取待检测账户的至少一个第一行为特征数据，所述第一行为特征数据是与第一时段内针对所述待检测账户执行的第一历史行为数据对应的行为特征数据；获取所述待检测账户的至少一个第二行为特征数据，所述第二行为特征数据是与第二时段内针对所述待检测账户执行的第二历史行为数据对应的行为特征数据，其中，所述第二时段小于所述第一时段，并且所述第二时段的结束时间不早于所述第一时段的结束时间；以及将所述至少一个第一行为特征数据和所述至少一个第二行为特征数据提供给账户异常检测模型来确定针对所述账户的使用是否异常。

【技术特征摘要】
1.一种用于检测账户使用异常的方法，包括：获取待检测账户的至少一个第一行为特征数据，所述第一行为特征数据是与第一时段内针对所述待检测账户执行的第一历史行为数据对应的行为特征数据；获取所述待检测账户的至少一个第二行为特征数据，所述第二行为特征数据是与第二时段内针对所述待检测账户执行的第二历史行为数据对应的行为特征数据，其中，所述第二时段小于所述第一时段，并且所述第二时段的结束时间不早于所述第一时段的结束时间；以及将所述至少一个第一行为特征数据和所述至少一个第二行为特征数据提供给账户异常检测模型来确定针对所述账户的使用是否异常。2.如权利要求1所述的方法，其中，所述第二时段的结束时间等于所述账户异常检测的触发时刻。3.如权利要求1所述的方法，其中，所述至少一个第二历史行为数据被时序化为第二历史行为时序数据。4.如权利要求1所述的方法，其中，获取所述待检测账户的至少一个第一或第二行为特征数据包括：获取所述待检测账户的至少一个第一或第二历史行为数据；确定所述至少一个第一或第二历史行为数据的数据类型；以及使用与所述至少一个第一或第二历史行为数据的数据类型匹配的特征向量化方法来对所述至少一个第一或第二历史行为数据进行特征向量化处理，以得到所述至少一个第一或第二行为特征数据。5.如权利要求4所述的方法，其中，获取所述待检测账户的至少一个第一或第二行为特征数据还包括：基于行为发生频率来对所获取的至少一个第一或第二历史行为数据进行筛选处理，以及使用与所述至少一个第一或第二历史行为数据的数据类型匹配的向量特征化方法来对所述至少一个第一或第二历史行为数据进行特征向量化处理，以得到所述至少一个第一或第二行为特征数据包括：使用与所述至少一个第一或第二历史行为数据的数据类型匹配的特征向量化方法来对经过筛选处理后的至少一个第一或第二历史行为数据进行特征向量化处理，以得到所述至少一个第一或第二行为特征数据。6.如权利要求4或5所述的方法，其中，所述特征向量化方法包括下述方法中的一种：归一化处理、词向量处理和独热编码处理。7.如权利要求6所述的方法，其中，所述词向量处理包括Word2Vec处理。8.如权利要求1所述的方法，其中，所述账户异常检测模型包括宽深度模型，所述宽深度模型中的宽度模型为线性模型，以及深度模型为深度学习模型，其中，将所述至少一个第一行为特征数据和所述至少一个第二行为特征数据提供给账户异常检测模型来确定针对所述账户的使用是否异常包括：将所述至少一个第一行为特征数据提供给所述线性模型来得到第一异常检测结果；将所述至少一个第二行为特征数据提供给所述深度学习模型来得到第二异常检测结果；以及基于所述第一异常检测结果和所述第二异常检测结果来确定针对所述账户的使用是否异常。9.如权利要求8所述的方法，其中，所述线性模型和所述深度学习模型具有对应的权重因子，其中，基于所述第一异常检测结果和所述第二异常检测结果来确定针对所述账户的使用是否异常包括：基于所述第一异常检测结果和所述第二异常检测结果以及对应的权重因子，确定针对所述账户的使用是否异常。10.一种用于检测账户使用异常的装置，...

【专利技术属性】
技术研发人员：毛琼，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY