异常检测方法及装置、电子设备和计算机可读存储介质制造方法及图纸

本公开提供了一种异常检测方法，包括：获取针对交易应用进行操作后产生的多个操作行为，其中，多个操作行为是用户使用登录账户在一次登录期间产生的，登录账户用于登录交易应用；将多个操作行为中的每个操作行为进行向量化，得到每个操作行为的列向量；根据每个操作行为的列向量，生成操作行为矩阵；以及将操作行为矩阵输入神经网络中，并基于神经网络的输出结果确定登录账户在一次登录期间是否异常。本公开还提供了一种异常检测装置、一种电子设备和一种计算机可读存储介质。

Anomaly detection method and device, electronic equipment and computer readable storage medium

【技术实现步骤摘要】
异常检测方法及装置、电子设备和计算机可读存储介质
本公开涉及计算机
，更具体地，涉及一种异常检测方法、一种异常检测装置、一种电子设备和一种计算机可读存储介质。
技术介绍
随着深度学习技术的发展，在图像、语音、自然语言理解等领域取得了不错的应用成果。金融领域由于其安全性需求，在探索深度学习的使用场景中也积累了一批实践经验。具体在反欺诈场景中，随着黑产技术的不断升级，如模拟器、自动脚本、木马肉鸡等欺诈手段大规模出现，有必要在电子设备端对此类异常行为进行相应检测与防护，常见的异常行为表现有：同设备多账号登录、同账号多次绑卡解绑、批量申卡注册、频繁转账至多账户等。
技术实现思路
有鉴于此，本公开提供了一种异常检测方法、一种异常检测装置、一种电子设备和一种计算机可读存储介质。本公开的一个方面提供了一种异常检测方法，包括：获取针对交易应用进行操作后产生的多个操作行为，其中，上述多个操作行为是用户使用登录账户在一次登录期间产生的，上述登录账户用于登录上述交易应用；将上述多个操作行为中的每个操作行为进行向量化，得到每个操作行为的列向量；根据上述每个操作行为的列向量，生成操作行为矩阵；以及将上述操作行为矩阵输入神经网络中，并基于上述神经网络的输出结果确定上述登录账户在上述一次登录期间是否异常。根据本公开的实施例，上述神经网络包括编码器和解码器，其中，将上述操作行为矩阵输入神经网络中包括：将上述操作行为矩阵输入上述编码器中，以便对上述操作行为矩阵进行降维处理，得到降维处理后的操作行为矩阵；以及将上述降维处理后的操作行为矩阵输入上述解码器中，以便对上述降维处理后的操作行为矩阵进行重建处理，得到重建处理后的操作行为矩阵；基于上述神经网络的输出结果确定上述登录账户在一次登录期间是否异常包括：确定上述重建处理后的操作行为矩阵的重建率；以及根据上述重建处理后的操作行为矩阵的重建率确定上述登录账户在一次登录期间是否异常。根据本公开的实施例，确定上述重建处理后的操作行为矩阵的重建率包括：确定上述重建处理后的操作行为矩阵与原始输入上述神经网络的操作行为矩阵的相似度；以及将上述相似度作为上述重建率。根据本公开的实施例，根据上述重建处理后的操作行为矩阵的重建率确定上述登录账户在一次登录期间是否异常包括：将上述重建处理后的操作行为矩阵的重建率与预设阈值进行比较；在上述重建处理后的操作行为矩阵的重建率大于或等于预设阈值的情况下，确定上述登录账户在一次登录期间正常；以及在上述重建处理后的操作行为矩阵的重建率小于预设阈值的情况下，确定上述登录账户在一次登录期间异常。根据本公开的实施例，上述方法还包括：在确定上述登录账户在一次登录期间异常的情况下，按照异常处理策略对上述登录账户进行处理。本公开的另一方面提供了一种异常检测装置，包括：获取模块，用于获取针对交易应用进行操作后产生的多个操作行为，其中，上述多个操作行为是用户使用登录账户在一次登录期间产生的，上述登录账户用于登录上述交易应用；处理模块，用于将上述多个操作行为中的每个操作行为进行向量化，得到每个操作行为的列向量；生成模块，用于根据上述每个操作行为的列向量，生成操作行为矩阵；以及确定模块，用于将上述操作行为矩阵输入神经网络中，并基于上述神经网络的输出结果确定上述登录账户在上述一次登录期间是否异常。根据本公开的实施例，上述神经网络包括编码器和解码器，其中，上述确定模块用于：第一输入单元，用于将上述操作行为矩阵输入上述编码器中，以便对上述操作行为矩阵进行降维处理，得到降维处理后的操作行为矩阵；以及第二输入单元，用于将上述降维处理后的操作行为矩阵输入上述解码器中，以便对上述降维处理后的操作行为矩阵进行重建处理，得到重建处理后的操作行为矩阵；第一确定单元，用于确定上述重建处理后的操作行为矩阵的重建率；以及第二确定单元，用于根据上述重建处理后的操作行为矩阵的重建率确定上述登录账户在一次登录期间是否异常。根据本公开的实施例，上述第一确定单元包括：第一确定子单元，用于确定上述重建处理后的操作行为矩阵与原始输入上述神经网络的操作行为矩阵的相似度；以及第二确定子单元，用于将上述相似度作为上述重建率。根据本公开的实施例，上述第二确定单元包括：比较子单元，用于将上述重建处理后的操作行为矩阵的重建率与预设阈值进行比较；第三确定子单元，用于在上述重建处理后的操作行为矩阵的重建率大于或等于预设阈值的情况下，确定上述登录账户在一次登录期间正常；以及第四确定子单元，用于在上述重建处理后的操作行为矩阵的重建率小于预设阈值的情况下，确定上述登录账户在一次登录期间异常。根据本公开的实施例，异常检测装置还包括：处理模块，用于在确定上述登录账户在一次登录期间异常的情况下，按照异常处理策略对上述登录账户进行处理。本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。根据本公开的实施例，将用户使用登录账户在一次登录期间产生的多个操作行为输入神经网络中，基于神经网络的输出结果确定登录账户在一次登录期间是否异常，所以至少部分地克服了如何在电子设备端进行异常行为检测的技术问题，进而达到了规避金融风险，为客户的金融安全保驾护航的技术效果。附图说明通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：图1示意性示出了根据本公开实施例的可以应用异常检测方法及装置的示例性系统架构；图2示意性示出了根据本公开实施例的异常检测方法的流程图；图3示意性示出了根据本公开实施例的基于神经网络的输出结果确定登录账户在一次登录期间是否异常的流程图；图4示意性示出了根据本公开实施例的根据重建处理后的操作行为矩阵的重建率确定登录账户在一次登录期间是否异常的流程图；图5示意性示出了根据本公开实施例的异常检测装置的框图；以及图6示意性示出了根据本公开实施例的适于实现上文描述的异常检测方法的电子设备的框图。具体实施方式以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。在使用类似于“A、B和C等中本文档来自技高网...

【技术保护点】
1.一种异常检测方法，包括：获取针对交易应用进行操作后产生的多个操作行为，其中，所述多个操作行为是用户使用登录账户在一次登录期间产生的，所述登录账户用于登录所述交易应用；将所述多个操作行为中的每个操作行为进行向量化，得到每个操作行为的列向量；根据所述每个操作行为的列向量，生成操作行为矩阵；以及将所述操作行为矩阵输入神经网络中，并基于所述神经网络的输出结果确定所述登录账户在所述一次登录期间是否异常。

【技术特征摘要】
1.一种异常检测方法，包括：获取针对交易应用进行操作后产生的多个操作行为，其中，所述多个操作行为是用户使用登录账户在一次登录期间产生的，所述登录账户用于登录所述交易应用；将所述多个操作行为中的每个操作行为进行向量化，得到每个操作行为的列向量；根据所述每个操作行为的列向量，生成操作行为矩阵；以及将所述操作行为矩阵输入神经网络中，并基于所述神经网络的输出结果确定所述登录账户在所述一次登录期间是否异常。2.根据权利要求1所述的方法，其中，所述神经网络包括编码器和解码器，其中，将所述操作行为矩阵输入神经网络中包括：将所述操作行为矩阵输入所述编码器中，以便对所述操作行为矩阵进行降维处理，得到降维处理后的操作行为矩阵；以及将所述降维处理后的操作行为矩阵输入所述解码器中，以便对所述降维处理后的操作行为矩阵进行重建处理，得到重建处理后的操作行为矩阵；基于所述神经网络的输出结果确定所述登录账户在一次登录期间是否异常包括：确定所述重建处理后的操作行为矩阵的重建率；以及根据所述重建处理后的操作行为矩阵的重建率确定所述登录账户在一次登录期间是否异常。3.根据权利要求2所述的方法，其中，确定所述重建处理后的操作行为矩阵的重建率包括：确定所述重建处理后的操作行为矩阵与原始输入所述神经网络的操作行为矩阵的相似度；以及将所述相似度作为所述重建率。4.根据权利要求2或3所述的方法，其中，根据所述重建处理后的操作行为矩阵的重建率确定所述登录账户在一次登录期间是否异常包括：将所述重建处理后的操作行为矩阵的重建率与预设阈值进行比较；在所述重建处理后的操作行为矩阵的重建率大于或等于预设阈值的情况下，确定所述登录账户在一次登录期间正常；以及在所述重建处理后的操作行为矩阵的重建率小于预设阈值的情况下，确定所述登录账户在一次登录期间异常。5.根据权利要求1所述的方法，还包括：在确定所述登录账户在一次登录期间异常的情况下，按照异常处理策略对所述登录账户进行处理。6.一种异常检测装置，包括：获取模块，用于获取针对交易应用进行操作后产生的多个操作行为，其中，所述多个操作行为是用户使用登录账户在一次登录期间产生的，所述登录账户用于登录所述交易应用；处理...

【专利技术属性】
技术研发人员：杨瑞光，罗涛，施佳子，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京,11