【技术实现步骤摘要】
目标事件的流量异常检测方法、装置、电子设备及介质
本说明书实施例涉及互联网
，尤其涉及一种目标事件的流量异常检测方法、装置、电子设备及介质。
技术介绍
随着互联网技术的发展，网络业务平台承载的网络业务如支付、购物、转账等逐渐增多。网络业务平台的业务运营风险分析与控制成为网络业务平台越来越重视的问题。网络业务平台的流量异常监控对于风险分析有着关键的作用。但传统的流量异常报警方法一般需要人工根据专家经验设置报警阈值，需要结合大量低效的人力资源，且异常检测结果的准确性较低，容易出现误报或者是漏报的情况，不仅导致系统资源的浪费，还会严重影响风险分析结果的准确性。
技术实现思路
本说明书实施例提供了一种目标事件的流量异常检测方法、装置、电子设备及介质。第一方面，本说明书实施例提供了一种目标事件的流量异常检测方法，包括：获取目标事件在当前时间点的真实流量数据以及所述目标事件在当前时间点的前k个时间点的真实流量数据，其中，k为大于或等于1的整数，所述当前时间点的真实流量数据为所述目标事件在前一个时间点到所...
【技术保护点】
1.一种目标事件的流量异常检测方法，包括：/n获取目标事件在当前时间点的真实流量数据以及所述目标事件在当前时间点的前k个时间点的真实流量数据，其中，k为大于或等于1的整数，所述当前时间点的真实流量数据为所述目标事件在前一个时间点到所述当前时间点之间的时间段内的流量数据统计值；/n将所述目标事件在当前时间点的前k个时间点的真实流量数据输入预设的流量预测模型，得到所述目标事件在当前时间点的预测流量数据，其中，所述流量预测模型为根据所述目标事件的历史流量数据训练得到的机器学习模型；/n获取所述目标事件在当前时间点的真实流量数据与所述预测流量数据之间的差异值，并将所述差异值输入预设...
【技术特征摘要】
1.一种目标事件的流量异常检测方法，包括：
获取目标事件在当前时间点的真实流量数据以及所述目标事件在当前时间点的前k个时间点的真实流量数据，其中，k为大于或等于1的整数，所述当前时间点的真实流量数据为所述目标事件在前一个时间点到所述当前时间点之间的时间段内的流量数据统计值；
将所述目标事件在当前时间点的前k个时间点的真实流量数据输入预设的流量预测模型，得到所述目标事件在当前时间点的预测流量数据，其中，所述流量预测模型为根据所述目标事件的历史流量数据训练得到的机器学习模型；
获取所述目标事件在当前时间点的真实流量数据与所述预测流量数据之间的差异值，并将所述差异值输入预设的概率分布模型，得到所述差异值出现的概率值；
基于所述概率值，确定所述目标事件在当前时间点的真实流量数据是否存在异常。
2.根据权利要求1所述的方法，所述基于所述概率值，确定所述目标事件在当前时间点的真实流量数据是否存在异常，包括：
将所述概率值输入预设的分值转化算法，将所述概率值转化为所述目标事件在当前时间点的真实流量数据的异常分值，将所述异常分值作为目标异常分值；
基于所述目标异常分值，确定所述目标事件在当前时间点的真实流量数据是否存在异常。
3.根据权利要求2所述的方法，所述基于所述目标异常分值，确定所述目标事件在当前时间点的真实流量数据是否存在异常，包括：
基于所述目标事件在预设时间段内每个时间点的真实流量数据的异常分值，得到所述预设时间段对应的分值阈值，其中，所述预设时间段为预先设置的所述当前时间点之前且包含所述当前时间点的时间段；
若所述目标异常分值超过所述分值阈值，则判定所述目标事件在当前时间点的真实流量数据存在异常。
4.根据权利要求2所述的方法，所述基于所述目标异常分值，确定所述目标事件在当前时间点的真实流量数据是否存在异常之前，还包括：
分别对所述流量预测模型中的第一待学习参数和所述概率分布模型中的第二待学习参数进行调节，直至得到的所述目标异常分值满足预设训练条件。
5.根据权利要求4所述的方法，所述分别对所述流量预测模型中的第一待学习参数和所述概率分布模型中的第二待学习参数进行调节，包括：
获取所述流量预测模型的第一参数梯度以及所述概率分布模型的第二参数梯度，将当前所述第一待学习参数作为第一备选参数值，将当前所述第二待学习参数作为第二备选参数值，并执行以下训练步骤：
根据所述第一参数梯度对所述第一备选参数值进行调节，根据所述第二参数梯度对所述第二备选参数值进行调节；
根据所述目标事件在当前时间点的前k个时间点的真实流量数据、调节参数后的流量预测模型、调节参数后的概率分布模型以及所述分值转化算法，得到所述目标事件在当前时间点的真实流量数据的异常分值，作为待选异常分值；
判断所述待选异常分值是否小于所述目标异常分值，若是，则用所述待选异常分值更新所述目标异常分值，并重复执行所述训练步骤，直至得到的待选异常分值大于更新后的目标异常分值，用得到所述更新后的目标异常分值的第一备选参数值和第二备选参数值对所述第一待学习参数以及所述第二待学习参数进行更新。
6.根据权利要求1所述的方法，所述获取目标事件在当前时间点的真实流量数据，包括：
获取所述当前时间点与前一个时间点之间的时间段内，发生的目标事件的数量，以及该时间段内发生的每个目标事件对应的属性数据；
基于所述目标事件的数量与所述每个目标事件对应的属性数据，得到所述目标事件在当前时间点的真实流量数据。
7.根据权利要求6所述的方法，所述基于所述目标事件的数量与所述每个目标事件对应的属性数据，得到所述目标事件在当前时间点的真实流量数据，包括：
基于预设的加权系数，将所述目标事件的数量与所述每个目标事件对应的属性数据进行加权求和，得到所述目标事件在当前时间点的真实流量数据。
8.根据权利要求6所述的方法，所述属性数据包括以下几个维度中一种或多个维度的数据：
设备维度、网络环境维度以及风险行为维度。
9.根据权利要求1所述的方法，所述将所述目标事件在当前时间点的前k个时间点的真实流量数据输入预设的流量预测模型，得到所述目标事件在当前时间点的预测流量数据，包括：
针对所述前k个时间点中每个时间点，获取相应目标事件的指标数据，所述指标数据用于衡量所述相应目标事件的发起方的异常程度；
将所述目标事件在当前时间点的前k个时间点的真实流量数据，以及所述前k个时间点中每个时间点的所述指标数据，均输入预设的流量预测模型，得到所述目标事件在当前时间点的预测流量数据。
10.根据权利要求1所述的方法，所述目标事件为商户签约事件。
11.一种目标...
【专利技术属性】
技术研发人员：赖清泉，侯宪龙，陈侃，曾小英，陈知己，贾佳，徐莎，冯力国，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。