一种智能识别抢购行为的方法及装置制造方法及图纸

本发明专利技术公开了一种智能识别抢购行为的方法及装置。所述智能识别抢购行为的方法，包括：针对用户账户构建对应的初始权重数据集；获取所述用户账户的请求行为指纹；将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。本发明专利技术基于动态采样和基于多维度采样来对抢购行为进行分析，可有效的提高对非人工方式抢购行为的识别准确度，从而对非人工方式抢购的用户账户发出的抢购行为进行拦截。

A method and device for intelligent identification of rush to buy behavior

【技术实现步骤摘要】
一种智能识别抢购行为的方法及装置
本专利技术涉及互联网金融
，特别涉及一种智能识别抢购行为的方法及装置。
技术介绍
在网络上，商品秒杀活动已经成为人们在网络购物中不可或缺的一个重要组成部分。但是，很多参与商品秒杀的人们都有过无论点击多么迅速，都无法成功的商品秒杀体验。主要原因在于人类自然的人工点击速度是远远不及计算机发出的点击指令的频率的，这将导致通过人工方式参与商品秒杀的人们遭受到不公平的商品秒杀活动的竞争，从而降低了通过人工方式参与商品秒杀的人们的用户体验。现有技术中通过限定某些用户账户的IP等较为固定的策略来进行秒杀请求的拦截，这对非人工方式抢购行为的有效拦截率是不够高的。如何妥善的解决上述问题，就成为了业界亟待解决的课题。
技术实现思路
本专利技术提供一种智能识别抢购行为的方法及装置，用以有效的提高对非人工方式抢购行为的识别准确度，从而对非人工方式抢购的用户账户发出的抢购行为进行拦截。根据本专利技术实施例的第一方面，提供一种智能识别抢购行为的方法，包括：针对用户账户构建对应的初始权重数据集；获取所述用户账户的请求行为指纹；将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。在一个实施例中，所述针对用户构建对应的初始权重数据集，包括：根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。在一个实施例中，所述获取所述用户账户的请求行为指纹，包括：获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。在一个实施例中，所述将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分，包括：用户账户的请求行为指纹的可取值的取值范围为Ω；当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。在一个实施例中，所述当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截，包括：当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；对所述异常访问账户发出的所有请求都进行拦截。根据本专利技术实施例的第二方面，提供一种智能识别抢购行为的装置，包括：构建模块，用于针对用户账户构建对应的初始权重数据集；获取模块，用于获取所述用户账户的请求行为指纹；计算模块，用于将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；拦截模块，用于当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。在一个实施例中，所述构建模块，包括：构建子模块，用于根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；更新子模块，用于当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。在一个实施例中，所述获取模块，包括：获取子模块，用于获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；采样子模块，用于采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；分析子模块，用于根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。在一个实施例中，所述计算模块，包括：用户账户的请求行为指纹的可取值的取值范围为Ω；第一计算子模块，用于当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；第二计算子模块，用于当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；第三计算子模块，用于当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。在一个实施例中，所述拦截模块，包括：判定子模块，用于当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；拦截子模块，用于对所述异常访问账户发出的所有请求都进行拦截。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术一示例性实施例示出的一种智能识别抢购行为的方法的流程图；图2为本专利技术一示例性实施例示出的一种智能识别抢购行为的方法的步骤S11的流程图；图3为本专利技术一示例性实施例示出的一种智能识别抢购行为的方法的步骤S12的流程图；图4为本专利技术一示例性实施例示出的一种智能识别抢购行为的方法的步骤S13的流程图；图5为本专利技术一示例性实施例示出的一种智能识别抢购行为的方法的步骤S14的流程图；图6为本专利技术一示例性实施例示出的一种智能识别抢购行为的装置的本文档来自技高网...

【技术保护点】
1.一种智能识别抢购行为的方法，其特征在于，包括：/n针对用户账户构建对应的初始权重数据集；/n获取所述用户账户的请求行为指纹；/n将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；/n当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。/n

【技术特征摘要】
1.一种智能识别抢购行为的方法，其特征在于，包括：
针对用户账户构建对应的初始权重数据集；
获取所述用户账户的请求行为指纹；
将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分；
当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截。


2.如权利要求1所述的方法，其特征在于，所述针对用户账户构建对应的初始权重数据集，包括：
根据用户账户的历史浏览记录、地理位置信息、IP地址信息、购物历史数据、日活时间数据、首次参加秒杀商品活动的时间、参与商品活动的秒杀次数和成功秒杀的次数，来构建出所述用户账户的初始权重数据集；
当所述初始权重数据集中的数据内容发生变更时，实时的对初始权重数据集进行相应的更新。


3.如权利要求1所述的方法，其特征在于，所述获取所述用户账户的请求行为指纹，包括：
获取登录同一用户账户的智能设备的情况，将上述内容命名为第一因素；
采样某一设备在秒杀时间点之前的多个不同的时刻的请求次数，将上述内容命名为第二因素；
根据所述第一因素和第二因素，计算出某一用户账户请求行为的疏密程度，进而分析出所述某一用户账户的请求行为指纹。


4.如权利要求1所述的方法，其特征在于，所述将所述用户账户的请求行为指纹代入到预设的层次非线性函数中进行计算，得到所述用户账户的异常度结构评分，包括：
用户账户的请求行为指纹的可取值的取值范围为Ω；
当用户账户的请求行为指纹处于α的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，处于α区间的异常度结构评分全部处于正常访问分数区间；
当用户账户的请求行为指纹处于β的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是先正比例后反比例关系，处于β的取值范围的异常度结构评分也全部处于正常访问分数区间；
当用户账户的请求行为指纹处于γ的取值范围时，计算得到的异常度结构评分与所述用户账户的请求行为指纹是正比例关系，其中，所述正比例关系随着行为指纹的增大而显著增大，处于γ的取值范围的异常度结构评分可能会处于异常访问分数区间。


5.如权利要求4所述的方法，其特征在于，所述当某一用户账户的所述异常度结构评分低于某一阈值，对该用户账户的抢购行为进行拦截，包括：
当某一用户账户的所述异常度结构评分超过预设的异常阈值时，判定该用户账户为异常访问账户；
对所述异常访问账户发出的所有请求都进行拦截。

<...

【专利技术属性】
技术研发人员：郑真真，
申请(专利权)人：无线生活北京信息技术有限公司，
类型：发明
国别省市：北京;11