一种异常检测模型更新方法、装置及电子设备制造方法及图纸

本说明书实施例提供一种异常检测模型更新方法、装置及电子设备。其中，方法包括：获取目标用户的终端设备采集到的用户时序行为特征。将所述用户时序行为特征输入至针对所述目标用户部署的异常检测模型，得到所述异常检测模型针对所述用户时序行为特征的异常检测结果，其中，所述异常检测模型是基于所述目标用户在至少一个终端设备中的历史用户行为时序特征和对应的标签所训练得到的，所述标签包括用户行为异常和用户行为非异常。若所述异常检测结果指示为用户行为非异常，则基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练。

A method, device and electronic equipment for updating anomaly detection model

【技术实现步骤摘要】
一种异常检测模型更新方法、装置及电子设备
本文件涉及人工智能
，尤其涉及一种异常检测模型更新方法、装置及电子设备。
技术介绍
目前的用户身份认证主要采用静态的安全认证方式，例如指纹认证、面部认证、密码认证等。这种方式下，静态的认证信息是固定不变的，一旦被窃取，则导致较为严重的后果。此外，这种方式还要求用户配合操作，比如密码认证需要用户输入密码信息，对于用户来讲，不够便捷，影响了使用体验。有鉴于此，当期亟需一种对用户更加友好且更可靠的安全认证方式。
技术实现思路
本说明书实施例目的是提供一种异常检测模型更新方法、装置及电子设备，能够基于异常检测模型实现更可靠、更便捷的动态安全认证。为了实现上述目的，本说明书实施例是这样实现的：第一方面，提供一种异常检测模型更新方法，包括：获取目标用户的终端设备采集到的用户时序行为特征；将所述用户时序行为特征输入至针对所述目标用户部署的异常检测模型，得到所述异常检测模型针对所述用户时序行为特征的异常检测结果，其中，所述异常检测模型是基于所述目标用户在至少一个终端设备中的历史用户行为时序特征和对应的标签所训练得到的，所述标签包括用户行为异常和用户行为非异常；若所述异常检测结果指示为用户行为非异常，则基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练。第二方面，提供一种异常检测模型更新装置，包括：特征获取模块，获取目标用户的终端设备采集到的用户时序行为特征；异常检测模块，将所述用户时序行为特征输入至针对所述目标用户部署的异常检测模型，得到所述异常检测模型针对所述用户时序行为特征的异常检测结果，其中，所述异常检测模型是基于所述目标用户在至少一个终端设备中的历史用户行为时序特征和对应的标签所训练得到的，所述标签包括用户行为异常和用户行为非异常；模型训练模块，若所述异常检测结果指示为用户行为非异常时，则基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练。第三方面，提供一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：获取目标用户的终端设备采集到的用户时序行为特征；将所述用户时序行为特征输入至针对所述目标用户部署的异常检测模型，得到所述异常检测模型针对所述用户时序行为特征的异常检测结果，其中，所述异常检测模型是基于所述目标用户在至少一个终端设备中的历史用户行为时序特征和对应的标签所训练得到的，所述标签包括用户行为异常和用户行为非异常；若所述异常检测结果指示为用户行为非异常，则基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练。第四方面，提供一种算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：获取目标用户的终端设备采集到的用户时序行为特征；将所述用户时序行为特征输入至针对所述目标用户部署的异常检测模型，得到所述异常检测模型针对所述用户时序行为特征的异常检测结果，其中，所述异常检测模型是基于所述目标用户在至少一个终端设备中的历史用户行为时序特征和对应的标签所训练得到的，所述标签包括用户行为异常和用户行为非异常；若所述异常检测结果指示为用户行为非异常，则基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练。本说明书实施例的方案通过终端设备采集目标用户的用户时序行为特征，并对异常检测模型进行增量训练，使得异常检测模型能够学习目标用户最新的时序行为特征，以具备对目标用户进行动态安全认证的能力。由于异常检测的认证信息可以随时间发生变化，即便被泄露，所产生的后果也相对较低。此外，异常检测模型的训练和运作可以在用户无感知下进行，不会影响用户对终端设备的使用体验。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书实施例提供的异常检测模型更新方法的第一种流程示意图。图2为本说明书实施例提供的异常检测模型更新方法的第二种流程示意图。图3为本说明书实施例提供的异常检测模型更新装置的结构示意图。图4为本说明书实施例提供的服务器的结构示意图。图5为本说明书实施例提供的电子设备的结构示意图。具体实施方式为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。如前所述，目前的用户身份认证主要采用静态的安全认证方式，例如指纹认证、面部认证、密码认证等。这种方式下，静态的认证信息是固定不变的，一旦被窃取，则导致较为严重的后果。此外，这种方式还要求用户配合操作，比如密码认证需要用户输入密码信息，对于用户来讲，不够便捷，影响了使用体验。针对上述问题，本文件旨在提供一种更可靠、更便捷的安全认证方式。图1是本说明书实施例异常检测模型更新方法的流程图。图1所示的方法可以由下文相对应的装置执行，包括：步骤S102，获取目标用户的终端设备采集到的用户时序行为特征。其中：目标用户的终端设备可以但不限于包括：PC、手机、PAD、智能手环、智能眼镜等常见的个人设备。显然，这类终端设备普遍具有采集用户时序行为特征的功能。用户时序行为特征顾名思义，可以在时间维度上反映用户行为习惯。作为示例性介绍，本实施例的用户时序行为特征可以但不限于包括：用户动态运动轨迹特征，例如，用户平时走路的步频、步幅等，由终端设备的重力传感器、陀螺仪传感器等识别得到。用户动态触控特征，例如，用户触控终端设备的屏幕的频率、粒度等，由终端屏幕内置的压力传感器识别得到。用户动态应用交互特征，例如，用户针对应用程序的使用习惯、使用喜好等，由终端设备的系统日志中获取得到。显然，用户时序行为特征是一种时间维度上持续的行为特征，可以看成是由至少两个时间点的用户行为特征关联而成。在本说明书实施例中，终端设备可以基于预设置的关联算法，对具有时序关系的至少两个用户行为特征进行计算，以获得用户时序行为特征。其中需要说明的是，关联算法的具体实现方式并不唯一，且属于现有技术，因此本文不再举例进行赘述。步骤S104，将用户时序行为特征输入至针对目标用户部署的异常检测模型，得到异常检测模型针对用户时序行为特征的异常检测结果，其中，异常检测模型是基于目标用户在至少一个终本文档来自技高网...

【技术保护点】
1.一种异常检测模型更新方法，包括：/n获取目标用户的终端设备采集到的用户时序行为特征；/n将所述用户时序行为特征输入至针对所述目标用户部署的异常检测模型，得到所述异常检测模型针对所述用户时序行为特征的异常检测结果，其中，所述异常检测模型是基于所述目标用户在至少一个终端设备中的历史用户行为时序特征和对应的标签所训练得到的，所述标签包括用户行为异常和用户行为非异常；/n若所述异常检测结果指示为用户行为非异常，则基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练。/n

【技术特征摘要】
1.一种异常检测模型更新方法，包括：
获取目标用户的终端设备采集到的用户时序行为特征；
将所述用户时序行为特征输入至针对所述目标用户部署的异常检测模型，得到所述异常检测模型针对所述用户时序行为特征的异常检测结果，其中，所述异常检测模型是基于所述目标用户在至少一个终端设备中的历史用户行为时序特征和对应的标签所训练得到的，所述标签包括用户行为异常和用户行为非异常；
若所述异常检测结果指示为用户行为非异常，则基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练。


2.根据权利要求1所述的方法，还包括：
若所述异常检测结果指示用户行为异常，则控制所述终端设备发起用户身份认证；
若所述用户身份认证通过，则基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练；
若所述用户身份认证不通过，则基于所述用户时序行为特征和用户行为异常的标签对所述异常检测模型进行迭代训练。


3.根据权利要求2所述的方法，
所述用户身份认证采用以下至少一者认证方式：
生物认证、密码认证、USB密钥认证。


4.根据权利要求1-3中任一项所述的方法，
基于所述用户行为时序特征对所述异常检测模型进行训练，包括：
将所述用户行为时序特征作为所述异常检测模型的训练数据添置至训练数据集；
在预设的训练条件触发时，基于所述训练数据集，对所述异常检测模型进行训练；
其中，所述训练条件触发包括以下至少一者：
所述训练数据集增量的训练数据达到预设阈值；
到达所述异常检测模型的预设训练周期。


5.根据权利要求1-3中任一项所述的方法，
基于所述用户行为时序特征和用户行为非异常的标签对所述异常检测模型进行迭代训练，包括：
分别基于所述用户行为时序特征和用户行为非异常的标签，以及历史用户行为时序特征和历史用户行为时序特征所对应的标签，对所述异常检测模型进行训练，其中，训练使用的历史用户行为时序特征不多于所述用户行为时序特征。


6.根据权利要求1-3中任一项所述的方法，
所述用户时序行为特征是所述终端设备基于预设置的关联算法，对具有时序关系的至少两个用户行为特征进行计算所获得的；
所述至少两个用户行为特征是所述终端设备基于所述异常检测模型匹配的特征提取方式，对采集到的用户行为数据进行特征提取所获得的。


7.一种异常检测模型更新更新装置，包括：
特征获取模块，获取目标用户的终端设备采...

【专利技术属性】
技术研发人员：刘磊，
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