异常行为的识别方法、装置、终端设备及存储介质制造方法及图纸

本申请提供了一种异常行为的识别方法、装置、终端设备及存储介质，涉及数据处理领域。该方法包括：采集目标用户本次操作的操作数据、用户环境数据和设备环境数据；利用目标用户本次操作的操作数据、用户环境数据和设备环境数据，以及预设的第一分类器、预设的第二分类器和预设的第三分类器，得到第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据；根据第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据，以及预设的集成学习模型，确定目标用户本次操作是否为异常行为。利用本申请的技术方案能够提高交易操作的安全性。

Identification method, device, terminal equipment and storage medium of abnormal behavior

【技术实现步骤摘要】
异常行为的识别方法、装置、终端设备及存储介质
本申请属于数据处理领域，尤其涉及一种异常行为的识别方法、装置、终端设备及存储介质。
技术介绍
随着电子信息技术的发展，电子信息技术在支付交易领域中占据了越来越重要的位置。为了保证交易的安全性，需要在交易之前或交易的过程中对用户进行身份验证，以确定交易的自愿性和真实性。但在现阶段，随着网络技术的发展，出现了伪冒操作即他人伪装为实际用户，利用实际用户的用户信息进行异常操作。而这种异常操作难以被检测识别，从而大大降低了交易操作的安全性。
技术实现思路
本申请实施例提供了一种异常行为的识别方法、装置、终端设备及存储介质，能够提高交易操作的安全性。第一方面，本申请实施例提供一种异常行为的识别方法，包括：采集目标用户本次操作的操作数据、用户环境数据和设备环境数据；利用目标用户本次操作的操作数据、用户环境数据和设备环境数据，以及预设的第一分类器、预设的第二分类器和预设的第三分类器，得到第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据；根据第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据，以及预设的集成学习模型，确定目标用户本次操作是否为异常行为；其中，第一分类器的输入为操作数据，输出为第一异常判定结果数据；第二分类器的输入为用户环境数据，输出为第二异常判定结果数据；第三分类器的输入为设备环境数据，输出为第三异常判定结果数据。第二方面，本申请实施例提供一种异常行为的识别装置，包括：数据采集模块，用于采集目标用户本次操作的操作数据、用户环境数据和设备环境数据；分类器模块，用于利用目标用户本次操作的操作数据、用户环境数据和设备环境数据，以及预设的第一分类器、预设的第二分类器和预设的第三分类器，得到第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据；集成学习模块，用于根据第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据，以及预设的集成学习模型，确定目标用户本次操作是否为异常行为；其中，第一分类器的输入为操作数据，输出为第一异常判定结果数据；第二分类器的输入为用户环境数据，输出为第二异常判定结果数据；第三分类器的输入为设备环境数据，输出为第三异常判定结果数据。第三方面，本申请实施例提供一种终端设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现第一方面的技术方案中的异常行为的识别方法。第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现第一方面的技术方案中的异常行为的识别方法。本申请实施例提供一种异常行为的识别方法、装置、终端设备及存储介质，利用采集的目标用户本次操作的操作数据、用户环境数据和设备环境数据，以及预设的第一分类器、第二分类器和第三分类器，分别得到与操作数据对应的第一异常判定结果数据、与用户环境数据对应的第二异常判定结果数据和与设备环境数据对应的第三异常判定结果数据。根据第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据，和集成学习模型，确定目标用户本次操作是否为异常行为。本申请实施例通过多重数据，以及多重数据对应的分类器，结合集成学习模型，能够准确地识别异常行为，从而提高了交易操作的安全性。附图说明从下面结合附图对本申请的具体实施方式的描述中可以更好地理解本申请。其中，相同或相似的附图标记表示相同或相似的特征。图1为本申请实施例提供的一种异常行为的识别的工作示意图；图2为本申请一实施例提供的一种异常行为的识别方法的流程图；图3为本申请实施例提供的一种手机方向坐标系的示意图；图4为本申请另一实施例提供的一种异常行为的识别方法的流程图；图5为本申请又一实施例提供的一种异常行为的识别方法的流程图；图6为本申请一实施例提供的一种异常行为的识别装置的结构示意图；图7为本申请另一实施例提供的一种异常行为的识别装置的结构示意图；图8为本申请又一实施例提供的一种异常行为的识别装置的结构示意图；图9为本申请实施例中一种终端设备的结构示意图。具体实施方式下面将详细描述本申请的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本申请的全面理解。但是，对于本领域技术人员来说很明显的是，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请的更好的理解。本申请决不限于下面所提出的任何具体配置和算法，而是在不脱离本申请的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本申请造成不必要的模糊。本申请实施例提供一种异常行为的识别方法、装置、终端设备及存储介质，可应用于在用户进行交易操作的场景中。比如，图1为本申请实施例提供的一种异常行为的识别的工作示意图。如图1所示，本申请实施例中，利用操作数据、用户环境数据和设备环境数据等多重数据和通过机器学习得到的分类器(包括第一分类器、第二分类器和第三分类器)，针对每一重数据，得到异常判定结果。异常判定结果可表示对应的数据表征的因素是否异常。结合多重数据对应的异常判定结果，利用集成学习模型，准确地判定用户进行的操作是否为异常行为，从而保证用户进行交易操作的安全性。本申请实施例中异常行为的识别方法具体可由终端设备执行，在此并不限定终端设备的类型。图2为本申请一实施例提供的一种异常行为的识别方法的流程图。如图2所示，该异常行为的识别方法可包括步骤S101至步骤S103。在步骤S101中，采集目标用户本次操作的操作数据、用户环境数据和设备环境数据。其中，目标用户即为被测用户。操作数据为与操作关联的数据。根据操作数据，可在一定程度上判断操作部分是否发生异常。比如，操作数据可包括但不限于资金转入动作数据、资金转出动作数据、交易金额、交易时间、交易商户、收单机构和交易地区中的一项或多项。其中，资金转入动作数据用于表征资金转入目标用户。资金转出动作数据用于表征资金从目标用户转出。需要说明的是，其他有助于判断操作部分是否发生异常的操作数据也在本申请实施例的保护范围内。用户环境数据为用户动作影响用户的设备的环境的数据。根据用户环境数据，可在一定程度上判断用户环境部分是否发生异常。比如，用户环境数据可包括但不限于用户设备仰角、用户设备加速度、用户设备陀螺仪数据、用户按压设备屏幕力度、用户滑屏距离、用户地理位置中的一项或多项。其中，用户设备陀螺仪数据即为用户的设备中安装的陀螺仪采集的数据。需要说明的是，其他有助于判断用户环境部分是否发生异常的用户环境数据也在本申请实施例的保护范围内。比如，用户的设备为手机，图3为本申请实施例提供的一种手机方向坐标系的示意图。如图3所示，在方向传感器中用户设备仰角变量共有3个取值，分别表示手机在三个不同方向仰角度数，用来衡本文档来自技高网...

【技术保护点】
1.一种异常行为的识别方法，其特征在于，包括：/n采集目标用户本次操作的操作数据、用户环境数据和设备环境数据；/n利用所述目标用户本次操作的所述操作数据、所述用户环境数据和所述设备环境数据，以及预设的第一分类器、预设的第二分类器和预设的第三分类器，得到第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据；/n根据所述第一异常判定结果数据、所述第二异常判定结果数据和所述第三异常判定结果数据，以及预设的集成学习模型，确定所述目标用户本次操作是否为异常行为；/n其中，所述第一分类器的输入为所述操作数据，输出为所述第一异常判定结果数据；所述第二分类器的输入为所述用户环境数据，输出为所述第二异常判定结果数据；所述第三分类器的输入为所述设备环境数据，输出为所述第三异常判定结果数据。/n

【技术特征摘要】
1.一种异常行为的识别方法，其特征在于，包括：
采集目标用户本次操作的操作数据、用户环境数据和设备环境数据；
利用所述目标用户本次操作的所述操作数据、所述用户环境数据和所述设备环境数据，以及预设的第一分类器、预设的第二分类器和预设的第三分类器，得到第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据；
根据所述第一异常判定结果数据、所述第二异常判定结果数据和所述第三异常判定结果数据，以及预设的集成学习模型，确定所述目标用户本次操作是否为异常行为；
其中，所述第一分类器的输入为所述操作数据，输出为所述第一异常判定结果数据；所述第二分类器的输入为所述用户环境数据，输出为所述第二异常判定结果数据；所述第三分类器的输入为所述设备环境数据，输出为所述第三异常判定结果数据。


2.根据权利要求1所述的方法，其特征在于，所述利用所述目标用户本次操作的所述操作数据、所述用户环境数据和所述设备环境数据，以及预设的第一分类器、预设的第二分类器和预设的第三分类器，得到第一异常判定结果数据、第二异常判定结果数据和第三异常判定结果数据，包括：
基于所述目标用户本次操作的所述操作数据和所述第一分类器中的分类器参数，得到第一正常得分和第一异常得分；
根据所述第一正常得分和所述第一异常得分的第一对比结果，得到所述第一异常判定结果数据；
基于所述目标用户本次操作的所述用户环境数据和所述第二分类器中的分类器参数，得到第二正常得分和第二异常得分；
根据所述第二正常得分和所述第一异常得分的第二对比结果，得到所述第一异常判定结果数据；
基于所述目标用户本次操作的所述设备环境数据和所述第三分类器中的分类器参数，得到第三正常得分和第三异常得分；
根据所述第三正常得分和所述第三异常得分的第三对比结果，得到所述第三异常判定结果数据。


3.根据权利要求2所述的方法，其特征在于，所述分类器参数包括正常先验概率、异常先验概率、正常条件概率和异常条件概率；
其中，在所述第一对比结果表征所述第一正常得分大于所述第一异常得分的情况下，所述第一异常判定结果数据表征所述操作数据正常；
在所述第一对比结果表征所述第一正常得分小于所述第一异常得分的情况下，所述第一异常判定结果数据表征所述操作数据异常；
在所述第二对比结果表征所述第二正常得分大于所述第二异常得分的情况下，所述第二异常判定结果数据表征所述用户环境数据正常；
在所述第二对比结果表征所述第二正常得分小于所述第二异常得分的情况下，所述第二异常判定结果数据表征所述用户环境数据异常；
在所述第三对比结果表征所述第三正常得分大于所述第三异常得分的情况下，所述第三异常判定结果数据表征所述设备环境数据正常；
在所述第三对比结果表征所述第三正常得分小于所述第三异常得分的情况下，所述第三异常判定结果数据表征所述设备环境数据异常。


4.根据权利要求1所述的方法，其特征在于，还包括：
在确定所述目标用户本次操作为异常行为的情况下，输出目标对象，所述目标对象包括所述目标用户的用户标识、所述目标用户的设备标识、所述目标用户本次操作的操作数据、用户环境数据和设备环境数据中的一项或多项；
和/或，
在确定所述目标用户本次操作为异常行为的情况下，对目标用户进行身份验证，再次确定所述目标用户本次操作是否为异常行为。


5.根据权利要求1所述的方法，其特征在于，还包括：
根据训练数据样本集中的训练数据样本，计算得到所述训练数据样本集的正常先验概率、异常先验概率，每个所述训练数据样本包括一个用户的一次操作对应的训练数据；
利用所述训练数据样本中的所述训练数据，计算得到所述训练数据样本判定为正常样本的正常条件概率和所述训练数据样本判定为异常样本的异常条件概率；
基于所述正常先验概率、所述异常先验概率、所述正常条件概率和所述异常条件概率，训练得到分类器；
其中，所述训练数据包括所述操作数据，所述分类器包括所述第一分类器；所述训练数据包括所述用户环境数据，所述分类器包括所述第二分类器；所述训练数据包括所述设备环境数据，所述分类器包括所述第三分类器。


6.根据权利要求5所述的方法，其特征在于，还包括：
获取所述第一分类器、所述第二分类器和所述第三分类器根据所述训练数据样本集输出的第一异常训练结果数据、第二异常训练结果数据和第三异常训练结果数据；
基于所述第一异常训练结果数据、所述第二异常训练结果数据和所述第三异常训练结果数据，利用集成学习方法，训练得到所述集成学习模型。


7.根据权利要求1所述的方法，其特征在于，所述采集目标用户本次操作的操作数据、用户环境数据和设备环境数据，包括：
利用预设的软件开发工具包采集目标用户本次操作的操作数据、用户环境数据和设备环境数据。


8.根据权利要求1至7中任意一项所述的方法，其特征在于，
所述操作数据包括以下一项或多项：资金转入动作数据、资金转出动作数据、交易金额、交易时间、交易商户、收单机构和交易地区；
所述用户环境数据包括以下一项或多项：用户设备仰角、用户设备加速度、用户设备陀螺仪数据、用户按压设备屏幕力度、用户滑屏距离、用户地理位置；
所述设备环境数据包括以下一项或多项：用户设备唯一标识、用户设备已使用内存、用户设备电池电量、用户设备网络类型、用户设备应用程序并行数量、用户设备是否有root权限。


9.一种异常行为的识别装置，其特征在于，包括：
数据采集模块，用于采集目标用户本次操作的操作数据、用户环境数据和设备环境数据；
分类器模块，用于利用所述目标用户本次操作的所述操作数据、所述用户环境数...

【专利技术属性】
技术研发人员：郭琦，闵勇，葛鸣铭，韩昊，李嘉隆，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：上海;31