一种流量数据的异常检测方法及装置制造方法及图纸

本发明专利技术公开一种流量数据的异常检测方法及装置、电子设备、存储介质，方法包括：将预处理后的流量数据输入自动编码网络模型，以对流量数据进行自动编码解码获得重构特征向量；然后将重构特征向量输入到循环神经网络模型中，以获得内部特征信息；其中，内部特征信息用于表征流量数据的内部特征的前后相关性；最后通过Sigmoid函数对内部特征信息进行分类，以获得用于表征流量数据是否异常的二分类结果，从而能够提高异常检测准确率。

【技术实现步骤摘要】
一种流量数据的异常检测方法及装置
本专利技术涉及神经网络
，更具体地，涉及一种流量数据的异常检测方法及装置、电子设备、存储介质。
技术介绍
现如今，随着微信、支付宝、各类信用卡的推广和发展，越来越多的人选择在线交易支付这种方便、快捷的方式，因此金融领域的交易欺诈行为也逐渐变得越来越多，比如通过盗用的身份信息从发卡行获取信用卡或者通过伪造的信用卡，然后绑定这种类型的信用卡进行购物消费、进一步的套现等等，这不仅会给各大金融机构带来经济上的损失，还会给他们的声誉和形象带来重大的负面影响，因此如何有效的检测出这些存在高度可能性的交易欺诈行为成为各大银行金融机构关注的重点。对于欺诈的预防和检测，传统的方法是基于规则的，由专家手动制定规则，然后用于交易数据的标记，但这种方法灵活性不强，不法分子很容易绕过这些制定的规则，利用平台的漏洞进行各种欺诈行为，给银行企业和各种金融理财产品客户造成巨大的损失。现有技术应用于风险控制体系结构较多采用的是基于大数据的信用评估系统，其通常只是对有问题的交易数据进行被动的事后分析，但已经无法挽回造成的损失。再者，风险审查工作一般是由人工完成的，但人工审查存在很大的不确定性以及稳定性较差，无法真正的适用市场目前日益增长的金融交易数据需求。此外，这些系统大多数直接将预处理好的原始数据直接带入学习算法中构建反欺诈检测模型，如在中国申请的专利“一种欺诈检测模型训练方法和装置及欺诈检测方法和装置”(公开日2019.03.01，公开号CN109410036A)所公开的技术方案。其存在的不足是：在将原始数据带入算法训练之前，会有人为的数据清洗、数据特征选择或者数据降维的过程；由于人为主观因素的存在，在特征选取过程中，一些原始数据的深层次特征有可能被过滤掉或丢失，从而影响后面模型的识别检测，导致检测结果不够准确。
技术实现思路
本专利技术为克服上述现有技术所述的缺陷，提供一种流量数据的异常检测方法及装置、电子设备、存储介质，能够提高异常检测准确率。为解决上述技术问题，本专利技术的技术方案如下：本专利技术实施例第一方面公开一种流量数据的异常检测方法，包括以下步骤：S1：将预处理后的流量数据输入自动编码网络模型，以对所述流量数据进行自动编码解码获得重构特征向量；S2：将所述重构特征向量输入到循环神经网络模型中，以获得内部特征信息；其中，所述内部特征信息用于表征所述流量数据的内部特征的前后相关性；S3：通过Sigmoid函数对所述内部特征信息进行分类，以获得二分类结果；所述二分类结果用于表征所述流量数据是否异常。进一步地，所述自动编码网络模型包括编码器和解码器；步骤S1包括：S1.1：将预处理后的流量数据输入所述编码器，以使所述编码器将所述流量数据映射为低维中间向量；S1.2：将所述低维中间向量输入所述解码器，以使所述解码器对所述低维中间向量进行解码重构获得重构特征向量。进一步地，步骤S1.2包括：将所述低维中间向量输入所述解码器，以使所述解码器对所述低维中间向量进行解码重构，获得候选重构特征向量；若所述候选重构特征向量与所述流量数据之间的接近程度达到指定条件，通过reshape函数对所述候选重构特征向量进行调整，获得可输入到循环神经网络模型中的重构特征向量。进一步地，步骤S3中，所述二分类结果具体为1或0，当所述二分类结果为1时，所述二分类结果用于表征所述流量数据异常；当所述二分类结果为0时，所述二分类结果用于表征所述流量数据不异常。本专利技术实施例第二方面公开一种流量数据的异常检测装置，包括：重构单元，用于将预处理后的流量数据输入自动编码网络模型，以对所述流量数据进行自动编码解码获得重构特征向量；特征获取单元，用于将所述重构特征向量输入到循环神经网络模型中，以获得内部特征信息；其中，所述内部特征信息用于表征所述流量数据的内部特征的前后相关性；分类单元，用于通过Sigmoid函数对所述内部特征信息进行分类，以获得二分类结果；所述二分类结果用于表征所述流量数据是否异常。进一步地，所述自动编码网络模型包括编码器和解码器；所述重构单元包括：降维模块，用于将预处理后的流量数据输入所述编码器，以使所述编码器将所述流量数据映射为低维中间向量；重构模块，用于将所述低维中间向量输入所述解码器，以使所述解码器对所述低维中间向量进行解码重构获得重构特征向量。进一步地，所述重构模块，具体用于将所述低维中间向量输入所述解码器，以使所述解码器对所述低维中间向量进行解码重构，获得候选重构特征向量；若所述候选重构特征向量与所述流量数据之间的接近程度达到指定条件，通过reshape函数对所述候选重构特征向量进行调整，获得可输入到循环神经网络模型中的重构特征向量。进一步地，所述二分类结果具体为1或0，当所述二分类结果为1时，所述二分类结果用于表征所述流量数据异常；当所述二分类结果为0时，所述二分类结果用于表征所述流量数据不异常。本专利技术实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本专利技术实施例第一方面公开的一种流量数据的异常检测方法。本专利技术实施例第四方面公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行本专利技术实施例第一方面公开的一种流量数据的异常检测方法。所述计算机可读存储介质包括ROM/RAM、磁盘或光盘等。本专利技术实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面的任意一种方法的部分或全部步骤。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术公开一种流量数据的异常检测方法及装置、电子设备、存储介质，通过将预处理后的流量数据输入自动编码网络模型，以对流量数据进行自动编码解码获得重构特征向量，然后将重构特征向量输入到循环神经网络模型中，以获得内部特征信息；其中，内部特征信息用于表征流量数据的内部特征的前后相关性，最后通过Sigmoid函数对内部特征信息进行分类，以获得用于表征流量数据是否异常的二分类结果，从而能够在保证数据完整的前提下，通过自动编码网络模型将复杂的高维数据映射为低维向量，并且对流量数据内部特征的前后相关性进行深度挖掘，获取到流量数据的隐含序列特征，能够更好地利用数据之间的特性，进而提高异常检测准确率。同时，利用神经网络算法进行检测，可以大大提高异常检测的效率。附图说明图1为本专利技术实施例公开的一种流量数据的异常检测方法的流程图。图2为本专利技术实施例公开的一种BiLSTM网络模型的网络结构示意图。图3是本专利技术实施例公开的一种流量数据的异常检测装置的结构示意图。图4为本专利技术实施例公开的一种电子设备的结构示意图。其中：301、重构单元；302、特征获取单元；303、分类单元；401、存储器本文档来自技高网...

【技术保护点】
1.一种流量数据的异常检测方法，其特征在于，包括以下步骤：/nS1：将预处理后的流量数据输入自动编码网络模型，以对所述流量数据进行自动编码解码获得重构特征向量；/nS2：将所述重构特征向量输入到循环神经网络模型中，以获得内部特征信息；其中，所述内部特征信息用于表征所述流量数据的内部特征的前后相关性；/nS3：通过Sigmoid函数对所述内部特征信息进行分类，以获得二分类结果；所述二分类结果用于表征所述流量数据是否异常。/n

【技术特征摘要】
1.一种流量数据的异常检测方法，其特征在于，包括以下步骤：
S1：将预处理后的流量数据输入自动编码网络模型，以对所述流量数据进行自动编码解码获得重构特征向量；
S2：将所述重构特征向量输入到循环神经网络模型中，以获得内部特征信息；其中，所述内部特征信息用于表征所述流量数据的内部特征的前后相关性；
S3：通过Sigmoid函数对所述内部特征信息进行分类，以获得二分类结果；所述二分类结果用于表征所述流量数据是否异常。


2.根据权利要求1所述的一种流量数据的异常检测方法，其特征在于，所述自动编码网络模型包括编码器和解码器；步骤S1包括：
S1.1：将预处理后的流量数据输入所述编码器，以使所述编码器将所述流量数据映射为低维中间向量；
S1.2：将所述低维中间向量输入所述解码器，以使所述解码器对所述低维中间向量进行解码重构获得重构特征向量。


3.根据权利要求2所述的一种流量数据的异常检测方法，其特征在于，步骤S1.2包括：
将所述低维中间向量输入所述解码器，以使所述解码器对所述低维中间向量进行解码重构，获得候选重构特征向量；若所述候选重构特征向量与所述流量数据之间的接近程度达到指定条件，通过reshape函数对所述候选重构特征向量进行调整，获得可输入到循环神经网络模型中的重构特征向量。


4.根据权利要求1至3任一项所述的一种流量数据的异常检测方法，其特征在于，步骤S3中，所述二分类结果具体为1或0，当所述二分类结果为1时，所述二分类结果用于表征所述流量数据异常；当所述二分类结果为0时，所述二分类结果用于表征所述流量数据不异常。


5.一种流量数据的异常检测装置，其特征在于，包括：
重构单元，用于将预处理后的流量数据输入自动编码网络模型，以对所述流量数据进行自动编码解码获得重构特征向量；
特征获取单元，用于将所述重构特征向量输入到循环...

【专利技术属性】
技术研发人员：柳毅，郭三田，凌捷，罗玉，陈家辉，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44