一种电商网络异常用户检测方法及系统技术方案

本发明专利技术涉及电商平台的网络安全领域，为了消除这些异常用户所带来的负面影响，公开了一种电商网络异常用户检测方法及系统。所述系统包括计算机处理器和内存、电商网络数据预处理单元、电商网络异常用户检测模型训练单元、电商网络异常用户检测结果输出单元。所述方法包括电商网络数据预处理环节、电商网络异常用户检测模型构建及优化环节、电商网络异常用户检测结果输出及处理环节三个部分。具体将处理后的电商网络数据的空间结构信息进行抽取，并在此基础上利用自编码器和支持向量数据描述建立电商网络异常用户检测模型，使模型具有一定的自监督学习能力，能够自动为异常检测工作提供监督信息，有效的提升了建立模型的检测性能。能。能。

【技术实现步骤摘要】
一种电商网络异常用户检测方法及系统


[0001]本专利技术涉及电商平台的网络安全领域，特别涉及一种电商网络异常用户检测方法及系统。

技术介绍

[0002]随着互联网的不断普及和发展，许多不良商家通过操纵大量用户在各大电商网络平台上进行虚假评论、恶意刷单等欺诈活动，诱导顾客购买有缺陷的产品，严重损害了消费者们的利益。为了消除这些异常用户所带来的负面影响，本专利技术提出了一种电商网络异常用户检测方法及系统，可以较准确的检测到异常用户。

技术实现思路

[0003]针对上述问题本专利技术提供了一种电商网络异常用户检测方法及系统，能够对电商平台网络中的异常用户进行有效可靠的检测。
[0004]为了达到上述目的，本专利技术采用了下列技术方案：
[0005]本专利技术通过分析电商网络中异常用户的产生机制，重点关注用户在不同设备上的登录活动，并据此提出了异常用户的两大行为特性：设备聚集性和活动聚集性。根据这两大特性，本专利技术提供一种电商网络异常用户检测方法，该方法包含三个主要环节，步骤S10为电商网络数据预处理环节，步骤S20本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电商网络异常用户检测方法，其特征在于，包括以下步骤：S10、对采集到的电商网络数据进行预处理；S20、对步骤S10预处理后获得的电商网络数据进行空间结构信息的抽取，构建异质信息网络并转化为用户
‑
设备二分图；S30、基于步骤S20获得的用户
‑
设备二分图，利用自编码器和支持向量数据描述构建电商网络异常用户检测模型；S40、对于步骤S30构建的电商网络异常用户检测模型，通过迭代计算方式对模型进行训练，确定模型的最优参数；S50、利用步骤S30构建的电商网络异常检测模型，以及步骤S40确定的模型最优参数，将异常用户检测结果进行输出，并对异常用户进行处理。2.根据权利要求1所述的电商网络异常用户检测方法，其特征在于，所述步骤S10中对采集到的电商网络数据进行预处理具体包含以下步骤：S11、清理采集到的电商网络数据中具有缺失值的样本，通过随机采样原数据集进行补齐；S12、对样本进行矫正。3.根据权利要求1所述的电商网络异常用户检测方法，其特征在于，所述步骤S20具体包括以下步骤：S21、将步骤S10预处理后的电商网络数据抽象为异质信息网络，并转化为用户
‑
设备二分图G＝(X,Y,E)，X＝{x1,x2,...,x
M
}表示M个用户构成的集合，其中x
m
表示第m个用户，m∈[1,M]，Y＝{y1,y2,...,y
N
}表示N个设备的集合，其中y
n
表示第n个设备，n∈[1,N]，E＝{e
mn
}
m＝1,2,...,M,n＝1,2,...,N
表示用户在不同设备上登录行为的集合，e
mn
表示用户x
m
登录设备y
n
的行为，如果用户x
m
在设备y
n
上进行登录，则e
mn
＝1，否则，e
mn
＝0；S22、构建用户
‑
设备二分图结构，并表示为S＝[s1,s2,...,s
M
]
T
，其中s
m
＝[e
m1
,e
m2
,...,e
mN
]，m∈[1,M]。4.根据权利要求1所述的电商网络异常用户检测方法，其特征在于，所述步骤S30中构建的电商网络异常检测模型包含编码器、解码器、检测器三个部分。5.根据权利要求1所述的电商网络异常用户检测方法，其特征在于：所述步骤S30具体包含以下步骤：S31、编码器用于将用户
‑
设备二分图结构S编码为超球隐空间中的用户低维表示集合Z，编码过程的形式化表示如式(1)所示：Z＝Relu(WS+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，Z＝[z1,z2,...,z
M
]
T
为二分图结构S在超球隐空间中的用户低维表示集合，z
m
为s
m
在超球隐空间中对应的用户低维表示，W与b分别为编码权重和偏置，Relu激活函数如式(2)定义：S32、解码器用于将用户低维表示集合Z重构为二分图结构解码过程的形式化表示如式(3)所示：
其中，重构二分图结构W与b分别为解码权重和偏置，与编码权重和偏置相同；S33、检测器采用支持向量数据描述对超球隐空间中的用户低维表示集合Z进行检测，超球隐空间的核心c由式(4)计算：每个用户低维表示与核心c之间的欧式距离由式(5)计算：其中，d
m
为用户低维表示z
m
与核心c之间的欧式距离，将全部用户低维表示与核心之间的距离形成的集合记作D＝{d1,d2,...,d
M
}；S34、通过3σ准则对集合D的正态分布情况进行讨论，若x～N(μ,σ2)，则有：P{|x
‑
μ|＜σ}＝0.6826
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)P{|x
‑
μ|＜2σ}＝0.9545
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)P{|x
‑
μ|＜3σ}＝0.9973
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中，x为正态变量，σ为标准差，μ为均值，由式(8)可知，正态变量x的取值在区间(μ
‑
3σ,μ+3σ)之外的概率小于0.003；S35、根据3σ准则，检测器计算集合D中的σ和μ，将(μ
‑
3σ,μ+3σ)区间以外的d
m
剔除，并在余下的集合中选择最大值作为超球半径r，最后，将每个用户低维表示与核心间的欧式距离与半径r进行对比，若某用户低维表示与核心间的...

【专利技术属性】
技术研发人员：杜航原，李铎，王文剑，
申请(专利权)人：山西大学，
类型：发明
国别省市：