基于异构图嵌入的用户异常行为检测方法及装置制造方法及图纸

本发明专利技术提供一种基于异构图嵌入的用户异常行为检测方法及装置，该基于异构图嵌入的用户异常行为检测方法包括：获取用户的操作日志信息；从所述操作日志信息中获取多个类别节点数据，并基于多个所述类别节点数据，确定用户异构图；基于所述用户异构图，确定嵌入映射信息；基于所述操作日志信息和所述嵌入映射信息，确定用户行为属性。本发明专利技术提供的基于异构图嵌入的用户异常行为检测方法及装置，能够根据多个从操作日志信息中得到的类别节点数据构建用户异构图，从用户异构图中确定嵌入映射信息，根据操作日志信息和嵌入映射信息，确定用户行为属性，能够提高用户异常行为检测的准确率和效率，实现对异常行为的及时检测。实现对异常行为的及时检测。实现对异常行为的及时检测。

【技术实现步骤摘要】
基于异构图嵌入的用户异常行为检测方法及装置


[0001]本专利技术涉及软件安全
，尤其涉及一种基于异构图嵌入的用户异常行为检测方法及装置。

技术介绍

[0002]随着计算机技术的不断发展，通过计算机技术来提升社群成员在工作和生活上的便捷性，已经十分普及，社群内部的成员可以通过在电子设备上进行操作，可以快捷高效地完成办公或者交流的事项，然而在社群内部的电子设备上出现的异常操作会对社群造成不利影响，如何对异常操作行为进行检测值得关注。
[0003]目前，对用户的异常行为进行检测的方法，准确率较低，效率较低，且检测不够及时。

技术实现思路

[0004]本专利技术提供一种基于异构图嵌入的用户异常行为检测方法及装置，用以解决现有技术中对用户的异常行为进行检测的方法，准确率较低，效率较低，且检测不够及时的缺陷，实现提高用户异常行为检测的准确率和效率，实现对异常行为的及时检测。
[0005]本专利技术提供一种基于异构图嵌入的用户异常行为检测方法，该基于异构图嵌入的用户异常行为检测方法包括：获取用户的操作日志信息；从所述操作日志信息中获取多个类别节点数据，并基于多个所述类别节点数据，确定用户异构图；基于所述用户异构图，确定嵌入映射信息；基于所述操作日志信息和所述嵌入映射信息，确定用户行为属性。
[0006]根据本专利技术提供的基于异构图嵌入的用户异常行为检测方法，所述基于所述操作日志信息和所述嵌入映射信息，确定用户行为属性，包括：将所述操作日志信息和所述嵌入映射信息输入到行为检测模型中，得到所述行为检测模型输出的用户行为属性；其中，所述行为检测模型为以样本日志信息和对应的样本映射信息为样本，以与所述样本日志信息和所述样本映射信息对应的用户行为属性样本数据为标签进行训练得到的。
[0007]根据本专利技术提供的基于异构图嵌入的用户异常行为检测方法，所述行为检测模型包括：卷积神经网络层和双向长短时记忆循环神经网络层；所述基于所述操作日志信息和所述嵌入映射信息，确定用户行为属性，包括：将所述操作日志信息中的日志维度特征和所述嵌入映射信息输入到所述卷积神经网络层，得到所述卷积神经网络层输出的时域维度特征；将所述时域维度特征和所述嵌入映射信息输入到所述双向长短时记忆循环神经网络层，得到所述双向长短时记忆循环神经网络层输出的参考特征；基于所述时域维度特征和所述参考特征，确定所述用户行为属性。
[0008]根据本专利技术提供的基于异构图嵌入的用户异常行为检测方法，所述样本日志信息
包括异常行为样本和正常行为样本，所述样本日志信息的获取过程包括：获取目标用户在目标时段内的样本日志序列；从所述样本日志序列中，提取所述异常行为样本；基于所述异常行为样本，在所述样本日志序列中间隔目标时长进行采样，提取出所述正常行为样本，所述正常行为样本与任一所述异常行为样本的时长间隔大于所述目标时长。
[0009]根据本专利技术提供的基于异构图嵌入的用户异常行为检测方法，所述从所述操作日志信息中获取多个类别节点数据，包括：从所述操作日志信息中获取用户类节点数据、行为类节点数据以及资源实体类节点数据；所述基于多个所述类别节点数据，确定用户异构图，包括：基于多个所述类别节点数据，确定多种边关系数据；基于多种所述边关系数据，确定所述用户异构图。
[0010]根据本专利技术提供的基于异构图嵌入的用户异常行为检测方法，所述基于多个所述类别节点数据，确定多种边关系数据，包括：将目标用户的目标时段的目标设备上的所有所述行为类节点数据连接，得到第一种边关系数据；或者，将所述目标用户的所述目标设备上多个时段的所述目标序列进行连接，得到第二种边关系数据；或者，将所述目标用户的同一组所述目标设备下的多个时段之间的所述行为类节点数据的连接，得到第三种边关系数据；或者，将不同的所述用户类节点数据之间的边关系连接，得到第四种边关系数据；或者，将所述目标用户和所述目标设备之间的边关系连接，得到第五种边关系数据；或者，将所述行为类节点数据和所述资源实体类节点数据之间的边关系连接，得到第六种边关系数据；将所述第一种边关系数据至所述第二种变关系数据中的至少两种作为所述边关系数据。
[0011]根据本专利技术提供的基于异构图嵌入的用户异常行为检测方法，所述基于所述用户异构图，确定嵌入映射信息，包括：基于随机游走算法和所述用户异构图，得到预料信息；将所述预料信息输入到词向量模型中，得到所述嵌入映射信息。
[0012]本专利技术还提供一种基于异构图嵌入的用户异常行为检测装置，该基于异构图嵌入的用户异常行为检测装置包括：获取模块，用于获取用户的操作日志信息；第一确定模块，用于从所述操作日志信息中获取多个类别节点数据，并基于多个所述类别节点数据，确定用户异构图；第二确定模块，用于基于所述用户异构图，确定嵌入映射信息；第三确定模块，用于基于所述操作日志信息和所述嵌入映射信息，确定用户行为
属性。
[0013]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于异构图嵌入的用户异常行为检测方法。
[0014]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于异构图嵌入的用户异常行为检测方法。
[0015]本专利技术提供的基于异构图嵌入的用户异常行为检测方法及装置，能够根据多个从操作日志信息中得到的类别节点数据构建用户异构图，从用户异构图中确定嵌入映射信息，根据操作日志信息和嵌入映射信息，确定用户行为属性，能够提高用户异常行为检测的准确率和效率，实现对异常行为的及时检测。
附图说明
[0016]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本专利技术提供的基于异构图嵌入的用户异常行为检测方法的流程示意图；图2是本专利技术提供的基于异构图嵌入的用户异常行为检测装置的结构示意图；图3是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0018]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0019]下面结合图1
‑
图3描述本专利技术的基于异构图嵌入的用户异常行为检测方法及装置。
[0020]如图1所示，本专利技术提供一种基于异构图嵌入的用户异常行为检测方法，该基于异构图嵌入的用户异常行为检测方法包括如下步骤110至步骤140。
[0021]其中，步骤110、获取用户的操作日志信息。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构图嵌入的用户异常行为检测方法，其特征在于，包括：获取用户的操作日志信息；从所述操作日志信息中获取多个类别节点数据，并基于多个所述类别节点数据，确定用户异构图；基于所述用户异构图，确定嵌入映射信息；基于所述操作日志信息和所述嵌入映射信息，确定用户行为属性。2.根据权利要求1所述的基于异构图嵌入的用户异常行为检测方法，其特征在于，所述基于所述操作日志信息和所述嵌入映射信息，确定用户行为属性，包括：将所述操作日志信息和所述嵌入映射信息输入到行为检测模型中，得到所述行为检测模型输出的用户行为属性；其中，所述行为检测模型为以样本日志信息和对应的样本映射信息为样本，以与所述样本日志信息和所述样本映射信息对应的用户行为属性样本数据为标签进行训练得到的。3.根据权利要求2中所述的基于异构图嵌入的用户异常行为检测方法，其特征在于，所述行为检测模型包括：卷积神经网络层和双向长短时记忆循环神经网络层；所述基于所述操作日志信息和所述嵌入映射信息，确定用户行为属性，包括：将所述操作日志信息中的日志维度特征和所述嵌入映射信息输入到所述卷积神经网络层，得到所述卷积神经网络层输出的时域维度特征；将所述时域维度特征和所述嵌入映射信息输入到所述双向长短时记忆循环神经网络层，得到所述双向长短时记忆循环神经网络层输出的参考特征；基于所述时域维度特征和所述参考特征，确定所述用户行为属性。4.根据权利要求2所述的基于异构图嵌入的用户异常行为检测方法，其特征在于，所述样本日志信息包括异常行为样本和正常行为样本，所述样本日志信息的获取过程包括：获取目标用户在目标时段内的样本日志序列；从所述样本日志序列中，提取所述异常行为样本；基于所述异常行为样本，在所述样本日志序列中间隔目标时长进行采样，提取出所述正常行为样本，所述正常行为样本与任一所述异常行为样本的时长间隔大于所述目标时长。5.根据权利要求1至4中任一项所述的基于异构图嵌入的用户异常行为检测方法，其特征在于，所述从所述操作日志信息中获取多个类别节点数据，包括：从所述操作日志信息中获取用户类节点数据、行为类节点数据以及资源实体类节点数据；所述基于多个所述类别节...

【专利技术属性】
技术研发人员：刘学洋，胡文蕙，郑超凡，李天赐，
申请(专利权)人：北京大学，
类型：发明
国别省市：