信息处理方法、装置、存储介质及电子设备制造方法及图纸

本申请实施例公开了一种信息处理方法、装置、存储介质及电子设备。该方法包括：获取多个时间周期内用户设备的状态信息，进行处理后得到对应的时域信息和频域信息，并将时域信息和所述频域信息进行融合；基于相邻两个周期的融合数据构建训练数据对；基于训练数据对对长短期记忆网络进行模型训练。当需要识别用户设备行为是否异常时，将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测，根据预测结果和实际结果进行比较以确定用户设备是否行为异常。本方案可以结合设备的在先行为，对时间跨度不同的信号进行针对性的识别，提升了信息预测结果的准确性。预测结果的准确性。预测结果的准确性。

【技术实现步骤摘要】
信息处理方法、装置、存储介质及电子设备


[0001]本申请涉及电子设备
，尤其涉及一种信息处理方法、装置、存储介质及电子设备。

技术介绍

[0002]随着科技的不断发展，面临的信息安全风险也越来越高。在当前对信息安全越发重视的环境下，更准确地从用户或者设备的访问、登陆、查询、下载等海量行为中识别隐匿的攻击、盗取数据、越权等异常行为，成为需要投入更多资源的领域。
[0003]相关技术中，主要通过以SVM(Support Vector Machine，支持向量机)、Xgboost(Extreme Gradient Boosting，极端梯度提升)、Random Forest(随机森林)为代表的等机器学习算法，及以CNN(Convolutional Neural Network，卷积神经网络)、LSTM(Long Short Term Memory，长短期记忆)等为代表的深度学习算法实现对异常行为的分类，或者基于策略的异常行为识别。以上技术路线主要基于用户时域信息或者时点信息，可以直观反映用户行为在时域上的表现，便于业务理解。但是随着时间的推移，跨度较长时间的信号强度可能出现衰减，容易导致识别异常信号的准确性降低。

技术实现思路

[0004]本申请实施例提供一种信息处理方法、装置、存储介质及电子设备，可提升信息预测结果的准确性。
[0005]第一方面，本申请实施例提供一种信息处理方法，包括：
[0006]获取多个时间周期内用户设备的状态信息；
[0007]对所述状态信息进行处理得到对应的时域信息和频域信息，并将所述时域信息和所述频域信息进行融合，得到融合数据；
[0008]基于相邻两个周期的融合数据构建训练数据对；
[0009]基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型；
[0010]将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测。
[0011]第二方面，本申请实施例提供了一种信息处理装置，包括：
[0012]第一获取单元，用于获取多个时间周期内用户设备的状态信息；
[0013]处理单元，用于对所述状态信息进行处理得到对应的时域信息和频域信息，并将所述时域信息和所述频域信息进行融合，得到融合数据；
[0014]构建单元，用于基于相邻两个周期的融合数据构建训练数据对；
[0015]训练单元，用于基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型；
[0016]预测单元，用于将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测。
[0017]在一实施方式中，所述处理单元用于：
[0018]对所述状态信息进行处理，得到对应的时域信息；
[0019]对所述时域信息进行分解，得到对应的频域信息；
[0020]将所述时域信息和所述频域信息进行融合，得到融合数据。
[0021]在一实施方式中，所述处理单元进一步用于：
[0022]将所述时域信息和所述频域信息进行数据拼接，得到数据宽表；
[0023]将所述数据宽表整合成包含时间维度的三维数据。
[0024]在一实施方式中，所述训练单元用于：
[0025]将所述训练数据对中前一周期的融合数据作为自变量、后一周期的融合数据作为因变量，输入至所述长短期记忆网络；
[0026]调整所述长短期记忆网络的模型参数，直至模型收敛。
[0027]在一实施方式中，所述装置还包括：
[0028]第二获取单元，用于获取所述目标用户设备下一周期的预测状态信息；
[0029]第三获取单元，用于获取所述目标用户设备下一周期的实际状态信息；
[0030]确定单元，用于确定所述预测状态信息与所述实际状态信息之间的差异值；
[0031]识别单元，用于若所述差异值超出预设差异范围，则确定所述用户设备为行为异常设备。
[0032]第三方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述的信息处理方法。
[0033]第四方面，本申请实施例还提供了一种电子设备，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，处理器用于执行上述的信息处理方法。
[0034]本申请方案，可对用户设备随时间变化的状态信息进行分解，得到对应的时域信息和频域信息，再将时域信息和所述频域信息进行融合，并基于相邻两个周期的融合数据构建训练数据对对对长短期记忆网络进行模型训练。当需要识别用户设备行为是否异常时，将目标用户设备当前周期的状态信息作为输入，基于训练后模型对目标用户设备下一周期的状态信息进行预测，根据预测结果和实际结果进行比较以确定用户设备是否行为异常。本方案可以结合设备的在先行为，对时间跨度不同的信号进行针对性的识别，提升了信息预测结果的准确性。
附图说明
[0035]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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。
[0036]图1是本申请实施例提供的信息处理方法的一流程示意图。
[0037]图2是本申请实施例提供的LSTM的结构示意图。
[0038]图3是本申请实施例提供的信息处理方法的另一流程示意图。
[0039]图4是本申请实施例提供的电子设备的一结构示意图。
[0040]图5是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
[0041]下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
[0042]本申请实施例提供一种信息处理方法、装置、存储介质及电子设备。以下将分别进行详细说明。
[0043]在一实施例中，提供一种信息处理方法，应用于智能手机、平板电脑、笔记本电脑等电子设备中。参考图1，该信息处理方法的具体流程可以如下：
[0044]101、获取多个时间周期内用户设备的状态信息。
[0045]具体的，采集用户设备沿时间轴方向上多个时间周期的状态信息。其中，该时间周期可一句信号频率的高低确定，若频率较高则可将时间周期定为小时；若频率较低则可将时间周期定为每天、每周等。
[0046]用户设备的状态信息可以为用于表征用户设备使用行为的多个不同维度的信息，包括但不限于时间信息、登陆状态、登陆IP地址、操作状态、使用流量、接入设备数量等等。
[0047]102、对状态信息进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息处理方法，其特征在于，包括：获取多个时间周期内用户设备的状态信息；对所述状态信息进行处理得到对应的时域信息和频域信息，并将所述时域信息和所述频域信息进行融合，得到融合数据；基于相邻两个周期的融合数据构建训练数据对；基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型；将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测。2.根据权利要求1所述的信息处理方法，其特征在于，所述对所述状态信息进行处理得到对应的时域信息和频域信息，将所述时域信息和所述频域信息进行融合，得到融合数据，包括：对所述状态信息进行处理，得到对应的时域信息；对所述时域信息进行分解，得到对应的频域信息；将所述时域信息和所述频域信息进行融合，得到融合数据。3.根据权利要求2所述的信息处理方法，其特征在于，所述将所述时域信息和所述频域信息进行融合，包括：将所述时域信息和所述频域信息进行数据拼接，得到数据宽表；将所述数据宽表整合成包含时间维度的三维数据。4.根据权利要求1所述的信息处理方法，其特征在于，所述基于所述训练数据对对长短期记忆网络进行模型训练，得到训练后模型，包括：将所述训练数据对中前一周期的融合数据作为自变量、后一周期的融合数据作为因变量，输入至所述长短期记忆网络；调整所述长短期记忆网络的模型参数，直至模型收敛。5.根据权利要求1
‑
4任一项所述的信息处理方法，其特征在于，在将目标用户设备当前周期的状态信息作为输入，基于训练后模型对所述目标用户设备下一周期的状态信息进行预测之后，还包括：获取所述目标用户设备下一周期的预测状态信息；获取所述目标用户设备下一周期的实际状态信息；确定所述预测状态信息与所述实际...

【专利技术属性】
技术研发人员：柳云鹏，
申请(专利权)人：深圳依时货拉拉科技有限公司，
类型：发明
国别省市：