一种基于客户端行为特征的人机校验模型及方法技术

本发明专利技术涉及数据挖掘技术领域，尤其涉及一种基于客户端行为特征的人机校验模型及方法。该方法包括以下步骤：获取客户端行为数据，其中客户端行为数据包括鼠标轨迹数据、键盘输入模式以及页面滚动数据；根据客户端行为数据提取用户行为特征；根据用户行为特征进行用户真实行为识别，从而获得用户行为指数；根据用户行为指数进行阈值判断，从而生成真实用户识别信息，以发送至人机校验模型进行人机校验结果反馈。本发明专利技术通过对客户端行为数据进行深度数据挖掘，提高人机识别的准确性和安全性，防止机器人或恶意程序冒充真实用户进行非法操作。机器人或恶意程序冒充真实用户进行非法操作。机器人或恶意程序冒充真实用户进行非法操作。

【技术实现步骤摘要】
一种基于客户端行为特征的人机校验模型及方法


[0001]本专利技术涉及数据挖掘
，尤其涉及一种基于客户端行为特征的人机校验模型及方法。

技术介绍

[0002]在网络平台开发过程重，平台为了提高流量经常会需要开发一些签到抽奖，领红包等网页应用。这些产品设计的初衷是为了让真实用户参与到活动中，在完成相应的任务后可以获得相应的奖励，然而一些投机者经常会通过脚本程序等方式，利用机器进行的大量的模拟请求，不但会对服务器带来许多负载压力，还会影响到真实用户的正常参与，最终导致线上推广活动质量及口碑的下降，对平台带来诸多不利影响。在现实的应用中，常用的人机校验方式为发送短信验证码或者图片验证码点击，这种方式常常造成对用户使用体验的中断，降低实用性。

技术实现思路

[0003]本专利技术为解决上述技术问题，提出了一种基于客户端行为特征的人机校验模型及方法，以解决至少一个上述技术问题。
[0004]本专利技术提供一种基于客户端行为特征的人机校验方法，包括以下步骤：
[0005]步骤S1：获取客户端行为数据，其中客户端行为数据包括鼠标轨迹数据、键盘输入模式以及页面滚动数据；
[0006]步骤S2：根据客户端行为数据提取用户行为特征；
[0007]步骤S3：根据用户行为特征进行用户真实行为识别，从而获得用户行为指数；
[0008]步骤S4：根据用户行为指数进行阈值判断，从而生成真实用户识别信息，以发送至人机校验模型进行人机校验结果反馈。
[0009]本实施例通过对客户端行为数据进行深度分析，提高人机识别的准确性和安全性，防止机器人或恶意程序冒充真实用户进行非法操作，此外，该方法不需要用户额外输入验证码或者人脸校验，简化了用户操作流程，提高了用户体验。
[0010]在本说明书的一个实施例中，用户行为特征包括鼠标轨迹特征数据以及时序操作特征数据，步骤S2具体为：
[0011]步骤S21：根据客户端行为数据进行最小代价数据清洗，从而获得清洗行为数据；
[0012]步骤S22：根据清洗行为数据进行降维计算，从而获得降维行为数据；
[0013]步骤S23：根据降维行为数据进行归一化计算，从而获得归一化行为数据；
[0014]步骤S24：对归一化行为数据进行鼠标轨迹特征提取以及时序操作特征提取，分别获得鼠标轨迹特征数据以及时序操作特征数据。
[0015]本实施例通过最小代价数据清洗、降维计算以及归一化计算等步骤，可以有效地提高用户行为特征的准确性和可靠性。同时，通过对鼠标轨迹特征数据和时序操作特征数据的提取，可以更全面地反映出用户的真实行为模式，从而提高了人机校验的准确性和安
全性。
[0016]在本说明书的一个实施例中，其中步骤S21具体为：
[0017]步骤S211：根据客户端行为数据进行聚类计算并重合数据合并，从而得到去重复数据；
[0018]步骤S212：根据去重复数据进行标准差计算以及均值计算，从而得到标准差数据以及均值数据；
[0019]步骤S213：基于标准差数据以及均值数据对去重复数据进行异常计算，从而识别去重复数据中的异常数据；
[0020]步骤S214：对异常数据进行异常值删除，从而获得去异常数据；
[0021]步骤S215：根据标准差数据以及均值数据对去异常数据进行缺失值填充，从而生成清洗行为数据。
[0022]本实施例通过聚类计算、标准差计算、均值计算和异常计算等一系列深度数据清洗步骤，可以有效地去除重复数据和异常数据，填充缺失值，从而提高数据质量和准确性，使用了多种数据处理技术和算法，包括聚类计算、标准差计算、均值计算和异常计算，可以优化数据处理流程，通过清洗后的行为数据，可以更加准确地进行数据分析和挖掘，发现潜在的规律和趋势，最小代价为通过聚类计算进行重合度计算，并根据适配数据进行保留计算，降低传统去重复方法中采用随机删除或预设保留方式带来的误差。
[0023]在本说明书的一个实施例中，其中异常计算的步骤具体为:
[0024]步骤S216：根据去重复数据、标准差数据以及均值数据通过异常指数计算公式进行计算，从而生成异常指数；
[0025]步骤S217：判断异常指数是否大于预设的异常指数阈值；
[0026]步骤S218：确定异常指数大于预设的异常指数阈值，则对异常指数相应的去重复数据进行异常标记，从而识别获取去重复数据中的异常数据。
[0027]本实施例通过异常计算步骤，可以根据去重复数据、标准差数据以及均值数据计算异常指数，并对异常指数大于预设阈值的数据进行标记，从而识别异常数据。通过去除异常数据，可以提高数据的准确性和可靠性，通过计算异常指数和设定异常指数阈值，快速地识别和标记异常数据，从而提高数据处理效率和准确性，通过清洗后的数据中的异常数据，可以更加准确地进行数据分析和挖掘，发现潜在的规律和趋势，为企业决策提供更加可靠的支持。
[0028]在本说明书的一个实施例中，异常指数计算公式具体为：
[0029][0030]E为异常数据，α为调整系数，a
i
为第i个去重复数据，为均值数据,o为初始调整值，v为标准差数据,p为误差调整值，u为异常数据的修正值。
[0031]本实施例提供一种异常指数计算公式，该公式充分考虑了调整系数α、第i个去重复数据a
i
、均值数据初始调整值o、标准差数据v、误差调整值p以及相互之间的作用关系，以形成函数关系其中调整系数α根据实际情况调整异常值的权重，提高对于异常值的敏感度或降低对于异常值的敏感度，去重复并计算均值，消除
数据中相同值或者近似值的干扰，确保计算结果更加准确，初始调整值o以针对具体应用场景进行预设，调整判断标准，从而达到更好的异常检测效果，标准差数据v可以根据数据的分布情况进行计算，较大的标准差表示数据分布比较分散，需要更高的异常检测敏感度，误差调整值p适当的增加误差调整值可以避免因为数据波动引起的误判，提高判断准确性，异常数据的修正值u可以通过人工干预的方式对输出结果进行二次修正，确保最终结果更加准确。
[0032]在本说明书的一个实施例中，步骤S2之后步骤S3之前的步骤还包括步骤S2.5，步骤S2.5包括以下步骤：
[0033]步骤S201：获取历史用户行为特征；
[0034]步骤S202：根据历史用户行为特征进行分布情况计算，从而生成历史分布情况数据；
[0035]步骤S203：根据用户行为特征数据进行分布情况计算，从而生成用户分布情况数据；
[0036]步骤S204：根据历史分布情况数据与用户分布情况数据进行比较，从而生成分布情况比较数据；
[0037]步骤S205：判断分布情况比较数据是否小于预设的分布情况比较阈值；
[0038]步骤S206：确定分布情况比较数据小于预设的分布情况比较阈值时，则生成包含存在真实用户的真实用户识别信息，以发送至人机校验模型进行人机校验结果反馈；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于客户端行为特征的人机校验方法，其特征在于，包括以下步骤：步骤S1：获取客户端行为数据，其中客户端行为数据包括鼠标轨迹数据、键盘输入模式以及页面滚动数据；步骤S2：根据客户端行为数据提取用户行为特征；步骤S3：根据用户行为特征进行用户真实行为识别，从而获得用户行为指数；步骤S4：根据用户行为指数进行阈值判断，从而生成真实用户识别信息，以发送至人机校验模型进行人机校验结果反馈。2.根据权利要求1所述的方法，其特征在于，用户行为特征包括鼠标轨迹特征数据以及时序操作特征数据，步骤S2具体为：步骤S21：根据客户端行为数据进行最小代价数据清洗，从而获得清洗行为数据；步骤S22：根据清洗行为数据进行降维计算，从而获得降维行为数据；步骤S23：根据降维行为数据进行归一化计算，从而获得归一化行为数据；步骤S24：对归一化行为数据进行鼠标轨迹特征提取以及时序操作特征提取，分别获得鼠标轨迹特征数据以及时序操作特征数据。3.根据权利要求2所述的方法，其特征在于，其中步骤S21具体为：根据客户端行为数据进行聚类计算并重合数据合并，从而得到去重复数据；根据去重复数据进行标准差计算以及均值计算，从而得到标准差数据以及均值数据；基于标准差数据以及均值数据对去重复数据进行异常计算，从而识别去重复数据中的异常数据；对异常数据进行异常值删除，从而获得去异常数据；根据标准差数据以及均值数据对去异常数据进行缺失值填充，从而生成清洗行为数据。4.根据权利要求3所述的方法，其特征在于，其中异常计算的步骤具体为:根据去重复数据、标准差数据以及均值数据通过异常指数计算公式进行计算，从而生成异常指数；判断异常指数是否大于预设的异常指数阈值；确定异常指数大于预设的异常指数阈值，则对异常指数相应的去重复数据进行异常标记，从而识别获取去重复数据中的异常数据。5.根据权利要求4所述的方法，其特征在于，异常指数计算公式具体为：E为异常数据，α为调整系数，a
i
为第i个去重复数据，为均值数据,o为初始调整值，v为标准差数据,p为误差调整值，u为异常数据的修正值。6.根据权利要求1所述的方法，其特征在于，步骤S2之后步骤S3之前的步骤还包括步骤S2.5，步骤S2.5包括以下步骤：获取历史用户行为特征；根据历史用户行为特征进行分布情况计算，从而生成历史分布情况数据；根据用户行为特征数据进行分布情况计算，从而生成用户分布情况数据；
根据历史分布情况数据与用户分布情况数据进行比较，从而生成分布情况比较数据；判断分布情况比较数据是否小于预设的分布情况比较阈值；确定分布情况比较数据小于预设的分布情况比较...

【专利技术属性】
技术研发人员：万振民，
申请(专利权)人：万汇互联深圳科技有限公司，
类型：发明
国别省市：