System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及数据检测,特别是涉及一种异常行为综合管控平台。
技术介绍
1、目前现有异常行为检测系统对于互联网环境下的异常行为类型缺少相应的技术分析手段,不能及时有效的对用户异常行为进行预警,以至于造成一定的损失,对于已经造成损失的用户异常行为,目前只能通过获取通信数据,然后通过人工进行分析和处置,分析效率低,实时性和准确性较差。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种可以提高分析效率的异常行为综合管控平台,所述平台包括:
2、数据采集模块,用于采集用户的行为数据和设备环境信息;
3、预处理模块,用于对所述用户的行为数据和设备环境信息进行预处理,以确定第一特征数据;
4、异常检测模块,用于将所述第一特征数据输入至预构建的异常检测模型,并得到对应的输出结果;
5、评分模块,用于基于所述输出结果,通过异常行为评分模型计算输出用户评分;
6、主动预警模块,用于响应于检测到所述用户评分大于第一预设值时,对目标用户进行主动预警。
7、可选的,所述对所述用户的行为数据和设备环境信息进行预处理,以确定第一特征数据包括:
8、对所述行为数据和设备环境信息进行数据清理,基于数据清理结果,对所述行为数据和设备环境信息按照预设规则进行分类存储;
9、基于分类存储结果,利用关联函数,确定所述行为数据和设备环境信息的关联度;
10、响应于检测到所述关联度大于第二预设值时,基于预设映射表
11、可选的,所述对所述行为数据和设备环境信息按照预设规则进行分类存储包括:
12、确定所述行为数据和设备环境信息是否为热点数据;
13、响应于检测到所述行为数据为热点数据时,将所述行为数据存储于第一类别分区中;
14、响应于检测到所述设备环境信息为热点数据时,将所述设备环境信息存储于第二类别分区中;
15、响应于检测到所述行为数据为非热点数据时,将所述行为数据存储于第三类别分区中;
16、响应于检测到所述设备环境信息为非热点数据时,将所述设备环境信息存储于第四类别分区中;
17、基于分区的类别,对所述行为数据和设备环境信息进行标记。
18、可选的,所述关联函数包括第一关联函数和第二关联函数,响应于检测到所述行为数据和所述设备环境信息均为热点数据时,采用所述第一关联函数计算关联度,所述第一关联函数包括:
19、
20、
21、响应于检测到所述行为数据,和/或,所述设备环境信息为非热点数据时,采用所述第二关联函数计算关联度,所述第二关联函数包括:
22、
23、其中,表示关联系数,表示关联函数,表示行为数据分类标记值,表示设备环境信息分类标记值,表示行为数据的归一化值,表示设备环境信息的归一化值,表示修正函数,表示修正系数,表示分区长度,表示行为数据和设备环境信息所属分区标记值之和。
24、可选的,所述响应于检测到所述关联度大于第二预设值时,基于预设映射表确定所述第一特征数据包括:
25、响应于检测到所述关联度大于第二预设值时,提取所述预设映射表中的数据,所述映射表中包括至少一个映射集合;
26、将所述关联度与从所述映射表中所提取的数据进行匹配,以确定所述第一特征数据。
27、可选的,所述将所述第一特征数据输入至预构建的异常检测模型,并得到对应的输出结果包括:
28、获取所述第一特征数据;
29、将所述第一特征数据作为输入,输入至所述预构建的异常检测模型,以确定对应的输出结果。
30、可选的,所述异常检测模型的构建方法包括:
31、提取多个历史第一特征数据;
32、将所述历史第一特征数据按照预设比例划分为训练集、测试集和验证集;
33、基于所述训练集、测试集和验证集分别对初始异常检测模型进行训练、测试以及验证;
34、响应于检测到所述初始异常检测模型的精度大于第三预设值时,训练完成,得到最终的所述异常检测模型,包括:
35、
36、其中,表示输出值,表示调节函数,、均表示迭代系数,表示修正系数,表示第一特征数据赋值之和,表示耦合系数,表示第一特征数据在时间步长t内的数据量变化值。
37、可选的,所述异常行为评分模型包括第一异常行为评分模型和第二异常行为评分模型,所述基于所述输出结果,通过异常行为评分模型计算输出用户评分包括:
38、响应于检测到所述输出结果大于第四预设值时,将所述异常检测模型的输出结果作为所述第一异常行为评分模型的输入,并输出对应的用户评分,所述第一异常行为评分模型包括:
39、
40、响应于检测到所述输出结果小于或等于第四预设值时,将所述异常检测模型的输出结果作为所述第二异常行为评分模型的输入,并输出对应的用户评分,所述第二异常行为评分模型包括:
41、
42、其中,表示评分值,表示输出结果,表示标准值,表示标准值与第四预设值之间的差值,表示输出结果与第四预设值之间的差值绝对值,表示权重系数,表示校正系数。
43、可选的,所述响应于检测到所述用户评分大于第一预设值时,对目标用户进行主动预警包括:
44、响应于检测到评分值大于第一预设值时,对目标用户进行主动预警。
45、上述异常行为综合管控平台,所述平台包括:数据采集模块,用于采集用户的行为数据和设备环境信息;预处理模块,用于对所述用户的行为数据和设备环境信息进行预处理,以确定第一特征数据;异常检测模块,用于将所述第一特征数据输入至预构建的异常检测模型,并得到对应的输出结果;评分模块,用于基于所述输出结果,通过异常行为评分模型计算输出用户评分;主动预警模块,用于响应于检测到所述用户评分大于第一预设值时,对目标用户进行主动预警,本申请能够提高数据分析的准确性、实时性以及对用户进行实时预警,从而降低用户的损失。
本文档来自技高网...【技术保护点】
1.一种异常行为综合管控平台,其特征在于,包括:
2.根据权利要求1所述的异常行为综合管控平台,其特征在于,所述对所述用户的行为数据和设备环境信息进行预处理,以确定第一特征数据包括:
3.根据权利要求2所述的异常行为综合管控平台,其特征在于,所述对所述行为数据和设备环境信息按照预设规则进行分类存储包括:
4.根据权利要求3所述的异常行为综合管控平台,其特征在于,所述关联函数包括第一关联函数和第二关联函数,响应于检测到所述行为数据和所述设备环境信息均为热点数据时,采用所述第一关联函数计算关联度,所述第一关联函数包括:
5.根据权利要求4所述的异常行为综合管控平台,其特征在于,所述响应于检测到所述关联度大于第二预设值时,基于预设映射表确定所述第一特征数据包括:
6.根据权利要求5所述的异常行为综合管控平台,其特征在于,所述将所述第一特征数据输入至预构建的异常检测模型,并得到对应的输出结果包括:
7.根据权利要求6所述的异常行为综合管控平台,其特征在于,所述异常检测模型的构建方法包括:
8.根据权利要求
9.根据权利要求8所述的异常行为综合管控平台,其特征在于,所述响应于检测到所述用户评分大于第一预设值时,对目标用户进行主动预警包括:
...【技术特征摘要】
1.一种异常行为综合管控平台,其特征在于,包括:
2.根据权利要求1所述的异常行为综合管控平台,其特征在于,所述对所述用户的行为数据和设备环境信息进行预处理,以确定第一特征数据包括:
3.根据权利要求2所述的异常行为综合管控平台,其特征在于,所述对所述行为数据和设备环境信息按照预设规则进行分类存储包括:
4.根据权利要求3所述的异常行为综合管控平台,其特征在于,所述关联函数包括第一关联函数和第二关联函数,响应于检测到所述行为数据和所述设备环境信息均为热点数据时,采用所述第一关联函数计算关联度,所述第一关联函数包括:
5.根据权利要求4所述的异常行为综合管控平台,其特征在于,所述响应于检测到所述关联度大于...
【专利技术属性】
技术研发人员:阮宝江,
申请(专利权)人:南京博晟宇网络科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。