【技术实现步骤摘要】
本公开的实施方式涉及网络安全，更具体地，本公开的实施方式涉及一种异常行为识别方法、异常行为识别装置、计算机可读存储介质及电子设备。
技术介绍
1、本部分旨在为权利要求中陈述的本公开的实施方式提供背景或上下文，此处的描述不因为包括在本部分中就承认是现有技术。
2、随着社会的发展，电子支付越来越普及，大多数公司提供的网络相关服务都需要用户绑定银行卡或者第三方支付账户，大多数用户为了使用方便，一般都会在账户内滞留一部分资金，也会有一些相关个人隐私信息，因此，保护这些账户的安全至关重要。
技术实现思路
1、然而，当用户相较以往的行为发生较大变化，例如：不浏览快速购买、频繁金额递增试错等，当前的统计模型和规则对于此类特定操作行为无法有效识别，这可能导致用户遭受巨大的经济损失。
2、为此，非常需要一种异常行为识别方法，以提高异常操作行为的识别范围，并在一定程度上降低用户遭受的经济损失。
3、在本上下文中，本公开的实施方式期望提供一种异常行为识别方法、异常行为识别装置、计算机可读存储介质及电子设备。
4、根据本公开的第一方面，提供一种异常行为识别方法，所述方法包括：根据目标用户的操作行为，确定所述目标用户的操作行为序列；所述操作行为序列至少包括行为序列、时间间隔序列、地域标识序列中的行为序列；所述时间间隔序列和所述地域标识序列是基于所述目标用户的行为确定的；通过编码器将所述操作行为序列转换为操作行为token序列；将所述操作行为token序列输入已
5、在一种实施方式中，所述根据目标用户的操作行为，确定所述目标用户的操作行为序列，包括：按照时间顺序，将第一时间段内的所述目标用户的行为字符串进行拼接，得到所述行为序列；将所述第一时间段内的所述目标用户的行为之间的时间间隔字符串进行拼接，得到所述时间间隔序列；将所述第一时间段内的所述目标用户的行为所属的地域信息是否属于预设地域信息的比对结果字符串进行拼接，得到所述地域标识序列。
6、在一种实施方式中，所述将所述操作行为序列输入已训练异常行为预测模型进行识别，输出所述目标用户异常行为的预测结果，包括：通过所述已训练异常行为预测模型中的嵌入层对所述操作行为token序列进行向量化，得到操作行为序列向量；通过所述已训练异常行为预测模型中的卷积神经网络单元对所述操作行为序列向量进行特征提取，得到第一中间特征向量；通过所述已训练异常行为预测模型中的长短时记忆网络单元对所述操作行为序列向量进行特征提取，得到第二中间特征向量；通过所述已训练异常行为预测模型中的动态时间规整单元对所述操作行为序列向量进行特征提取，得到第三中间特征向量；将所述第一中间特征向量、所述第二中间特征向量、所述第三中间特征向量中的至少两者进行拼接，得到拼接向量；采用激活函数对所述拼接向量进行归一化，得到所述目标用户异常行为的预测结果。
7、在一种实施方式中，所述通过所述已训练异常行为预测模型中的卷积神经网络单元对所述操作行为序列向量进行特征提取，得到第一中间特征向量，包括：从所述操作行为序列向量中抽取第二时间段内靠近当前时刻的操作行为序列向量；通过所述已训练异常行为预测模型中的卷积神经网络单元对第二时间段内靠近当前时刻的操作行为序列向量进行特征提取，再采用最大池化层进行降采样，得到所述第一中间特征向量。
8、在一种实施方式中，所述通过所述已训练异常行为预测模型中的长短时记忆网络单元对所述操作行为序列向量进行特征提取，得到第二中间特征向量，包括：从所述操作行为序列向量中抽取第三时间段内的操作行为序列向量；所述第三时间段早于第二时间段；通过所述已训练异常行为预测模型中的长短时记忆网络单元对第三时间段内的操作行为序列向量进行特征提取，再采用最大池化层进行降采样，得到所述第二中间特征向量。
9、在一种实施方式中，所述通过所述已训练异常行为预测模型中的动态时间规整单元对所述操作行为序列向量进行特征提取，得到第三中间特征向量，包括：采用动态时间规整算法计算不同时间段的所述操作行为序列向量之间的相似度，得到所述第三中间特征向量。
10、在一种实施方式中，训练待训练异常行为预测模型得到所述已训练异常行为预测模型的过程为：初始化神经网络模型的参数；所述参数包括权重和偏差；将训练样本输入所述待训练异常行为预测模型，向前传播得到预测概率；所述训练样本包括若干个所述操作行为token序列及对应的标签；根据预设损失函数计算预测概率与真实概率之间的损失值；采用梯度下降法根据所述损失值反向传播计算所述待训练异常行为预测模型的参数的下降梯度；根据所述下降梯度对所述待训练异常行为预测模型进行优化，直到达到预设的收敛条件，结束训练，得到所述已训练神经网络模型。
11、根据本公开的第二方面，提供一种异常行为识别装置，所述装置包括：操作行为序列确定模块810，被配置为根据目标用户的操作行为，确定所述目标用户的操作行为序列；所述操作行为序列至少包括行为序列、时间间隔序列、地域标识序列中的行为序列；所述时间间隔序列和所述地域标识序列是基于所述目标用户的行为确定的；编码模块820，所述编码模块被配置为通过编码器将所述操作行为序列转换为操作行为token序列；概率预测模块830，被配置为将所述操作行为token序列输入已训练异常行为预测模型进行识别，输出所述目标用户的异常行为的预测结果；所述已训练异常行为预测模型包括卷积神经网络单元、长短时记忆网络单元和动态时间规整单元。
12、在一种实施方式中，所述操作行为序列确定模块被配置为：按照时间顺序，将第一时间段内的所述目标用户的行为字符串进行拼接，得到所述行为序列；将所述第一时间段内的所述目标用户的所述行为之间的时间间隔字符串进行拼接，得到所述时间间隔序列；将所述第一时间段内的所述目标用户的行为所属的地域信息是否属于预设地域信息的比对结果字符串进行拼接，得到所述地域标识序列。
13、在一种实施方式中，所述概率预测模块被配置为：通过所述已训练异常行为预测模型中的嵌入层对所述操作行为token序列进行向量化，得到操作行为序列向量；通过所述已训练异常行为预测模型中的卷积神经网络单元对所述操作行为序列向量进行特征提取，得到第一中间特征向量；通过所述已训练异常行为预测模型中的长短时记忆网络单元对所述操作行为序列向量进行特征提取，得到第二中间特征向量；通过所述已训练异常行为预测模型中的动态时间规整单元对所述操作行为序列向量进行特征提取，得到第三中间特征向量；将所述第一中间特征向量、所述第二中间特征向量、所述第三中间特征向量中的至少两者进行拼接，得到拼接向量；采用激活函数对所述拼接向量进行归一化，得到所述目标用户异常行为的预测结果。
14、在一种实施方式中，所述概率预测模块被配置为：从所述操作行为序列向量中抽取第二时间段本文档来自技高网...
【技术保护点】
1.一种异常行为识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据目标用户的操作行为，确定所述目标用户的操作行为序列，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述操作行为Token序列输入已训练异常行为预测模型进行识别，输出所述目标用户的异常行为的预测结果，包括：
4.根据权利要求3所述的方法，其特征在于，所述通过所述已训练异常行为预测模型中的卷积神经网络单元对所述操作行为序列向量进行特征提取，得到第一中间特征向量，包括：
5.根据权利要求3所述的方法，其特征在于，所述通过所述已训练异常行为预测模型中的长短时记忆网络单元对所述操作行为序列向量进行特征提取，得到第二中间特征向量，包括：
6.根据权利要求3所述的方法，其特征在于，所述通过所述已训练异常行为预测模型中的动态时间规整单元对所述操作行为序列向量进行特征提取，得到第三中间特征向量，包括：
7.根据权利要求1所述的方法，其特征在于，训练待训练异常行为预测模型得到所述已训练异常行为预测模型的过程为：>
8.一种异常行为识别装置，其特征在于，所述装置包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7任一项所述的方法。
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种异常行为识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据目标用户的操作行为，确定所述目标用户的操作行为序列，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述操作行为token序列输入已训练异常行为预测模型进行识别，输出所述目标用户的异常行为的预测结果，包括：
4.根据权利要求3所述的方法，其特征在于，所述通过所述已训练异常行为预测模型中的卷积神经网络单元对所述操作行为序列向量进行特征提取，得到第一中间特征向量，包括：
5.根据权利要求3所述的方法，其特征在于，所述通过所述已训练异常行为预测模型中的长短时记忆网络...
【专利技术属性】
技术研发人员：王浩宇，张长红，缪林松，余洋，刘庆生，
申请(专利权)人：网易宝有限公司，
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。