一种基于自适应阈值与多模型集成的异常登录检测方法技术

本专利提供了一种基于自适应阈值与多模型集成的异常登录检测方法，用于识别和防范潜在的异常登录风险，确保用户账户和数据安全。该方法的实现过程包括数据收集与预处理、构建并训练含有LSTM、CNN和GRU等多模型的集成网络以及异常登录检测。通过集成多个深度学习模型，本专利能够全面地理解和学习用户的登录行为，捕捉用户登录行为的时序特征和长期依赖关系。同时，本专利采用自适应阈值策略，根据用户的历史登录行为动态调整阈值，以适应用户行为的变化。该策略可有效减少误报和漏报的情况，提高异常检测的准确性。本专利还支持在线学习和模型更新，使得检测系统能够随着新登录数据的到来不断优化性能。通过实现本专利，可以帮助网络安全团队更准确地识别异常登录行为，及时采取相应的安全措施，降低潜在的网络安全风险。

【技术实现步骤摘要】

技术介绍

1、随着互联网和信息技术的快速发展，人们越来越依赖在线服务来处理日常事务，如购物、社交、金融等。然而网络安全问题也日益突出，尤其是用户身份认证环节的异常登录行为。异常登录通常指攻击者利用各种手段盗取用户凭证尝试非法登录，从而进行窃取数据、篡改信息等恶意行为。为了防止这类行为，需要采取有效的异常登录检测技术，确保用户账户和数据安全。

2、传统的异常登录检测方法主要依赖于预先设定的规则和固定阈值，例如登录地点、登录时间、设备信息等。尽管这些方法在某些情况下可以实现一定程度的安全防护，但它们往往无法适应用户行为的多样性和复杂性。过于严格的阈值可能导致误报，而过于宽松的阈值可能导致漏报。为了提高异常登录检测的准确性和适应性，需要探索新的方法，以便更好地捕捉用户的登录行为模式。本专利为解决这一问题，提出一种能够自动学习用户登录行为并动态调整阈值的异常登录检测方法。

3、深度学习技术如长短时记忆(lstm)神经网络、卷积神经网络(cnn)和门控循环单元(gru)等已在处理时序数据、捕捉长期依赖关系上显示出极高的效能，每种模型都有其独本文档来自技高网...

【技术保护点】

1.一种基于自适应阈值与多模型集成的异常登录检测方法，其特征在于：构建深度学习集成模型(包括LSTM、CNN和GRU子模型)对历史登录数据进行学习训练，并采用自适应阈值策略，实现更准确的异常登录检测。

2.根据权利要求1所述的方法，其特征在于：以数据收集和预处理、深度学习集成模型的构建和训练以及异常登录检测为组成部分。

3.根据权利要求2所述的数据收集和预处理模块，其特征在于：从登录日志中提取用户登录数据并进行预处理和特征提取，例如登录时间、登录地点、登录IP地址等。

4.根据权利要求2所述的深度学习集成模型的构建和训练，其特征在于：构建深度学习集成模...

【技术特征摘要】

1.一种基于自适应阈值与多模型集成的异常登录检测方法，其特征在于：构建深度学习集成模型(包括lstm、cnn和gru子模型)对历史登录数据进行学习训练，并采用自适应阈值策略，实现更准确的异常登录检测。

2.根据权利要求1所述的方法，其特征在于：以数据收集和预处理、深度学习集成模型的构建和训练以及异常登录检测为组成部分。

3.根据权利要求2所述的数据收集和预处理模块，其特征在于：从登录日志中提取用户登录数据并进行预处理和特征提取，例如登录时间、登录地点、登录ip地址等。

4.根据权利要求2所述的深度学习集成模型的构建和训练，其特征在于：构建深度学习集成模型，包括lstm、cnn和gru子模型，并实现自适应阈值策略。

5.根据权利要求4所述的构建深度学习集成模型，其特...

【专利技术属性】
技术研发人员：王海叶，
申请(专利权)人：北京国腾创新科技有限公司，
类型：发明
国别省市：