CN111582872A - 异常账号检测模型训练、异常账号检测方法、装置及设备 - Google Patents
异常账号检测模型训练、异常账号检测方法、装置及设备 Download PDFInfo
- Publication number
- CN111582872A CN111582872A CN202010373952.3A CN202010373952A CN111582872A CN 111582872 A CN111582872 A CN 111582872A CN 202010373952 A CN202010373952 A CN 202010373952A CN 111582872 A CN111582872 A CN 111582872A
- Authority
- CN
- China
- Prior art keywords
- account
- network
- detected
- target
- accounts
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 120
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 125
- 238000010586 diagram Methods 0.000 claims abstract description 59
- 239000013604 expression vector Substances 0.000 claims abstract description 49
- 230000006399 behavior Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005295 random walk Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004900 laundering Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本说明书实施例公开了一种异常账号检测模型训练、异常账号检测方法、装置及设备,其中,异常账号检测模型训练方法可以基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在该网络图中,一个账号和注册该账号的设备之间存在一条边;然后基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;最后将网络图中账号的表示向量和标签作为输入,对目标残差网络进行有监督的训练,训练好的目标残差网络可用于检测使用同一设备在目标应用中注册的多个账号中的一个账号是否为异常账号。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种异常账号检测模型训练、异常账号检测方法、装置及设备。
背景技术
为了实现不同用途,一个用户可能会通过一个设备在一个应用 (Application,APP)中注册多个账号。例如,用户A会利用自己的手机在支付宝中注册两个账号,其中一个账号用于购买理财产品,另一个账号用于日常消费。一个用户用同一设备注册多个账号实现多个正常用途是APP运营方喜闻乐见的,但有少部分用户会将部分账号用作非正常用途,例如用于欺诈,这会给APP运营方及其他用户带来风险,需要检测防控。
针对上述情况,相关技术中,利用账号对应的历史行为数据检测异常账号,但是这种检测方式往往在账号注册几个月之后才能奏效,过于滞后,因此亟需提供一种能尽可能早的检测出异常账号的方案。
发明内容
本说明书实施例提供了一种异常账号检测方法、装置及设备,以能尽可能早的检测出异常账号。
为解决上述技术问题,本说明书实施例是这样实现的:
第一方面,提出了一种异常账号检测模型训练方法,包括:
基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
第二方面,提出了一种异常账号检测方法,包括:
确定待检测账号;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
第三方面,提出了一种异常账号检测模型训练装置,包括:
第一构建模块,用于基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
第一向量确定模块,用于基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
第一训练模块,用于将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
第四方面,提出了一种异常账号检测装置,包括:
第一账号确定模块,用于确定待检测账号;
第二向量确定模块,用于确定所述待检测账号的表示向量;
第一输入模块,用于将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
第五方面,提出了一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
第六方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
第七方面,提出了一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
确定待检测账号;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
第八方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
确定待检测账号;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
由以上本说明书实施例提供的技术方案可见,本说明书实施例提供的方案,由于可以利用“账号-设备”网络图,确定出账号的表示向量,并且可以基于账号的表示向量训练出能够检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号的目标残差网络,检测时将待检测账号的表示向量输入目标残差网络即可得到检测结果,而不依赖于账号对应的历史行为数据,因此能够尽可能早的检测出异常账号或潜在异常账号,能更大限度地保证正常账号的安全。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本说明书实施例提供的一种异常账号检测模型训练方法的流程示意图之一。
图2是本说明书实施例构建的账号-设备网络图的示意图。
图3是本说明书实施例提供的一种异常账号检测方法的流程示意图之一。
图4是本说明书实施例提供的一种异常账号检测模型训练方法的流程示意图之二。
图5是本说明书实施例提供的一种异常账号检测方法的流程示意图之二。
图6是本说明书实施例提供的一种电子设备的结构示意图。
图7是本说明书实施例提供的一种异常账号检测模型训练装置的结构示意图之一。
图8是本说明书实施例提供的一种异常账号检测装置的结构示意图之一。
图9是本说明书实施例提供的一种异常账号检测模型训练装置的结构示意图之二。
图10是本说明书实施例提供的一种异常账号检测装置的结构示意图之二。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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,本领域普通技术人员在没有做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。
为了能尽可能早的检测出异常账号,本说明书实施例提供一种异常账号检测模型训练方法和装置,以及一种异常账号检测方法和装置。本说明书实施例提供的方法及装置可以由电子设备执行,例如终端设备或服务端设备。换言之,所述方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述终端设备包括但不限于:智能手机、个人电脑(personal computer,PC)、笔记本电脑、平板电脑、电子阅读器、网络电视、可穿戴设备等智能终端设备中的任一种。
首先对本说明书实施例提供的一种异常账号检测模型训练方法进行说明。
图1是本说明书的一个实施例提供的一种异常账号检测模型训练方法的实现流程示意图。如图1所示,该方法可以包括如下步骤。
步骤102、基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图。
目标应用可以是需要进行异常账号检测的任一APP,例如,电子支付APP,具体如支付宝。预设时段可以是已经过去的任一时段,如过去的一周、一个月或半年。账号注册数据包括账号ID和注册该账号时使用的设备ID,用户注册账号时所使用的设备可包括但不限于智能手机、PC、笔记本电脑、平板电脑、电子阅读器、网络电视、可穿戴设备等智能终端设备中的任一种。
网络图(Graph),是一种将数据中的实体以及实体之间的关系,分别抽象成节点和节点间的边的数据结构。用向量的数据形式表示网络结构或网络中的节点即为网络表征学习。
在本说明书实施例的网络图中,一个账号和注册该账号的设备之间存在一条边,一个设备分别与多个账号通过一条边连接。图2示出了通过步骤102构建的网络图的示意图,如图2所示,通过步骤102构建的网络图2包括多个子网络,一个子网络中包括一个设备和使用该设备注册的多个账号,且该设备与这多个账号之间分别存在一条边,如子网络21包括设备A以及使用设备A注册的账号A1、账号A2和账号A3,且设备A与账号A1、账号A2和账号A3 之间分别存在一条边(子网络22和子网络23可以以此类比)。应理解,虽然图2中仅示出了三个子网络,但在实际应用中一个“账号-设备”网络图中可以包括三个以上的子网络。
由于随着时间的推移,会不断有用户使用已有设备户或新的设备在目标应用中注册新的账号,因此,可选地,还可以基于新注册的账号及其对应的设备对步骤102中构建的网络图进行更新。
步骤104、基于预设图节点表示向量学习算法,确定上述网络图中账号的表示向量。
具体的,可以先确定上述网络图的邻间矩阵或邻接表;然后基于所述网络图的邻间矩阵或邻接表,以及预设图节点表示向量学习算法,确定所述网络图中账号的表示向量。其中,预设图节点表示向量学习算法可以是无监督算法,也就是说,本步骤的目的是,给定“账号-设备”网络图,通过无监督的图节点表示向量算法学到节点的表示向量,这里不区分账号节点和设备节点,将它们映射到相同的向量空间下,在此过程中,输入是“账号-设备”网络图的邻接矩阵或邻接表,输出为节点的表示矩阵,其中矩阵的第i行表示节点编号为i的节点的表示向量。
预设图节点表示向量学习算法可以包括但不限于下述方法中的任一种:深度游走(deep walk)、随机游走(random walk)、深度优先搜索(Depth-First Search,DFS)、广度优先搜索(Breadth-First Search,BFS)、Node2Vec、Word2vec 和双向编码器表征模型(Bidirectional Encoder Representations from Transformers,BERT)。
此外,还可以根据网络图中账号的历史数据,确定网络图中账号的标签,如果一个账号为正常账号,标签可以设为1,如果一个账号为异常账号,标签可以设为0。异常账号是指已经被用于进行网络欺诈、洗钱等等非正常用途的垃圾账号。潜在异常账号是指有可能被用于进行网络欺诈、洗钱等非正常用途的垃圾账号。
步骤106、将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练。
上述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
残差网络(Residual Network)是一种深度学习的网络结构,不同于传统的全连接网络(Deep Neural Networks,DNN),残差网络计算的是残差值,可以更好的学习到深度信息。
应理解,在实际训练时,是将网络图中的一批账号的表示向量和标签逐一作为输入进行训练直到收敛。
通过步骤106的监督学习可以训练出目标残差网络的模型参数,训练好的目标残差网络即可作为异常账号检测模型。目标残差网络模型的输出具体可以是一个账号是否为异常账号的概率,一般在0到1之间。
本说明书实施例提供的一种异常账号检测模型训练方法,由于可以利用“账号-设备”网络图,确定出账号的表示向量,并且可以基于账号的表示向量训练出能够检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号的目标残差网络,检测时将待检测账号的表示向量输入目标残差网络即可得到检测结果,而不依赖于账号对应的历史行为数据,因此能够尽可能早的检测出异常账号或潜在异常账号,进而能更大限度地保证正常账号的安全,在一个异常账号被注册以后,不存在或存在很短的检测滞后情况。
在图1所示的实施例的基础上,如图3所示,本说明书还提供了一种异常账号检测方法,该方法可包括:
步骤108、确定待检测账号。
待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且目标设备和使用目标设备注册的多个账号也包含在上文中的网络图中。目标设备可以是在目标应用中注册账号的任一设备。所述网络图是基于目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边。
步骤110、确定待检测账号的表示向量。
由于待检测账号包含在上述网络图中,因此,在上述步骤104中基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量的过程中,即可确定出待检测账号的表示向量。
步骤112、将待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果。
目标残差网络即图1所示的实施例中训练好的目标残差网络(图1所示的实施例训练出了目标残差网络的模型参数),也即目标残差网络是以上述网络图中账号的表示向量和标签为输入训练得到的。训练好以后,检测时,目标残差网络的输入为待检测账号的表示向量,输出可以是待检测账号是否为异常账号的概率,一般在0到1之间,如果训练时标签为1的账号表示正常账号,标签为0的账号表示异常账号,则目标残差网络模型的输出结果接近1,说明待检测账号是一个正常账号,目标残差网络模型的输出结果接近0,说明待检测账号是一个异常账号或潜在异常账号。
本说明书实施例提供的一种异常账号检测方法,由于可以利用“账号-设备”网络图,确定出待检测账号的表示向量,并将待检测账号的表示向量输入目标残差网络即可得到检测结果,而不依赖于账号对应的历史行为数据,因此能够尽可能早的检测出异常账号或潜在异常账号,进而能更大限度地保证正常账号的安全,在一个异常账号被注册以后,不存在或存在很短的检测滞后情况。
图4是本说明书的另一个实施例提供的一种异常账号检测模型训练方法的实现流程示意图。如图4所示,该方法可以包括:
步骤402、基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图。
在所述网络图中,一个账号和注册该账号的设备之间存在一条边。
步骤404、基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量。
上述步骤402和步骤404的相关内容与上文中的步骤102和步骤104分别对应一致,具体请参见上文,此处不做重复描述。
步骤406、确定网络图中账号的指定特征。
网络图中账号的指定特征包括但不限于使用该账号的用户的基础特征和行为特征中的至少一种。其中,用户的基础特征包括但不限于使用该账号的用户的年龄、性别、职业和地理位置中的一种或多种;当目标应用为电子支付应用时,用户的行为特征包括但不限于账号余额、交易次数、交易时间、交易金额、购买的东西的类型、收款方的类型和凌晨交易情况中的一种或多种。
网络图中账号的指定特征可以从该账号基础信息和历史行为记录中获取。
步骤408、将网络图中账号的表示向量、指定特征和标签作为输入,对目标残差网络进行训练。
在具体实现时,可以先对网络图中账号的指定特征进行归一化;然后将网络图中账号的表示向量和归一化后的指定特征拼接在一起,得到网络图中账号的拼接特征;最后将网络图中账号的拼接特征和标签作为输入,对目标残差网络进行训练。同样的,该目标残差网络可用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
同样可以理解,在实际训练时,是将网络图中的一批账号的拼接特征和标签逐一作为输入进行训练直到收敛。
通过步骤408的监督学习可以训练出目标残差网络的模型参数,训练好的目标残差网络即可作为异常账号检测模型。目标残差网络模型的输出具体可以是一个账号是否为异常账号或潜在异常账号的概率,一般在0到1之间。
相比于图1所示的实施例提供的训练方法,本说明书实施例提供的一种异常账号检测模型训练方法,除了将账号的表示向量作为输入训练目标残差网络,还将账号的一些指定特征也作为输入进行训练,由于训练时所采用的特征更丰富,因此可以训练出检测效果更好的目标模型,能更准确、更早地检测出异常账号或潜在异常账号,进一步提升了保证正常账号的安全的能力。
在图4所示的实施例的基础上,如图5所示,本说明书还提供了一种异常账号检测方法,该方法可包括:
步骤410、确定待检测账号。
待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且目标设备和使用目标设备注册的多个账号也包含在上文中的网络图中。目标设备可以是在目标应用中注册账号的任一设备。所述网络图是基于目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边。
步骤412、确定待检测账号的表示向量。
由于待检测账号包含在上述网络图中,因此,在上述步骤104中基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量的过程中,即可确定出待检测账号的表示向量。
步骤414、确定待检测账号的指定特征。
待检测账号的指定特征与图4所示的实施例中训练目标残差网络时输入的网络图中账号的指定特征一致,包括但不限于使用该账号的用户的基础特征和行为特征中的至少一种。其中,用户的基础特征包括但不限于使用该账号的用户的年龄、性别、职业和地理位置中的一种或多种;当目标应用为电子支付应用时,用户的行为特征包括但不限于账号余额、交易次数、交易时间、交易金额、购买的东西的类型、收款方的类型和凌晨交易情况中的一种或多种。
待检测账号的指定特征也可以从该账号基础信息和历史行为记录中获取。
步骤416、将待检测账号的表示向量和指定特征输入目标残差网络中,得到待检测账号是否为异常账号的检测结果。
目标残差网络即图4所示的实施例中训练好的目标残差网络(图4所示的实施例训练出了目标残差网络的模型参数),也即目标残差网络是以上述网络图中账号的表示向量、指定特征和标签为输入训练得到的。训练好以后,检测时,目标残差网络的输入为待检测账号的表示向量和指定特征,输出可以是待检测账号是否为异常账号的概率,一般在0到1之间,如果训练时标签为1的账号表示正常账号,标签为0的账号表示异常账号,则目标残差网络模型的输出结果接近1,说明待检测账号是一个正常账号,目标残差网络模型的输出结果接近0,说明待检测账号是一个异常账号或潜在异常账号。
具体实现时,在训练阶段,如果先对网络图中账号的指定特征进行归一化;然后将网络图中账号的表示向量和归一化后的指定特征拼接在一起,得到网络图中账号的拼接特征;最后将网络图中账号的拼接特征和标签作为输入,对目标残差网络进行训练;那么在步骤416中,可以先将待检测账号的指定特征进行归一化;然后将待检测账号的表示向量和归一化后的指定特征拼接在一起,得到待检测账号的拼接特征;最后将待检测账号的拼接特征输入目标残差网络中,得到待检测账号是否为异常账号的检测结果。
相比于图3所示的异常账号检测方法,本说明书实施例提供的一种异常账号检测方法,同时将待检测账号的表示向量和指定特征输入目标残差网络得到检测结果,因此能更准确、更早地检测出异常账号或潜在异常账号,进一步提升了保证正常账号的安全的能力。
以上是对本说明书提供的方法实施例的说明,下面对本说明书提供的电子设备进行介绍。
图6是本说明书的一个实施例提供的电子设备的结构示意图。请参考图6,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成异常账号检测模型训练装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
或者,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成异常账号检测装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
确定待检测账号;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
上述如本说明书图1、图3-图5中任一附图所示实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor, NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field -Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1、图3-图5中任一实施例提供的方法,本说明书在此不再赘述。
当然,除了软件实现方式之外,本说明书的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图3所示实施例的方法,并具体用于执行以下操作:
确定待检测账号;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
下面对本说明书提供的装置进行说明。
如图7所示,本说明书的一个实施例提供了一种异常账号检测模型训练装置700,在一种软件实施方式中,装置700可包括:第一构建模块701、第一向量确定模块702和第一训练模块703。
第一构建模块701,用于基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边。
第一向量确定模块702,用于基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量。
第一训练模块703,用于将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
需要说明的是,异常账号检测模型训练装置700能够实现图1的方法,并能取得相同的技术效果,详细内容可参考图1所示的方法,不再赘述。
如图8所示,本说明书的一个实施例提供了一种异常账号检测装置800,在一种软件实施方式中,装置800可包括:第一账号确定模块801、第二向量确定模块802和第一输入模块803。
第一账号确定模块801,用于确定待检测账号。
第二向量确定模块802,用于确定所述待检测账号的表示向量。
第一输入模块803,用于将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果。
其中,待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且目标设备和使用目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
需要说明的是,异常账号检测装置800能够实现图3的方法,并能取得相同的技术效果,详细内容可参考图3所示的方法,不再赘述。
如图9所示,本说明书的一个实施例提供了一种异常账号检测模型训练装置900,在一种软件实施方式中,装置900可包括:第二构建模块901、第三向量确定模块902、第一特征确定模块903和第二训练模块904。
第二构建模块901,用于基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图。
第三向量确定模块902,用于基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量。
第一特征确定模块903,用于确定网络图中账号的指定特征。
第二训练模块904,用于将网络图中账号的表示向量、指定特征和标签作为输入,对目标残差网络进行训练。
需要说明的是,异常账号检测模型训练装置900能够实现图4的方法,并能取得相同的技术效果,详细内容可参考图4所示的方法,不再赘述。
如图10所示,本说明书的一个实施例提供了一种异常账号检测装置1000,在一种软件实施方式中,装置1000可包括:第二账号确定模块1001、第四向量确定模块1002、第二特征确定模块1003和第二输入模块1004。
第二账号确定模块1001,用于确定待检测账号。
第四向量确定模块1002,用于确定待检测账号的表示向量。
第二特征确定模块1003,用于确定待检测账号的指定特征。
第二输入模块1004,用于将待检测账号的表示向量和指定特征输入目标残差网络中,得到待检测账号是否为异常账号的检测结果。
其中,待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且目标设备和使用目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量、指定特征和标签为输入训练得到的,网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
需要说明的是,异常账号检测装置1000能够实现图5的方法,并能取得相同的技术效果,详细内容可参考图5所示的方法,不再赘述。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
总之,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制时,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (18)
1.一种异常账号检测模型训练方法,包括:
基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
2.根据权利要求1所述的方法,在将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练前,还包括:
确定所述网络图中账号的指定特征,所述指定特征包括使用该账号的用户的基础特征和行为特征中的至少一种;
其中,将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,包括:
将所述网络图中账号的表示向量、指定特征和标签作为输入,对目标残差网络进行训练。
3.根据权利要求2所述的方法,将所述网络图中账号的表示向量、指定特征和标签作为输入,对目标残差网络进行训练,包括:
对所述网络图中账号的指定特征进行归一化;
将所述网络图中账号的表示向量和归一化后的指定特征拼接在一起,得到所述网络图中账号的拼接特征;
将所述网络图中账号的拼接特征和标签作为输入,对目标残差网络进行训练。
4.根据权利要求2所述的方法,
用户的基础特征包括使用该账号的用户的年龄、性别、职业和地理位置中的一种或多种。
5.根据权利要求2所述的方法,
所述目标应用为电子支付应用,用户的行为特征包括账号余额、交易次数、交易时间、交易金额、购买的东西的类型、收款方的类型和凌晨交易情况中的一种或多种。
6.根据权利要求1所述的方法,基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量,包括:
确定所述网络图的邻间矩阵或邻接表;
基于所述网络图的邻间矩阵或邻接表,以及预设图节点表示向量学习算法,确定所述网络图中账号的表示向量。
7.根据权利要求6所述的方法,
所述预设图节点表示向量学习算法包括下述一种:深度游走、随机游走、深度优先搜索DFS、广度优先搜索BFS、Node2Vec、Word2vec和双向编码器表征模型BERT。
8.根据权利要求1所述的方法,还包括;
确定待检测账号,其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在所述网络图中;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入训练好的所述目标残差网络中,得到所述待检测账号是否为异常账号的检测结果。
9.根据权利要求2所述的方法,还包括:
确定待检测账号,其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在所述网络图中;
确定所述待检测账号的表示向量和指定特征;
将所述待检测账号的表示向量和指定特征输入训练好的所述目标残差网络中,得到所述待检测账号是否为异常账号的检测结果。
10.一种异常账号检测方法,包括:
确定待检测账号;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
11.根据权利要求10所述的方法,在将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果前,还包括:
确定所述待检测账号的指定特征,所述指定特征包括使用该账号的用户的基础特征和行为特征中的至少一种;
其中,将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果,包括:
将所述待检测账号的表示向量和指定特征输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果,其中,所述目标残差网络是以所述网络图中账号的表示向量、指定特征和标签为输入训练得到的。
12.根据权利要求11所述的方法,将所述待检测账号的表示向量和指定特征输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果,包括:
将所述待检测账号的指定特征进行归一化;
将所述待检测账号的表示向量和归一化后的指定特征拼接在一起,得到所述待检测账号的拼接特征;
将所述待检测账号的拼接特征输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果,其中,所述目标残差网络是以所述网络图中账号的拼接特征和标签为输入训练得到的。
13.一种异常账号检测模型训练装置,包括:
第一构建模块,用于基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
第一向量确定模块,用于基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
第一训练模块,用于将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
14.一种异常账号检测装置,包括:
第一账号确定模块,用于确定待检测账号;
第二向量确定模块,用于确定所述待检测账号的表示向量;
第一输入模块,用于将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
15.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
16.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
基于目标应用在预设时段内的账号注册数据,构建包含账号和设备两种节点的网络图,在所述网络图中,一个账号和注册该账号的设备之间存在一条边;
基于预设图节点表示向量学习算法,确定所述网络图中账号的表示向量;
将所述网络图中账号的表示向量和标签作为输入,对目标残差网络进行训练,其中,所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。
17.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
确定待检测账号;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
18.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
确定待检测账号;
确定所述待检测账号的表示向量;
将所述待检测账号的表示向量输入目标残差网络中,得到所述待检测账号是否为异常账号的检测结果;
其中,所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个,且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中;所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的,所述网络图包含账号和设备两种节点,且一个账号和注册该账号的设备之间存在一条边;所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的,所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010373952.3A CN111582872A (zh) | 2020-05-06 | 2020-05-06 | 异常账号检测模型训练、异常账号检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010373952.3A CN111582872A (zh) | 2020-05-06 | 2020-05-06 | 异常账号检测模型训练、异常账号检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582872A true CN111582872A (zh) | 2020-08-25 |
Family
ID=72120854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010373952.3A Pending CN111582872A (zh) | 2020-05-06 | 2020-05-06 | 异常账号检测模型训练、异常账号检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582872A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100452A (zh) * | 2020-09-17 | 2020-12-18 | 京东数字科技控股股份有限公司 | 数据处理的方法、装置、设备及计算机可读存储介质 |
CN113378899A (zh) * | 2021-05-28 | 2021-09-10 | 百果园技术(新加坡)有限公司 | 非正常账号识别方法、装置、设备和存储介质 |
CN113537272A (zh) * | 2021-03-29 | 2021-10-22 | 之江实验室 | 基于深度学习的半监督社交网络异常账号检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107835113A (zh) * | 2017-07-05 | 2018-03-23 | 中山大学 | 一种基于网络映射的社交网络中异常用户检测方法 |
CN108418825A (zh) * | 2018-03-16 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 风险模型训练、垃圾账号检测方法、装置以及设备 |
CN109936525A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的异常账号防控方法、装置以及设备 |
CN110119860A (zh) * | 2018-02-05 | 2019-08-13 | 阿里巴巴集团控股有限公司 | 一种垃圾账号检测方法、装置以及设备 |
CN110544052A (zh) * | 2019-09-16 | 2019-12-06 | 北京明略软件***有限公司 | 关系网络图的展示方法及装置 |
CN111079892A (zh) * | 2019-10-30 | 2020-04-28 | 华为技术有限公司 | 深度学习模型的训练方法、装置及*** |
-
2020
- 2020-05-06 CN CN202010373952.3A patent/CN111582872A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107835113A (zh) * | 2017-07-05 | 2018-03-23 | 中山大学 | 一种基于网络映射的社交网络中异常用户检测方法 |
CN109936525A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的异常账号防控方法、装置以及设备 |
CN110119860A (zh) * | 2018-02-05 | 2019-08-13 | 阿里巴巴集团控股有限公司 | 一种垃圾账号检测方法、装置以及设备 |
CN108418825A (zh) * | 2018-03-16 | 2018-08-17 | 阿里巴巴集团控股有限公司 | 风险模型训练、垃圾账号检测方法、装置以及设备 |
CN110544052A (zh) * | 2019-09-16 | 2019-12-06 | 北京明略软件***有限公司 | 关系网络图的展示方法及装置 |
CN111079892A (zh) * | 2019-10-30 | 2020-04-28 | 华为技术有限公司 | 深度学习模型的训练方法、装置及*** |
Non-Patent Citations (1)
Title |
---|
郑非凡: "基于ResNet深度神经网络的异常检测模型", 《网络新媒体技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100452A (zh) * | 2020-09-17 | 2020-12-18 | 京东数字科技控股股份有限公司 | 数据处理的方法、装置、设备及计算机可读存储介质 |
CN112100452B (zh) * | 2020-09-17 | 2024-02-06 | 京东科技控股股份有限公司 | 数据处理的方法、装置、设备及计算机可读存储介质 |
CN113537272A (zh) * | 2021-03-29 | 2021-10-22 | 之江实验室 | 基于深度学习的半监督社交网络异常账号检测方法 |
CN113537272B (zh) * | 2021-03-29 | 2024-03-19 | 之江实验室 | 基于深度学习的半监督社交网络异常账号检测方法 |
CN113378899A (zh) * | 2021-05-28 | 2021-09-10 | 百果园技术(新加坡)有限公司 | 非正常账号识别方法、装置、设备和存储介质 |
CN113378899B (zh) * | 2021-05-28 | 2024-05-28 | 百果园技术(新加坡)有限公司 | 非正常账号识别方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11074350B2 (en) | Method and device for controlling data risk | |
CN109347787B (zh) | 一种身份信息的识别方法及装置 | |
CN110874491B (zh) | 基于机器学习的隐私数据处理方法、装置及电子设备 | |
CN111539811B (zh) | 风险账户的识别方法及装置 | |
CN111582872A (zh) | 异常账号检测模型训练、异常账号检测方法、装置及设备 | |
WO2020063116A1 (zh) | 一种风险保障产品的推送方法、装置及电子设备 | |
CN109598542B (zh) | 一种营销权益的投放方法、装置及电子设备 | |
CN108550046B (zh) | 一种资源和营销推荐方法、装置及电子设备 | |
CN109615461B (zh) | 目标用户识别方法、违规商户识别方法和装置 | |
CN111260368A (zh) | 一种账户交易风险判断方法、装置及电子设备 | |
CN111932273B (zh) | 一种交易风险识别方法、装置、设备及介质 | |
CN111343197A (zh) | 账户处理方法和装置 | |
CN112101939A (zh) | 基于区块链的节点管理方法及*** | |
CN110458571B (zh) | 一种信息泄露的风险识别方法、装置及设备 | |
CN108492112B (zh) | 判定虚假资源转移及虚假交易的方法、装置及电子设备 | |
CN111275071B (zh) | 预测模型训练、预测方法、装置及电子设备 | |
CN112016914B (zh) | 资源管控、资金管控方法、装置和设备 | |
CN110443291B (zh) | 一种模型训练方法、装置及设备 | |
CN109598478B (zh) | 一种风测结果描述文案的生成方法、装置及电子设备 | |
CN112418864A (zh) | 一种数据发送的方法及装置 | |
CN113297462A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN109063967B (zh) | 一种风控场景特征张量的处理方法、装置及电子设备 | |
CN107392408B (zh) | 一种信用分数的提示信息输出方法及装置 | |
WO2021196843A1 (zh) | 用于风险识别模型的衍生变量选择方法和装置 | |
CN110458393B (zh) | 一种风险识别方案的确定方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
RJ01 | Rejection of invention patent application after publication |