CN112308104A - 异常识别方法、装置及计算机存储介质 - Google Patents
异常识别方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN112308104A CN112308104A CN201910713327.6A CN201910713327A CN112308104A CN 112308104 A CN112308104 A CN 112308104A CN 201910713327 A CN201910713327 A CN 201910713327A CN 112308104 A CN112308104 A CN 112308104A
- Authority
- CN
- China
- Prior art keywords
- behavior data
- encoder
- trained
- hidden variable
- decoder
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种异常识别方法、装置及计算机存储介质,属于大数据处理技术领域。所述方法包括:获取第一行为数据和训练后的对抗自编码器;根据第一行为数据和训练后的对抗自编码器,确定第一行为数据的第一隐变量和第二隐变量;根据第一行为数据的第一隐变量和第二隐变量,对第一行为数据对应的用户行为进行异常识别。本申请是根据行为数据在隐形空间上的特征来进行异常识别的,相对于仅仅根据行为数据的原始特征进行异常识别,本申请提供的异常识别方法可以提高异常识别的准确率。
Description
技术领域
本申请涉及大数据处理技术领域,特别涉及一种异常识别方法、装置及计算机存储介质。
背景技术
随着信息化技术的发展,在监控、安保等场景中通常需要对采集的用户的行为数据进行分析,以根据该行为数据识别相应用户行为是否异常。
相关技术中,可以通过大量的正向样本和大量的负向样本对初始化的分类器进行训练,训练之后的分类器便可用于对行为数据进行异常识别。其中,正向样本是指标签为异常用户行为的行为数据,负向样本是指标签为正常用户行为的行为数据
由于用于进行异常识别的分类器是根据标签为正常用户行为的行为数据和标签为异常用户行为数据进行训练得到的,也即是,相关技术是根据行为数据的原始特征进行异常识别的,导致进行异常识别的过程中容易出现识别错误的情况。
发明内容
本申请实施例提供了一种异常识别方法、装置及计算机存储介质,可以提高进行异常识别的准确率。所述技术方案如下:
一方面,提供了一种异常识别方法,所述方法包括:
获取第一行为数据和训练后的对抗自编码器,所述训练后的对抗自编码器用于输出行为数据的第一隐变量和第二隐变量,所述第一隐变量是对行为数据降维后得到,所述第二隐变量是对行为数据的重构行为数据降维后得到,行为数据的重构行为数据是对相应行为数据的第一隐变量升维后得到;
根据所述第一行为数据和所述训练后的对抗自编码器,确定所述第一行为数据的第一隐变量和第二隐变量;
根据所述第一行为数据的第一隐变量和第二隐变量,对所述第一行为数据对应的用户行为进行异常识别。
在本申请的一种实现方式中:
所述训练后的对抗自编码器输出的正常用户行为的行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值;
所述根据所述第一行为数据的第一隐变量和第二隐变量,对所述第一行为数据对应的用户行为进行异常识别,包括:
如果所述第一行为数据的第一隐变量和第二隐变量之间的差值大于或等于所述隐变量差值阈值,则确定所述第一行为数据对应的用户存在异常用户行为。
在本申请的一种实现方式中:
获取初始化的对抗自编码器,所述初始化的对抗自编码器包括第一编码器、第一解码器、第二编码器以及判别器;
获取多个样本行为数据,所述多个样本行为数据的标签相同;
根据所述多个样本行为数据和判别器,对所述第一编码器和所述第一解码器进行训练,以使所述判别器识别不出训练后的第一解码器输出的重构样本行为数据和同一重构样本行为数据对应的样本行为数据;
根据所述多个样本行为数据、训练后的第一编码器、训练后的第一解码器对所述第二编码器进行训练,以使针对所述第二编码器的第一损失函数的当前值小于参考数值,所述第一损失函数用于指示训练后的第二编码器确定的第二隐形变量与训练后的第一编码器确定的第一隐形变量之间的差值;
其中,所述训练后的对抗自编码器包括训练后的第一编码器、训练后的第一解码器以及训练后的第二编码器。
在本申请的一种实现方式中:
所述根据所述多个样本行为数据和判别器,对所述第一编码器和所述第一解码器进行训练,包括:
通过所述第一编码器和所述第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据;
将所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据确定为训练集,对所述判别器进行训练;
根据所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据之间的交叉熵,确定针对训练后的判别器的第二损失函数的当前值;
如果所述第二损失函数的当前值不满足终止训练条件,则调整所述第一编码器和所述第一解码器中的参数;
返回执行通过所述第一编码器和所述第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构行为数据的步骤,直至所述第二损失函数的当前值满足终止训练条件。
在本申请的一种实现方式中:
所述调整所述第一编码器和所述第一解码器中的参数,包括:
根据所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构行为数据之间均方根误差,确定针对所述第一编码器和所述第一解码器的第三损失函数的当前值;
根据所述第三损失函数的当前值,确定针对所述第一编码器和所述第一解码器的参数调整方向和参数调整量;
根据针对所述第一编码器和所述第一解码器的参数调整方向和参数调整量,调整所述第一编码器和所述第一解码器中的参数。
在本申请的一种实现方式中:
所述终止训练条件为所述第二损失函数的当前值大于或等于平均损失函数值,所述平均损失函数值为当前时间之前且距离当前时间最近的N次训练之后的第二损失函数的值的平均值,所述N为大于或等于1的正整数。
在本申请的一种实现方式中:
所述终止训练条件为当前训练次数达到参考次数,且所述第二损失函数的当前值大于当前时间之前任一次训练之后的第二损失函数的值。
在本申请的一种实现方式中:
所述根据所述多个样本行为数据、训练后的第一编码器、训练后的第一解码器对所述第二编码器进行训练,包括:
根据所述多个样本行为数据、所述训练后的第一编码器以及所述训练后的第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据;
将所述多个样本行为数据中每个样本行为数据的重构样本行为数据确定为训练集,对所述第二编码器进行训练;
根据训练后的第二编码器,确定所述第一损失函数的当前值;
如果所述第一损失函数的当前值大于或等于所述参考数值,则根据所述第一损失函数的值对所述初始化的第二编码器中的参数进行调整,并返回执行根据所述多个样本行为数据、训练后的第一编码器以及训练后的第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据的步骤,直至当前时间确定的所述第一损失函数的当前值小于所述参考数值。
在本申请的一种实现方式中:
所述多个样本行为数据的标签均为正常用户行为。
另一方面,提供了一种异常识别装置,所述装置包括:
第一获取模块,用于获取第一行为数据和训练后的对抗自编码器,所述训练后的对抗自编码器用于输出行为数据的第一隐变量和第二隐变量,所述第一隐变量是对行为数据降维后得到,所述第二隐变量是对行为数据的重构行为数据降维后得到,行为数据的重构行为数据是对相应行为数据的第一隐变量升维后得到;
确定模块,用于根据所述第一行为数据和所述训练后的对抗自编码器,确定所述第一行为数据的第一隐变量和第二隐变量;
异常识别模块,用于根据所述第一行为数据的第一隐变量和第二隐变量,对所述第一行为数据对应的用户行为进行异常识别。
在本申请的一种实现方式中:
所述训练后的对抗自编码器输出的正常用户行为的行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值;
所述异常识别模块,具体用于:
如果所述第一行为数据的第一隐变量和第二隐变量之间的差值大于或等于所述隐变量差值阈值,则确定所述第一行为数据对应的用户存在异常用户行为。
在本申请的一种实现方式中:
所述装置还包括:
第二获取模块,用于获取初始化的对抗自编码器,所述初始化的对抗自编码器包括第一编码器、第一解码器、第二编码器以及判别器;
第三获取模块,用于获取多个样本行为数据,所述多个样本行为数据的标签相同;
第一训练模块,用于根据所述多个样本行为数据和判别器,对所述第一编码器和所述第一解码器进行训练,以使所述判别器识别不出训练后的第一解码器输出的重构样本行为数据和同一重构样本行为数据对应的样本行为数据;
第二训练模块,用于根据所述多个样本行为数据、训练后的第一编码器、训练后的第一解码器对所述第二编码器进行训练,以使针对所述第二编码器的第一损失函数的当前值小于参考数值,所述第一损失函数用于指示训练后的第二编码器确定的第二隐形变量与训练后的第一编码器确定的第一隐形变量之间的差值;
其中,所述训练后的对抗自编码器包括训练后的第一编码器、训练后的第一解码器以及训练后的第二编码器。
在本申请的一种实现方式中:
所述第一训练模块,具体用于:
通过所述第一编码器和所述第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据;
将所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据确定为训练集,对所述判别器进行训练;
根据所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据之间的交叉熵,确定针对训练后的判别器的第二损失函数的当前值;
如果所述第二损失函数的当前值不满足终止训练条件,则调整所述第一编码器和所述第一解码器中的参数;
返回执行通过所述第一编码器和所述第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构行为数据的步骤,直至所述第二损失函数的当前值满足终止训练条件。
在本申请的一种实现方式中:
所述第一训练模块,具体用于:
根据所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构行为数据之间均方根误差,确定针对所述第一编码器和所述第一解码器的第三损失函数的当前值;
根据所述第三损失函数的当前值,确定针对所述第一编码器和所述第一解码器的参数调整方向和参数调整量;
根据针对所述第一编码器和所述第一解码器的参数调整方向和参数调整量,调整所述第一编码器和所述第一解码器中的参数。
在本申请的一种实现方式中:
所述终止训练条件为所述第二损失函数的当前值大于或等于平均损失函数值,所述平均损失函数值为当前时间之前且距离当前时间最近的N次训练之后的第二损失函数的值的平均值,所述N为大于或等于1的正整数。
在本申请的一种实现方式中:
所述终止训练条件为当前训练次数达到参考次数,且所述第二损失函数的当前值大于当前时间之前任一次训练之后的第二损失函数的值。
在本申请的一种实现方式中:
所述根第二训练模块,具体用于:
根据所述多个样本行为数据、所述训练后的第一编码器以及所述训练后的第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据;
将所述多个样本行为数据中每个样本行为数据的重构样本行为数据确定为训练集,对所述第二编码器进行训练;
根据训练后的第二编码器,确定所述第一损失函数的当前值;
如果所述第一损失函数的当前值大于或等于所述参考数值,则根据所述第一损失函数的值对所述初始化的第二编码器中的参数进行调整,并返回执行根据所述多个样本行为数据、训练后的第一编码器以及训练后的第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据的步骤,直至当前时间确定的所述第一损失函数的当前值小于所述参考数值。
在本申请的一种实现方式中:
所述多个样本行为数据的标签均为正常用户行为。
另一方面,提供了一种异常识别装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述第一方面中所述的方法的步骤。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述第一方面中所述的方法的步骤。
另一方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面中所述的任一方法的步骤。
本申请实施例提供的技术方案带来的有益效果:
由于第一隐变量和第二隐变量可以指示行为数据在隐形空间上的特征,而正常的用户行为数据和异常的用户行为数据在第一隐变量和第二隐变量上的分布也不同,因此,可以根据第一行为数据的第一隐变量和第二隐变量,对第一行为数据对应的用户行为进行异常识别。也即是,本申请是根据行为数据在隐形空间上的特征来进行异常识别的,相对于仅仅根据行为数据的原始特征进行异常识别,本申请提供的异常识别方法可以提高异常识别的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种异常识别方法流程图;
图2是本申请实施例提供的另一种异常识别方法流程图;
图3是本申请实施例提供的一种异常识别装置框图;
图4是本申请实施例提供的另一种异常识别装置框图;
图5是本申请实施例提供的一种终端的结构示意图;
图6是本申请实施例提供的一种服务器的结构示意图。
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,下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请实施例提供的一种异常识别方法流程图。如图1所示,该方法包括如下步骤。
步骤101:获取第一行为数据和训练后的对抗自编码器,训练后的对抗自编码器用于输出行为数据的第一隐变量和第二隐变量,第一隐变量是对行为数据降维后得到,第二隐变量是对行为数据的重构行为数据降维后得到,行为数据的重构行为数据是对相应行为数据的第一隐变量升维后得到。
第一行为数据是指当前用于进行异常识别的行为数据。第一行为数据可以包括用户的当前位置、用户处于当前位置时的时间点等数据。
训练后的对抗自编码器用于输出行为数据的第一隐变量和第二隐变量。第一隐变量和第二隐变量可以指示行为数据在隐形空间上的特征。行为数据在隐形空间上的特征是指从行为数据不能直接得到的特征,而是对行为数据进行深层次挖掘之后得到的特征。比如,行为数据为用户的当前位置,那么该行为数据的隐变量可能是指根据用户的当前位置进行挖掘之后的用户的群体类型等特征。
下面以对图像的处理来进一步解释说明第一隐变量和第二隐变量,当然对图像的处理仅仅是举例说明,并不构成对本申请实施例涉及的行为数据的处理过程的限定。假设第一图像的像素大小为256×256。对抗自编码器可以先对第一图像进行降维处理,得到64*64的第二图像,第二图像就可以称为第一图像的第一隐变量。然后通过对抗自编码器对第二图像进行升维处理,重新得到256×256的第三图像。第三图像在维数上和第一图像一样,但是和第一图像并不是一个图像,因此,第三图像称为第一图像的重构图像。通过对抗自编码器对重构图像继续进行降维梳理,得到64*64的第四图像,第四图像就可以称为第一图像的第二隐变量。
步骤102:根据第一行为数据和训练后的对抗自编码器,确定第一行为数据的第一隐变量和第二隐变量。
由于对抗自编码器用于输出行为数据的第一隐变量和第二隐变量,因此,当向对抗自编码器中输入第一行为数据时,对抗自编码器便可输出第一行为数据的第一隐变量和第二隐变量。
步骤103:根据第一行为数据的第一隐变量和第二隐变量,对第一行为数据对应的用户行为进行异常识别。
由于第一隐变量和第二隐变量可以指示行为数据在隐形空间上的特征,而正常的用户行为数据和异常的用户行为数据在第一隐变量和第二隐变量上的分布也不同,因此,可以根据第一行为数据的第一隐变量和第二隐变量,对第一行为数据对应的用户行为进行异常识别。也即是,本申请实施例是根据行为数据在隐形空间上的特征来进行异常识别的,相对于仅仅根据行为数据的原始特征进行异常识别,本申请实施例提供的异常识别方法可以进一步提高异常识别的准确率。
图1所示的实施例可以应用于服务器中,也可以应用中终端中,本申请实施例在此不做具体限定。
在通过图1所示的实施例对行为数据进行异常识别之前,需先训练一种对抗自编码器,训练后的对抗自编码器能够学习到正常用户行为对应的行为数据或异常用户行为对应的行为数据在隐形空间上的特征分布,以便于后续通过图1所示的实施例对行为数据进行异常识别。因此,本申请实施例还提供了另一种异常识别的方法,下面将对针对该实施例进行详细解释说明。
图2是本申请实施例提供的另一种异常识别方法流程图。如图2所示,该方法包括如下步骤:
步骤201:获取初始化的对抗自编码器,初始化的对抗自编码器包括第一编码器、第一解码器、第二编码器以及判别器。
在图2所示的实施例中,步骤201至步骤204用于解释说明如何得到训练后的对抗自编码器。步骤205至步骤207用于解释说明如何根据训练后的对抗自编码器来对行为数据进行异常识别。
由于训练后的对抗自编码器能够学习到正常用户行为对应的行为数据或异常用户行为对应的行为数据在隐形空间上的特征分布的不同。因此,在本申请实施例中,初始化的对抗自编码器包括第一编码器、第一解码器、第二编码器以及判别器。第一编码器用于对行为数据进行降维处理,得到行为数据的第一隐变量。第二解码器用于对第一隐变量进行升维处理,得到行为数据的重构行为数据。第二编码器用于对行为数据的重构行为数据进行降维处理,得到行为数据的第二隐变量。判别器用于在训练过程中对第一编码器和第一解码器中的参数进行调整。
另外,初始化的对抗自编码器包括第一编码器、第一解码器、第二编码器以及判别器中的参数均为初始化配置的参数,后续训练过程的实质就是对这些初始化配置的参数进行调整,以使最终训练后的对抗自编码器满足指定条件。关于这些参数将在下述具体训练的过程中详细说明,在此先不展开阐述。
步骤202:获取多个样本行为数据,多个样本行为数据的标签相同。
在本申请实施例中,训练对抗自编码器的目的是训练后的对抗自编码器能够学习到正常用户行为对应的行为数据或异常用户行为对应的行为数据在隐形空间上的特征分布。因此,只需要采用同一种标签的样本行为数据进行训练即可,这样后续如果用于异常识别的行为数据不满足训练后的对抗自编码器学习到的一类行为数据在隐形空间上的特征分布,就可以确定该行为数据对应的用户行为是与样本行为数据的标签不同的用户行为。
在一种可能的实现方式中,由于正常用户行为对应的行为数据的共性特征通常是多于异常用户行为对应的行为数据的共性特征,因此,在本申请实施例中,用于进行训练的多个样本行为数据的便签可以均为正常用户行为。
另外,本申请实施例也可以根据异常用户行为对应的行为数据来训练对抗自编码器,在此不做具体限定。
步骤203:根据多个样本行为数据和判别器,对第一编码器和第一解码器进行训练,以使判别器识别不出训练后的第一解码器输出的重构样本行为数据和同一重构样本行为数据对应的样本行为数据。
在一种可能的实现方式中,步骤203具体可以为:通过第一编码器和第一解码器,确定多个样本行为数据中每个样本行为数据的第一隐变量以及每个样本行为数据的重构样本行为数据。将多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据确定为训练集,对判别器进行训练。根据多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据之间的交叉熵,确定针对训练后的判别器的第二损失函数的当前值。如果第二损失函数的当前值不满足终止训练条件,则调整第一编码器和第一解码器中的参数。返回执行通过第一编码器和第一解码器,确定多个样本行为数据中每个样本行为数据的第一隐变量以及每个样本行为数据的重构样本行为数据的步骤,直至第二损失函数的当前值满足终止训练条件。
也即是,上述对第一编码器和第一解码器的训练是一个循环的过程,在每次对第一编码器和第一解码器中的参数进行调整之后,均通过调整之后的第一编码器和第一解码器来获取多个样本行为数据中每个样本行为数据的重构样本行为数据,通过这一批样本行为数据中每个样本行为数据的重构样本行为数据对判别器进行训练。通过第二损失函数的当前值判断训练后的判别器是否满足“识别不出训练后的第一解码器输出的重构样本行为数据和相应的样本行为数据”这个条件。如果不满足,则需要调整第一编码器和第一解码器中的参数,进入下一个循环过程。
另外,如果第二损失函数的当前值不满足终止训练条件,调整第一编码器和第一解码器中的参数的实现方式可以为:根据多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据之间均方根误差,确定针对第一编码器和第一解码器的第三损失函数的当前值,根据第三损失函数的当前值,确定针对第一编码器和所述第一解码器的参数调整方向和参数调整量。根据针对第一编码器和第一解码器的参数调整方向和参数调整量,调整第一编码器和第一解码器中的参数。
由于第三损失函数是与第一编码器和所述第一解码器中的参数相关的一个函数,因此,可以根据当前第三损失函数的当前值调整第一编码器和所述第一解码器中的参数,以使调整之后的第三损失函数的值往小的方向变化。
另外,上述第一编码器和第一解码器中的参数包括权重参数、偏置参数等参数,在此就不再一一展开说明。
另外,上述循环过程中的终止训练条件可以为第二损失函数的当前值大于或等于平均损失函数值,平均损失函数值为当前时间之前且距离当前时间最近的N次训练之后的第二损失函数的值的平均值,N为大于或等于1的正整数。或者,还可以为为当前训练次数达到参考次数,且第二损失函数的当前值大于当前时间之前任一次训练之后的第二损失函数的值。
比如,如果当前训练之后的第二损失函数的值大于最近100次训练的第二损失函数的值的平均值,或者,如果当前训练次数达到100次,且当前训练之后的第二损失函数的值是100次训练中的二损失函数的值中的最大值,均可以终止对判别器的训练。
上述两个终止训练条件仅仅用于举例说明,本申请实施例中的终止训练条件也可以为其他的训练条件,至少满足训练结果使得训练后的判别器识别不出训练后的第一解码器输出的重构样本行为数据和同一重构样本行为数据对应的样本行为数据即可。
在上述对判别器最后一次训练完成之后,最后一次调整参数后的第一编码器即为训练后的第一编码器,最后一次调整参数后的第一解码器即为训练后的第一解码器。对于任一正常用户行为对应的行为数据,通过训练后的第一编码器和训练后的第一解码器输出的重构行为数据,训练后的判别器是识别不出这两者的区别的。
上述步骤203仅仅是对对抗自编码器中的第一编码器和第一解码器进行训练,由于本申请实施例是根据行为数据在隐形空间上的特征来进行异常识别的,因此,还需对初始化的对抗自编码器中的第二解码器进行训练。下述步骤204用于解释说明这一过程。
步骤204:根据多个样本行为数据、训练后的第一编码器、训练后的第一解码器对第二编码器进行训练,以使针对第二编码器的第一损失函数的当前值小于参考数值,第一损失函数用于指示训练后的第二编码器确定的第二隐形变量与训练后的第一编码器确定的第一隐形变量之间的差值,训练后的对抗自编码器包括训练后的第一编码器、训练后的第一解码器以及训练后的第二编码器。
在一种可能的实现方式中,步骤204具体可以为:根据多个样本行为数据、训练后的第一编码器以及训练后的第一解码器,确定多个样本行为数据中每个样本行为数据的重构样本行为数据。将多个样本行为数据中每个样本行为数据的重构样本行为数据确定为训练集,对初始化的第二编码器进行训练。根据训练后的第二编码器,确定第一损失函数的当前值。如果第一损失函数的值大于或等于参考数值,则根据第一损失函数的值对初始化的第二编码器中的参数进行调整,并返回执行根据多个样本行为数据、训练后的第一编码器以及训练后的第一解码器,确定多个样本行为数据中每个样本行为数据的重构样本行为数据的步骤,直至确定的第一损失函数的当前值小于参考数值。
也即是,上述对第二编码器的训练过程也是一个循环的过程,在每次调整完第二编码器中的参数之后,均根据当前调整参数之后的第二编码器重新确定第一损失函数的当前值,直至确定的第一损失函数的当前值小于参考数值。这样,训练后的第二编码器输出的第二隐变量和训练后的第一编码器输出的第一隐变量之间的差值较小。参考数值可以操纵人员配置的数值,在此不做具体限定。
通过上述步骤201至步骤204训练出的对抗自编码器针对样本行为数据这一类行为数据输出的第一隐变量和第二隐变量之间的差值是小于隐变量差值阈值的。
如果多个样本行为数据的标签均为正常用户行为,那么训练后的对抗自编码器输出的正常用户行为的行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值的。如果多个样本行为数据的标签均为异常用户行为,那么训练后的对抗自编码器输出的异常用户行为的行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值的。根据训练后的对抗自编码器的这一特性便可用于对行为数据进行异常识别。
步骤205:获取第一行为数据和训练后的对抗自编码器。
当需要对一批行为数据进行异常识别时,对于这一批行为数据中的第一行为数据,可以通过下述步骤206至步骤207对第一行为数据进行异常识别。第一行为数据为这一批行为数据中的任一行为数据。
步骤206:根据第一行为数据和训练后的对抗自编码器,确定第一行为数据的第一隐变量和第二隐变量。
由于训练后的对抗自编码器包括训练后的第一编码器、训练后的第一解码器以及训练后的第二编码器,因此,当将第一行为数据输入至训练后的对抗自编码器之后,第一行为数据先通过训练后的第一编码器得到第一行为数据的第一隐变量。第一行为数据的第一隐变量接着通过训练后的第一解码器,得到第一行为数据的重构行为数据。第一行为数据的重构行为数据接着通过训练后的第二编码器,得到第一行为数据的第二隐变量。最后训练后的对抗自编码器对外输出第一行为数据的第一隐变量和第二隐变量。
步骤207:根据第一行为数据的第一隐变量和第二隐变量,对第一行为数据对应的用户行为进行异常识别。
如果用于训练对抗自编码器的样本行为数据的标签均为正常用户行为,那么训练后的对抗自编码器输出的正常用户行为的行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值。此时,步骤207的实现方式可以为:如果第一行为数据的第一隐变量和第二隐变量之间的差值大于或等于隐变量差值阈值,则确定第一行为数据对应的用户存在异常用户行为。如果第一行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值,则确定第一行为数据对应的用户不存在异常用户行为。
隐变量差值阈值可以是后台管理人员在训练对抗自编码器的过程中根据训练结果确定的,也可是后台管理人员直接配置的,在此不做具体限定。
在本申请实施例中,由于第一隐变量和第二隐变量可以指示行为数据在隐形空间上的特征,而正常的用户行为数据和异常的用户行为数据在第一隐变量和第二隐变量上的分布也不同,因此,可以根据第一行为数据的第一隐变量和第二隐变量,对第一行为数据对应的用户行为进行异常识别。也即是,本申请实施例是根据行为数据在隐形空间上的特征来进行异常识别的,相对于仅仅根据行为数据的原始特征进行异常识别,本申请实施例提供的异常识别方法可以提高异常识别的准确率。
在图2所示的实施例中,步骤201至步骤204可以应用于在终端中,也可以应用于在服务器中,本申请实施例在此不做具体限定。另外,步骤201至步骤204和步骤205至步骤207可以由同一设备实现,也可以由不同的设备实现。比如,步骤201至步骤204由服务器实现,服务器在得到训练后的对抗自编器之后,将训练后的对抗自编码器发送至用于异常识别的终端,由该终端执行步骤205至步骤207。
图3是本申请实施例提供的一种异常识别装置,如图3所示,该装置300包括:
第一获取模块301,用于获取第一行为数据和训练后的对抗自编码器,训练后的对抗自编码器用于输出行为数据的第一隐变量和第二隐变量,第一隐变量是对行为数据降维后得到,第二隐变量是对行为数据的重构行为数据降维后得到,行为数据的重构行为数据是对相应行为数据的第一隐变量升维后得到;
确定模块302,用于根据第一行为数据和训练后的对抗自编码器,确定第一行为数据的第一隐变量和第二隐变量;
异常识别模块303,用于根据第一行为数据的第一隐变量和第二隐变量,对第一行为数据对应的用户行为进行异常识别。
在本申请实施例的一种可能的实现方式中:
训练后的对抗自编码器输出的正常用户行为的行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值;
异常识别模块303,具体用于:
如果第一行为数据的第一隐变量和第二隐变量之间的差值大于或等于隐变量差值阈值,则确定第一行为数据对应的用户存在异常用户行为。
在本申请实施例的一种可能的实现方式中:
如图4所示,该装置300还包括:
第二获取模块304,用于获取初始化的对抗自编码器,初始化的对抗自编码器包括第一编码器、第一解码器、第二编码器以及判别器;
第三获取模块305,用于获取多个样本行为数据,多个样本行为数据的标签相同;
第一训练模块306,用于根据多个样本行为数据和判别器,对第一编码器和第一解码器进行训练,以使判别器识别不出训练后的第一解码器输出的重构样本行为数据和同一重构样本行为数据对应的样本行为数据;
第二训练模块307,用于根据多个样本行为数据、训练后的第一编码器、训练后的第一解码器对第二编码器进行训练,以使针对第二编码器的第一损失函数的当前值小于参考数值,第一损失函数用于指示训练后的第二编码器确定的第二隐形变量与训练后的第一编码器确定的第一隐形变量之间的差值;
其中,训练后的对抗自编码器包括训练后的第一编码器、训练后的第一解码器以及训练后的第二编码器。
在本申请实施例的一种可能的实现方式中:
第一训练模块306,具体用于:
通过第一编码器和第一解码器,确定多个样本行为数据中每个样本行为数据的重构样本行为数据;
将多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据确定为训练集,对判别器进行训练;
根据多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据之间的交叉熵,确定针对训练后的判别器的第二损失函数的当前值;
如果第二损失函数的当前值不满足终止训练条件,则调整第一编码器和第一解码器中的参数;
返回执行通过第一编码器和第一解码器,确定多个样本行为数据中每个样本行为数据的重构行为数据的步骤,直至第二损失函数的当前值满足终止训练条件。
在本申请实施例的一种可能的实现方式中:
第一训练模块306,具体用于:
根据多个样本行为数据中每个样本行为数据和每个样本行为数据的重构行为数据之间均方根误差,确定针对第一编码器和第一解码器的第三损失函数的当前值;
根据第三损失函数的当前值,确定针对第一编码器和第一解码器的参数调整方向和参数调整量;
根据针对第一编码器和第一解码器的参数调整方向和参数调整量,调整第一编码器和第一解码器中的参数。
在本申请实施例的一种可能的实现方式中:
终止训练条件为第二损失函数的当前值大于或等于平均损失函数值,平均损失函数值为当前时间之前且距离当前时间最近的N次训练之后的第二损失函数的值的平均值,N为大于或等于1的正整数。
在本申请实施例的一种可能的实现方式中:
终止训练条件为当前训练次数达到参考次数,且第二损失函数的当前值大于当前时间之前任一次训练之后的第二损失函数的值。
在本申请实施例的一种可能的实现方式中:
第二训练模块307,具体用于:
根据多个样本行为数据、训练后的第一编码器以及训练后的第一解码器,确定多个样本行为数据中每个样本行为数据的重构样本行为数据;
将多个样本行为数据中每个样本行为数据的重构样本行为数据确定为训练集,对第二编码器进行训练;
根据训练后的第二编码器,确定第一损失函数的当前值;
如果第一损失函数的当前值大于或等于参考数值,则根据第一损失函数的值对初始化的第二编码器中的参数进行调整,并返回执行根据多个样本行为数据、训练后的第一编码器以及训练后的第一解码器,确定多个样本行为数据中每个样本行为数据的重构样本行为数据的步骤,直至当前时间确定的第一损失函数的当前值小于参考数值。
在本申请实施例的一种可能的实现方式中:
多个样本行为数据的标签均为正常用户行为。
在本申请实施例中,由于第一隐变量和第二隐变量可以指示行为数据在隐形空间上的特征,而正常的用户行为数据和异常的用户行为数据在第一隐变量和第二隐变量上的分布也不同,因此,可以根据第一行为数据的第一隐变量和第二隐变量,对第一行为数据对应的用户行为进行异常识别。也即是,本申请实施例是根据行为数据在隐形空间上的特征来进行异常识别的,相对于仅仅根据行为数据的原始特征进行异常识别,本申请实施例提供的异常识别方法可以提高异常识别的准确率。
需要说明的是:上述实施例提供的异常识别装置在对行为数据进行异常识别时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的异常识别装置与异常识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图5示出了本申请实施例提供的一种终端500的结构框图。该终端500可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端500还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端500包括有:处理器501和存储器502。
处理器501可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器501可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器501还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器502可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的异常识别方法,比如可以实现图1实施例提供的异常识别方法。
在一些实施例中,终端500还可选包括有:***设备接口503和至少一个***设备。处理器501、存储器502和***设备接口503之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口503相连。具体地,***设备包括:射频电路504、触摸显示屏505、摄像头506、音频电路507、定位组件508和电源509中的至少一种。
***设备接口503可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器501和存储器502。在一些实施例中,处理器501、存储器502和***设备接口503被集成在同一芯片或电路板上;在一些其他实施例中,处理器501、存储器502和***设备接口503中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路504用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路504将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路504包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路504可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路504还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏505用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏505是触摸显示屏时,显示屏505还具有采集在显示屏505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器501进行处理。此时,显示屏505还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏505可以为一个,设置终端500的前面板;在另一些实施例中,显示屏505可以为至少两个,分别设置在终端500的不同表面或呈折叠设计;在再一些实施例中,显示屏505可以是柔性显示屏,设置在终端500的弯曲表面上或折叠面上。甚至,显示屏505还可以设置成非矩形的不规则图形,也即异形屏。显示屏505可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件506用于采集图像或视频。可选地,摄像头组件506包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件506还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路507可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器501进行处理,或者输入至射频电路504以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端500的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器501或射频电路504的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路507还可以包括耳机插孔。
定位组件508用于定位终端500的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件508可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。
电源509用于为终端500中的各个组件进行供电。电源509可以是交流电、直流电、一次性电池或可充电电池。当电源509包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端500还包括有一个或多个传感器510。该一个或多个传感器510包括但不限于:加速度传感器511、陀螺仪传感器512、压力传感器513、指纹传感器514、光学传感器515以及接近传感器516。
加速度传感器511可以检测以终端500建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器511可以用于检测重力加速度在三个坐标轴上的分量。处理器501可以根据加速度传感器511采集的重力加速度信号,控制触摸显示屏505以横向视图或纵向视图进行用户界面的显示。加速度传感器511还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器512可以检测终端500的机体方向及转动角度,陀螺仪传感器512可以与加速度传感器511协同采集用户对终端500的3D动作。处理器501根据陀螺仪传感器512采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器513可以设置在终端500的侧边框和/或触摸显示屏505的下层。当压力传感器513设置在终端500的侧边框时,可以检测用户对终端500的握持信号,由处理器501根据压力传感器513采集的握持信号进行左右手识别或快捷操作。当压力传感器513设置在触摸显示屏505的下层时,由处理器501根据用户对触摸显示屏505的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器514用于采集用户的指纹,由处理器501根据指纹传感器514采集到的指纹识别用户的身份,或者,由指纹传感器514根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器501授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器514可以被设置终端500的正面、背面或侧面。当终端500上设置有物理按键或厂商Logo时,指纹传感器514可以与物理按键或厂商Logo集成在一起。
光学传感器515用于采集环境光强度。在一个实施例中,处理器501可以根据光学传感器515采集的环境光强度,控制触摸显示屏505的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏505的显示亮度;当环境光强度较低时,调低触摸显示屏505的显示亮度。在另一个实施例中,处理器501还可以根据光学传感器515采集的环境光强度,动态调整摄像头组件506的拍摄参数。
接近传感器516,也称距离传感器,通常设置在终端500的前面板。接近传感器516用于采集用户与终端500的正面之间的距离。在一个实施例中,当接近传感器516检测到用户与终端500的正面之间的距离逐渐变小时,由处理器501控制触摸显示屏505从亮屏状态切换为息屏状态;当接近传感器516检测到用户与终端500的正面之间的距离逐渐变大时,由处理器501控制触摸显示屏505从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图5中示出的结构并不构成对终端500的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本申请实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行上述实施例提供的异常识别方法。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在终端上运行时,使得终端执行上述实施例提供的异常识别方法。
图6是本申请实施例提供的一种服务器结构示意图。该服务器可以是后台服务器集群中的服务器。具体来讲:
服务器600包括中央处理单元(CPU)601、包括随机存取存储器(RAM)602和只读存储器(ROM)603的***存储器604,以及连接***存储器604和中央处理单元601的***总线605。服务器600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出***(I/O***)606,和用于存储操作***613、应用程序614和其他程序模块615的大容量存储设备607。
基本输入/输出***606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中显示器608和输入设备609都通过连接到***总线605的输入输出控制器610连接到中央处理单元601。基本输入/输出***606还可以包括输入输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备607通过连接到***总线605的大容量存储控制器(未示出)连接到中央处理单元601。大容量存储设备607及其相关联的计算机可读介质为服务器600提供非易失性存储。也就是说,大容量存储设备607可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的***存储器604和大容量存储设备607可以统称为存储器。
根据本申请的各种实施例,服务器600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器600可以通过连接在***总线605上的网络接口单元611连接到网络612,或者说,也可以使用网络接口单元611来连接到其他类型的网络或远程计算机***(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。所述一个或者一个以上程序包含用于进行本申请实施例提供的异常识别方法的指令。比如,可以包含图2实施例中的步骤201至步骤204提供的异常识别方法的指令。
本申请实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行上述实施例提供的异常识别方法。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在服务器上运行时,使得服务器执行上述实施例提供的异常识别方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种异常识别方法,其特征在于,所述方法包括:
获取第一行为数据和训练后的对抗自编码器,所述训练后的对抗自编码器用于输出行为数据的第一隐变量和第二隐变量,所述第一隐变量是对行为数据降维后得到,所述第二隐变量是对行为数据的重构行为数据降维后得到,行为数据的重构行为数据是对相应行为数据的第一隐变量升维后得到;
根据所述第一行为数据和所述训练后的对抗自编码器,确定所述第一行为数据的第一隐变量和第二隐变量;
根据所述第一行为数据的第一隐变量和第二隐变量,对所述第一行为数据对应的用户行为进行异常识别。
2.如权利要求1所述的方法,其特征在于,所述训练后的对抗自编码器输出的正常用户行为的行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值;
所述根据所述第一行为数据的第一隐变量和第二隐变量,对所述第一行为数据对应的用户行为进行异常识别,包括:
如果所述第一行为数据的第一隐变量和第二隐变量之间的差值大于或等于所述隐变量差值阈值,则确定所述第一行为数据对应的用户存在异常用户行为。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取初始化的对抗自编码器,所述初始化的对抗自编码器包括第一编码器、第一解码器、第二编码器以及判别器;
获取多个样本行为数据,所述多个样本行为数据的标签相同;
根据所述多个样本行为数据和判别器,对所述第一编码器和所述第一解码器进行训练,以使所述判别器识别不出训练后的第一解码器输出的重构样本行为数据和同一重构样本行为数据对应的样本行为数据;
根据所述多个样本行为数据、训练后的第一编码器、训练后的第一解码器对所述第二编码器进行训练,以使针对所述第二编码器的第一损失函数的当前值小于参考数值,所述第一损失函数用于指示训练后的第二编码器确定的第二隐形变量与训练后的第一编码器确定的第一隐形变量之间的差值;
其中,所述训练后的对抗自编码器包括训练后的第一编码器、训练后的第一解码器以及训练后的第二编码器。
4.如权利要求3所述的方法,其特征在于,所述根据所述多个样本行为数据和判别器,对所述第一编码器和所述第一解码器进行训练,包括:
通过所述第一编码器和所述第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据;
将所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据确定为训练集,对所述判别器进行训练;
根据所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构样本行为数据之间的交叉熵,确定针对训练后的判别器的第二损失函数的当前值;
如果所述第二损失函数的当前值不满足终止训练条件,则调整所述第一编码器和所述第一解码器中的参数;
返回执行通过所述第一编码器和所述第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构行为数据的步骤,直至所述第二损失函数的当前值满足终止训练条件。
5.如权利要求4所述的方法,其特征在于,所述调整所述第一编码器和所述第一解码器中的参数,包括:
根据所述多个样本行为数据中每个样本行为数据和每个样本行为数据的重构行为数据之间均方根误差,确定针对所述第一编码器和所述第一解码器的第三损失函数的当前值;
根据所述第三损失函数的当前值,确定针对所述第一编码器和所述第一解码器的参数调整方向和参数调整量;
根据针对所述第一编码器和所述第一解码器的参数调整方向和参数调整量,调整所述第一编码器和所述第一解码器中的参数。
6.如权利要求4或5所述的方法,其特征在于,所述终止训练条件为所述第二损失函数的当前值大于或等于平均损失函数值,所述平均损失函数值为当前时间之前且距离当前时间最近的N次训练之后的第二损失函数的值的平均值,所述N为大于或等于1的正整数。
7.如权利要求4或5所述的方法,其特征在于,所述终止训练条件为当前训练次数达到参考次数,且所述第二损失函数的当前值大于当前时间之前任一次训练之后的第二损失函数的值。
8.如权利要求3所述的方法,其特征在于,所述根据所述多个样本行为数据、训练后的第一编码器、训练后的第一解码器对所述第二编码器进行训练,包括:
根据所述多个样本行为数据、所述训练后的第一编码器以及所述训练后的第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据;
将所述多个样本行为数据中每个样本行为数据的重构样本行为数据确定为训练集,对所述第二编码器进行训练;
根据训练后的第二编码器,确定所述第一损失函数的当前值;
如果所述第一损失函数的当前值大于或等于所述参考数值,则根据所述第一损失函数的值对所述初始化的第二编码器中的参数进行调整,并返回执行根据所述多个样本行为数据、训练后的第一编码器以及训练后的第一解码器,确定所述多个样本行为数据中每个样本行为数据的重构样本行为数据的步骤,直至当前时间确定的所述第一损失函数的当前值小于所述参考数值。
9.如权利要求3所述的方法,其特征在于,所述多个样本行为数据的标签均为正常用户行为。
10.一种异常识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一行为数据和训练后的对抗自编码器,所述训练后的对抗自编码器用于输出行为数据的第一隐变量和第二隐变量,所述第一隐变量是对行为数据降维后得到,所述第二隐变量是对行为数据的重构行为数据降维后得到,行为数据的重构行为数据是对相应行为数据的第一隐变量升维后得到;
确定模块,用于根据所述第一行为数据和所述训练后的对抗自编码器,确定所述第一行为数据的第一隐变量和第二隐变量;
异常识别模块,用于根据所述第一行为数据的第一隐变量和第二隐变量,对所述第一行为数据对应的用户行为进行异常识别。
11.如权利要求10所述的装置,其特征在于,所述训练后的对抗自编码器输出的正常用户行为的行为数据的第一隐变量和第二隐变量之间的差值小于隐变量差值阈值;
所述异常识别模块,具体用于:
如果所述第一行为数据的第一隐变量和第二隐变量之间的差值大于或等于所述隐变量差值阈值,则确定所述第一行为数据对应的用户存在异常用户行为。
12.如权利要求10所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取初始化的对抗自编码器,所述初始化的对抗自编码器包括第一编码器、第一解码器、第二编码器以及判别器;
第三获取模块,用于获取多个样本行为数据,所述多个样本行为数据的标签相同;
第一训练模块,用于根据所述多个样本行为数据和判别器,对所述第一编码器和所述第一解码器进行训练,以使所述判别器识别不出训练后的第一解码器输出的重构样本行为数据和同一重构样本行为数据对应的样本行为数据;
第二训练模块,用于根据所述多个样本行为数据、训练后的第一编码器、训练后的第一解码器对所述第二编码器进行训练,以使针对所述第二编码器的第一损失函数的当前值小于参考数值,所述第一损失函数用于指示训练后的第二编码器确定的第二隐形变量与训练后的第一编码器确定的第一隐形变量之间的差值;
其中,所述训练后的对抗自编码器包括训练后的第一编码器、训练后的第一解码器以及训练后的第二编码器。
13.一种异常识别装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述权利要求1至权利要求9中的任一项权利要求所述的方法的步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述权利要求1至权利要求9中的任一项权利要求所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910713327.6A CN112308104A (zh) | 2019-08-02 | 2019-08-02 | 异常识别方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910713327.6A CN112308104A (zh) | 2019-08-02 | 2019-08-02 | 异常识别方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308104A true CN112308104A (zh) | 2021-02-02 |
Family
ID=74486672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910713327.6A Pending CN112308104A (zh) | 2019-08-02 | 2019-08-02 | 异常识别方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308104A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496222A (zh) * | 2021-09-09 | 2021-10-12 | 南方电网数字电网研究院有限公司 | 基于无标签图表数据的模式识别方法、装置和计算机设备 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
CN107229916A (zh) * | 2017-05-27 | 2017-10-03 | 南京航空航天大学 | 一种基于深度降噪自编码的机场噪声监测数据修复方法 |
CN107391569A (zh) * | 2017-06-16 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 数据类型的识别、模型训练、风险识别方法、装置及设备 |
CN107730458A (zh) * | 2017-09-05 | 2018-02-23 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的模糊人脸重建方法及*** |
US20180082150A1 (en) * | 2016-09-20 | 2018-03-22 | Kabushiki Kaisha Toshiba | Abnormality detection device, learning device, abnormality detection method, and learning method |
CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
CN108287782A (zh) * | 2017-06-05 | 2018-07-17 | 中兴通讯股份有限公司 | 一种多维数据异常检测方法及装置 |
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN108986041A (zh) * | 2018-06-13 | 2018-12-11 | 浙江大华技术股份有限公司 | 一种图像恢复方法、装置、电子设备及可读存储介质 |
CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和*** |
CN109741292A (zh) * | 2017-10-27 | 2019-05-10 | 罗伯特·博世有限公司 | 用对抗自编码器检测第一图像数据集当中异常图像的方法 |
US20190147343A1 (en) * | 2017-11-15 | 2019-05-16 | International Business Machines Corporation | Unsupervised anomaly detection using generative adversarial networks |
CN109800767A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于hog特征和自编码器的目标检测方法 |
US20190164287A1 (en) * | 2017-11-27 | 2019-05-30 | Deciphex | Automated screening of histopathology tissue samples via analysis of a normal model |
US20190197236A1 (en) * | 2017-12-27 | 2019-06-27 | Nec Laboratories America, Inc. | Reconstruction-based anomaly detection |
CN109978379A (zh) * | 2019-03-28 | 2019-07-05 | 北京百度网讯科技有限公司 | 时序数据异常检测方法、装置、计算机设备和存储介质 |
CN110033014A (zh) * | 2019-01-08 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 异常数据的检测方法及其*** |
CN110060368A (zh) * | 2019-04-22 | 2019-07-26 | 苏州大学 | 基于潜在特征编码的机械异常检测方法 |
WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
-
2019
- 2019-08-02 CN CN201910713327.6A patent/CN112308104A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077599A (zh) * | 2014-07-04 | 2014-10-01 | 西安电子科技大学 | 基于深度神经网络的极化sar图像分类方法 |
US20180082150A1 (en) * | 2016-09-20 | 2018-03-22 | Kabushiki Kaisha Toshiba | Abnormality detection device, learning device, abnormality detection method, and learning method |
CN107229916A (zh) * | 2017-05-27 | 2017-10-03 | 南京航空航天大学 | 一种基于深度降噪自编码的机场噪声监测数据修复方法 |
CN108287782A (zh) * | 2017-06-05 | 2018-07-17 | 中兴通讯股份有限公司 | 一种多维数据异常检测方法及装置 |
CN107391569A (zh) * | 2017-06-16 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 数据类型的识别、模型训练、风险识别方法、装置及设备 |
CN107730458A (zh) * | 2017-09-05 | 2018-02-23 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的模糊人脸重建方法及*** |
CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
CN109741292A (zh) * | 2017-10-27 | 2019-05-10 | 罗伯特·博世有限公司 | 用对抗自编码器检测第一图像数据集当中异常图像的方法 |
US20190147343A1 (en) * | 2017-11-15 | 2019-05-16 | International Business Machines Corporation | Unsupervised anomaly detection using generative adversarial networks |
US20190164287A1 (en) * | 2017-11-27 | 2019-05-30 | Deciphex | Automated screening of histopathology tissue samples via analysis of a normal model |
US20190197236A1 (en) * | 2017-12-27 | 2019-06-27 | Nec Laboratories America, Inc. | Reconstruction-based anomaly detection |
WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
CN108961217A (zh) * | 2018-06-08 | 2018-12-07 | 南京大学 | 一种基于正例训练的表面缺陷检测方法 |
CN108986041A (zh) * | 2018-06-13 | 2018-12-11 | 浙江大华技术股份有限公司 | 一种图像恢复方法、装置、电子设备及可读存储介质 |
CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和*** |
CN109800767A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于hog特征和自编码器的目标检测方法 |
CN110033014A (zh) * | 2019-01-08 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 异常数据的检测方法及其*** |
CN109978379A (zh) * | 2019-03-28 | 2019-07-05 | 北京百度网讯科技有限公司 | 时序数据异常检测方法、装置、计算机设备和存储介质 |
CN110060368A (zh) * | 2019-04-22 | 2019-07-26 | 苏州大学 | 基于潜在特征编码的机械异常检测方法 |
Non-Patent Citations (1)
Title |
---|
徐克虎 等: ""基于机器学习的乳腺图像辅助诊断算法研究"", 北京国防工业出版社, pages: 149 - 150 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496222A (zh) * | 2021-09-09 | 2021-10-12 | 南方电网数字电网研究院有限公司 | 基于无标签图表数据的模式识别方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059744B (zh) | 训练神经网络的方法、图像处理的方法、设备及存储介质 | |
CN110798790B (zh) | 麦克风异常检测方法、装置及存储介质 | |
CN110839128B (zh) | 拍照行为检测方法、装置及存储介质 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN111127509B (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN108132790B (zh) | 检测无用代码的方法、装置及计算机存储介质 | |
CN110070143B (zh) | 获取训练数据的方法、装置、设备及存储介质 | |
CN112084811A (zh) | 身份信息的确定方法、装置及存储介质 | |
CN111027490A (zh) | 人脸属性识别方法及装置、存储介质 | |
CN110647881A (zh) | 确定图像对应的卡片类型的方法、装置、设备及存储介质 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN111754386A (zh) | 图像区域屏蔽方法、装置、设备及存储介质 | |
CN111857793B (zh) | 网络模型的训练方法、装置、设备及存储介质 | |
CN111586279B (zh) | 确定拍摄状态的方法、装置、设备及存储介质 | |
CN110675473A (zh) | 生成gif动态图的方法、装置、电子设备及介质 | |
CN111753606A (zh) | 一种智能模型的升级方法及装置 | |
CN111931712B (zh) | 人脸识别方法、装置、抓拍机及*** | |
CN112308104A (zh) | 异常识别方法、装置及计算机存储介质 | |
CN112882094B (zh) | 初至波的获取方法、装置、计算机设备及存储介质 | |
CN113936240A (zh) | 确定样本图像的方法、装置、设备及存储介质 | |
CN112489006A (zh) | 图像处理方法、装置、存储介质及终端 | |
CN111988664A (zh) | 视频处理方法、装置、计算机设备及计算机可读存储介质 | |
CN112990424A (zh) | 神经网络模型训练的方法和装置 | |
CN111860030A (zh) | 行为检测方法、装置、设备及存储介质 | |
CN113052408B (zh) | 一种社区聚合的方法及装置 |
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 |