CN113128131A - 计步作弊检测方法及装置 - Google Patents
计步作弊检测方法及装置 Download PDFInfo
- Publication number
- CN113128131A CN113128131A CN202110532536.8A CN202110532536A CN113128131A CN 113128131 A CN113128131 A CN 113128131A CN 202110532536 A CN202110532536 A CN 202110532536A CN 113128131 A CN113128131 A CN 113128131A
- Authority
- CN
- China
- Prior art keywords
- user
- counting
- cheating
- label
- state
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 238000004458 analytical method Methods 0.000 claims abstract description 103
- 230000033001 locomotion Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 47
- 230000006399 behavior Effects 0.000 claims description 67
- 230000002159 abnormal effect Effects 0.000 claims description 44
- 238000000611 regression analysis Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 230000037147 athletic performance Effects 0.000 claims description 10
- 241000209202 Bromus secalinus Species 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 42
- 238000010586 diagram Methods 0.000 description 18
- 239000003999 initiator Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 239000000872 buffer Substances 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种计步作弊检测方法及装置,涉及人工智能技术领域,该方法包括:从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。本发明可对用户状态和设备状态进行分析,确定用户的计步过程是否作弊,可自动化进行计步作弊检测,节约了人力物力资源,提升了计步作弊检测的检测效率和准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种计步作弊检测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着全面健身意识的提高,涉及跑步的游戏和竞赛的活动也在日益增多,如“健步走”活动。现阶段,跑步的计步过程可通过多种方式记录,如智能手机中的APP和可穿戴的智能设备(如智能手环)等。
但由于跑步活动的排名、积分和奖励机制,容易造成参与者使用作弊手段进行作弊的情况发生。因此,如何对计步过程进行作弊检测,成为了目前亟待解决的问题。
目前,在进行计步作弊检测时,主要包括如下人工检测和增加硬件设备两种方法:
1、人工检测:智能手机中的APP计步,主要是陀螺仪判断用户的运动走步情况,因APP计步数据较为复杂,目前仅能通过人工经验的方式,查看用户在一定时间内运动情况判断用户是否作弊;
2、增加硬件设备:用户将作弊检测所使用的硬件设备,穿戴在双脚上,借助硬件设备对运动过程中双脚的距离变化,进行作弊判断;
上述两种方法虽能进行作弊检测,但会出现如下问题:
1、人工检测的方法,即使检测人员的检验丰富,也不可避免的对造成判断失误的情况发生,导致计步作弊检测不准确,同时也会消耗大量的人力物力,造成资源浪费,无法大面积推广使用;
2、增加硬件设备方法,不仅增加了跑步活动发起方的成本,也会造成参与跑步活动的用户需额外耗资购买硬件设备的情况发生,增加了用户参与活动的难度,不利于活动的推广,同时,在脚上穿戴作弊检测硬件设备,也会给用户的跑步活动带来不便,降低了用户的使用体验。
发明内容
本发明实施例提供一种计步作弊检测方法,涉及人工智能技术领域,用以提升计步作弊检测的精确度和检测效率,该方法包括:
从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;所述设备状态标签用于描述记录用户计步数据的用户设备的状态;
将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;所述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;
将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;
根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。
本发明实施例还提供一种计步作弊检测装置,涉及人工智能技术领域,用以提升计步作弊检测的精确度和检测效率,该装置包括:
标签提取模块,用于从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;所述设备状态标签用于描述记录用户计步数据的用户设备的状态;
用户状态分析模块,用于将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;所述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;
设备状态分析模块,用于将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;
作弊结果分析模块,用于根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述计步作弊检测方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述计步作弊检测方法的计算机程序。
本发明实施例中,从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;所述设备状态标签用于描述记录用户计步数据的用户设备的状态;将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;所述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊,从而可通过提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对用户状态和设备状态进行分析,确定用户的计步过程是否作弊,可自动化进行计步作弊检测,避免了现有技术下需依靠人工进行计步作弊检测,而造成的检测结果不准确以及耗费大量人力物力的情况发生,不再需要人工依靠经验进行作弊检测,节约了人力物力资源,通过自动化实现计步作弊检测,提升了计步作弊检测的检测效率和准确度;同时,也避免了现有技术下用户需额外穿戴增加硬件设备进行计步作弊检测,而造成的额外成本增加的问题,不再需要用户和计步活动发起方对该硬件设备投入资金,节约了人力物力资源,也避免了因穿戴硬件设备而给用户造成的行动不便问题,改善了用户的使用体验,有利于跑步活动发起方对活动进行推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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。在附图中:
图1为本发明实施例中一种计步作弊检测方法的流程示意图;
图2为本发明实施例中一种计步作弊检测方法的具体示例图;
图3为本发明实施例中一种计步作弊检测方法的具体示例图;
图4为本发明实施例中一种计步作弊检测方法的具体示例图;
图5为本发明实施例中一种计步作弊检测方法的具体示例图;
图6为本发明实施例中一种计步作弊检测装置的结构示意图;
图7为本发明实施例中一种计步作弊检测装置的具体示例图;
图8为本发明实施例中一种计步作弊检测装置的具体示例图;
图9为本发明实施例中一种计步作弊检测装置的具体示例图;
图10为本发明实施例中用于计步作弊检测的计算机设备***构成的示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
一、目前各大计步APP均使用陀螺仪判断用户的运动走步情况,仅能通过人工经验的方式查看用户在一定时间内运动情况判断用户是否作弊;
二、通过增加硬件设备,将硬件设备穿戴在用户双脚上,判断运动过程中双脚的距离变化进行作弊判断。
上述两种方法虽能进行作弊检测,但会出现如下问题:
一、人工经验方法判断结果不准确,且浪费人力,无法大面积推广使用。
二、需要增加硬件设备,增加了活动发起方的成本,同时也增加了用户参与活动的难度,不利于活动的推广
为了解决上述问题,本发明实施例提供一种计步作弊检测方法,涉及人工智能技术领域,可利用软件的方法,通过机器学习的方法进行作弊判断,节约了作弊成本和防作弊的难度,规范了活动的进行,以提升计步作弊检测的精确度和检测效率,如图1所示,该方法可以包括:
步骤101:从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;上述设备状态标签用于描述记录用户计步数据的用户设备的状态;
步骤102:将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;上述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;
步骤103:将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;
步骤104:根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。
本发明实施例中,从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;上述设备状态标签用于描述记录用户计步数据的用户设备的状态;将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;上述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊,从而可通过提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对用户状态和设备状态进行分析,确定用户的计步过程是否作弊,可自动化进行计步作弊检测,避免了现有技术下需依靠人工进行计步作弊检测,而造成的检测结果不准确以及耗费大量人力物力的情况发生,不再需要人工依靠经验进行作弊检测,节约了人力物力资源,通过自动化实现计步作弊检测,提升了计步作弊检测的检测效率和准确度;同时,也避免了现有技术下用户需额外穿戴增加硬件设备进行计步作弊检测,而造成的额外成本增加的问题,不再需要用户和计步活动发起方对该硬件设备投入资金,节约了人力物力资源,也避免了因穿戴硬件设备而给用户造成的行动不便问题,改善了用户的使用体验,有利于跑步活动发起方对活动进行推广。
具体实施时,首先从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;上述设备状态标签用于描述记录用户计步数据的用户设备的状态。
实施例中,上述用户运动行为标签包括:分别用于表征用户运动轨迹、运动时长和运动频率的标签;上述用户生物特征信息标签包括:分别用于表征用户运动时心跳和体温的标签。上述用户计步数据的用户设备的状态,可以包括正常和异常。
在上述实施例中,用户设备状态标签可以包括:模拟定位标签和连接电源标签;上述模拟定位标签用于描述用户设备是否开启模拟定位;上述连接电源标签用于描述用户设备是否连接电源。
在上述实施例中,可通过提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对用户状态和设备状态进行分析,确定用户的计步过程是否作弊,可自动化进行计步作弊检测。
具体实施时,在从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签后,将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;上述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到。
实施例中,可通过计步作弊回归模型,对从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签,进行分析,可得到计步作弊回归模型对于用户状态的分析结果。
在上述实施例中,可自动化进行计步作弊检测,避免了现有技术下需依靠人工进行计步作弊检测,而造成的检测结果不准确以及耗费大量人力物力的情况发生,不再需要人工依靠经验进行作弊检测,节约了人力物力资源,通过自动化实现计步作弊检测,提升了计步作弊检测的检测效率和准确度。
具体实施时,在将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果后,将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果。
实施例中,上述用户设备状态标签,可以包括模拟定位标签;上述模拟定位标签用于描述用户设备是否开启模拟定位;上述预设置的设备状态判断条件,用于表征预设置的设备模拟定位开启与否,与设备状态是否异常的对应关系;
将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果,如图2所示,可以包括:
步骤201:根据模拟定位标签,确定用户设备是否开启模拟定位;
步骤202:在确定用户设备开启模拟定位时,若预设置的设备状态判断条件为:在设备模拟定位开启时,对应设备状态为异常状态,则确定用户设备状态为异常。
举一例,若活动发起方设立的规则为:在确定用户的设备的模拟定位开启时,则确定设备状态为异常;在根据用户设备状态标签中的模拟定位标签所描述的设备模拟定位为开启时,则可确定用户设备的状态为异常。
具体实施时,上述设备状态标签,可以包括连接电源标签;上述连接电源标签用于描述用户设备是否连接电源;上述预设置的设备状态判断条件,用于表征预设置的设备连接电源开启与否,与设备状态是否异常的对应关系;
将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果,如图3所示,可以包括:
步骤301:根据连接电源标签,确定用户设备是否连接电源;
步骤302:在确定用户设备连接电源时,若预设置的设备状态判断条件为:在设备连接电源时,对应设备状态为异常状态,则确定用户设备状态为异常。
举一例,若活动发起方设立的规则为:在确定用户的设备的连接电源时,则确定设备状态为异常;在根据用户设备状态标签中的连接电源标签所描述的设备连接电源时,则可确定用户设备的状态为异常。
具体实施时,在将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果后,根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。
实施例中,根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊,可以包括:
若计步作弊回归模型的分析结果表示:用户当前计步数据中用户运动行为标签/或用户生物特征信息标签异常,和/或,用户设备状态的分析结果表示:用户设备状态为异常,则确定用户的计步过程作弊。
在上述实施例中,在用户当前计步数据中用户运动行为标签/或用户生物特征信息标签,以及用户设备状态,任一为异常时,则可确定用户的计步过程作弊。通过确定用户的计步过程是否作弊,可自动化进行计步作弊检测,避免了现有技术下需依靠人工进行计步作弊检测,而造成的检测结果不准确以及耗费大量人力物力的情况发生,不再需要人工依靠经验进行作弊检测,节约了人力物力资源,通过自动化实现计步作弊检测,提升了计步作弊检测的检测效率和准确度。
具体实施时,本发明实施例中提供的一种计步作弊检测方法,如图4所示,还可以包括:按如下方式建立计步作弊回归模型:
步骤401:从获取的用户历史计步数据中,提取用户运动行为标签和用户生物特征信息标签的历史记录;
步骤402:以机器学习算法,对用户运动行为标签和用户生物特征信息标签的历史记录,进行回归分析及建模,得到计步作弊回归模型。
实施例中,上述回归分析包括:线性回归分析、和/或GBDT回归分析。
在上述实施例中,上述计步作弊回归模型用于将用户运动行为标签和用户生物特征信息标签的历史记录,与从用户当前计步数据中提取的用户运动行为标签和用户生物特征信息标签,进行回归分析,确定用户当前计步数据中用户运动行为标签和/或用户生物特征信息标签是否异常。
具体实施时,本发明实施例中提供的一种计步作弊检测方法,还可以包括:
在确定用户的计步过程作弊时,发出用户的计步过程作弊的告警信息。
实施例中,通过向管理人员发出用户的计步过程作弊的告警信息,有助于活动发起方对跑步活动进行监管。
具体实施时,本发明实施例中提供的一种计步作弊检测方法,还可以包括:
将计步作弊回归模型的分析结果,用户设备状态的分析结果,以及确定的用户的计步过程是否作弊的结果,进行记录,生成记录文件。
实施例中,通过生成记录文件,有助于工作人员对活动参与者的跑步数据进行追溯,有助于在活动参与者发起异议时,对跑步活动进行查询,有助于最终确定活动参与者是否发生了作弊行为。
具体实施时,本发明实施例中提供的一种计步作弊检测方法,如图5所示,还可以包括:
步骤501:持续从用户的计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;
步骤502:以持续提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对计步作弊回归模型进行迭代优化。
实施例中,通过持续获取用户的计步数据,以及持续用户设备状态标签、用户运动行为标签和用户生物特征信息标签,有助于提升计步作弊回归模型的精准度,更有助于对用户状态和设备状态进行分析,确定用户的计步过程是否作弊,提高自动化进行计步作弊检测的精确度。
下面给出一个具体实施例,来说明本发明的方法的具体应用,该实施例中,可以包括如下步骤:
步骤1:采集用户的历史计步数据;
步骤2:业务规则输入,将业务人员制定的业务规则进行输入;该业务规则可以包括:由活动发起发规定的设备模拟定位开启与否,与设备状态是否异常的对应关系。和/或设备连接电源开启与否,与设备状态是否异常的对应关系;
步骤3:从步骤1中的用户的历史计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签的历史记录;
步骤4:将步骤2中提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签的历史记录,传送给计步作弊回归模型;
步骤5:将用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签,输入步骤4中得到的计步作弊回归模型和业务规则中,进行预测;
步骤6:将步骤5中得到的两个结果进行融合;
步骤7:将步骤6中的结果进行可视化展示。
当然,可以理解的是,上述详细流程还可以有其他变化例,相关变化例均应落入本发明的保护范围。
本发明实施例中,从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;上述设备状态标签用于描述记录用户计步数据的用户设备的状态;将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;上述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊,从而可通过提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对用户状态和设备状态进行分析,确定用户的计步过程是否作弊,可自动化进行计步作弊检测,避免了现有技术下需依靠人工进行计步作弊检测,而造成的检测结果不准确以及耗费大量人力物力的情况发生,不再需要人工依靠经验进行作弊检测,节约了人力物力资源,通过自动化实现计步作弊检测,提升了计步作弊检测的检测效率和准确度;同时,也避免了现有技术下用户需额外穿戴增加硬件设备进行计步作弊检测,而造成的额外成本增加的问题,不再需要用户和计步活动发起方对该硬件设备投入资金,节约了人力物力资源,也避免了因穿戴硬件设备而给用户造成的行动不便问题,改善了用户的使用体验,有利于跑步活动发起方对活动进行推广。
如上述,本发明实施例可通过“健步走”活动用户历史数据,提取出影响是否作弊的关键性标签,通过机器学习的方法构建计步作弊模型,同时,支持活动发起方指定业务规则进行判断。本发明实施例可利用用户历史数据提取出标签数据,进而利用标签数据进行计步作弊模型构建,并可使活动发起方的业务人员可输入业务规则对作弊结果进行干预,利用计步作弊模型与业务结果判断融合后作用于最终结果,通过利用软件的方法,通过机器学习的方法进行作弊判断,节约了作弊成本和防作弊的难度,规范了活动的进行,更有利于活动的开展,保护活动发起方的利益。
本发明实施例中还提供了一种计步作弊检测装置,如下面的实施例上述。由于该装置解决问题的原理与计步作弊检测方法相似,因此该装置的实施可以参见计步作弊检测方法的实施,重复之处不再赘述。
本发明实施例还提供一种计步作弊检测装置,涉及人工智能技术领域,用以提升计步作弊检测的精确度和检测效率,如图6所示,该装置包括:
标签提取模块01,用于从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;上述设备状态标签用于描述记录用户计步数据的用户设备的状态;
用户状态分析模块02,用于将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;上述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;
设备状态分析模块03,用于将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;
作弊结果分析模块04,用于根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。
在一个实施例中,上述用户运动行为标签包括:分别用于表征用户运动轨迹、运动时长和运动频率的标签;上述用户生物特征信息标签包括:分别用于表征用户运动时心跳和体温的标签。
在一个实施例中,本发明实施例提供的一种计步作弊检测装置,如图7所示,还可以包括:
建立计步作弊回归模型模块05,用于:
按如下方式建立计步作弊回归模型:
从获取的用户历史计步数据中,提取用户运动行为标签和用户生物特征信息标签的历史记录;
以机器学习算法,对用户运动行为标签和用户生物特征信息标签的历史记录,进行回归分析及建模,得到计步作弊回归模型。
在一个实施例中,上述回归分析包括:线性回归分析、和/或GBDT回归分析。
其中,GBDT为Gradient Boosting Decision Tree,翻译为梯度提升决策树。
在一个实施例中,上述计步作弊回归模型用于将用户运动行为标签和用户生物特征信息标签的历史记录,与从用户当前计步数据中提取的用户运动行为标签和用户生物特征信息标签,进行回归分析,确定用户当前计步数据中用户运动行为标签和/或用户生物特征信息标签是否异常。
在一个实施例中,上述用户设备状态标签,可以包括模拟定位标签;上述模拟定位标签用于描述用户设备是否开启模拟定位;上述预设置的设备状态判断条件,用于表征预设置的设备模拟定位开启与否,与设备状态是否异常的对应关系;
设备状态分析模块,具体用于:
根据模拟定位标签,确定用户设备是否开启模拟定位;
在确定用户设备开启模拟定位时,若预设置的设备状态判断条件为:在设备模拟定位开启时,对应设备状态为异常状态,则确定用户设备状态为异常。
在一个实施例中,上述设备状态标签,可以包括连接电源标签;上述连接电源标签用于描述用户设备是否连接电源;上述预设置的设备状态判断条件,用于表征预设置的设备连接电源开启与否,与设备状态是否异常的对应关系;
设备状态分析模块,具体用于:
根据连接电源标签,确定用户设备是否连接电源;
在确定用户设备连接电源时,若预设置的设备状态判断条件为:在设备连接电源时,对应设备状态为异常状态,则确定用户设备状态为异常。
在一个实施例中,作弊结果分析模块,具体用于:
若计步作弊回归模型的分析结果表示:用户当前计步数据中用户运动行为标签/或用户生物特征信息标签异常,和/或,用户设备状态的分析结果表示:用户设备状态为异常,则确定用户的计步过程作弊。
在一个实施例中,本发明实施例提供的一种计步作弊检测装置,如图8所示,还可以包括:
告警模块06,用于:
在确定用户的计步过程作弊时,发出用户的计步过程作弊的告警信息。
在一个实施例中,本发明实施例提供的一种计步作弊检测装置,还可以包括:
记录模块,用于:
将计步作弊回归模型的分析结果,用户设备状态的分析结果,以及确定的用户的计步过程是否作弊的结果,进行记录,生成记录文件。
在一个实施例中,本发明实施例提供的一种计步作弊检测装置,还可以包括:
模型迭代优化模块,用于:
持续从用户的计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;
以持续提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对计步作弊回归模型进行迭代优化。
下面给出一个具体实施例,来说明本发明的装置的具体应用,该实施例中,如图9所示,可以包括:
一、历史数据采集模块(即建立计步作弊回归模型模块,进行获取的用户历史计步数据的操作):负责采集历史“健步走”活动中用户的数据;
二、标签提取模块(即建立计步作弊回归模型模块,进行从获取的用户历史计步数据中,提取用户运动行为标签和用户生物特征信息标签的历史记录的操作):负责从用户的历史数据中心提取出设备状态标签(是否插电、是否打开模拟定位等)、用户行为标签(用户运动轨迹、用户运动频率、用户的运动时长等)、生物标签(用户运动过程中体温、心跳等生物特征信息);
三、计步作弊模型构建模块(即建立计步作弊回归模型模块,进行以机器学习算法,对用户运动行为标签和用户生物特征信息标签的历史记录,进行回归分析及建模,得到计步作弊回归模型的操作):通过回归(逻辑回归、GBDT等)的建模方法,学习出标签与用户是否作弊之间的关系,构建计步作弊模型;
四、计步作弊结果预测模型模块(即用户状态分析模块),将用户当下的标签输入计步作弊模型中对用户的作弊结果进行预测;
五、业务规则输入模块(即设备状态分析模块):“健步走”活动发起方,可以指定业务规则(例如:如果用户开启模拟定位,则认为用户作弊);
六、业务规则结果预测模块(即设备状态分析模块):将标签***中提取的标签,输入业务规则中,计算出业务规则的预测结果;
七、结果融合模块(即作弊结果分析模块):负责将计步作弊模型预测的结果与业务规则结果进行融合;
八、结果展示模块:负责将融合后的结果进行可视化展示。
当然,可以理解的是,上述详细装置还可以有其他变化例,相关变化例均应落入本发明的保护范围。
本发明实施例提供一种用于实现上述计步作弊检测方法中的全部或部分内容的计算机设备的实施例上述计算机设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,上述处理器、存储器、通信接口通过上述总线完成相互间的通信;上述通信接口用于实现相关设备之间的信息传输;该计算机设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该计算机设备可以参照实施例用于实现计步作弊检测方法的实施例及用于实现计步作弊检测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图10为本申请实施例的计算机设备1000的***构成的示意框图。如图10所示,该计算机设备1000可以包括中央处理器1001和存储器1002;存储器1002耦合到中央处理器1001。值得注意的是,该图10是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,计步作弊检测功能可以被集成到中央处理器1001中。其中,中央处理器1001可以被配置为进行如下控制:
从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;上述设备状态标签用于描述记录用户计步数据的用户设备的状态;
将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;上述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;
将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;
根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。
在另一个实施方式中,计步作弊检测装置可以与中央处理器1001分开配置,例如可以将计步作弊检测装置配置为与中央处理器1001连接的芯片,通过中央处理器的控制来实现计步作弊检测功能。
如图10所示,该计算机设备1000还可以包括:通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是,计算机设备1000也并不是必须要包括图10中所示的所有部件;此外,计算机设备1000还可以包括图10中没有示出的部件,可以参考现有技术。
如图10所示,中央处理器1001有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器1001接收输入并控制计算机设备1000的各个部件的操作。
其中,存储器1002,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002存储的该程序,以实现信息存储或处理等。
输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器1002可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器1002还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022,该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。
存储器1002还可以包括数据存储部1023,该数据存储部1023用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一计算机设备中,可以设置有多个通信模块1003,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003还经由音频处理器1005耦合到扬声器1009和麦克风1010,以经由扬声器1009提供音频输出,并接收来自麦克风1010的音频输入,从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器1005还耦合到中央处理器1001,从而使得可以通过麦克风1010能够在本机上录音,且使得可以通过扬声器1009来播放本机上存储的声音。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质存储有执行上述计步作弊检测方法的计算机程序。本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例中,从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;上述设备状态标签用于描述记录用户计步数据的用户设备的状态;将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;上述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊,从而可通过提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对用户状态和设备状态进行分析,确定用户的计步过程是否作弊,可自动化进行计步作弊检测,避免了现有技术下需依靠人工进行计步作弊检测,而造成的检测结果不准确以及耗费大量人力物力的情况发生,不再需要人工依靠经验进行作弊检测,节约了人力物力资源,通过自动化实现计步作弊检测,提升了计步作弊检测的检测效率和准确度;同时,也避免了现有技术下用户需额外穿戴增加硬件设备进行计步作弊检测,而造成的额外成本增加的问题,不再需要用户和计步活动发起方对该硬件设备投入资金,节约了人力物力资源,也避免了因穿戴硬件设备而给用户造成的行动不便问题,改善了用户的使用体验,有利于跑步活动发起方对活动进行推广。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (24)
1.一种计步作弊检测方法,其特征在于,包括:
从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;所述设备状态标签用于描述记录用户计步数据的用户设备的状态;
将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;所述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;
将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;
根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。
2.如权利要求1所述的方法,其特征在于,所述用户运动行为标签包括:分别用于表征用户运动轨迹、运动时长和运动频率的标签;所述用户生物特征信息标签包括:分别用于表征用户运动时心跳和体温的标签。
3.如权利要求1所述的方法,其特征在于,还包括:
按如下方式建立计步作弊回归模型:
从获取的用户历史计步数据中,提取用户运动行为标签和用户生物特征信息标签的历史记录;
以机器学习算法,对用户运动行为标签和用户生物特征信息标签的历史记录,进行回归分析及建模,得到计步作弊回归模型。
4.如权利要求3所述的方法,其特征在于,所述回归分析包括:线性回归分析、和/或GBDT回归分析。
5.如权利要求3所述的方法,其特征在于,所述计步作弊回归模型用于将用户运动行为标签和用户生物特征信息标签的历史记录,与从用户当前计步数据中提取的用户运动行为标签和用户生物特征信息标签,进行回归分析,确定用户当前计步数据中用户运动行为标签和/或用户生物特征信息标签是否异常。
6.如权利要求1所述的方法,其特征在于,所述用户设备状态标签,包括模拟定位标签;所述模拟定位标签用于描述用户设备是否开启模拟定位;所述预设置的设备状态判断条件,用于表征预设置的设备模拟定位开启与否,与设备状态是否异常的对应关系;
将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果,包括:
根据模拟定位标签,确定用户设备是否开启模拟定位;
在确定用户设备开启模拟定位时,若预设置的设备状态判断条件为:在设备模拟定位开启时,对应设备状态为异常状态,则确定用户设备状态为异常。
7.如权利要求1所述的方法,其特征在于,所述设备状态标签,包括连接电源标签;所述连接电源标签用于描述用户设备是否连接电源;所述预设置的设备状态判断条件,用于表征预设置的设备连接电源开启与否,与设备状态是否异常的对应关系;
将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果,包括:
根据连接电源标签,确定用户设备是否连接电源;
在确定用户设备连接电源时,若预设置的设备状态判断条件为:在设备连接电源时,对应设备状态为异常状态,则确定用户设备状态为异常。
8.如权利要求1所述的方法,其特征在于,根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊,包括:
若计步作弊回归模型的分析结果表示:用户当前计步数据中用户运动行为标签/或用户生物特征信息标签异常,和/或,用户设备状态的分析结果表示:用户设备状态为异常,则确定用户的计步过程作弊。
9.如权利要求1所述的方法,其特征在于,还包括:
在确定用户的计步过程作弊时,发出用户的计步过程作弊的告警信息。
10.如权利要求1所述的方法,其特征在于,还包括:
将计步作弊回归模型的分析结果,用户设备状态的分析结果,以及确定的用户的计步过程是否作弊的结果,进行记录,生成记录文件。
11.如权利要求1所述的方法,其特征在于,还包括:
持续从用户的计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;
以持续提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对计步作弊回归模型进行迭代优化。
12.一种计步作弊检测装置,其特征在于,包括:
标签提取模块,用于从用户当前计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;所述设备状态标签用于描述记录用户计步数据的用户设备的状态;
用户状态分析模块,用于将用户运动行为标签和用户生物特征信息标签,输入到计步作弊回归模型中,得到计步作弊回归模型对于用户状态的分析结果;所述计步作弊回归模型通过对用户的历史计步数据进行回归分析及建模得到;
设备状态分析模块,用于将用户设备状态标签,与预设置的设备状态判断条件进行对比分析,得到用户设备状态的分析结果;
作弊结果分析模块,用于根据计步作弊回归模型的分析结果,和用户设备状态的分析结果,确定用户的计步过程是否作弊。
13.如权利要求12所述的装置,其特征在于,所述用户运动行为标签包括:分别用于表征用户运动轨迹、运动时长和运动频率的标签;所述用户生物特征信息标签包括:分别用于表征用户运动时心跳和体温的标签。
14.如权利要求12所述的装置,其特征在于,还包括:
建立计步作弊回归模型模块,用于:
按如下方式建立计步作弊回归模型:
从获取的用户历史计步数据中,提取用户运动行为标签和用户生物特征信息标签的历史记录;
以机器学习算法,对用户运动行为标签和用户生物特征信息标签的历史记录,进行回归分析及建模,得到计步作弊回归模型。
15.如权利要求14所述的装置,其特征在于,所述回归分析包括:线性回归分析、和/或GBDT回归分析。
16.如权利要求14所述的装置,其特征在于,所述计步作弊回归模型用于将用户运动行为标签和用户生物特征信息标签的历史记录,与从用户当前计步数据中提取的用户运动行为标签和用户生物特征信息标签,进行回归分析,确定用户当前计步数据中用户运动行为标签和/或用户生物特征信息标签是否异常。
17.如权利要求12所述的装置,其特征在于,所述用户设备状态标签,包括模拟定位标签;所述模拟定位标签用于描述用户设备是否开启模拟定位;所述预设置的设备状态判断条件,用于表征预设置的设备模拟定位开启与否,与设备状态是否异常的对应关系;
设备状态分析模块,具体用于:
根据模拟定位标签,确定用户设备是否开启模拟定位;
在确定用户设备开启模拟定位时,若预设置的设备状态判断条件为:在设备模拟定位开启时,对应设备状态为异常状态,则确定用户设备状态为异常。
18.如权利要求12所述的装置,其特征在于,所述设备状态标签,包括连接电源标签;所述连接电源标签用于描述用户设备是否连接电源;所述预设置的设备状态判断条件,用于表征预设置的设备连接电源开启与否,与设备状态是否异常的对应关系;
设备状态分析模块,具体用于:
根据连接电源标签,确定用户设备是否连接电源;
在确定用户设备连接电源时,若预设置的设备状态判断条件为:在设备连接电源时,对应设备状态为异常状态,则确定用户设备状态为异常。
19.如权利要求12所述的装置,其特征在于,作弊结果分析模块,具体用于:
若计步作弊回归模型的分析结果表示:用户当前计步数据中用户运动行为标签/或用户生物特征信息标签异常,和/或,用户设备状态的分析结果表示:用户设备状态为异常,则确定用户的计步过程作弊。
20.如权利要求12所述的装置,其特征在于,还包括:
告警模块,用于:
在确定用户的计步过程作弊时,发出用户的计步过程作弊的告警信息。
21.如权利要求12所述的装置,其特征在于,还包括:
记录模块,用于:
将计步作弊回归模型的分析结果,用户设备状态的分析结果,以及确定的用户的计步过程是否作弊的结果,进行记录,生成记录文件。
22.如权利要求12所述的装置,其特征在于,还包括:
模型迭代优化模块,用于:
持续从用户的计步数据中,提取用户设备状态标签、用户运动行为标签和用户生物特征信息标签;
以持续提取的用户设备状态标签、用户运动行为标签和用户生物特征信息标签,对计步作弊回归模型进行迭代优化。
23.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11任一所述方法。
24.一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存储有执行权利要求1至11任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532536.8A CN113128131A (zh) | 2021-05-17 | 2021-05-17 | 计步作弊检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532536.8A CN113128131A (zh) | 2021-05-17 | 2021-05-17 | 计步作弊检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128131A true CN113128131A (zh) | 2021-07-16 |
Family
ID=76781963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532536.8A Pending CN113128131A (zh) | 2021-05-17 | 2021-05-17 | 计步作弊检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128131A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458739A (zh) * | 2008-11-21 | 2009-06-17 | 杭州义盛祥通信技术有限公司 | ***统计评价管理***和方法 |
US20140067494A1 (en) * | 2012-01-24 | 2014-03-06 | Blake Squires | Activity monitor system and method |
WO2015034824A1 (en) * | 2013-09-03 | 2015-03-12 | Focus Ventures, Inc. | System and method for identifying and interpreting repetitive motions |
CN108332770A (zh) * | 2017-12-29 | 2018-07-27 | 青岛真时科技有限公司 | 一种防计步作弊的方法、装置和*** |
CN109065120A (zh) * | 2018-06-28 | 2018-12-21 | 努比亚技术有限公司 | 一种信息处理的方法、装置以及计算机存储介质 |
CN109756840A (zh) * | 2019-01-14 | 2019-05-14 | 北京纷扬科技有限责任公司 | 移动终端签到防作弊方法、装置、***、设备及存储介质 |
CN109788440A (zh) * | 2019-01-14 | 2019-05-21 | 北京纷扬科技有限责任公司 | 签到防作弊方法、装置、***、设备及存储介质 |
CN110263871A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 计步作弊检测方法、装置、智能终端和存储介质 |
CN110427758A (zh) * | 2019-08-08 | 2019-11-08 | 北京智游网安科技有限公司 | 位置欺骗检测方法、智能终端及存储介质 |
CN111143665A (zh) * | 2019-10-15 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种欺诈的定性方法、装置及设备 |
CN111860598A (zh) * | 2020-06-18 | 2020-10-30 | 中国地质大学(武汉) | 一种用于运动行为、关系识别的数据分析方法、电子设备 |
US10824703B1 (en) * | 2017-02-01 | 2020-11-03 | United Services Automobile Association (Usaa) | Authentication based on motion and biometric data |
CN111915381A (zh) * | 2020-09-14 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 检测作弊行为的方法、装置、电子设备和存储介质 |
-
2021
- 2021-05-17 CN CN202110532536.8A patent/CN113128131A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458739A (zh) * | 2008-11-21 | 2009-06-17 | 杭州义盛祥通信技术有限公司 | ***统计评价管理***和方法 |
US20140067494A1 (en) * | 2012-01-24 | 2014-03-06 | Blake Squires | Activity monitor system and method |
WO2015034824A1 (en) * | 2013-09-03 | 2015-03-12 | Focus Ventures, Inc. | System and method for identifying and interpreting repetitive motions |
US10824703B1 (en) * | 2017-02-01 | 2020-11-03 | United Services Automobile Association (Usaa) | Authentication based on motion and biometric data |
CN108332770A (zh) * | 2017-12-29 | 2018-07-27 | 青岛真时科技有限公司 | 一种防计步作弊的方法、装置和*** |
CN109065120A (zh) * | 2018-06-28 | 2018-12-21 | 努比亚技术有限公司 | 一种信息处理的方法、装置以及计算机存储介质 |
CN109788440A (zh) * | 2019-01-14 | 2019-05-21 | 北京纷扬科技有限责任公司 | 签到防作弊方法、装置、***、设备及存储介质 |
CN109756840A (zh) * | 2019-01-14 | 2019-05-14 | 北京纷扬科技有限责任公司 | 移动终端签到防作弊方法、装置、***、设备及存储介质 |
CN110263871A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 计步作弊检测方法、装置、智能终端和存储介质 |
CN110427758A (zh) * | 2019-08-08 | 2019-11-08 | 北京智游网安科技有限公司 | 位置欺骗检测方法、智能终端及存储介质 |
CN111143665A (zh) * | 2019-10-15 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种欺诈的定性方法、装置及设备 |
CN111860598A (zh) * | 2020-06-18 | 2020-10-30 | 中国地质大学(武汉) | 一种用于运动行为、关系识别的数据分析方法、电子设备 |
CN111915381A (zh) * | 2020-09-14 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 检测作弊行为的方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364439B (zh) | 自动驾驶***的仿真测试方法、装置以及存储介质 | |
CN108875781B (zh) | 一种标签分类方法、装置、电子设备及存储介质 | |
CN107004371B (zh) | 对教育内容效果的量度 | |
CN112398947B (zh) | 一种信息推送方法、装置、设备及计算机可读存储介质 | |
CN110704661A (zh) | 一种图像分类方法和装置 | |
CN112990390B (zh) | 一种图像识别模型的训练方法、图像识别的方法及装置 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机*** | |
CN106951232A (zh) | 一种移动终端应用程序的管理方法及装置 | |
US20190160334A1 (en) | Adaptive fitness training | |
CN113128986A (zh) | 长链路交易的报错处理方法及装置 | |
CN113128131A (zh) | 计步作弊检测方法及装置 | |
CN112910708A (zh) | 分布式服务调用方法及装置 | |
CN117435999A (zh) | 一种风险评估方法、装置、设备以及介质 | |
WO2021081768A1 (zh) | 界面切换方法、装置、可穿戴电子设备及存储介质 | |
CN113674065B (zh) | 基于服务触点的业务推荐方法、装置、电子设备及介质 | |
CN114463791A (zh) | 指纹识别方法、装置、电子设备及存储介质 | |
CN113289346A (zh) | 任务模型训练方法、装置、电子设备及存储介质 | |
CN111026991B (zh) | 数据展示方法及装置、计算机设备 | |
CN113807436A (zh) | 用户挖掘方法、装置、计算机设备及可读存储介质 | |
CN113191821A (zh) | 一种数据处理方法及装置 | |
CN103034468A (zh) | 一种显示文本的方法及装置 | |
CN112329943A (zh) | 组合指标的甄选方法、装置、计算机设备及介质 | |
CN112053216A (zh) | 一种金融产品的风险管理方法以及相关装置 | |
CN112819613A (zh) | 贷款信息的处理方法、设备以及存储介质 | |
CN109919197A (zh) | 随机森林模型训练方法及装置 |
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 |