[发明专利]一种数据检测方法、装置及电子设备

说明书

本发明实施例提供了一种数据检测方法、装置及电子设备，所述方法包括：将样本业务数据流作为初始机器学习模型的输入，对初始机器学习模型进行训练，得到经过训练的机器学习模型，并将经过训练的机器学习模型作为数据检测模型；将待检测的业务数据流作为数据检测模型的输入，获取数据检测模型根据待检测的业务数据流确定出的数据标识，根据数据标识，对待检测的业务数据流进行检测，确定出待检测的业务数据流中与数据标识相对应的异常的交互数据。通过应用数据检测模型，可以提高异常的交互数据的数据标识的生成效率，使得数据标识的生成不再大幅度的滞后于待检测的业务数据流，从而可以利用该数据标识及时对待检测的业务数据流进行检测。

技术领域

本发明涉及计算机技术领域，特别是涉及一种数据检测方法、装置及电子设备。

背景技术

随着计算机技术和互联网技术的高速发展，用户可以通过各类终端，如，手机、电脑、智能电视等终端设备，与服务端进行交互，从而实现越来越多的功能，例如，网购，线上投票，社交互动等等。每一种终端与服务端交互所实现的功能，都可以认为是服务端提供的一种数据业务。每一个数据业务中，都会产生大量的终端与服务端之间的交互数据，该交互数据实时且不断的产生，从而形成业务数据流。例如，一个用户通过终端在网上购买门票，则在该数据业务中会发生如，终端发送登录请求，服务端进行验证，终端选择不同类型或价格的门票，付款等各类操作，各类操作均会产生相应的交互数据；对服务端来说会有很多终端进行上述操作，从而不断的产生交互数据，而形成业务数据流。

在各类业务的交互过程中，有可能存在各种异常的业务访问或数据交互。例如，在上面的例子中，有人可以通过恶意软件，大量购买门票，进行门票囤积，以谋取不当利益。所以针对这类情况，需要对业务数据流进行实时的监测，从而检测出各种异常的交互数据。

在现有技术中，在对业务数据流进行实时的检测时，可以通过预先确定出的异常的交互数据的标识或特征，如，用户账号，IP地址等；将该标识或特征作为黑名单，利用该黑名单对实时产生的业务数据流进行检测。然而黑名单中的标识或特征，都是在异常的交互数据产生之后，且通过人工或其他方式分析确定出该交互数据为异常的交互数据后，才提取出的该异常的交互数据的标识或特征，并将该标识或特征加入黑名单。所以产生该黑名单中的标识或特征效率较低，并且由于产生该黑名单中的标识或特征效率较低，该黑名单中的标识或特征总是很大程度上滞后于当前时刻实时产生的业务数据流，利用该黑名单中的标识或特征，很难及时的检测出当前时刻实时产生的业务数据流中的异常交互数据。

发明内容

本发明实施例的目的在于提供一种数据检测方法、装置及电子设备，以提高异常的交互数据的数据标识的生成效率，从而在对实时产生的业务数据流进行检测时，能够及时确定出异常的交互数据。具体技术方案如下：

本发明实施例提供了一种数据检测方法，包括：

将样本业务数据流作为初始机器学习模型的输入，对所述初始机器学习模型进行训练，得到经过训练的机器学习模型，并将所述经过训练的机器学习模型作为数据检测模型；

将待检测的业务数据流作为所述数据检测模型的输入，获取所述数据检测模型根据所述待检测的业务数据流确定出的数据标识，所述数据标识为终端与服务端之间进行交互所产生的异常的交互数据的标识，所述待检测的业务数据与所述样本业务数据流为同一类型的业务数据；

根据所述数据标识，对所述待检测的业务数据流进行检测，确定出所述待检测的业务数据流中与所述数据标识相对应的异常的交互数据。

可选的，所述样本业务数据流包括：

终端与所述服务端之间进行实时交互所产生的实时业务数据流，

或者，终端与所述服务端之间已经完成的交互所产生的业务数据流。

可选的，所述方法还包括：