[发明专利]视频CDN盗链检测方法、装置、电子设备及存储介质

说明书

本发明实施例公开了一种视频CDN盗链检测方法、装置、电子设备及存储介质，所述方法包括：将待进行盗链检测的视频CDN访问数据进行无监督特征提取；将特征提取结果输入至TSVM分类模型中，获取盗链检测结果；其中，所述TSVM分类模型为采用预设训练数据进行半监督训练后建立的，其中，所述预设训练数据包括真实的视频CDN盗链数据的无监督特征提取结果和视频CDN正常访问数据的无监督特征提取结果。本发明实施例由于采用无监督的特征提取和半监督分类模型相结合的盗链检测方式，因而可以从整体上有效提升盗链检测的准确度。

技术领域

本发明涉及计算机技术领域，具体涉及一种视频CDN盗链检测方法、装置、电子设备及存储介质。

背景技术

目前，网络视频点播URL(例如HLS/DASH)一般采用提前加密的方式，在播放串中加入加密字段，然后服务器后台或CDN(Content Delivery Network，内容分发网络)鉴权认证播放串的加密字段来进行访问认证。但是，现有视频平台播放鉴权认证机制，直接抓包就可以获取整个视频文件播放串，然后模拟播放请求就可以获取视频平台上的视频内容，从而盗取受版权保护的视频内容。大量非法盗链请求增加了平台带宽成本和服务器资源，造成严重的经济损失。因此，对于视频CDN盗链的检测显得至关重要。

目前对于视频CDN盗链的检测有多种手段，例如可以采用基于聚类、密度、分布等异常检测模型，如近期较流行的孤异森林(Isolation Forest)，应用也较为广泛，它们的特点是采用无监督方法，直接将疑似异常数据分离出来，该可用于盗链检测分析，但是存在的问题是：由于该基于异常检测模型的检测方式属于无监督检测，因此检测结果的准确性有待怀疑，这是基于无监督的异常检测模型在视频盗链方面的局限性。

发明内容

由于现有方法存在上述问题，本发明实施例提出一种视频CDN盗链检测方法、装置、电子设备及存储介质。

第一方面，本发明实施例提供了一种视频CDN盗链检测方法，包括：

将待进行盗链检测的视频CDN访问数据进行无监督特征提取；

将特征提取结果输入至TSVM分类模型中，获取盗链检测结果；

其中，所述TSVM分类模型为采用预设训练数据进行半监督训练后建立的，其中，所述预设训练数据包括真实的视频CDN盗链数据的无监督特征提取结果和视频CDN正常访问数据的无监督特征提取结果。

进一步地，所述将待进行盗链检测的视频CDN访问数据进行无监督特征提取，具体包括：

将待进行盗链检测的视频CDN访问数据输入至特征提取模型，获取特征提取结果，其中，所述特征提取模型为采用全量视频CDN访问数据进行无监督学习算法训练后得到的。

进一步地，所述方法还包括：

构建包含编码器、隐含层和解码器三层神经网络的自编码网络；其中，所述自编码网络用于将输入数据X进行降维编码为Y，再将Y解码回X；

根据全量视频CDN访问数据对所述自编码网络进行无监督训练，在所述自编码网络的输出数据等于输入数据时，移去所述自编码网络的解码器，得到所述特征提取模型。

进一步地，所述方法还包括：将真实的视频CDN盗链数据进行无监督特征提取，获取第一特征提取结果；

将视频CDN正常访问数据进行无监督特征提取，获取第二特征提取结果；

基于第一特征提取结果和第二特征提取结果训练得到SVM分类模型，并基于训练得到的SVM分类模型建立TSVM分类模型。

进一步地，在建立所述TSVM分类模型之前，所述方法还包括：根据不同视频播放厂商的终端设备构建局域网视频播放环境；

在各个厂商的终端设备中进行具有目标厂商版权的视频内容的播放；