[发明专利]基于交互策略的流量检测、系统、存储介质及电子设备

说明书

本申请公开了一种基于交互策略的流量检测方法、系统、存储介质及电子设备，检测方法包括：预处理步骤：获取各用户游览触点的回传日志信息，对所述回传日志信息的流量日志进行预处理；特征获取步骤：从预处理后的所述流量日志中抽取单维数据特征及接收多维数据特征；流量测试步骤：根据所述单维数据特征及所述多维数据特征通过训练后的孤立森林模型获得流量预测结果；对比步骤：将所述流量预测结果与采用初始化规则识别的异常流量进行对比识别后获得异常流量。本发明提供了一种基于交互策略的弱监督广告反欺诈方法，在异常流量检测的过程中，能够有效降低规则变化带来成本，并提高异常流量模型的可解释性与识别性能。

技术领域

本发明属于基于交互策略的流量检测领域，具体涉及一种基于交互策略的流量检测、系统、存储介质及电子设备。

背景技术

随着近几年互联网金融的发展，各类终端产品层出不穷，营销广告业务不断发展，受其中利益驱使，大批欺诈分子伪造资料、恶意注册大量虚假账号、团伙包装等等，欺诈技术手段也越来越高明，成本也越来越低。广告流量经常面临着黑产的批量攻击，这种攻击渗透在业务链路的各个环节，如曝光、点击、虚假转化、恶意转化等等，对广告业务的良性发展构成了巨大威胁，同时严重危害了广告主的权益。广告反欺诈的特点在于行为的隐蔽性、稀释性，群体坏样本量小但聚集度高，对传统方法提出了很多挑战，深度挖掘用户背后复杂的网络关系成为解决团伙欺诈的重中之重。为了识别这些欺诈用户，减少各类损失，反欺诈人员使用专家规则和预测模型来拦截欺诈流量。

现有方法大多基于专家规则和机器学习预测模型。基于专家规则的方法依靠业务经验和专家规则定义相关的规则模板进行过滤，强烈依赖专家规则和业务背景，且黑产行业的作弊规则千遍万化，不同领域的流量作弊方法各异，作弊方式层出不穷，使得基于专家规则的方法泛化性和鲁棒性能不理想。基于机器学习预测模型的方法减轻了对技术人员的业务背景需求，不需要很强的背景知识构建业务规则，但其特征工程的构建对最终模型的优劣至关重要，技术人员特征构建往往依赖技术经验，且无法依据模型预测结果的性能进而调整模型性能，因此本文提出基于交互策略的弱监督广告反欺诈算法。

发明内容

本申请实施例提供了一种交互策略的流量检测方法、系统、存储介质及电子设备，以至少解决现有的交互策略的流量检测方法无法依据模型预测结果的性能进而调整模型性能的问题。

本发明提供了一种交互策略的流量检测方法，其中，包括：

预处理步骤：获取各用户游览触点的回传日志信息，对所述回传日志信息的流量日志进行预处理；

特征获取步骤：从预处理后的所述流量日志中抽取单维数据特征及接收多维数据特征；

流量测试步骤：根据所述单维数据特征及所述多维数据特征通过训练后的孤立森林模型获得流量预测结果；

对比步骤：将所述流量预测结果与采用初始化规则识别的异常流量进行对比识别后获得异常流量。

上述流量检测方法，其中，还包括：

排序反馈步骤：根据数据特征的重要性对所述单维数据特征及所述多维数据特征进行排序后，将重要性靠前的至少一数据特征及所述异常流量进行反馈；

模型完善步骤：对重要性靠前的至少一数据特征及所述异常流量进行分析后将获得新的多维数据特征，根据新的多维数据特征及所述单维数据特征对所述孤立森林模型进行新一轮的训练与交互。

上述流量检测方法，其中，所述预处理步骤包括：

从所述流量日志中解析出特征字段，并对解析后特征字段的缺失值进行填充。

上述流量检测方法，其中，所述特征获取步骤包括：

单维数据特征抽取步骤：从预处理后的所述流量日志中抽取所述单维数据特征；