[发明专利]异常用户的检测方法、装置及设备

说明书

本公开实施例涉及一种异常用户的检测方法、装置及设备，其中该方法包括：获取多个待检测用户分别在指定时段内对应的指标数据；所述指标数据包括累加型指标数据和/或比率型指标数据；基于高斯混合模型从多个所述待检测用户中筛选出指标数据异常的用户；基于筛选结果确定异常用户。上述方式能够较为可靠客观地找到异常用户，以便于企业有针对性地对异常用户采取措施，从而降低企业因异常用户而遭受的损失。

技术领域

本公开涉及数据处理技术领域，尤其涉及一种异常用户的检测方法、装置及设备。

背景技术

随着互联网技术的应用，具有刷量、作弊、薅羊毛等行为的异常用户也逐渐涌现在互联网上，以此来达到非正常牟利的目的，从而导致相应的企业遭受损失。诸如，在广告行业，异常用户通过作弊流量来骗取广告费用，使广告投放的企业遭受损失；又诸如，在企业通过网络平台举办运营推广活动时，异常用户通过频繁多次参与活动的方式获得大量不合规收入，使得举办活动的企业遭受损失；又诸如，当企业自身的网络产品功能不完善时，异常用户也会利用网络产品的漏洞而非法牟利。因此，为了降低企业因异常用户而遭受的损失，现阶段亟需一种能够较为可靠地检测出异常用户的方法。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种异常用户的检测方法、装置及设备。

本公开实施例提供了一种异常用户的检测方法，所述方法包括：获取多个待检测用户分别在指定时段内对应的指标数据；所述指标数据包括累加型指标数据和/或比率型指标数据；基于高斯混合模型从多个所述待检测用户中筛选出指标数据异常的用户；基于筛选结果确定异常用户。

可选的，所述基于高斯混合模型从多个所述待检测用户中筛选出指标数据异常的用户的步骤，包括：基于高斯混合模型分别计算每个所述待检测用户的指标数据对应的马氏距离，并将计算结果作为每个所述待检测用户对应于所述指标数据的衡量分数；根据多个所述待检测用户的衡量分数确定分数阈值；将衡量分数高于分数阈值的待检测用户确定为指标数据异常的用户。

可选的，所述根据多个所述待检测用户的衡量分数确定分数阈值的步骤，包括：根据多个所述待检测用户的衡量分数，得到分数平均值和分数标准差；基于所述分数平均值和所述分数标准差确定分数阈值。

可选的，如果所述指标数据为比率型指标数据，所述基于高斯混合模型分别计算每个所述待检测用户的指标数据对应的马氏距离，并将计算结果作为每个所述待检测用户对应于所述指标数据的衡量分数的步骤，包括：获取所述比率型指标数据对应的分子指标数据和分母指标数据；其中，所述比率型指标数据是所述分子指标数据和所述分母指标数据的比值；基于高斯混合模型分别计算每个所述待检测用户对应的所述分子指标数据、所述分母指标数据以及所述比率型指标数据各自的马氏距离；将每个待检测用户的所述分子指标数据对应的马氏距离作为所述待检测用户的第一衡量分数，所述分母指标数据对应的马氏距离作为所述待检测用户的第二衡量分数，以及所述比率型指标数据对应的马氏距离作为所述待检测用户的第三衡量分数。

可选的，所述分数阈值包括基于多个所述待检测用户的第一衡量分数确定的第一分数阈值、基于多个所述待检测用户的第二衡量分数确定的第二分数阈值、以及基于多个所述待检测用户的第三衡量分数确定的第三分数阈值；所述将衡量分数高于分数阈值的待检测用户确定为指标数据异常的用户的步骤，包括：对于每个所述待检测用户，分别判断该待检测用户的所述第一衡量分数是否大于所述第一分数阈值、所述第二衡量分数是否大于所述第二分数阈值，以及所述第三衡量分数是否大于所述第三分数阈值；如果有至少一项判断结果为是，确定该待检测用户为指标数据异常的用户。

可选的，在执行所述获取多个待检测用户分别在指定时段内对应的指标数据的步骤之前，所述方法还包括：预先设置用于识别用户的至少一个标识主体；在执行基于筛选结果确定异常用户的步骤之后，所述方法还包括：基于所述标识主体展示所述异常用户。