[发明专利]一种异常行为识别模型确定方法及装置

权利要求书

1.一种异常行为识别模型确定方法，其特征在于，包括：

将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签；

对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量；

通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型，其中，所述目标图神经网络模型用于异常行为识别。

2.根据权利要求1所述的方法，其特征在于，将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签包括：

分别为所述预定数量的业务数据分配节点ID，其中，一个业务数据对应一个节点；

提取所述预定数量的节点的关系作为所述图结构数据的邻接表，定义一个字典类型的变量，字典的key存节点ID，对应的value为对应的所有邻居节点；

提取所述预定数量的节点的特征矩阵(N，M)，所述图结构数据的特征矩阵，其中，M为构建的特征维度大小，N为节点的数量；

提取所述预定数量的节点的标签Y，组成所述图结构数据的标签矩阵。

3.根据权利要求2所述的方法，其特征在于，对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量包括：

根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点；

根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量。

4.根据权利要求3所述的方法，其特征在于，根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点包括：

根据所述邻接表、所述图结构数据的标签矩阵以及所述预定数量的节点的特征向量，训练得到单层感知网络；

通过所述单层感知网络计算所述预定数量的节点的预测值，并确定每两个节点的预测值的L1距离；

使用所述L1距离确定所述中心节点与所述相邻节点的相似度；

将所述相似度按照由大到小的顺序进行排序；

获取所述相似度大于所述预设阈值的所述n个节点。

5.根据权利要求3所述的方法，其特征在于，根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量包括：

确定所述n个节点的中心节点向量与邻居节点向量；

拼接所述中心节点向量与所述邻居节点向量，得到拼接后的目标向量；

通过聚合函数对所述目标向量进行聚合处理，得到聚合向量；

对所述聚合向量进行过滤，得到所述图结构数据的稠密向量。

6.根据权利要求1所述的方法，其特征在于，通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型包括：

使用所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到所述目标图神经网络模型，其中，所述稠密向量为所述原始图神经网络模型的输入，训练好的所述目标图神经网络模型输出的所述稠密向量对应的标签结果与所述稠密向量实际对应的分类结果满足以下损失函数：

其中，y_v是节点v实际的标签结果，σ(z_v)是目标图神经网络预测的概率，σ是激活函数，z_v是节点v的稠密向量，λ||θ||₂为约束条件。

7.根据权利要求1至6中任一项所述的方法，其特征在于，在通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型之后，所述方法还包括：

获取目标业务数据；

将所述目标业务数据输入预先训练好的目标图神经网络模型中，得到所述目标图神经网络模型输入的所述目标业务数据对应不同分类结果的概率，其中，所述概率大于预设阈值的分类结果为所述目标业务数据对应的异常行为识别结果。