[发明专利]异常节点确定方法、存储介质及程序产品

说明书

本申请实施例提供了一种异常节点确定方法、存储介质及程序产品，其中，异常节点确定方法，包括：获取初始图网络，其中，初始图网络中的节点包括与电子设备对应的设备节点以及与用户账号对应的账号节点，初始图网络中节点之间的边根据电子设备和用户账号之间的对应关系确定；以初始图网络中的节点作为初始节点进行随机游走，以获取节点序列；根据节点序列对应的子图结构对节点序列进行主题聚类获得主题聚类组，并将节点序列数量位于前列的主题聚类组对应的子图结构确定为目标子图结构；基于目标子图结构对应的节点序列进行图网络重建，根据重建结果确定异常节点。本实施例的方案节省了人工成本以及训练成本，且保证了准确性。

技术领域

本申请实施例涉及计算机技术领域，尤其涉及一种异常节点确定方法、存储介质及程序产品。

背景技术

异常设备，又可以称黑产设备或者灰产设备，是指在网络上注册垃圾账号等不正当方式来获利的人所使用的电子设备，这种获利行为会导致很多不良影响，例如会导致商家投入很多资金但却并为吸引到真正的客户，且获利过程产生的虚假访问回对商家造成干扰，进一步影响商家决策。

通常，会根据异常设备的行为特征等训练神经网络模型，从而根据训练的神经网络模型来发现异常。然而，随着异常设备的使用者不断调整策略，相应地，为了发现异常设备，风控人员或其他技术人员也需要不断加入新的行为特征对神经网络模型进行训练，极大地提高了模型的训练成本，也使得发现异常设备的增益成对数曲线增长。

有鉴于此，现有技术亟需解决的技术问题是如何提供一种快速识别出异常设备的方案。

发明内容

有鉴于此，本申请实施例提供一种异常节点确定方案，以至少部分解决上述问题。

根据本申请实施例的第一方面，提供了一种异常节点确定方法，包括：获取初始图网络，其中，所述初始图网络中的节点包括与电子设备对应的设备节点以及与用户账号对应的账号节点，所述初始图网络中节点之间的边根据所述电子设备和所述用户账号之间的对应关系确定；以所述初始图网络中的节点作为初始节点，以节点之间的边为路径进行随机游走，获取所述初始节点对应的节点序列；根据所述节点序列对应的子图结构对所述节点序列进行主题聚类，获得对应的多个主题聚类组及对应的节点序列数量，并将节点序列数量位于前列的主题聚类组对应的子图结构确定为目标子图结构；基于所述目标子图结构对应的节点序列进行图网络重建，根据重建结果确定所述初始图网络中的异常节点。

根据本申请实施例的第二方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的异常节点确定方法。

根据本申请实施例的第三方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备执行如上所述的异常节点确定方法对应的操作。

根据本申请实施例提供的异常节点确定方案，通过获取的初始图网络中的节点包括与电子设备对应的设备节点以及与用户账号对应的账号节点，所述初始图网络中节点之间的边根据所述电子设备和所述用户账号之间的对应关系确定，由此，可以通过初始图网络中的结构反映用户账号与电子设备之间的关系。再以所述初始图网络中的节点作为初始节点，以节点之间的边为路径进行随机游走，获取所述初始节点对应的节点序列；根据所述节点序列对应的子图结构对所述节点序列进行主题聚类，获得对应的多个主题聚类组及对应的节点序列数量，并将节点序列数量位于前列的主题聚类组对应的子图结构确定为目标子图结构，由于与普通用户相比，通过黑产行为获利的人数量较少，则通过黑产行为获利的人所拥有的电子设备和用户账号所对应的节点序列数量也较少，因此，确定出的目标子图结构即为与普通用户对应的目标子图结构，基于所述目标子图结构对应的节点序列进行图网络重建，使得重建过程中可以尽量摒弃通过黑产行为获利的人对应的子图结构，进而使得根据重建结果可以确定所述初始图网络中的异常节点。另外，本申请实施例提供的方案，可以基于节点序列的子图结构识别出异常节点，无需人工对获利行为进行分析，无需预先训练图神经网络模型，极大地节省了人工成本以及训练成本，且保证了异常节点的识别准确性。

附图说明