[发明专利]识别恶意用户的方法及装置

说明书

技术领域

本公开涉及服务器领域，尤其涉及一种识别恶意用户的方法及装置。

背景技术

随着网络技术的发展，网络服务器可以凭借其强大的处理性能来并行地为大量访问用户提供信息服务，例如诸如软件下载、网上聊天、网上购物等等。然而在访问网络服务器的用户中，常存在一些使用技术手段损害他人权益的恶意用户。比如，网上电子商城的在线商品抢购是一种新兴的商品销售方式，可以起到宣传新品、吸引高忠诚度用户的作用，但一些恶意用户会通过技术手段恶意抢购大量商品并转手加价销售，严重损害了销售者和其他消费者的权益。

为了有效制止恶意用户的行为，目前已存在了一些可以在用户群体中识别出恶意用户的方案。例如针对上述恶意抢购的情形，有方案基于对用户的评分机制，在用户触发短时间内多次添加购物车等条件时扣除其一定分值，并将分值低于阈值的用户判定为恶意用户，从而起到一定的限制恶意用户的作用。

但是，上述方案的实际效果严重依赖于评分机制的制定者的个人经验和个人能力，不可避免地受制于制定者的主观认知，因而很容易产生误判和漏判的情况，达不到识别恶意用户的准确度要求。

发明内容

为克服相关技术中存在的问题，本公开提供一种识别恶意用户的方法及装置。

根据本公开实施例的第一方面，提供一种识别恶意用户的方法，包括：

获取待识别用户的历史行为特征；

获取用户分类模型，所述用户分类模型基于恶意用户的历史行为特征和正常用户的历史行为特征由分类器模型训练生成；

将所述待识别用户的历史行为特征输入所述用户分类模型，以确定所述待识别用户是否为恶意用户。

本公开实施例基于由分类器模型训练得到的用户分类模型，可以利用机器学习算法的特性自动分析恶意用户的行为特征，相比于相关技术而言具有不依赖人的主观认知以及行为特征的覆盖范围更广的特点，因而可以有效减少误判和漏判的情况，提高识别恶意用户的准确程度。

在本公开的一个实施例中，所述方法还包括：

在任一识别周期结束之后，获取恶意用户和/或正常用户在所述识别周期内的历史行为特征，并基于所获取的历史行为特征扩充已存储的训练集；

基于扩充后的训练集，对所述用户分类模型进行调整。

本公开实施例基于识别周期结束后的训练集扩充和用户分类模型调整，可以通过定期采集恶意用户和/或正常用户的行为变化，来及时调整用户分类模型来适应其行为变化，使得在服务器功能的变更或者恶意用户的行为模式变化时，仍然可以在一定程度上保障识别恶意用户的准确程度，实现恶意用户识别方案对于应用场景变化的自适应。

在本公开的一个实施例中，所述方法还包括：

在确定所述待识别用户是恶意用户之后，为所述待识别用户添加恶意用户标记。

本公开实施例基于对确定为恶意用户的待识别用户添加恶意用户标记，可以配合上述训练集扩充和用户分类模型调整及时采集最新识别出来的恶意用户的行为特征，有利于增强对恶意用户的行为特征变化的适应能力。

在本公开的一个实施例中，所述方法还包括：

在获取任一用户分类模型之后，根据预先设置的评价策略判断所述用户分类模型的分类效果是否满足要求；

在所述用户分类模型的分类效果不满足要求时重新生成一不同的用户分类模型，直至用户分类模型的分类效果满足要求。

基于根据评价策略判断分类效果，以及在分类效果不满足要求时重新生成一不同的用户分类模型，本实施例可以避免将分类效果差的用户分类模型投入到实际应用当中，并且可以利用用户分类模型在生成时所可能具有的随机性择优选取所使用的用户分类模型，有助于进一步提升识别恶意用户的准确程度。

在本公开的一个实施例中，所述根据预先设置的评价策略判断所述用户分类模型的分类效果是否满足要求，包括：

在所述用户分类模型的分类准确率小于第一预设阈值时，确定所述用户分类模型的分类效果不满足要求；

和/或，

在所述用户分类模型的分类错误率大于第二预设阈值时，确定所述用户分类模型的分类效果不满足要求；

和/或，

在所述用户分类模型的恶意用户覆盖率小于第三预设阈值时，确定所述用户分类模型的分类效果不满足要求；

和/或，

在所述用户分类模型的恶意用户命中率小于第四预设阈值时，确定所述用户分类模型的分类效果不满足要求；

和/或，