[发明专利]基于贝叶斯模型的移动考勤防作弊大数据检测方法

权利要求书

1.一种基于贝叶斯模型的移动考勤防作弊大数据检测方法，其特征在于，其包括如下步骤：

(S1)构建代打卡作弊模型；

(S2)对步骤(S1)构建的代打卡作弊模型进行应用，包括用户打卡侦测流程和大数据模型训练流程；

其中，步骤(S1)包括如下步骤：

(S11)建立样本库：梳理多个代打卡规则，根据代打卡规则筛选出疑似代打卡人员的记录数据，并建立样本库；

(S12)模型训练：将步骤(S11)中样本库的数据使用十倍交叉的方式进行贝叶斯模型的训练；

(S13)模型应用：针对步骤(S12)中的其中一条人员记录进行分析，首先将其按照样本处理规则建立各特征维度，得到样本，将样本作为模型的输入，计算后得到结果，如果结果为1，则判定样本是正常人员，如果结果为-1则为代签人员；

(S14)模型优化：从样本特征的组合优化、特征的处理、样本的真实标签的获取对模型处理结构进行优化；

其中，步骤(S2)中，所述用户打卡侦测流程包括如下步骤：

(S31)用户来到指定办公地点，打开手机系统点击考勤；

(S32)系统实时获取用户账号信息、手机设备信息、GPS定位经纬度信息、用户排班班次信息内容；

(S33)用户打卡数据作为输入进入大数据侦测平台；

(S34)大数据侦测平台通过代打卡作弊模型进行计算，实时检测数据作弊的可疑度；

(S35)超过大数据侦测平台预设值认为是可能作弊的数据，输出结果，反馈到管理人员；

所述大数据模型训练流程包括如下步骤：

(S41)根据代打卡规则提取打卡可疑人员数据；

(S42)根据步骤(S41)选定的代打卡规则数据建立样本库，样本库包含正例和反例；

(S43)根据预设的代打卡作弊模型进行训练，提取精确度；

(S44)用户每次打卡数据作为模型输入数据，进行检测；

(S45)模型检测结果输出到系统，管理员检查出勤真实度，并通过系统反馈；

(S46)管理人员将反馈的可疑人员结果情况输入到模型中，完善样本库；

(S47)根据反馈的样例进一步优化代打卡作弊模型；

(S48)循环步骤(S44)至步骤(S47)，反复优化整个代打卡作弊模型。

2.如权利要求1中所述的基于贝叶斯模型的移动考勤防作弊大数据检测方法，其特征在于，代打卡规则包括第一规则、第二规则、第三规则和第四规则；第一规则为只用系统打卡功能，系统活跃度低，但考勤出席率高的信息；第二规则为出席情况同时同出的人员；第三规则为长时间未请过假的人员；第四规则为连续一段时间，每天都在同一较短时间段打卡的小组。

3.如权利要求1所述的基于贝叶斯模型的移动考勤防作弊大数据检测方法，其特征在于，步骤(S12)中，模型训练包括如下步骤：

(S121)模型选择：选择贝叶斯模型进行分类，通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类；

(S122)训练步骤：将样本库中的数据均匀的分成10等分，随机取9份用来做训练数据，剩下一份做测试数据，循环训练和测试10次，取其平均精度作为模型的分类精度值。