[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

说明书

本发明公开一种基于贝叶斯模型的移动考勤防作弊大数据检测方法，其用于解决现有技术中考勤作弊的缺陷。其包括如下步骤：构建代打卡作弊模型；对代打卡作弊模型进行应用；其中，构建代打卡作弊模型包括建立样本库、模型训练、模型应用和模型优化四个步骤。本发明基于hadoop+spark搭建大数据平台，利用贝叶斯模型进行数据建模和训练，构建考勤防作弊样本及模型，从而对用户的考勤打卡数据进行实时的检测；本发明可以较精准识别作弊人员及代打卡数据，作日常考勤考勤与管理提供有效依据，更好的防范与杜绝作弊行为。

技术领域

本发明涉及一种考勤防作弊的检测方法，尤其涉及一种基于贝叶斯模型的移动考勤防作弊大数据检测方法。

背景技术

传统的指纹考勤设备在企业使用过程中存在种种弊端。尤其是在外勤人员多、人员渠道种类多、岗位变动频繁、人员流动性强、组织结构复杂的保险类企业，外勤签到、排队打卡、出席率管控等等成为了考勤的痛点。

现有移动考勤打卡系统，其采用最新的互联网技术，可以通过GPS精准定位，实现手机上打卡考勤、请假申请和审批、查询功能，满足在外会议、出差、临时调动等考勤需求，但是由于手机系统作弊成本较低，业务员到达指定考勤地点后通过登录不同账号，或者购买多台手机分别登录不同人员的账号，即可实现代他人打卡，这样未到该地点的用户通过其它人代打卡也可成功进行考勤，失去考勤的真实性，导致考勤数据失真，无法解决保险虚拟人力的问题。而移动考勤系统可以通过手机硬件码识别，防止用户通过同个手机登陆不同账号进行作弊，但当用户直接购买多台手机，通过不同手机登录不同账号代替他人打卡这类作弊行为就无从防范与判别。

综上，有必要设计一种基于贝叶斯模型的移动考勤防作弊大数据检测方法来弥补上述缺陷。

发明内容

本发明提出一种基于贝叶斯模型的移动考勤防作弊大数据检测方法，用于解决现有技术中考勤作弊的缺陷。本发明基于hadoop+spark搭建大数据平台，利用贝叶斯模型进行数据建模和训练，构建考勤防作弊样本及模型，从而对用户的考勤打卡数据进行实时的检测；本发明可以较精准识别作弊人员及代打卡数据，作日常考勤考勤与管理提供有效依据，更好的防范与杜绝作弊行为。

本发明的技术方案是这样实现的：

本发明公开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；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，代打卡模型的应用流程包括用户打卡侦测流程和大数据模型训练流程。

其中，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。