[发明专利]电子装置、异常用户处理策略智能决策方法及存储介质

权利要求书

1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的异常用户处理策略智能决策程序，所述异常用户处理策略智能决策程序被所述处理器执行时实现如下步骤：

A1、获取预先确定的多个用户的操作特征数据以及基于所述操作特征数据，以无监督学习方式确定出所述多个用户中的异常用户；

A2、根据有监督学习方法对确定的各个异常用户的异常特征参数进行关键性分析，以得到所述各个异常用户的关键异常特征参数；

A3、将各个异常用户的关键异常特征参数代入预先确定的异常用户评分公式进行用户评分计算，以计算出各个异常用户的用户评分；

A4、根据预先存储的用户评分与异常处理策略之间的映射关系，确定针对各个异常用户所需的异常处理策略。

2.如权利要求1所述的电子装置，其特征在于，在所述步骤A1中，所述无监督学习方式为聚类算法，所述以无监督学习方式确定出所述多个用户中的异常用户的步骤，包括：

对多个用户的操作特征数据进行聚类，将关联度高的用户的操作特征数据聚合，得到多个簇；

分别判断每一个簇中各个操作特征数据的分布，若一个簇中包含的操作特征数据小于第一预设数量，则认为该簇中的用户为异常用户；

若一个簇中包含的操作特征数据大于或者等于所述第一预设数量，且离预定义的中心数据的距离大于预定义距离阈值的操作特征数据的个数，大于或者等于第二预设数量，则认为该簇中的用户为异常用户；

或者，若一个簇中包含的操作特征数据大于或者等于所述第一预设数量，且离预定义的中心数据的距离大于预定义距离阈值的操作特征数据的个数，小于所述第二预设数量，则认为该簇中离中心数据的距离大于预定义距离阈值的操作特征数据对应的用户的为异常用户。

3.如权利要求1所述的电子装置，其特征在于，在所述步骤A2中，所述有监督学习方式为决策树方法，所述步骤A2包括：

利用确定出的异常用户的操作特征数据，构建决策树，所述决策树包含多个节点，每一个节点对应一个操作特征数据且距离决策树的根节点的位置越近的节点对应的操作特征数据在识别异常用户中越重要；

选取决策树中距离所述根节点的深度小于预定义的深度阈值的节点对应的操作特征数据作为关键异常特征。

4.如权利要求1所述的电子装置，其特征在于，在所述步骤A3中，所述用户评分公式为：

其中，X为待评分的异常用户的用户评分，w₀为预设常量调整因子，w_i表示第i个异常特征参数的特征权重值，x_i表示第i个异常特征参数的特征值，m为异常特征参数的数量。

5.如权利要求1-4任一项所述的电子装置，其特征在于，所述操作特征数据包括操作用户的用户名、登录IP、时间、操作事件、参数等数据信息。

6.一种异常用户处理策略智能决策方法，其特征在于，所述方法包括如下步骤：

S1、获取预先确定的多个用户的操作特征数据以及基于所述操作特征数据，以无监督学习方式确定出所述多个用户中的异常用户；

S2、根据有监督学习方法对确定的各个异常用户的异常特征参数进行关键性分析，以得到所述各个异常用户的关键异常特征参数；

S3、将各个异常用户的关键异常特征参数代入预先确定的异常用户评分公式进行用户评分计算，以计算出各个异常用户的用户评分；

S4、根据预先存储的用户评分与异常处理策略之间的映射关系，确定针对各个异常用户所需的异常处理策略。