[发明专利]盗号行为判别方法、装置、计算设备及存储介质

权利要求书

1.一种盗号行为判别方法，其特征在于，包括：

获取待判别账号在一次登录到登出期间的日志文件；

对所述日志文件进行预处理，得到所述日志文件中的日志行为和所述日志行为的属性值；

对所述日志行为和所述属性值进行嵌入化处理，得到日志行为矩阵，所述日志行为矩阵由至少两个日志行为向量组成；

将所述日志行为矩阵作为输入提供给预先训练好的判别模型；

所述判别模型响应于所述日志行为矩阵作为输入而生成所述待判别账号存在盗号行为的概率值，其中，所述概率值根据所述待判别账号的局部特征向量和全局特征向量生成，所述局部特征向量根据所述待判别账号的行为模式、在线时长、财富值变化率生成，所述行为模式根据所述日志行为矩阵生成，所述在线时长和所述财富值根据所述日志行为的属性值生成；

根据所述概率值判别待判别账号是否存在盗号行为。

2.如权利要求1所述的盗号行为判别方法，其特征在于，

所述判别模型包括递归神经网络组件，全连接层组件以及输出层组件，其中所述递归神经网络组件接收数据并与所述全连接层组件连接，所述全连接层组件与所述输出层组件连接；

所述判别模型响应于所述日志行为矩阵作为输入而生成所述待判别账号存在盗号行为的概率值包括：

所述递归神经网络组件接收所述日志行为矩阵，根据所述日志行为矩阵获取所述待判别账号的局部特征向量；

所述全连接层组件接收所述待判别账号的局部特征向量，根据所述待判别账号的局部特征向量确定所述待判别账号的全局特征向量；

所述输出层组件接收所述待判别账号的全局特征向量，根据所述待判别账号的全局特征向量生成并输出所述待判别账号存在盗号行为的概率值。

3.如权利要求2所述的盗号行为判别方法，其特征在于，

所述日志行为的属性值包括时间、财富值；

对所述日志文件进行预处理，得到所述日志行为的属性值包括：

对所述日志文件进行预处理，得到登录时间、登出时间、登录时的财富值和登出时的财富值；

得到所述日志行为的属性值之后还包括：

对所述登录时间、所述登出时间、所述登录时的财富值和所述登出时的财富值进行标准化处理，得到在线时长和财富值变化率；

所述递归神经网络组件包括第一层递归神经网络单元和第二层递归神经网络单元；

所述递归神经网络组件根据所述日志行为矩阵获取所述待判别账号的局部特征向量包括：

所述第一层递归神经网络单元接收所述日志行为矩阵，根据所述日志行为矩阵判别所述待判别账号的行为模式，并将所述行为模式提供给所述第二层递归神经网络单元；

所述第二层递归神经网络单元接收所述待判别账号的行为模式、所述在线时长和所述财富值变化率，根据所述待判别账号的行为模式、所述在线时长和所述财富值变化率生成所述待判别账号的局部特征向量。

4.如权利要求3所述的盗号行为判别方法，其特征在于，

对所述登录时间、所述登出时间、所述登录时的财富值和所述登出时的财富值进行标准化处理包括：

通过所述登出时间和所述登录时间的差值，得到账号在线时长，并对所述账号在线时长做正则化处理；

通过所述登出时的财富值和所述登录时的财富值的差值，得到账号财富值变化量，根据所述账号登出时的财富值和所述账号财富值变化量确定所述账号登录期间财富损失率，并对所述账号登录期间财富损失率做正则化处理。

5.如权利要求2或3所述的盗号行为判别方法，其特征在于，

所述递归神经网络组件，包括长短期记忆人工神经网络组件。