[发明专利]一种对等组中异常点的检测方法及装置

说明书

本发明提供了一种对等组中异常点的检测方法及装置，所述方法包括：1)、获取对应于待检测用户的原始数据，将所述原始数据作为样本，其中，所述原始数据包括：用户的设备属性信息、风控数据、业务数据；2)、使用加权概率分布模型确定出聚类中心点个数，并基于所述中心点对样本进行若干次K‑means聚类处理；3)根据各次聚类处理后的SSE值的最小值确定出目标k值；4)、将目标k值对应的聚类算法聚类后得到的簇作为对等组，针对每一个对等组，根据所述对等组中的样本点与对等组中其他样本点之间的比值获取每一个样本点的偏离度，根据所述偏离度获取异常点。应用本发明实施例，提高了安全性能。

技术领域

本发明涉及网络安全技术领域，具体涉及一种对等组中异常点的检测方法及装置。

背景技术

在互联网越来越发达的今天，人们越来越多的在网上购物，因此，电商平台往往拥有大量访问客户，为了吸引更多的用户购物，电商平台上的商家往往推出各种各样的优惠活动，包括但不仅限于现金券、打折券、返现券、赠品等。这些优惠活动在吸引了正常的用户的同时，也吸引了各种不法分子的注意，由此产生了如薅羊毛、盗号、代客下单、偷取会员权益、泄漏个人信息等针对电商平台的攻击行为，因此，如何识别出这些行为是亟待解决的技术问题。

现有技术中，申请号为201911200324.9的发明专利申请公开了一种用户登录异常的IP群体识别方法及装置，方法包括：获取登录日志，对各个预设周期内的登录日志进行统计，获取各个IP的登录频次序列；将登录频次序列作为样本集合训练孤立森林算法，得到各个IP地址的分值；针对每一个分值，获取分值的众数，获取与众数对应的登录日志集合；从登录频次序列将对应于众数的登录日志的频次序列筛选出来，并对筛选出的频次序列进行二值化处理，得到各个IP在各个周期的标记；根据各个IP在各个周期的标记，利用kappa算法获取登录日志集合的数据之间的kappa系数，并kappa系数大于预设阈值的登录日志集合作为登录异常群体。可以识别出IP之间相互独立的黑产行为。

但是，现有技术仅能根据IP地址进行异常群体的发现，样本种类较少，导致不能发现其他种类的异常群体，因此，现有技术存在安全性较低的技术问题。

发明内容

本发明所要解决的技术问题在于如何提高安全性。

本发明通过以下技术手段实现解决上述技术问题的：

本发明提供了一种对等组中异常点的检测方法，所述方法包括：

1)、获取对应于待检测用户的原始数据，将所述原始数据作为样本，其中，所述原始数据包括：用户的设备属性信息、风控数据、业务数据；

2)、使用加权概率分布模型确定出聚类中心点个数，并基于所述中心点对样本进行若干次K-means聚类处理；

3)根据各次聚类处理后的SSE值的最小值确定出目标k值；

4)、将目标k值对应的聚类算法聚类后得到的簇作为对等组，针对每一个对等组，根据所述对等组中的样本点与对等组中其他样本点之间的比值获取每一个样本点的偏离度，根据所述偏离度获取异常点。

应用本发明实施例，根据用户的设备属性信息、风控数据、业务数据，采用聚类算法进行对等组划分，然后根据对等组内各个样本点的偏离度进行异常点的发现，本发明中使用的样本种类更多，因此，可以发现更多种类的异常点，进而提高了安全性能。

可选的，步骤1)，包括：

获取对应于待检测用户的原始数据；

对所述原始数据进行去噪处理，得到去噪后的原始数据。

可选的，所述步骤2)，包括：

21)、针对当前k值，从输入的样本中随机选择一个样本作为第一个中心点，将所述中心点作为当前中心点，并将所述当前中心点加入到中心点集合M中；