[发明专利]一种异常检测方法、装置、电子设备及存储介质

说明书

本发明提供了一种异常检测方法、装置、电子设备及存储介质。所述方法，包括：获取待检测数据的明细数据和聚合数据，其中，所述明细数据包括每个所述待检测数据的数据明细、数据特征，所述聚合数据为待检测数据在监控指标体系内包含的每个监控指标维度下的聚合统计数据；根据明细数据，通过预设的持续性风险召回模型，获取待检测数据中的持续性风险数据；根据聚合数据，通过预设的突发性风险召回模型，获取待检测数据中的突发性风险数据；其中，持续性风险召回模型包括网格密度聚类算法模型、孤立森林算法模型、正样本无标签学习算法模型中的至少一种，突发性风险召回模型包括prophet算法模型。从而极大提升了风险感知的时效性和覆盖率。

技术领域

本发明涉及互联网技术领域，尤其涉及一种异常检测方法、装置、电子设备及存储介质。

背景技术

在风控场景下，其体系流程主要有风险感知、问题分析、风险识别三个阶段。第一阶段为风险感知即发现风险问题，第二阶段为问题分析即对发现的问题进行归纳分析总结类型，第三阶段为风险识别即构建风险识别模型，进行线上拦截。其中，风险感知作为风控体系的前置阶段有着重要的作用。当前风险感知的方式主要通过日常巡检抽样发现问题，该方式的时效低且覆盖率有限，并且考虑到黑产行为具有对抗性强、形变速度快等的特性，所以需要一种高时效、高覆盖率的自动发现风险的能力。

发明内容

本发明实施例提供一种异常检测方法、装置、电子设备及存储介质，以解决现有的异常检测过程的时效性、覆盖率较差的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种异常检测方法，包括：

获取待检测数据的明细数据和聚合数据，其中，所述明细数据包括每个所述待检测数据的数据明细、数据特征中的至少一种，所述聚合数据为所述待检测数据在监控指标体系内包含的每个监控指标维度下的聚合统计数据；

根据所述明细数据，通过预设的持续性风险召回模型，获取所述待检测数据中的持续性风险数据；

根据所述聚合数据，通过预设的突发性风险召回模型，获取所述待检测数据中的突发性风险数据；

其中，所述持续性风险召回模型包括网格密度聚类算法模型、孤立森林算法模型、正样本无标签学习算法模型、具有部分观测异常的异常检测算法模型中的至少一种，所述突发性风险召回模型包括prophet算法模型。

可选地，所述根据所述聚合数据，通过预设的突发性风险召回模型，获取所述待检测数据中的突发性风险数据的步骤，包括：

针对预设的监控指标体系内包含的任一监控指标维度，获取每个时间单位内，所述监控指标维度在每个指标属性值时的数据量的真实值；

针对任一监控周期，根据所述监控周期之前预设时间段内的数据量的真实值，通过Prophet算法模型，获取所述监控周期内数据量的预测值和警报阈值范围，所述预测值包括每个所述监控指标维度在每个指标属性值时的数据量的预测值，所述警报阈值范围包括所述监控周期内的全部数据量的警报阈值范围；

响应于所述监控周期内全部数据量的真实值超出所述警报阈值范围，根据所述监控周期内每个所述监控指标维度在每个指标属性值时的数据量的预测值和真实值，通过多维度根因分析算法，获取所述监控周期的多维度根因分析结果；

获取与所述多维度根因分析结果对应的数据，作为所述突发性风险数据；

其中，所述监控周期为所述时间单位的整数倍，所述多维度根因分析结果包括至少一个指标维度组合，所述指标维度组合内包括多个指标属性值，且每个所述指标属性值所属的监控指标维度不完全相同。

可选地，所述Prophet算法模型的输入参数还包括所述监控周期的日期属性，所述日期属性包括所述监控周期是否属于节假日、所述监控周期所属的节假日类型中的至少一种。