[发明专利]异常用户检测方法、装置、设备及存储介质

说明书

本申请实施例提供一种异常用户检测方法、装置、设备及存储介质。该方法包括：获取多个用户的行为数据；根据多个用户中每个用户的行为数据，对每个用户进行聚类；根据聚类后的每个类别中的用户的行为数据进行关联规则提取，得到每个类别的关联规则；根据每个用户的行为数据与每个类别的关联规则，检测多个用户中的异常用户。根据本申请实施例，能够提高异常用户检测准确率以及运维效率。

技术领域

本申请涉及运维技术领域，尤其涉及一种异常用户检测方法、装置、设备及存储介质。

背景技术

目前，异常用户检测是智能运维中的重要环节，主要是通过检测用户的行为数据是否异常，来及时发现用户是否异常。

传统的异常用户检测方案一般是根据用户的行为数据进行关键词匹配，或者专业人员基于经验进行核查，但是基于上述方案容易检测出无效的异常用户，准确率较低。

发明内容

本申请实施例提供了一种异常用户检测方法、装置、设备及存储介质，能够提高异常用户检测准确率以及运维效率。

第一方面，本申请实施例提供一种异常用户检测方法，该方法包括：

获取多个用户的行为数据；

根据多个用户中每个用户的行为数据，对每个用户进行聚类；

根据聚类后的每个类别中的用户的行为数据，进行关联规则提取，得到每个类别的关联规则；

根据每个用户的行为数据与每个类别的关联规则，检测多个用户中的异常用户。

在第一方面的一些可实现方式中，根据多个用户中每个用户的行为数据，对每个用户进行聚类，包括：

根据每个用户的行为数据，确定每个用户的特征向量；

根据每个用户的特征向量，对每个用户进行聚类。

在第一方面的一些可实现方式中，根据每个用户的行为数据，确定每个用户的特征向量，包括：

根据每个用户的行为数据与词频-逆文件频率(Term Frequency-InverseDocument Frequency，TF-IDF)算法或者Word2vec算法，计算每个用户的特征向量。

在第一方面的一些可实现方式中，根据每个用户的特征向量，对每个用户进行聚类，包括：

根据每个用户的特征向量与DBSCAN算法或者K-means算法，对每个用户进行聚类。

在第一方面的一些可实现方式中，根据聚类后的每个类别中的用户的行为数据，进行关联规则提取，得到每个类别的关联规则，包括：

根据每个类别中的用户的行为数据与Apriori算法或者FP-Growth算法，进行关联规则提取，得到每个类别的关联规则。

在第一方面的一些可实现方式中，根据每个用户的行为数据与每个类别的关联规则，检测多个用户中的异常用户，包括：

根据每个用户的行为数据与每个类别的关联规则，计算每个用户的行为分数；

在行为分数小于或等于预设分数阈值的情况下，确定行为分数对应的用户为异常用户。

在第一方面的一些可实现方式中，每个类别的关联规则包括多个关联元素；

根据每个用户的行为数据与每个类别的关联规则，计算每个用户的行为分数，包括：

确定每个类别的关联规则中的每个关联元素对应的权重；

根据每个用户的行为数据、每个类别的关联规则、每个类别的关联规则中的每个关联元素对应的权重、多个用户的数量、每个类别中的用户的数量，计算每个用户的行为分数。