[发明专利]具有周期属性的多因素交互行为异常检测方法

说明书

本发明涉及一种具有周期属性的多因素交互行为异常检测方法，其个体行为在于对每个用户单独考虑，分析用户历史正常交互行为，根据用户历史正常交互行为模式对用户当前交互行为进行检测。不仅考虑了登陆时间属性、工作时间登录属性、登陆间隔、关键页面停留时间属性，还考虑了用户交互持续时间、关键路径触发属性，更加充分的描述了用户的系统交互行为；而且所提出的交互行为周期划分算法对用户行为的周期特性进行分析，同时在异常行为检测模型中使用调整余弦相似度对交互行为进行衡量，在保证了行为向量的数值特性不被破坏的基础上增加了对行为方向特性的刻画。为交互行为的异常判断与检测提供了技术支持。

技术领域

本发明涉及一种信息技术领域，特别涉及一种具有周期属性的多因素交互行为异常检测方法。

背景技术

近年来，我国经济快速发展，计算机技术不断应用于金融交易领域中，随着“互联网+”时代的到来，在线支付也变得越来越流行，互联网金融已经成为金融行业发展的主流趋势。而且网络支付和无卡支付(例如，PayPal和AliPay)变得越来越流行，随之而来的是交易欺诈增长的十分迅速。

现有的大部分身份认证技术都是基于用户的账户名和密码。在短时间内对用户进行身份认证，之后无论用户的真实身份是什么，用户所做的一切行为都将被视为合法行为。为了弥补单一的用户名密码的身份认证模式带来的缺陷，近年来许多学者也倾向于数据特征挖掘和行为分析方法用于身份识别领域。如对用户Web日志采用关联规则挖掘、隐马尔可夫过程、半马尔可夫过程、贝叶斯网络、神经网络和随机森林等方法进行行为建模和预测。尽管目前很努力的解决用户身份识别问题，但是依然面临着诸多困难。

目前个体行为画像主要应用于智能营销、点击预测和软件系统优化等领域，通过分析用户的历史交互行为数据提炼统计学特征，如交互频率，交互时延、浏览路径等信息，给用户操作行为打上标签，根据用户所属的标签实现广告推荐、营销和预测等。然而在交互行为异常检测领域，根据每个用户都有自己独特的交互行为习惯，如登录系统的时间，交互的时间长短，点击的频率等都存在不同，通过分析用户的交互行为模式构建用户行为模型，再利用该模型对该用户的交互特征进行匹配度检测，进而识别用户的操作是否由其本人触发。

但是由于不同的外界场景刺激，用户很难一直以一个稳定周期产生交互行为，如双十一购物节、热门节假日的车票购票场景中，用户的交互行为往往与平常的交互场景有很大不同。由于此类场景的随机性和离散性加上用户自身的行为差异，用户的交互行为时序特征往往具备一定的周期性，因此，例如使用快速傅里叶变换等快速计算时域序列周期的方法都不能很好的适用于用户交互行为的分析，现有的交互行为异常检测研究往往也忽略了行为的周期性特征，导致模型对于此类场景下的交互行为的判断往往存在偏差。

发明内容

本发明是针对互联网中交互行为异常检测的问题，提出了一种具有周期属性的多因素交互行为异常检测方法，从用户个体出发，充分考虑不同用户之间的差异性，和交互行为的周期性特征，对用户的交互行为进行合法性判别。

本发明的技术方案为一种具有周期属性的多因素交互行为异常检测方法，具体包括如下步骤：

1)建立正常用户交互行为画像：从用户历史交易数据库中提取该用户的正常交易数据，建立登陆时间属性、工作时间登录属性、登陆间隔、关键页面停留时间属性、用户交互持续时间属性、关键路径触发属性，构建用户包括多维度属性的交互行为画像IBC^u；

2)在步骤1)基础上，根据用户行为记录生成用户的行为间隔序列，计算用户的周期稳定性阈值；其次根据行为周期划分方法，依次比较行为间隔序列中的相邻元素是否满足周期稳定性阈值，输出用户的交互行为周期序列，最后计算具有周期属性的正常交互行为画像UCP_u；