[发明专利]移动广告点击欺诈检测方法、系统、终端及介质

权利要求书

1.一种移动广告点击欺诈检测方法，其特征在于，包括：

获取应用程序中针对广告的点击事件的坐标及触发条件，并以此为根节点，通过基于静态检测的后向程序切片方法，构建关于点击事件的坐标以及触发条件的数据依赖图；

遍历所述数据依赖图，构建针对每一次点击事件的特征向量，并且利用良性样本的特征向量训练分类模型；

将待检测的特征向量输入训练好的所述分类模型，生成重构向量，并利用交叉熵算法计算重构向量与待检测的特征向量之间的重构误差，筛选出疑似点击欺诈的点击事件。

2.根据权利要求1所述的移动广告点击欺诈检测方法，其特征在于，所述针对广告的点击事件的坐标，包括：针对广告的点击事件的x坐标与y坐标；

所述针对广告的点击事件的触发条件，包括：针对广告的点击事件的控制流上的所有的条件表达式；

所述数据依赖图，包括：用于表示数据流和数据流之间的依赖关系的根节点和子节点；其中：

将每一个点击事件的x坐标与y坐标作为一个根节点，同时，将通过运算并形成该根节点的数据作为该根节点的子节点；

将每一个位于点击事件的控制流上的条件表达式作为一个根节点，同时，将通过运算并形成该根节点的数据作为该根节点的子节点。

3.根据权利要求2所述的移动广告点击欺诈检测方法，其特征在于，所述通过基于静态检测的后向程序切片方法，构建关于点击事件的坐标以及触发条件的数据依赖图，包括：

将数据分为常量、函数返回值、变量和点击事件所在函数的参数，基于应用程序的过程间控制流图、声明-使用链和使用-声明链，针对所述坐标及触发条件进行后向的程序切片；其中：

对于常量部分，直接回溯该部分声明位置并将该部分加入数据依赖图中，同时，在两个具有数据依赖关系的节点之间添加一条边；

对于函数返回值部分：

-如果为系统API，直接回溯该部分声明位置并将该部分加入数据依赖图中；

-如果为自定义函数，回溯该部分声明位置并在该函数体内递归后向程序切片方法以获取该函数返回值的完整的数据依赖图，并将该数据依赖图作为最终数据依赖图的子图；最后在两个具有数据依赖关系的节点之间添加一条边；

对于变量部分，将该部分加入数据依赖图，递归回溯该部分的前继节点并将该部分加入数据依赖图，同时，在两个具有数据依赖关系的节点之间添加一条边；

对于点击事件所在函数的参数部分，回溯该所在函数被实际调用的位置并将该所在函数的参数的实际值加入数据依赖图中，同时，对该所在函数的参数的前继节点递归后向程序切片方法，最后在两个具有数据依赖关系的节点之间添加一条边。

4.根据权利要求3所述的移动广告点击欺诈检测方法，其特征在于，所述使用-声明链主要由一个变量的使用点以及该变量的所有定义点组成，所述定义点与所述使用点之间没有任何其他中间定义；

所述声明-使用链主要由一个变量的声明点和这个变量所有的使用点构成，所述使用点与所述声明点之间没有任何其他中间定义。

5.根据权利要求1所述的移动广告点击欺诈检测方法，其特征在于，所述利用良性样本的特征向量训练分类模型，采用one class classification算法，包括：

在模型训练阶段，仅使用带有一种标签的数据对所述分类模型进行训练，使所述分类模型在隐空间中学习得到带有该标签样本的特征；和/或

所述分类模型采用变分自编码器。

6.根据权利要求1所述的动广告点击欺诈检测方法，其特征在于，所述利用交叉熵算法计算重构向量与待检测的特征向量之间的重构误差，筛选出疑似点击欺诈的点击事件，包括：

所述交叉熵算法如下所示：

其中，l(θ，φ)表示重构向量与待检测的特征向量之间的重构误差，E表示期望值，q_θ(z|x)表示高斯分布，θ表示编码器的偏差与权重，x表示编码器的输入，z表示编码器的输出，z是隐向量空间，φ表示解码器的偏差与权重，p_φ(x|z)表示解码器；

基于现有的数据集遍历重构误差，找出使准确率最高的重构误差并将其设定为阈值，筛选出疑似点击欺诈的点击事件。