[发明专利]数据处理方法、违规识别模型训练方法及相关设备

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取预设时间段内的操作行为数据；

基于所述操作行为数据确定第一特征向量和第二特征向量，所述第一特征向量为图数据的向量，所述第二特征向量为操作行为特征数据的向量，所述图数据用于表示操作行为的结构特征，所述图数据包括多个节点以及节点与节点的连线，每一个所述节点用于表示所述操作行为特征数据中的一条数据，每一条连线用于表示两个所述节点对应的所述操作行为特征数据具有关联关系；所述操作行为特征数据用于反映操作行为的相关信息；

将所述第一特征向量和所述第二特征向量输入到违规识别模型，获得识别结果；

其中，所述违规识别模型包括基于图嵌入算法构建的第一神经网络层和基于集成学习算法构建的第二神经网络层，所述第一神经网络层为自编码网络；所述自编码网络用于监督学习异常操作行为，所述第一神经网络层的输入为所述第一特征向量，所述第一神经网络层的输出为第一图嵌入向量，所述第一图嵌入向量用于表示所述图数据中节点的结构信息，所述第二神经网络层的输入为所述第一图嵌入向量和所述第二特征向量，输出为所述识别结果。

2.根据权利要求1所述的方法，其特征在于，所述第一神经网络层包括由2*N层第一全连接网络依次连接形成的自编码子网络，以及由M层第二全连接网络依次连接形成的异常操作行为任务学习子网络；

其中，N和M均为正整数，所述自编码子网络的输入为所述第一特征向量，第N层第一全连接网络的输出为所述第一图嵌入向量，所述异常操作行为任务学习子网络的输入为所述第一图嵌入向量，输出为基于第一图嵌入向量对所述节点的异常操作行为的预测结果。

3.根据权利要求2所述的方法，其特征在于，所述违规识别模型的损失函数L基于重建损失、任务损失L₀和正则化损失L_reg构成，所述重建损失包括用于表示邻居节点之间的一阶相似性损失L_1st和用于表示邻居节点之间的二阶相似性损失L_2st，所述损失函数L满足：

L＝L_1st+αL_2st+βL₀+λL_reg，其中，α、β和λ为调节参数。

4.一种违规识别模型训练方法，其特征在于，包括：

获取待训练的样本数据；

基于所述样本数据确定第三特征向量和第四特征向量，所述第三特征向量为图数据的向量，所述第四特征向量为操作行为特征数据的向量，所述图数据用于表示操作行为的结构特征，所述图数据包括多个节点以及节点与节点的连线，每一个所述节点用于表示所述操作行为特征数据中的一条数据，每一条连线用于表示两个所述节点对应的所述操作行为特征数据具有关联关系；所述操作行为特征数据用于反映操作行为的相关信息；

基于所述第三特征向量和第四特征向量对待训练违规识别模型进行训练，获得违规识别模型；

其中，所述待训练违规识别模型包括基于图嵌入算法构建的第一神经网络层和基于集成学习算法构建的第二神经网络层，所述第一神经网络层为自编码网络；所述自编码网络用于监督学习异常操作行为，所述第一神经网络层的输入为所述第三特征向量，所述第一神经网络层的输出为第二图嵌入向量，所述第二图嵌入向量用于表示所述图数据中节点的结构信息，所述第二神经网络层的输入为所述第二图嵌入向量和所述第四特征向量，输出为对异常操作行为的识别结果。

5.根据权利要求4所述的方法，其特征在于，所述第一神经网络层包括由2*N层第一全连接网络依次连接形成的自编码子网络，以及由M层第二全连接网络依次连接形成的异常操作行为任务学习子网络；

其中，N和M均为正整数，所述自编码子网络的输入为所述第三特征向量，第N层第一全连接网络的输出为所述第二图嵌入向量，所述异常操作行为任务学习子网络的输入为所述第二图嵌入向量，输出为基于第二图嵌入向量对所述节点的异常操作行为的预测结果。