[发明专利]数据认证方法、装置、认证设备及存储介质

权利要求书

1.一种数据认证方法，其特征在于，包括：

获取待认证数据；

若模型认证功能已开启，则通过预设的认证模型认证所述待认证数据为异常数据或非异常数据，其中，所述认证模型基于k均值聚类算法、线性支持向量机算法以及无标签样本数据构建；

若模型认证功能未开启，则根据多因子认证策略认证所述待认证数据为异常数据或非异常数据；

在获取待认证数据之前，还包括：

基于k均值聚类算法对无标签的样本数据进行聚类，以为所述无标签的样本数据添加标签；

基于线性支持向量机算法对添加标签后的样本数据进行分类；

根据分类结果构建所述认证模型；

基于k均值聚类算法对无标签的样本数据进行聚类，以为所述无标签的样本数据添加标签，包括：

计算每个无标签的样本数据与每个聚类中心之间的距离总和；

以最小化所述距离总和为优化目标更新各所述聚类中心，直至所述距离总和低于设定值或者达到最小值；

对于每个无标签的样本数据，将与该样本数据距离最近的更新后的聚类中心作为该样本数据的标签。

2.根据权利要求1所述的方法，其特征在于，基于线性支持向量机算法对添加标签后的样本数据进行分类，包括：

基于线性支持向量机算法寻找最大白边方程，所述最大白边方程用于将所述添加标签后的样本数据分成正样本和负样本，且使得与所述最大白边方程所在的超平面最近的正样本以及与所述超平面最近的负样本之间的距离达到最大值。

3.根据权利要求2所述的方法，其特征在于，根据分类结果构建所述认证模型，包括：

计算基于所述最大白边方程对测试数据进行分类的误差率；

若所述误差率小于或等于预设阈值，则将所述最大白边方程作为所述认证模型。

4.根据权利要求1所述的方法，其特征在于，基于线性支持向量机算法对添加标签后的样本数据进行分类，包括：

若所述添加标签后的样本数据中存在不可分样本，则丢弃所述不可分样本，或者，根据多因子认证策略确定所述不可分样本的分类。

5.根据权利要求1所述的方法，其特征在于，所述根据多因子认证策略认证所述待认证数据为异常数据或非异常数据，包括：

根据以下至少两种因子确定所述待认证数据的风险等级：登录时间、登录设备类型、登录设备的网络环境、客户端版本以及网络地址；

根据所述风险等级确定所述待认证数据为异常数据或非异常数据。

6.根据权利要求1所述的方法，其特征在于，所述标签包括两种：异常数据和非异常数据；或者，

所述标签包括至少两种风险等级，其中一部分风险等级对应于异常数据，另一部分风险等级对应于非异常数据。

7.根据权利要求1所述的方法，其特征在于，还包括：

若所述分类结果中不存在不可分样本，则开启模型认证功能；

若所述分类结果中存在不可分样本，则关闭模型认证功能。