[发明专利]生成作弊预测模型的方法、装置、设备、介质及程序产品

权利要求书

1.一种生成作弊预测模型的方法，包括：

获取目标流量数据集；

根据作弊预测模型的第一神经网络，确定所述目标流量数据集中不作弊对应的第一流量数据；

根据所述作弊预测模型的第二神经网络，对所述第一流量数据进行作弊检测，得到所述第一流量数据中作弊对应的第二流量数据；

利用所述目标流量数据集中作弊对应的流量数据和所述第二流量数据和对应的真实标签进行训练，生成作弊预测模型。

2.根据权利要求1所述的方法，其中，所述根据作弊预测模型的第一神经网络，确定所述目标流量数据集中不作弊对应的第一流量数据，包括：

将所述目标流量数据集输入作弊预测模型的第一神经网络中，得到所述目标流量数据集对应的预测标签，其中，所述预测标签为作弊或不作弊；

将所述目标流量数据集中预测标签为不作弊对应的流量数据确定为第一流量数据。

3.根据权利要求1或2所述的方法，所述方法还包括：

对所述目标流量数据集进行特征提取，得到对应的特征库；

根据特征重要性，从所述特征库中提取预设个特征；

所述根据所述作弊预测模型的第二神经网络，对所述第一流量数据进行作弊检测，得到所述第一流量数据中作弊对应的第二流量数据，包括：

根据所述作弊预测模型的第二神经网络，对所述第一流量数据中预设个特征进行作弊检测，得到所述第一流量数据中作弊对应的第二流量数据。

4.根据权利要求3所述的方法，其中，若所述第一神经网络为lightgbm网络；

所述根据特征重要性，从所述特征库中提取预设个特征，包括：

将所述特征库输入所述lightgbm网络中，得到所述特征库中每个特征的特征重要性；

根据所述每个特征的特征重要性，从所述特征库中提取预设个特征。

5.根据权利要求4所述的方法，其中，所述第二神经网络为孤立森林网络。

6.根据权利要求3所述的方法，其中，所述对所述目标流量数据集进行特征提取，得到对应的特征库，包括：

从以下至少一个维度，对所述目标流量数据集进行特征提取，得到对应的特征库：业务维度、渠道来源维度、设备维度、时序维度。

7.根据权利要求3所述的方法，其中，所述目标流量数据集包括异常流量数据和正常流量数据，其中，所述正常流量数据与异常流量数据之间成预设的比例。

8.根据权利要求1、2、4、5、6任一项所述的方法，其中，所述目标流量数据集包括异常流量数据和正常流量数据，其中，所述正常流量数据与异常流量数据之间成预设的比例。

9.根据权利要求7所述的方法，其中，所述真实标签可以基于以下步骤确定：

基于所述目标流量数据集中作弊对应的流量数据和所述第二流量数据中的异常流量数据对应的知识图谱和正常流量数据对应的知识图谱，确定所述真实标签。

10.一种预测作弊的方法，包括：

获取待预测的流量数据集；

将待预测的流量数据集输入如权利要求1-9任一项所述的作弊预测模型的第一神经网络中，得到第一预测标签；以及

将所述待预测的流量数据集中第一预测标签为不作弊的第一预测流量数据输入如权利要求1-9任一项所述的作弊预测模型的第二神经网络中，得到第二预测标签；

根据所述待预测的流量数据集中第一预测标签为作弊的流量数据，以及所述第一预测流量数据中第二预测标签为作弊的流量数据，确定所述待预测的流量数据集的作弊预测结果。

11.根据权利要求10所述的方法，所述方法还包括：

对所述待预测的流量数据集进行特征提取，得到样本特征库；

根据样本特征重要性，从所述样本特征库中提取预设个样本特征。