[发明专利]异常流量的检测方法和装置、电子设备、存储介质

说明书

本申请涉及一种异常流量的检测方法和装置、电子设备、存储介质，该方法包括：获取目标网络设备的流量序列，流量序列中按照时间顺序保存有目标网络设备对广告业务的访问行为所产生的多个流量数据；根据流量序列构建多个时段中每个时段的时段网络，时段网络中的每个节点用于表示目标网络设备在一个访问时刻对广告业务的访问行为，边用于表示两个节点所表示的访问行为之间的关联关系；从多个时段网络中提取网络特征和时序特征；根据时段网络的网络特征和时序特征，获取检测结果，检测结果用于表示目标网络设备是否异常。本申请解决了相关技术中由于检测模型依赖技术经验而造成的对异常流量的检测不够准确的技术问题。

技术领域

本申请涉及计算机领域，尤其涉及一种异常流量的检测方法和装置、电子设备、存储介质。

背景技术

广告流量欺诈发展快速，其目的是通过浏览、点击或下载广告，使广告发布者获利或给广告主造成损失。近年来，随着智能手机的飞速普及，大多数广告业务都将重点转向了移动平台。如今，移动平台上的应用内广告是广告欺诈的核心聚集地。恶意用户或团体通过浏览、点击、或下载等方式对广告发动攻击，人为地提高特定广告的曝光率、点击率、下载率、转化率等。现有工业界往往会共享IP的黑名单或用户ID的黑名单，但黑名单往往是随时间变化的，在受到激励时，某IP或用户ID会发展成为黑名单，当激励消失时，黑名单有可能会发展成为正常用户。

相关技术中的异常流量检测方法大多基于专家规则和机器学习预测模型。基于专家规则的方法依靠业务经验和专家规则定义相关的规则模板进行过滤，强烈依赖专家规则和业务背景，且黑产行业的作弊规则千遍万化，不同领域的流量作弊方法各异，作弊方式层出不穷，使得基于专家规则的方法泛化性和鲁棒性能不理想。基于机器学习预测模型的方法减轻了对技术人员的业务背景需求，不需要很强的背景知识构建业务规则，但其特征工程的构建对最终模型的优劣至关重要，技术人员特征构建往往依赖技术经验，且无法依据模型预测结果的性能进而调整模型性能。通过基于专家规则或机器学习的方法获得异常流量，通过分析异常流量表现而形成IP或用户ID的黑名单，在行业公司内共享，但这种方案对于临时受到激励的用户而言，其欺诈的属性并不是一直存在的，用户或IP在激励性异常情况下，其欺诈的属性会发生改变，需要对流量进行实时检测，以实时获取准确的黑白名单。基于专家规则或机器学习获得异常流量的方法，往往依赖技术经验，泛化性和鲁棒性不理想，无法对广告流量的异常情况进行准确检测。

针对相关技术中由于检测模型依赖技术经验而造成的对异常流量的检测不够准确的技术问题，目前尚未提出有效的解决方案。

发明内容

本申请提供了一种异常流量的检测方法和装置、电子设备、存储介质，以至少解决相关技术中由于检测模型依赖技术经验而造成的对异常流量的检测不够准确的技术问题。

根据本申请实施例的一个方面，提供了一种异常流量的检测方法，包括：获取目标网络设备的流量序列，其中，流量序列中按照时间顺序保存有目标网络设备对广告业务的访问行为所产生的多个流量数据；根据流量序列构建多个时段中每个时段的时段网络，其中，时段网络包括多个节点和节点之间的边，每个节点用于表示目标网络设备在一个访问时刻对广告业务的访问行为，两个节点之间的边用于表示两个节点所表示的访问行为之间的关联关系；从多个时段网络中提取网络特征和时序特征，其中，网络特征用于通过向量的形式表示时段网络的内部特征；根据时段网络的网络特征和时序特征，获取检测结果，其中，检测结果用于表示目标网络设备是否异常。