[发明专利]一种用户行为识别方法、系统、设备及存储介质

权利要求书

1.一种用户行为识别方法，其特征在于，包括以下步骤：

采集网络链路上的实时流量数据，得到实时IP数据流；

对所述实时IP数据流进行预处理，得到相应的编码向量和属性特征；

根据所述编码向量以及预先构建的超图表达模型，将预设时间窗口内的IP数据流及其属性特征转换为多图层超图，具体为：在网络链路上采集用于模型训练的流量数据，得到IP数据流训练样本；根据所述IP数据流训练样本中互联网侧的IP地址和预设的用户行为标注训练神经网络模型；根据训练好的神经网络模型得到相应的超图表达模型；将实时IP数据流中每一个IP地址的编码向量输入所述超图表达模型，得到预设时间窗口中的IP数据流在超图中的坐标位置；对于每一个IP地址，利用其在每一个预设时间窗口中的属性特征的维度，建立超图空间的图层；

基于所述多图层超图，根据连续时间窗口中的IP数据流，得到与时间窗口相应的超图序列；

对所述超图序列进行实时行为标注，得到用户行为标注序列，以确定用户行为类型；

所述根据所述IP数据流训练样本中互联网侧的IP地址和预设的用户行为标注训练神经网络模型的步骤包括：

在训练阶段，选取所述IP数据流训练样本在给定时间窗口中任一IP地址，并将其作为待训练的神经网络模型的输入；

将与所述IP地址处于相同的时间窗口中的部分剩余的互联网侧的IP地址编码向量、以及此时间窗口预设的用户行为标注对应的编码向量作为待训练的神经网络模型的输出，以进行有监督学习；

保留待训练神经网络模型输出中的用户行为标注对应的编码向量，随机更换此时间窗口中与待训练神经网络模型输入端不同的互联网侧的IP地址编码向量，重复这一步并遍历所有可能组合；

对输入端的IP地址，遍历此时间窗口中所有位于互联网侧的IP地址；

移动至下一个时间窗口，重复上述步骤，直至完成模型训练。

2.如权利要求1所述的一种用户行为识别方法，其特征在于，所述对所述实时IP数据流进行预处理，得到相应的编码向量和属性特征的步骤包括：

在训练阶段，采集网络链路上用于训练的流量数据，得到IP数据流训练样本，并对所述IP数据流训练样本中互联网侧的IP地址和预设的用户行为标注进行拼接、编码，得到编码表；

根据训练阶段得到的编码表，获取所述IP数据流中每一个IP地址的编码向量；

对得到的所有所述编码向量以用户为单元进行流量分离，得到用户数据流；

利用预设时间窗口对所述用户数据流进行窗口分割，得到窗口流片段；

对每个所述窗口流片段进行特征提取，得到属性特征。

3.如权利要求1所述的一种用户行为识别方法，其特征在于，所述基于所述多图层超图，根据连续时间窗口中的IP数据流，得到与时间窗口相应的超图序列的步骤包括：

根据所述超图表达模型将实时IP数据流中每一个观测到的IP地址映射到超图中的像素点；

将任一IP地址在每一个预设时间窗口中的属性特征映射为所述超图空间中对应像素点各个图层的灰度，得到每一个时间窗口的IP数据流的多图层超图表达，将连续时间窗口所对应的若干多图层超图串接，得到超图序列。

4.如权利要求1所述的一种用户行为识别方法，其特征在于，所述对所述超图序列进行实时行为标注，得到用户行为标注序列的步骤包括：

根据预先训练得到的超图序列标注模型，获取超图序列标注模型参数；

基于所述超图序列标注模型参数，对所述超图序列进行实时行为标注，得到用户在每一个时间窗口的行为标注。

5.如权利要求4所述的一种用户行为识别方法，其特征在于：所述超图序列标注模型为长短期记忆网络模型；

所述长短期记忆网络模型包括若干个串联的长短期记忆网络单元，每个长短期记忆网络单元均包括三个输入端、两个输出端以及与所述输入端连接的编码器。