[发明专利]一种基于机器学习的防秒杀预判系统

权利要求书

1.一种基于机器学习的防秒杀预判系统，其特征在于，包括订单数据采集模块、数据库模块和交易模块，订单数据采集模块用于获取客户和市场的大量订单数据，数据库模块包括区块链管理单元、订单数据检测单元、机器学习分类单元和恶意流量限制单元，区块链管理单元采用SIFI算法对订单数据采集模块采集的订单数据进行特征提取预处理，减少数据维度，整理数据特征，将客户订单数据从高维特征空间映射到低维特征空间以进行更好的分类，减少防秒杀系统的计算时间，订单数据检测单元采用THS-IDPC算法对区块链管理单元预处理后的订单数据进行恶意流量检测，机器学习分类单元采用随机森林算法对订单数据检测单元检测后的订单数据进行良性流量和恶意流量的分类，恶意流量限制单元采用自适应滑动窗口算法对机器学习分类单元分类后的订单数据进行恶意高频流量限制，交易模块用于客户正常交易。

2.根据权利要求1所述的一种基于机器学习的防秒杀预判系统，其特征在于，订单数据采集模块通过各个网络平台的历史客户订单数据，获取大量的在线客户订单数据。

3.根据权利要求1所述的一种基于机器学习的防秒杀预判系统，其特征在于，区块链管理单元采用SIFI算法对采集的数据进行特征提取预处理，减少数据维度，整理已有的数据特征。

4.根据权利要求3所述的一种基于机器学习的防秒杀预判系统，其特征在于，SIFT算法首先需要建立高斯尺度的空间金字塔，高斯尺度空间金字塔有O个八度，每个八度都有S个区间，下一个八度的订单数据是通过对上一个八度进行下采样获得的，在一个八度内，不同区间的订单数据是原始订单数据与可变高斯函数的卷积，然后根据高斯尺度空间金字塔建立高斯尺度空间数据金字塔的差异，高斯尺度空间金字塔中两个相邻间隔的差异在高斯尺度空间金字塔中创建一个间隔，最后，在高斯的尺度空间内检测特征，高斯尺度空间如下：D(x,y,z)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)，其中，G(x,y,σ)为标度变量高斯函数，σ为标量变量因子，k为比例系数，选择每个倍频程的底部间隔作为数据，将其转换为高斯数据，并首先扫描整个数据内容，然后找到数据中的最大值x_max和最小值x_min，中值x_mid为：然后定义一个阈值来进行订单数据特征提取，即：阈值数据g(x,y)为：其中，f(x,y)为原始客户订单数据；再结合正则化，正则化对应于模型参数w的先验分布，设D表示观测数据，w表示模型参数，模型参数w的后验概率为：其中，p(D|w)为似然函数，p(D)为常数，w使用最大后验概率MAP来估计，即w_MAP＝argmax_wp(w|D)＝argmax_wp(D|w)p(w)＝argmaxlog_wp(D|w)+logp(w)，其中，logp(w)为模型参数先验分布的对数，即正则项，对于高斯正则化GM，假设所有模型参数w都是从相同的一维GM分布中采样的，一维GM分布表示为：其中，K为高斯分量的数量，π_k为满足约束的混合系数，N(x|u_k,λ_k)为高斯分布，u_k为平均值，λ_k为第k个高斯分量的精度，为了学习模型参数w的GM先验，分别为混合系数π_k和高斯精度λ_k引入了两种先验分布，用作混合系数π_k的先验分布的狄利克雷分布为：其中，α₁,…，α_k为分布的参数，α为[α₁,…,α_k]^T，Г(x)为伽玛函数，GM分布的所有高斯分量的平均值被设置为零，当GM分布的平均值固定时，伽玛分布是高斯精度的共轭先验，即：其中，Gam(λ|a,b)为伽玛分布函数，a和b是伽玛分布的两个参数，它们控制伽玛分布的形状和衰减率，在GM学习过程中，a和b用于控制λ的规模。

5.根据权利要求1所述的一种基于机器学习的防秒杀预判系统，其特征在于，订单数据检测单元采用THS-IDPC算法对预处理后的订单数据进行恶意流量检测，检测出原始订单数据中的恶意流量订单。