[发明专利]基于深度学习的非人工网络请求数据纹路的识别方法

摘要

本发明公开了一种基于深度学习的非人工网络请求数据纹路的识别方法，包括：单次数据特征化，多组数据特征化，高阶特征抽象，以及基于卷积神经网络算法的拟合。利用多次处理，完成对网络请求纹路的识别，用于甄别请求方是计算机程序的概率，利用该识别方法，可以有效的在网络采集爬虫识别的过程，或者系统对接过程是否是人为调用的判别上提供了技术支持。

主权项

1.一种基于深度学习的非人工网络请求数据纹路的识别方法，其特征在于，所述方法包括如下步骤：步骤S1：针对请求数据进单条数据特征化，利用已知特征、特征变形、指标化特征以及利用"特征数量次数"的随机组合产生随机值与"特征数量次数"，进行处理；步骤S2：针对经过S1步骤处理过的数据，采用双向维度切片，切片颗粒度以固定倍数递增，每多条S1的数据经过切片后形成一组数据，该组数据会汇总该组数据下每条数据的特征数据，并采用对应的特征指标进行新的指标计算；对于S1步骤处理过的数据的随机值，利用算法公式进行运算，能够得到一个新的指标随机值数据；步骤S3:针对进过步骤S2处理过的数据，进行判断，如果数据中包含所有的新生成的随机值通过算法计算得到的结果值小于1，则执行S4步骤，否则重新交给步骤S1，直至上述经过上述通过算法计算结果小于1；步骤S4:对于数据中包含所有的新生成的随机值通过算法计算得到的结果值小于1的步骤S2处理过的数据，利用卷积神经网络算法进行拟合公式处理。