[发明专利]一种异常操作行为的检测方法

权利要求书

1.一种异常操作行为的检测方法，其特征在于，包括：

获取多个样本用户在发生目标历史操作行为的采样时刻和在所述采样时刻之前的预设历史时间段内的目标历史操作行为信息，以及指示每个样本用户在所述采样时刻是否发生异常行为的标签信息；

针对每个样本用户，根据获取的所述目标历史操作行为信息，生成该样本用户在每种操作类型下的行为特征向量序列以及发生目标历史操作行为的时间间隔序列；所述行为特征向量序列包括多个第一行为特征向量，不同的第一行为特征向量为在不同时刻发生的目标历史操作行为所对应的特征向量；

基于所述样本用户在每种操作类型下的行为特征向量序列和所述时间间隔序列、以及所述标签信息，进行异常检测模型训练，得到所述异常检测模型；所述异常检测模型用于检测待测用户的目标操作行为的异常风险概率；

所述方法包括：

在检测到待测用户发生目标操作行为后，获取所述待测用户在最近预设时间段内的目标操作行为信息；

根据所述目标操作行为信息，生成所述待测用户在多种操作类型下，与每种操作类型分别对应的待测行为特征向量序列以及待测时间间隔序列；所述待测行为特征向量序列包括多个待测行为特征向量，不同的待测行为特征向量为在不同时刻发生的目标操作行为所对应的特征向量；

将所述待测行为特征向量序列以及所述待测时间间隔序列输入至所述异常检测模型中，获取所述待测用户的目标操作行为的异常风险概率；

所述方法还包括：

检测所述风险概率是否达到待测用户发生目标操作行为时对应的预设风险阈值；

当所述风险概率达到待测用户的目标操作行为对应的预设风险阈值，拦截待测用户的目标操作行为；

当所述风险概率未达到待测用户的目标操作行为对应的预设风险阈值，允许执行待测用户的目标操作行为；

所述基于所述样本用户在每种操作类型下的行为特征向量序列和所述时间间隔序列、以及所述标签信息，进行异常检测模型训练，包括：

针对每个样本用户，将该样本用户在每种操作类型下的行为特征向量序列以及所述时间间隔序列，输入至循环神经网络中，得到与该操作类型对应的第二行为特征向量；

将各个操作类型对应的第二行为特征向量进行拼接后，输入至分类神经网络，获取与该样本用户在采样时刻的异常风险概率；

基于所述异常风险概率和所述标签信息，对所述循环神经网络以及所述分类神经网络进行训练，得到所述异常检测模型；

所述循环神经网络包括：转换层以及编码层；

所述得到与该操作类型对应的第二行为特征向量包括：

将各个操作类型对应的行为特征向量序列输入至所述转换层，通过所述转换层将所述行为特征向量序列中的各个第一行为特征向量进行标准化转换，得到样本用户每次发生操作行为时的行为转换向量；

针对各个操作类型下的时间间隔序列，将所述时间间隔序列中样本用户每次发生操作行为时的时间间隔以及所述行为转换向量输入至所述编码层进行编码，生成与各个操作类型对应的第二行为特征向量。

2.根据权利要求1所述的方法，其特征在于，所述转换层包括对应各个操作类型的转换矩阵；

将所述行为特征向量序列中的各个第一行为特征向量进行标准化转换，生成各个操作类型下，样本用户每次发生操作行为时的行为转换向量，包括：

在各个操作类型下，将各个第一行为特征向量分别与所述转换矩阵相乘，生成各个操作类型下，样本用户每次发生操作行为时的行为转换向量；

其中，对所述循环神经网络进行训练的时候，对所述循环神经网络进行参数调整，针对所述转换层，调整所述转换矩阵的各个元素值。

3.根据权利要求1所述的方法，其特征在于，所述获取所述待测用户的目标操作行为的异常风险概率包括：

将每个操作类型对应的待测行为特征向量序列以及所述待测时间间隔序列输入至循环神经网络，得到在每个操作类型下的第三行为特征向量；

将各个操作类型对应的第三行为特征向量进行拼接后，输入至分类神经网络中，获取所述待测用户的目标操作行为的异常风险概率。