[发明专利]一种基于时序特征的用户帐号异常检测方法及装置

权利要求书

1.一种基于时序特征的用户帐号异常检测方法，其特征在于，所述方法包括：

根据用户帐号的历史记录数据，构建多个特征维度的时间序列异常检测算法模型；

获取用户帐号的当前数据，根据所述多个特征维度的时间序列异常检测算法模型，从所述多个特征维度分别对所述当前数据进行异常检测，得到所述当前数据在所述多个特征维度的分值；

将所述多个特征维度的分值的平均值，作为所述当前数据的综合异常得分；

当所述综合异常得分大于预设分数阈值时，判定该用户帐号为异常用户帐号；

所述方法还包括：

如果所述综合异常得分小于或等于预设分数阈值，判定该用户帐号为待测用户帐号；

通过用户帐号间的基于关联规则分析的异常特征匹配，进一步判断待测用户帐号是否为异常用户帐号；

其中，所述通过用户帐号间的基于关联规则分析的异常特征匹配，进一步判断待测用户帐号是否为异常用户帐号，包括：

获取所有用户帐号的特征数据；

使用关联规则分析法分析已识别的异常用户帐号的特征数据，根据已识别的异常用户帐号的特征数据的共现频率，确定异常关联特征集；

将待测用户帐号的特征数据与所述异常关联特征集进行异常特征匹配，若所述待测用户帐号的特征数据与异常关联特征集具有匹配项，则判定该待测用户帐号为异常用户帐号；

其中，所述时间序列异常检测算法模型包括：指数平滑模型、移动平均模型以及以鲁棒局部加权回归作为平滑方法的时间序列分解方法；

所述构建多个特征维度的时间序列异常检测算法模型，具体为：根据所述多个特征维度分别构建对应的时间序列异常检测算法模型。

2.根据权利要求1所述的基于时序特征的用户帐号异常检测方法，其特征在于，所述根据用户帐号的历史记录数据，构建多个特征维度的时间序列异常检测算法模型，包括：

将所述历史记录数据在多个特征维度下通过以鲁棒局部加权回归作为平滑方法的时间序列分解方法进行时间序列分解；

通过广义离群检验算法识别经过时间序列分解后的每个特征维度下的数据的离群点，构建用户的多个特征维度的时间序列异常检测算法模型。

3.根据权利要求1所述的基于时序特征的用户帐号异常检测方法，其特征在于，所述多个特征维度包括：所述用户帐号下的登录次数、登录时间段、及图文发送数量。

4.一种基于时序特征的用户帐号异常检测装置，其特征在于，所述装置包括：

模型构建单元，用于根据用户帐号的历史记录数据，构建多个特征维度的时间序列异常检测算法模型；

检测单元，用于获取用户帐号的当前数据，根据所述多个特征维度的时间序列异常检测算法模型，从所述多个特征维度分别对所述当前数据进行异常检测，得到所述当前数据在所述多个特征维度的分值；

计算单元，用于计算所述多个特征维度的分值的平均值，作为所述当前数据的综合异常得分；

判断单元，用于当所述综合异常得分大于预设分数阈值时，判定该用户帐号为异常用户帐号；

所述判断单元还用于，如果所述综合异常得分小于或等于预设分数阈值，判定该用户帐号为待测用户帐号；以及，

所述装置还包括：

关联判断单元，用于通过用户帐号间的基于关联规则分析的异常特征匹配，进一步判断待测用户帐号是否为异常用户帐号；

其中，所述关联判断单元，包括：

特征数据获取模块，用于获取所有用户帐号的特征数据；

特征数据分析模块，用于使用关联规则分析法分析已识别的异常用户帐号的特征数据，根据所述异常用户帐号的特征数据的共现频率，确定异常关联特征集；

关联判断模块，用于将待测用户帐号的特征数据与所述异常关联特征集进行异常特征匹配，若所述待测用户帐号的特征数据与异常关联特征集具有匹配项，则判定该用户帐号为异常用户帐号；

其中，所述时间序列异常检测算法模型包括：指数平滑模型、移动平均模型以及以鲁棒局部加权回归作为平滑方法的时间序列分解方法；

所述构建多个特征维度的时间序列异常检测算法模型，具体为：根据所述多个特征维度分别构建对应的时间序列异常检测算法模型。