[发明专利]访问请求检测方法、装置、电子设备及可读存储介质

说明书

本申请实施例提供了一种访问请求检测方法、装置、电子设备及可读存储介质,其中方法包括：根据相邻时间段内的各个访问请求包含的参数，确定多个参数各自的增量，将所述多个参数中增量大于预设增量阈值的参数，添加到异常参数集合中，根据所述异常参数集合中各个异常参数的双向信息增益，得到异常参数组合，一个异常参数的双向信息增益为该参数在所述相邻时间段的信息增益的差值，根据待检测的访问请求包含的参数与所述异常参数组合的匹配度，确定所述待检测的访问请求是否是异常访问请求。采用本申请实施例提供的方法，能够实现动态、持续、稳定地检测出异常访问请求。

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种访问请求检测方法、装置、电子设备及可读存储介质。

背景技术

随着互联网技术的发展，用户无时无刻都在发起对于网络的访问请求，这些访问请求中，既包含正常发起的访问请求，也包含非正常发起的访问请求，即异常访问请求，在多数时候，异常访问请求会模拟正常访问请求的特征而无法很好的区分，当前多数方法是通过访问请求携带的参数或者访问请求的行为来构造特征将异常访问请求识别出来，此类异常访问请求检测主要包括以下几类方法：

基于统计的异常访问请求检测方法，通过对样本数据不同维度的特征进行统计，计算不同维度特征服从的概率分布函数，异常数据通常因为某些维度的特征异常，偏离正常分布，从而被识别为异常。该方法适用于数据特征具有统计分布特性的异常检测，并且异常样本的特征与正常样本具有可区分性，当样本特征分布离散，或者当异常数据与正常数据在特征空间上分布比较相似时，该方法将很难进行有效的异常检测。

基于距离的异常检测，异常数据在特征空间上通常与正常数据距离较远，基于此，基于距离的异常检测通过直接计算每个样本点与其他数据点的平均距离来得到异常数据。典型的包括基于K近邻(KNN)的异常数据检测，即一个样本与周围k个样本的距离和越大越有可能是异常数据。另外一些基于聚类的方法，如kmeans方法，也是一种基于距离聚合的方式进行异常检测的。该类方法的一个典型缺点是计算复杂度大，当数据量很大时，遍历计算数据点之间的距离将会很困难，同时，基于距离的异常检测对数据特征的可分性也有一定的要求。

基于图与树的异常检测，异常检测可以认为是对样本集中的离群点进行检测，基于图的方法就是将所有样本用边连接起来，根据样本间的相似度计算最大子连通图，异常样本因为异常最终无法和其他样本连通而被检测出来。基于树的方法则是通过对样本空间不断的切分，使得异常样本因为异常而很快别切分出来，正常样本则因为相似而很难被单独切分出来。基于图与树的异常检测虽然检测效果较好，但依然对数据特征的可分性有较高的要求，当异常数据与正常数据可分性较差时也难以有效识别。

基于时间序列的异常检测，对于数据本身具有周期性往复或者具有时序关系的异常检测，除了上述方法外，将时序信息利用起来也是一个比较好的异常检测方式，典型的如加权平均法判断下一时刻的数据是否异常；对于周期性数据，通过环比与同比的方式检测当前时刻是否存在异常数据。不过基于时间序列的异常检测方法只能判断是否存在异常，不能有效的检测出具体的异常数据。

因此，现有技术中的检测异常访问请求的方法有待改进。

发明内容

本申请实施例提供一种访问请求检测方法、装置、电子设备及可读存储介质，以动态、持续、稳定地检测出异常访问请求以及异常访问请求携带的异常参数。

本申请实施例第一方面提供了一种访问请求检测方法，所述方法包括：

根据相邻时间段内的各个访问请求包含的参数，确定多个参数各自的增量；

将所述多个参数中增量大于预设增量阈值的参数，添加到异常参数集合中；

根据所述异常参数集合中各个异常参数的双向信息增益，得到异常参数组合，一个异常参数的双向信息增益为该参数在所述相邻时间段的信息增益的差值；