[发明专利]一种基于人工智能的流量作弊识别方法、装置、电子设备

权利要求书

1.一种基于人工智能的流量作弊识别方法，其特征在于，所述方法包括：

通过非作弊流量样本对无监督识别模型进行训练处理，得到训练后的无监督识别模型；

根据所述训练后的无监督识别模型对待识别流量样本的进行重构处理，得到对应所述待识别流量样本的重构流量；

当所述对应所述待识别流量样本的重构流量满足作弊流量条件时，将所述待识别流量样本确定为作弊流量样本；

通过所述非作弊流量样本以及所述作弊流量样本，对有监督识别模型进行训练处理，得到训练后的有监督识别模型；

通过所述训练后的有监督识别模型对待识别流量进行识别处理，得到所述待识别流量属于作弊流量的概率。

2.根据权利要求1所述的方法，其特征在于，所述通过非作弊流量样本对无监督识别模型进行训练处理，得到训练后的无监督识别模型，包括：

通过所述无监督识别模型对所述非作弊流量样本进行编码处理，得到所述非作弊流量样本的隐向量；

通过所述无监督识别模型对所述非作弊流量样本的隐向量进行解码处理，得到对应所述非作弊流量样本的重构流量；

基于所述非作弊样本、以及所述对应所述非作弊样本的重构流量，构建所述无监督识别模型的损失函数；

更新所述无监督识别模型的参数直至所述损失函数收敛，将所述损失函数收敛时更新得到的参数，作为训练后的所述无监督识别模型的参数。

3.根据权利要求2所述的方法，其特征在于，所述通过所述无监督识别模型对所述非作弊流量样本进行编码处理，得到所述非作弊流量样本的隐向量，包括：

对所述非作弊流量样本与噪声进行融合处理，得到融合特征；

通过所述无监督识别模型对所述融合特征进行编码处理，得到所述非作弊流量样本的隐向量；

所述基于所述非作弊流量样本、以及所述对应所述非作弊流量样本的重构流量，构建所述无监督识别模型的损失函数，包括：

确定基于所述非作弊流量样本、与所述对应所述非作弊流量样本的重构流量的差值，并

将所述差值的2-范数确定为所述无监督识别模型的损失函数。

4.根据权利要求2所述的方法，其特征在于，所述根据所述训练后的无监督识别模型对待识别流量样本的进行重构处理，得到对应所述待识别流量样本的重构流量，包括：

通过所述训练后的无监督识别模型对所述待识别流量样本进行编码处理，得到所述待识别流量样本的隐向量；

通过所述训练后的无监督识别模型对所述待识别流量样本的隐向量进行解码处理，得到对应所述待识别流量样本的重构流量。

5.根据权利要求4所述的方法，其特征在于，所述当所述对应所述待识别流量样本的重构流量满足作弊流量条件时，将所述待识别流量样本确定为作弊流量样本，包括：

当所述待识别流量样本、与所述对应所述待识别流量样本的重构流量的差异大于重构差异阈值时，将所述待识别流量样本确定为作弊流量样本。

6.根据权利要求2所述的方法，其特征在于，所述构建所述无监督识别模型的损失函数之前，还包括：

通过所述无监督识别模型对所述对应所述非作弊流量样本的重构流量进行编码处理，得到所述重构流量的隐向量；

所述基于所述非作弊流量样本、与所述对应所述非作弊流量样本的重构流量，构建所述无监督识别模型的损失函数，包括：

基于所述非作弊流量样本、所述非作弊流量样本的隐向量、所述对应所述非作弊流量样本的重构流量以及所述重构流量的隐向量，构建所述无监督识别模型的损失函数。