[发明专利]一种基于集群的用户异常行为检测方法

权利要求书

1.一种基于集群的用户异常行为检测方法，其特征在于，包括以下步骤：

S1.定时更新获取商家数据平台数据库中的用户行为数据，并对用户行为数据进行统计；

S2.将统计的用户行为数据抽象为图，得到用户关系图；

S3.将用户关系图输入到社区划分算法中，进行社区划分，得到若干个用户关系的集群，将若干个集群进行特征提取，得到各集群的用户特征的向量，用户特征的向量包括出度均值、出度方差、入度均值、入度方差、深度均值、深度方差；

S4.将集群与用户特征的向量输入异常检测模型中进行异常检测判断，得到异常检测结果；具体的，异常检测模型包括多个检测通道，每个检测通道包括多个检测层，每个检测通道中的每个检测层具有不同的检测算法，在每一个检测通道中，集群以及用户特征的向量先经过第一层检测层进行异常检测并得出异常检测结果，并将异常检测结果进行过滤并储存，过滤后的集群以及用户特征的向量再进入下一层检测层进行检测，再次得出异常检测结果并进行过滤以及储存，直至最后一层检测层完成检测，汇总每一层的异常检测结果并获取最终检测结果。

2.根据权利要求1所述的用户异常行为检测方法，其特征在于，将每个检测通道的最终检测结果进行统计分析，其统计分析方法为，将每个检测通道的最终检测结果取交集以及并集。

3.根据权利要求1所述的用户异常行为检测方法，其特征在于，所述检测算法包括G-KNN检测算法，所述G-KNN检测算法具体为：选取目标集群以及K个对象集群，对象集群为目标集群的邻近集群，分别计算目标集群与对象集群的用户特征的向量的差值，将差值相加得到目标集群的用户特征的向量状况值，多个用户特征的向量状况值进行加权相加，得到目标集群的异常情况值，根据目标集群的异常情况值判断集群的异常情况，多个用户特征的向量状况值包括深度均值状况值、深度方差状况值、出度均值状况值、出度方差状况值、入度均值状况值以及入度方差状况值。

4.根据权利要求1所述的用户异常行为检测方法，其特征在于，所述检测算法包括GN-LOF检测算法，所述GN-LOF检测算法具体为：选取目标集群，以及k个对象集群，对象集群为目标集群的邻近集群，计算目标集群多个用户特征的向量局部可达密度，根据多个用户特征的向量局部可达密度加权相加得到目标集群局部可达密度值，根据目标集群用户特征的向量局部可达密度计算目标集群用户特征的向量局部异常因子，将目标集群多个用户特征的向量局部异常因子加权相加得到目标集群的局部异常值，根据目标集群局部异常值判断目标集群异常情况；多个用户特征的向量局部可达密度包括：深度均值局部可达密度、深度方差局部可达密度、出度均值局部可达密度、出度方差局部可达密度、入度均值局部可达密度以及入度方差局部可达密度；多个用户特征的向量局部异常因子包括：深度均值局部异常因子、深度方差局部异常因子、出度均值局部异常因子、出度方差局部异常因子、入度均值局部异常因子以及入度方差局部异常因子。

5.根据权利要求1所述的用户异常行为检测方法，其特征在于，在将用户行为数据抽象为图的同时，对用户行为数据进行数据清洗，并对清洗好的用户行为数据根据设定得过滤策略进行过滤并排名，选出高意向用户与意见领袖的候选群体。

6.根据权利要求5所述的用户异常行为检测方法，其特征在于，所述候选群体作为参考与检测结果交集以及并集进行比较，得到最终异常检测结果。