[发明专利]非正常账号识别方法、装置、设备和存储介质

说明书

本发明实施例公开了一种非正常账号识别方法、装置、设备和存储介质，该方法包括：获取多个用户账号以及和用户账号关联的设备属性信息，根据所述设备属性信息确定所述多个用户账号中每个用户账号之间的用户关联关系；获取所述每个用户账号对应的业务数据，以所述每个用户账号为用户节点，所述每个用户账号对应的业务数据为用户节点属性特征，所述用户关联关系为边，通过图卷积网络算法计算得到所述每个用户节点的节点向量；基于所述每个用户节点的节点向量进行聚类，根据聚类结果确定非正常账号。本方案可以高效的批量识别出非正常用户，识别准确率和识别效率更高。

技术领域

本申请实施例涉及计算机领域，尤其涉及一种非正常账号识别方法、装置、设备和存储介质。

背景技术

随着互联网行业的发展以及竞争的提升，存在很多批量注册账号并利用批量注册账号执行操作的行为，该种行为会严重影响产品的使用以及优化。当今，在批量注册账号、批量登陆账号过程中，操作人员对设备的IP、手机号、设备等环境因子进行伪造，通过破解协议、群控等方式伪造成不同的设备环境，从而躲避一般的频度控制的防御。然而，对设备环境因子的伪造需要付出大量成本，因此其伪造的设备环境的总量是有限的，在执行大批量操作时，无法给每次操作一个全新的设备环境，导致同批次的批量操作难免会存在相同的设备环境因子的情况。比如出现几次操作是相同的IP、几次操作的设备id发生变化但是设备型号相关特征不变等等，因此可以通过设备环境因子将这些用户连接成一个社群，进而确定出批量操作的账号，也即协议账号、马甲账号、恶意账号。

现有技术中识别非正常用户账号的方法通常采用机器学习分类算法或通过图算法及进行社群挖掘的方式。机器学习分类算法中，通过学习已有的非正常用户账号特征，从而预测出更多的非正常用户账号，但是分类算法容易忽略账号的社群特征。比如账号A和账号B在同一设备上活跃，可以认为是同一自然人操作，但是账号A已经作弊，账号B此时尚未作弊，那么B账号很难被预测出来。通过图算法进行社群挖掘的方式中，社群挖掘基于账号A和账号B的相同属性，从而连接到一个社群中，进而判断整个社群为非正常社群。然而，该种方式中，图节点的建立和社群挖掘，需要基于历史一段时间内用户和设备环境数据建立图谱，从而对图中用户进行社群类型划分和预测，由于历史数据量庞大、训练时间较长，因此绝大多数社群划分都应用在离线场景，并且无法对图中不存在的新增节点进行准确的划分。

发明内容

本发明实施例提供了一种非正常账号识别方法、装置、设备和存储介质，本方案可以高效的批量识别出非正常用户，识别准确率和识别效率更高。

第一方面，本发明实施例提供了一种非正常账号识别方法，该方法包括：

获取多个用户账号以及和用户账号关联的设备属性信息，根据所述设备属性信息确定所述多个用户账号中每个用户账号之间的用户关联关系；

获取所述每个用户账号对应的业务数据，以所述每个用户账号为用户节点，所述每个用户账号对应的业务数据为用户节点属性特征，所述用户关联关系为边，通过图卷积网络算法计算得到所述每个用户节点的节点向量；

基于所述每个用户节点的节点向量进行聚类，根据聚类结果确定非正常账号。

第二方面，本发明实施例还提供了一种非正常账号识别装置，该装置包括：

数据获取模块，用于获取多个用户账号以及和用户账号关联的设备属性信息，以及每个用户账号对应的业务数据；

用户关联关系确定模块，用于根据所述设备属性信息确定所述多个用户账号中每个用户账号之间的用户关联关系；

向量计算模块，用于以所述每个用户账号为用户节点，所述每个用户账号对应的业务数据为用户节点属性特征，所述用户关联关系为边，通过图卷积网络算法计算得到所述每个用户节点的节点向量；

聚类计算模块，用于基于所述每个用户节点的节点向量进行聚类；