一种异常检测方法、装置、可读存储介质及电子设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115964669A(43)申请公布日2023.04.14(21)申请号202211611448.8(22)申请日2022.12.13(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人吕乐周璟杨信傅幸王维强(74)专利代理机构北京博思佳知识产权代理有限公司11415专利代理师王剑(51)Int.Cl.G06F18/2433(2023.01)G06F18/2413(2023.01)G06F18/2415(2023.01)G06F18/22(2023.01)权利要求书4页说明书15页附图5页(54)发明名称一种异常检测方法、装置、可读存储介质及电子设备(57)摘要本说明书公开了一种异常检测方法、装置、可读存储介质及电子设备，通过针对每个大类，将该大类对应的历史行为数据输入异常检测模型中，得到该异常检测模型输出的该异常大类的每个异常子类的表征特征。在获取到待检测的用户行为数据后，将用户行为数据输入该异常检测模型中，根据用户行为数据对应的用户特征和预存的各异常大类包含的各异常子类的表征特征之间的相似度，确定该用户特征所对应的异常大类，并将该异常大类作为用户行为数据的异常检测结果。本方法可仅基于各异常大类分别对应的各异常子类和用户特征之间的相似度来确定异常检测结果，避免了对计算资源过大要求的同时，还能保证异常检测的准确性。CN115964669ACN115964669A权利要求书1/4页1.一种异常检测方法，所述方法包括：获取待检测的用户行为数据；将所述用户行为数据输入预先训练的异常检测模型的第一特征提取层，得到所述第一特征提取层提取的用户特征；根据所述用户特征和预存的各异常大类包含的各异常子类的表征特征，确定所述用户特征与各表征特征的相似度，并根据相似度最高的表征特征所对应的异常子类，确定所述用户特征所属的异常大类，将确定出的异常大类作为所述用户行为数据的异常检测结果；其中，所述异常子类的表征特征采用下述方法确定：针对每个异常大类，将该异常大类对应的各历史行为数据输入预先训练的异常检测模型中，通过所述第一特征提取层确定各用户特征，将所述各用户特征输入第二特征提取层，确定该异常大类的每个异常子类的表征特征。2.如权利要求1所述的方法，所述异常检测模型还包括检测层；根据所述用户特征和预存的各异常大类包含的各异常子类的表征特征，确定所述用户特征与各表征特征的相似度，并根据相似度最高的表征特征所对应的异常子类，确定所述用户特征所属的异常大类，将确定出的异常大类作为所述用户行为数据的异常检测结果，具体包括：将所述用户特征和预存的各异常大类对应的各异常子类的表征特征输入所述异常检测模型的检测层，通过所述检测层确定所述用户特征分别与各表征特征的相似度，并确定各相似度中的最高相似度对应的异常子类；确定所述最高相似度对应的异常子类所属的异常大类，作为所述用户行为数据的异常检测结果输出。3.如权利要求1所述的方法，所述异常检测模型采用下述方式训练得到：根据已标注异常大类的若干用户行为数据，确定目标样本及其标注，以及确定若干指定样本及其标注；将所述目标样本和各指定样本分别输入待训练的异常检测模型的第一特征提取层，得到所述第一特征提取层输出的所述目标样本的用户特征，以及所述各指定样本分别对应的用户特征；针对每个异常大类，根据所述各指定样本分别对应的标注，确定该异常大类的各指定样本；将该异常大类的各指定样本分别作为输入，输入所述异常检测模型的第二特征提取层，得到所述第二特征提取层输出的该异常大类的各指定样本的参考特征；针对该异常大类包含的每个异常子类，根据该异常大类的各指定样本的参考特征对应于该异常子类的特征分量，确定该异常子类的表征特征；根据所述目标样本的用户特征分别与所述各异常大类包含的各异常子类的表征特征的相似度，确定所述目标样本对应的异常子类，并将所述目标样本对应的异常子类所属的异常大类，作为所述目标样本的异常检测结果；以所述目标样本的异常检测结果与所述目标样本的标注差异最小为优化目标，训练所述异常检测模型。4.如权利要求1所述的方法，通过所述第一特征提取层确定各用户特征，将所述各用户2CN115964669A权利要求书2/4页特征输入第二特征提取层，确定该异常大类的每个异常子类的表征特征，具体包括：将该异常大类对应的各历史行为数据分别输入所述第一特征提取层中，得到所述第一特征提取层分别输出的各用户特征；将所述各用户特征分别输入所述异常检测模型的第二特征提取层，确定所述各用户特征分别对应的参考特征，所述参考特征包含所述用户特征对应于该异常大类包含的各异常子类的特征分量；针对该异常大类的每个异常子类，根据所述各用户特