一种基于数据挖掘的异常检测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114579397A(43)申请公布日2022.06.03(21)申请号202210159702.9G06N3/08(2006.01)(22)申请日2022.02.22H04L9/40(2022.01)(71)申请人湖北美和易思教育科技有限公司地址430000湖北省武汉市东湖新技术开发区北斗路6号武汉国家地球空间信息产业化基地(新区)一期1.1期A14栋2层01室(72)发明人海克洪陈少成(74)专利代理机构武汉红观专利代理事务所(普通合伙)42247专利代理师赵志汝(51)Int.Cl.G06F11/30(2006.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于数据挖掘的异常检测方法及系统(57)摘要本发明公开一种基于数据挖掘的异常检测方法及系统，所述方法包括：采集客户端网络用户的历史行为数据，并进行预处理；构建多重GRU神经网络模型，并优化多重GRU神经网络模型的超参数；通过预处理后的历史行为数据训练所述多重GRU神经网络模型，确定多重GRU神经网络中的权重矩阵，得到异常检测模型；接收到客户端的交互请求时，通过异常检测模型对客户端的交互请求进行异常检测。本发明通过线性判别法对网络用户的历史行为数据进行降维处理，在减少数据之间的冗余的同时保留网络用户的关键行为特征，构建了多重GRU神经网络模型，可在合适的时间尺度上分析用户的历史行为数据，提高异常检测可信度。CN114579397ACN114579397A权利要求书1/2页1.一种基于数据挖掘的异常检测方法，其特征在于，所述方法包括：采集客户端网络用户的历史行为数据，并进行预处理；构建多重GRU神经网络模型，并优化多重GRU神经网络模型的超参数；通过预处理后的历史行为数据训练所述多重GRU神经网络模型，确定多重GRU神经网络中的权重矩阵，得到异常检测模型；接收到客户端的交互请求时，通过异常检测模型对客户端的交互请求进行异常检测。2.根据权利要求1所述基于数据挖掘的异常检测方法，其特征在于，所述采集网络用户的行为数据，并进行预处理具体包括：获取网络用户与服务器交互过程中的历史行为数据，通过线性判别法分析网络用户的历史行为数据并进行预处理；采用元组保存预处理后的历史行为数据，包括但不限于用户标识ID、请求类型、请求时间、请求频次、请求对象；将网络用户预处理后的历史行为数据按照时间排序，生成对应的时序行为数据；根据对应的时序行为数据生成训练样本集。3.根据权利要求2所述的基于数据挖掘的异常检测方法，其特征在于，所述请求类型包括但不限于多媒体信息查询请求、多媒体播放请求、停止播放请求、播放参数调整请求和广告插入请求。4.根据权利要求2所述的基于数据挖掘的异常检测方法，其特征在于，所述构建多重GRU神经网络模型具体包括：构建包括输入层、中间层和输出层的多重GRU神经网络模型，所述中间层由多个GRU单元构成，构成中间层的每个GRU单元均包括重置门、更新门、当前时刻输出、上一时刻输出以及替代隐藏层；输入层分别输入每一个GRU单元，前一个GRU单元的输出作为后一个GRU单元的输入。5.根据权利要求4所述的基于数据挖掘的异常检测方法，其特征在于，所述优化多重GRU神经网络模型的超参数具体包括：提取多重GRU神经网络模型中所包括的所有超参数并形成超参数向量；将超参数向量作为原子搜索算法的一个原子，通过原子搜索算法的种群处初始化对所述超参数向量进行初始化，通过原子相互间的作用力和系统约束力改变所述超参数向量的取值；评价各种超参数向量的取值下的多重GRU神经网络模型的性能表现并形成对应的评价值，选择评价值最好的一组超参数向量的取值作为所述超参数向量的最终优化值。6.根据权利要求4所述的基于数据挖掘的异常检测方法，其特征在于，所述通过预处理后的历史行为数据训练所述多重GRU神经网络模型，确定多重GRU神经网络中的权重矩阵，得到异常检测模型具体包括：将请求类型、请求时间、请求频次、请求对象作为输入层数据；将输入层数据输入至第一GRU单元得到第一特征数据，将第一特征数据和输入层数据输入至第二GRU单元得到第二特征数据，将第二特征数据和输入层数据输入至第三GRU单元得到预测值；计算预测值和真实值之间的误差，误差损失函数使用均方误差；2CN114579397A权利要求书2/2页采用Adam优化算法根据损失函数的梯度来更新网络权重和偏差，判断所述多重GRU神经网络模型是否收敛，若是，将预测值通过输出层的Softmax输出分类概率；若否，继续迭代训练直至模型收敛。7.根据权利要求6所述的基于数据挖掘的异常检测方法，其特征在于，所述方法还包括：通过异常检测模型对从多个网