一种网络行为反作弊方法、装置及存储介质制造方法及图纸

本申请提供一种网络行为反作弊方法、装置及存储介质，所述方法包括：获取网络行为的日志记录信息；基于所述日志记录信息，获取至少一个用户账号信息和/或至少一个设备标识信息；基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，获取至少一个网络行为特征；将所述至少一个网络行为特征输入无监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第一识别结果；将所述至少一个网络行为特征输入有监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第二识别结果；对所述第一识别结果和所述第二识别结果进行融合分析处理，得到所述网络行为的作弊分析结果。本申请能够提高降低误杀率，提高反作弊的准确率。

An Anti-cheating Method, Device and Storage Medium for Network Behavior

【技术实现步骤摘要】
一种网络行为反作弊方法、装置及存储介质
本申请属于互联网
，具体涉及一种网络行为反作弊方法、装置及存储介质。
技术介绍
网络行为反作弊方法是一种通过监控网络流量、关注网上异常行为，从而提高专有网络安全性的手段。现有的反作弊方法大都是基于规则策略的方法，比如分析硬件信息国际移动设备识别码(InternationalMobileEquipmentIdentity，IMEI)是否符合标准，不符合则判断为作弊行为，或基于广告点击频次和频率，加上一些行为规则，再利用历史数据建黑库作为作弊行为识别的规则策略。但现有的基于规则策略的方法存在以下缺陷：适应性差，不能自适应新的作弊模式，当作弊方法改变，规则也需要迭代改；通用性不好，基于规则策略的方法针对不同的场景规则也不同，比如视频播放流水反作弊的规则和广告反作弊的规则必然是不同的，因此需要为每个场景开发和维护不同的规则模型；成本较高，需要花大量时间先分析数据，从数据中总结作弊方法以及反作弊的规则；覆盖率低，只能识别出初级的流量作弊方法，比如模拟器等作弊方法；误杀率高，比如有些山寨机、早期机型或者维修过主板的手机的IMEI不符合规范，但是不代表这些机型的用户所产生的流量都是作弊流量，有些IMEI参与过视频流水的作弊行为，不代表会参与广告作弊的行为。
技术实现思路
为了改善反作弊方法的适应性较差、通用性不好、覆盖率较低以及误杀率较高的问题，本申请提出一种网络行为反作弊方法、装置及存储介质。一方面，本申请提出了一种网络行为反作弊方法，所述方法包括：获取网络行为的日志记录信息；基于所述日志记录信息，获取至少一个用户账号信息和/或至少一个设备标识信息；基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，获取至少一个网络行为特征；将所述至少一个网络行为特征输入无监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第一识别结果；将所述至少一个网络行为特征输入有监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第二识别结果；对所述第一识别结果和所述第二识别结果进行融合分析处理，得到所述网络行为的作弊分析结果。另一方面，本申请提出了一种网络行为反作弊装置，所述装置包括：第一获取模块，用于获取网络行为的日志记录信息；第二获取模块，用于基于所述日志记录信息，获取至少一个用户账号信息和/或至少一个设备标识信息；第三获取模块，用于基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，获取至少一个网络行为特征；第一识别模块，用于将所述至少一个网络行为特征输入无监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第一识别结果；第二识别模块，用于将所述至少一个网络行为特征输入有监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第二识别结果；融合分析模块，用于对所述第一识别结果和所述第二识别结果进行融合分析处理，得到所述网络行为的作弊分析结果。另一方面，本申请提出了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以上述所述的网络行为反作弊方法。本申请提出的一种网络行为反作弊方法、装置及存储介质，通过网络行为的日志记录信息中的用户账号信息和/或设备标识信息，获取至少一个网络行为特征，将该网络行为特征分别输入无监督识别模型和有监督识别模型进行作弊识别处理，接着将无监督识别模型的识别结果和有监督识别模型的识别结果进行融合分析处理，得到该网络行为的作弊分析结果。因本申请是根据用户账号信息和/或设备标识信息提取的特征，特征维度高，且特征的提取与具体的应用场景无关，通用性强，同时无需花费大量的时间分析数据的规律性，成本较低，再者，使用无监督学习模型能够识别出假机、真机假用户、真用户假行为等多种作弊行为，覆盖率较高，此外，在无监督学习识别出作弊行为后，还会使用监督学习模型进行校验和验证，降低误杀率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。图1是本申请实施例提供的一种网络行为反作弊系统的架构图。图2是本申请实施例提供的一种网络行为反作弊方法的流程示意图。图3是本申请实施例提供的基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，获取至少一个网络行为特征的一种流程示意图。图4是本申请实施例提供的获取所述无监督识别模型的一种流程示意图。图5是本申请实施例提供的获取所述有监督识别模型的一种流程示意图。图6是本申请实施例提供的获取用户画像特征的一种流程示意图。图7是本申请实施例提供的一种应用场景图。图8是本申请实施例提供的一种网络行为反作弊装置的结构示意图。图9是本申请实施例提供的一种服务器的结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在实际应用中，常见的网络作弊方式可以至少包括机器作弊和人为作弊，机器作弊又可以包括机器刷量、任务分发、流量劫持等，人为作弊又可以包括Q群/水军、直接人工、诱导等。常见的网络作弊手段可以至少包括：刷单，刷信誉，刷好评，职业差评师等电商作弊手段、洗钱，诈骗等支付平台作弊手段、数据造假、刷流量(引流-广告展示-广告点击-转化)等广告作弊手段，刷粉丝、刷点击、阅读量等自媒体或社交软件作弊手段、使用作弊手段刷排名等搜索作弊手段等。合理的反作弊方法能够准确地识别出作弊行为，降低作弊行为的误判率。请参阅图1，图1所示为本申请实施例提供的一种网络行为反作弊系统的架构图，该网络行为反作弊系统可以作为网络行为反作弊方法的实施环境。如图1所示，该网络行为反作弊系统可以至少包括用户画像、特征提取、模型预测、数据存储等。具体地，用户画像可以至少包括位置画像、账号画像、互联网协议地址(InternetProtocolAddress，IP)画像、设备画像等。具体地，特征提取可以至少包括提取特征后台、提取用户画像后台。具体地，模型预测可以至少包括无监督预测、有监督预测、提取黑名单、融合等。其中，无监督预测可以为通过孤立森林评估异常度，有本文档来自技高网...

【技术保护点】
1.一种网络行为反作弊方法，其特征在于，所述方法包括：获取网络行为的日志记录信息；基于所述日志记录信息，获取至少一个用户账号信息和/或至少一个设备标识信息；基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，获取至少一个网络行为特征；将所述至少一个网络行为特征输入无监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第一识别结果；将所述至少一个网络行为特征输入有监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第二识别结果；对所述第一识别结果和所述第二识别结果进行融合分析处理，得到所述网络行为的作弊分析结果。

【技术特征摘要】
1.一种网络行为反作弊方法，其特征在于，所述方法包括：获取网络行为的日志记录信息；基于所述日志记录信息，获取至少一个用户账号信息和/或至少一个设备标识信息；基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，获取至少一个网络行为特征；将所述至少一个网络行为特征输入无监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第一识别结果；将所述至少一个网络行为特征输入有监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第二识别结果；对所述第一识别结果和所述第二识别结果进行融合分析处理，得到所述网络行为的作弊分析结果。2.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，获取至少一个网络行为特征，包括：获取所述网络行为的时间序列；基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，对所述时间序列进行统计分析，得到至少一个统计特征；拟合所述时间序列中的趋势分布，得到至少一个拟合特征；提取所述时间序列中用于分类的数据，得到至少一个分类特征。3.根据权利要求2所述的方法，其特征在于，所述将所述至少一个网络行为特征输入无监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第一识别结果，包括：将所述至少一个统计特征、所述至少一个拟合特征和所述至少一个分类特征输入所述无监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第一识别结果；所述将所述至少一个网络行为特征输入有监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第二识别结果，包括：将所述至少一个统计特征、所述至少一个拟合特征和所述至少一个分类特征输入所述有监督识别模型进行作弊识别处理，得到所述网络行为属于作弊行为的第二识别结果。4.根据权利要求1所述的方法，其特征在于，在所述基于所述至少一个用户账号信息和/或所述至少一个设备标识信息，获取至少一个网络行为特征之后，所述方法还包括：将所述至少一个网络分析特征与黑名单进行匹配，得到所述网络行为属于作弊行为的第三识别结果；所述对所述第一识别结果和所述第二识别结果进行融合分析处理，得到所述网络行为的作弊分析结果，还包括：对所述第一识别结果、所述第二识别结果和所述第三识别结果进行融合分析处理，得到所述网络行为的作弊分析结果。5.根据权利要求1所述的方法，其特征在于，所述方法还包括获取所述无监督识别模型的步骤，所述获取所述无监督识别模型包括：获取样本网络行为的第一样本日志记录信息；基于所述第一样本日志记录信息，确定至少一个第一样本用户账号信息和/或至少一个第一样本设备标识信息；基于所述至少一个第一样本用户账号信息和/或所述至少一个第一样本设备标识信息，获取至少一个第一样本网络行为特征；将所述至少一个第一样本网络行为特征输入第一学习模型进行无监督学习训练，并将无监督学习训练得到的模型确定为所述无监督识别模型。6.根据权利要求1所述的方法，其特征在于，所述方法还包括获取所述有监督识别模型的步骤，所述获取所述有监督...

【专利技术属性】
技术研发人员：余意，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44