一种数据处理方法、装置、设备及可读存储介质制造方法及图纸

本申请公开了一种数据处理方法、装置、设备及可读存储介质，方法包括：获取待测时间段内的至少两个子时间段，将至少两个子时间段按照时间顺序进行排序，组成待测时间序列；根据历史频率序列对应的频率趋势变化特征，预测待测时间序列中，每个子时间段分别对应的行为预测频率；获取目标用户在每个子时间段内发生数据转移行为的实时行为频率，根据每个子时间段对应的行为预测频率以及每个子时间段对应的实时行为频率，对目标用户在待测时间段内的数据转移行为进行异常检测。采用本申请，可以在数据转移行为的监控过程中，提高异常检测效率与准确率。与准确率。与准确率。

【技术实现步骤摘要】
一种数据处理方法、装置、设备及可读存储介质


[0001]本申请涉及计算机
，尤其涉及一种数据处理方法、装置、设备以及可读存储介质。

技术介绍

[0002]目前，在社交应用的运维过程中，通常需要对社交应用的核心关键运维指标进行监控，例如，若社交应用支持支付功能、充值功能等，则用户在社交应用中的支付次数、充值次数即可作为该社交应用的核心关键运维指标，需要对用户在社交应用中的支付次数、充值次数进行监控，如果通过监控确定用户的支付次数、充值次数产生了波动(产生了异常)，则需要进行相关业务处理(例如，可以向用户发出支付、充值异常提醒)。
[0003]当前，对于社交应用的核心关键运维指标的监控过程，通常依赖人工经验来判断是否异常，这种方式将花费大量的人力与时间，效率低下。

技术实现思路

[0004]本申请实施例提供一种数据处理方法、装置、设备以及可读存储介质，可以在数据转移行为的监控过程中，提高异常检测效率与准确率。
[0005]本申请实施例一方面提供了一种数据处理方法，包括：
[0006]获取待测时间段内的至少两个子时间段，将至少两个子时间段按照时间顺序进行排序，组成待测时间序列；
[0007]根据历史频率序列对应的频率趋势变化特征，预测待测时间序列中，每个子时间段分别对应的行为预测频率；历史频率序列是根据历史时间段内的历史子时间段的时间顺序，对历史行为频率进行排序得到的序列；历史行为频率为目标用户在历史子时间段内发生数据转移行为的行为频率；历史时间段为待测时间段的上一个时间段；
[0008]获取目标用户在每个子时间段内发生数据转移行为的实时行为频率，根据每个子时间段对应的行为预测频率以及每个子时间段对应的实时行为频率，对目标用户在待测时间段内的数据转移行为进行异常检测。
[0009]本申请实施例一方面提供了一种数据处理装置，包括：
[0010]序列组成模块，用于获取待测时间段内的至少两个子时间段，将至少两个子时间段按照时间顺序进行排序，组成待测时间序列；
[0011]频率预测模块，用于根据历史频率序列对应的频率趋势变化特征，预测待测时间序列中，每个子时间段分别对应的行为预测频率；历史频率序列是根据历史时间段内的历史子时间段的时间顺序，对历史行为频率进行排序得到的序列；历史行为频率为目标用户在历史子时间段内发生数据转移行为的行为频率；历史时间段为待测时间段的上一个时间段；
[0012]异常检测模块，用于获取目标用户在每个子时间段内发生数据转移行为的实时行为频率；
[0013]异常检测模块，还用于根据每个子时间段对应的行为预测频率以及每个子时间段对应的实时行为频率，对目标用户在待测时间段内的数据转移行为进行异常检测。
[0014]在一个实施例中，频率预测模块包括：
[0015]序列输入模块，用于将待测时间序列输入预测模型；预测模型是基于历史频率序列对应的频率趋势变化特征所构建得到的；
[0016]趋势拟合单元，用于通过预测模型中的第一函数，对待测时间序列中，每个子时间段分别对应的行为预测频率进行增长趋势拟合，得到拟合增长趋势特征；
[0017]趋势拟合单元，还用于通过预测模型中的第二函数，对待测时间序列中，每个子时间段分别对应的行为预测频率进行周期性趋势拟合，得到拟合周期性趋势特征；
[0018]趋势拟合单元，还用于通过预测模型中的第三函数，对待测时间序列中，第一目标活动子时间段对应的预测行为频率进行潜在影响趋势拟合，得到拟合潜在影响趋势特征；第一目标活动子时间段处于待测时间段内；
[0019]趋势拟合单元，还用于通过预测模型中的噪声波动函数，确定待测时间序列对应的噪声值；
[0020]趋势融合单元，用于将拟合增长趋势特征、拟合周期性趋势特征、拟合潜在影响趋势特征以及噪声值进行拟合，得到每个子时间段分别对应的行为预测频率。
[0021]在一个实施例中，第二函数包括短周期函数与长周期函数；
[0022]趋势拟合单元包括：
[0023]趋势拟合子单元，用于通过短周期函数，对待测时间序列中，每个子时间段分别对应的行为预测频率进行短周期性趋势拟合，得到拟合短周期性趋势特征；
[0024]趋势拟合子单元，还用于通过长周期函数，对待测时间序列中，每个子时间段分别对应的行为预测频率进行长周期性趋势拟合，得到拟合长周期性趋势特征；
[0025]运算子单元，用于将拟合短周期性趋势与拟合长周期性趋势进行相加处理，得到拟合周期性趋势特征。
[0026]在一个实施例中，至少两个子时间段包括子时间段t
i
，子时间段t
i
对应的行为预测频率为行为预测频率k
i
，行为预测频率k
i
对应的置信度区间为置信度区间s
i
，i为正整数；
[0027]异常检测模块包括：
[0028]匹配单元，用于获取行为预测频率k
i
对应的置信度区间s
i
；行为预测频率k
i
处于置信度区间s
i
中；
[0029]匹配单元，还用于将子时间段t
i
对应的实时行为频率m
i
，与置信度区间s
i
进行匹配；
[0030]状态确定单元，用于若实时行为频率m
i
处于置信度区间s
i
内，则确定目标用户在待测时间段内的数据转移行为处于正常状态；
[0031]状态确定单元，还用于若实时行为频率m
i
处于置信度区间s
i
外，则确定目标用户在待测时间段内的数据转移行为处于异常状态。
[0032]在一个实施例中，该装置还包括：
[0033]异常提示模块，用于若目标用户在待测时间段内的数据转移行为处于异常状态，则生成针对目标用户在待测时间段内的数据转移行为的异常提示信息，将异常提示信息推送至异常处理终端，以使异常处理终端针对目标用户在待测时间段内的数据转移行为进行
安全管理。
[0034]在一个实施例中，该装置还包括：
[0035]异常推送模块，用于若目标用户在待测时间段内的数据转移行为处于异常状态，则生成针对目标用户在待测时间段内的数据转移行为的异常提示信息，将异常提示信息推送至数据统计终端；
[0036]状态接收模块，用于接收数据统计终端基于异常提示信息返回的状态信息；状态信息为数据统计终端基于异常检测规则确定的目标用户在待测时间段内的数据转移行为的状态；
[0037]模型更新模块，用于根据状态信息对预测模型进行更新，得到目标预测模型；目标预测模型用于预测目标待测时间段中每个待测子时间段分别对应的目标行为预测频率；目标待测时间段为待测时间段的下一个时间段。
[0038]在一个实施例中，模型更新模块包括：
[0039]记录频率获取单元，若状态信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取待测时间段内的至少两个子时间段，将所述至少两个子时间段按照时间顺序进行排序，组成待测时间序列；根据历史频率序列对应的频率趋势变化特征，预测所述待测时间序列中，每个子时间段分别对应的行为预测频率；所述历史频率序列是根据历史时间段内的历史子时间段的时间顺序，对历史行为频率进行排序得到的序列；所述历史行为频率为目标用户在所述历史子时间段内发生数据转移行为的行为频率；所述历史时间段为所述待测时间段的上一个时间段；获取所述目标用户在所述每个子时间段内发生数据转移行为的实时行为频率，根据所述每个子时间段对应的行为预测频率以及所述每个子时间段对应的实时行为频率，对所述目标用户在所述待测时间段内的数据转移行为进行异常检测。2.根据权利要求1所述的方法，其特征在于，所述根据历史频率序列对应的频率趋势变化特征，预测所述待测时间序列中，每个子时间段分别对应的行为预测频率，包括：将所述待测时间序列输入预测模型；所述预测模型是基于所述历史频率序列对应的频率趋势变化特征所构建得到的；通过所述预测模型中的第一函数，对所述待测时间序列中，所述每个子时间段分别对应的行为预测频率进行增长趋势拟合，得到拟合增长趋势特征；通过所述预测模型中的第二函数，对所述待测时间序列中，所述每个子时间段分别对应的行为预测频率进行周期性趋势拟合，得到拟合周期性趋势特征；通过所述预测模型中的第三函数，对所述待测时间序列中，第一目标活动子时间段对应的预测行为频率进行潜在影响趋势拟合，得到拟合潜在影响趋势特征；所述第一目标活动子时间段处于所述待测时间段内；通过所述预测模型中的噪声波动函数，确定所述待测时间序列对应的噪声值；通过所述预测模型，将所述拟合增长趋势特征、所述拟合周期性趋势特征、所述拟合潜在影响趋势特征以及所述噪声值进行拟合，得到所述每个子时间段分别对应的行为预测频率。3.根据权利要求2所述的方法，其特征在于，所述第二函数包括短周期函数与长周期函数；所述通过所述预测模型中的第二函数，对所述待测时间序列中，所述每个子时间段分别对应的行为预测频率进行周期性趋势拟合，得到拟合周期性趋势特征，包括：通过所述短周期函数，对所述待测时间序列中，所述每个子时间段分别对应的行为预测频率进行短周期性趋势拟合，得到拟合短周期性趋势特征；通过所述长周期函数，对所述待测时间序列中，所述每个子时间段分别对应的行为预测频率进行长周期性趋势拟合，得到拟合长周期性趋势特征；将所述拟合短周期性趋势特征与所述拟合长周期性趋势特征进行相加处理，得到所述拟合周期性趋势特征。4.根据权利要求1所述的方法，其特征在于，所述至少两个子时间段包括子时间段t
i
，所述子时间段t
i
对应的行为预测频率为行为预测频率k
i
，i为正整数；所述根据所述每个子时间段对应的行为预测频率以及所述每个子时间段对应的实时
行为频率，对所述目标用户在所述待测时间段内的数据转移行为进行异常检测，包括：获取所述行为预测频率k
i
对应的置信度区间s
i
；所述行为预测频率k
i
处于所述置信度区间s
i
中；将所述子时间段t
i
对应的实时行为频率m
i
，与所述置信度区间s
i
进行匹配；若所述实时行为频率m
i
处于所述置信度区间s
i
内，则确定所述目标用户在所述待测时间段内的数据转移行为处于正常状态；若所述实时行为频率m
i
处于所述置信度区间s
i
外，则确定所述目标用户在所述待测时间段内的数据转移行为处于异常状态。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：若所述目标用户在所述待测时间段内的数据转移行为处于异常状态，则生成针对所述目标用户在所述待测时间段内的数据转移行为的异常提示信息，将所述异常提示信息推送至异常处理终端，以使所述异常处理终端针对所述目标用户在所述待测时间段内的数据转移行为进行安全管理。6.根据权利要求4所述的方法，其特征在于，所述方法还包括：若所述目标用户在所述待测时间段内的数据转移行为处于异常状态，则生成针对所述目标用户在所述待测时间段内的数据转移行为的异常提示信息，将所述异常提示信息推送至数据统计终端；接收所述数据统计终端基于所述异常提示信息返回的状态信息；所述状态信息为所述数据统计终端基于异常检测规则确定的所述目标用户在所述待测时间段内的数据转移行为的状态；根据所述状态信息对所述预测模型进行更新，得到目标预测模型；所述目标预测模型用于预测目标待测时间段中每个待测子时间段分别对应的目标行为预测频率；所述目标待测时间段为所述待测时间段的下一个时间段。7.根据权利要求6所述的方法，其特征在于，所述根据所述状态信息对所述预测模型进行更新，包括：若所述状态信息为正常状态，则获取所述预测模型在所述待测时间段内被记录为错误模型的历史记录频率；将所述历史记录频率进行递增，得到递增记录频率；若所述递增记录频率大于或等于频率阈值...

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