基于多时序分析的物联网卡异常行为分级监测方法及系统技术方案

本发明专利技术公开了一种基于多时序分析的物联网卡异常行为分级监测方法及系统。基于多时序分析的物联网卡异常行为分级监测方法包括有如下步骤：利用门控循环单元模型对完整生命周期的物联网卡用户行为数据进行长距离监控，截取疑似异常行为数据并进行分级；利用双向循环神经网络模型对疑似异常行为前后内容进行分析，实现事件的分级和权重分配，获取精品风险监测数据；利用Transformer模型对精品风险监测数据进行稽核，输出精品数据结果。本发明专利技术利用多个模型对物联网卡用户行为数据进行检测，增强了监控周期，可以完成长距离监控，同时提高了异常事件的发现率及准确率，此外，通过对事件的分级可对事件权重进行调控，从而提升资源利用度。源利用度。源利用度。

【技术实现步骤摘要】
基于多时序分析的物联网卡异常行为分级监测方法及系统


[0001]本专利技术涉及物联网
，尤其涉及一种基于多时序分析的物联网卡异常行为分级监测方法及系统。

技术介绍

[0002]物联网卡是运营商基于物联网公共服务网络，面向物联网用户提供的移动通信接入业务。针对于全国31省物联网卡用户的使用数据，每日所产生的数据量是十分巨大的。目前，物联网卡用户的使用数据通过堆积服务器性能实现异常行为的发现，该方式算法模型单一易被行为绕行，异常行为的发现率及准确率低。

技术实现思路

[0003]本专利技术所要解决的技术问题在于提供一种可以提高异常行为的发现率及准确率的基于多时序分析的物联网卡异常行为分级监测方法及系统。
[0004]为解决上述技术问题，本专利技术采用如下所述的技术方案：
[0005]一种基于多时序分析的物联网卡异常行为分级监测方法包括有如下步骤：利用训练好的门控循环单元模型对完整生命周期的物联网卡用户行为数据进行长距离监控，截取疑似异常行为数据并进行分级；针对疑似异常行为数据，利用训练好的双向循环神经网络模型对行为前后内容进行分析，实现事件的分级和权重分配，获取精品风险监测数据；利用训练好的Transformer模型对精品风险监测数据进行稽核，输出精品数据结果。
[0006]一种基于多时序分析的物联网卡异常行为分级监测系统，其包括有疑似异常行为识别模块、疑似异常行为分析模块和异常行为稽核模块；疑似异常行为识别模块用于利用训练好的门控循环单元模型对完整生命周期的物联网卡用户行为数据进行长距离监控，截取疑似异常行为数据并进行分级；疑似异常行为分析模块用于针对疑似异常行为数据，利用训练好的双向循环神经网络模型对行为前后内容进行分析，实现事件的分级和权重分配，获取精品风险监测数据；异常行为稽核模块用于利用训练好的Transformer模型对精品风险监测数据进行稽核，输出精品数据结果。
[0007]本专利技术的有益技术效果在于：上述的基于多时序分析的物联网卡异常行为分级监测方法及系统，先通过门控循环单元模型完成长距离时序的物联网卡异常行为数据发现，再通过双向循环神经网络模型对截取的疑似异常行为数据的前后动作进行内容分析定级和权重分配，最后通过Transformer模型对精品风险监测数据中的中、高风险事件进行准确定位，完成结果的输出。本专利技术利用多个时序分析模型按阶段对物联网卡用户行为数据进行检测，增强了监控周期，可以完成长距离监控，同时提高了异常事件的发现率及准确率，此外，通过对事件的分级可对事件权重进行调控，从而提升资源利用度。
附图说明
[0008]图1为本专利技术的基于多时序分析的物联网卡异常行为分级监测方法的流程示意
图；
[0009]图2为本专利技术的门控循环单元模型的结构示意图；
[0010]图3为本专利技术的双向循环神经网络模型的结构示意图；
[0011]图4为本专利技术的Transformer模型的结构示意图；
[0012]图5为本专利技术的Transformer模型的编码器和解码器的结构示意图；
[0013]图6为本专利技术的自注意力的矩阵运算方法示意图；
[0014]图7为本专利技术的基于多时序分析的物联网卡异常行为分级监测系统的结构示意图。
具体实施方式
[0015]为使本领域的普通技术人员更加清楚地理解本专利技术的目的、技术方案和优点，以下结合附图和实施例对本专利技术做进一步的阐述。
[0016]如图1所示，在本专利技术一个实施例中，基于多时序分析的物联网卡异常行为分级监测方法包括有如下步骤：
[0017]S10、利用训练好的门控循环单元模型对完整生命周期的物联网卡用户行为数据进行长距离监控，截取疑似异常行为数据并进行分级；
[0018]S20、针对疑似异常行为数据，利用训练好的双向循环神经网络模型对行为前后内容进行分析，实现事件的分级和权重分配，获取精品风险监测数据；
[0019]S30、利用训练好的Transformer模型对精品风险监测数据进行稽核，输出精品数据结果。
[0020]在步骤S10中：
[0021]门控循环单元模型以序列数据为输入，在序列的演进方向进行递归，将所有节点按链式连接形成循环神经网络，并结合物联网卡风险事件周期长的特点，增加单元状态，构成长短时记忆网络，以满足数据长距离依赖的要求。
[0022]门控循环单元模型是基于训练数据预先训练得到，其训练过程如下：
[0023]S11、收集多个省份脱敏后的物联网卡正常行为数据和告警数据作为训练数据，并将训练数据分为训练集和测试集。
[0024]收集多个省份脱敏后的物联网卡正常行为数据和告警数据，并对收集到的物联网卡正常行为数据和告警数据进行筛选、去重、去噪、特征提取操作后生成训练数据。训练数据生成后，按8:2的比例将训练数据随机切分为训练集和测试集。其中，将物联网卡的行为数据有语音话单量、短信话单量、流量话单量、是否机卡分离、是否跨地区使用、是否漫游至敏感区域使用等信息，以及对应数据的标签正常使用、不合理使用、异常流量使用、异常短信使用等信息。
[0025]S12、将训练集送入待训练的门控循环单元模型进行训练，并经过测试集验证，最终生成训练好的门控循环单元模型。
[0026]图2示出了门控循环单元模型的结构示意图，如图2所示，本专利技术修改了循环神经网络中隐藏状态的计算方式。在门控循环单元模型中的重置门和更新门的输入均为当前时间步输入X
t
与上一时间步隐藏状态H
t
‑1，输出由激活函数为sigmoid函数的全连接层计算得到。
[0027]设隐藏单元个数为h，给定时间步t的小批量输入X
t
∈R
n*d
(样本数为n，输入个数为d)和上一时间步隐藏状态H
t
‑1∈R
n*h
。重置门R
t
∈R
n*h
和更新门Z
t
∈R
n*h
的计算如下：
[0028]R
t
＝σ(X
t
W
xr
+H
t
‑1W
hr
+b
r
)
[0029]Z
t
＝σ(X
t
W
xz
+H
t
‑1W
hz
+b
z
)
[0030]sigmoid函数可以将元素的值变换到0和1之间，从而捕捉时间序列中时间步距离较大的依赖关系，通过学习的门来控制信息的流动。
[0031]门控循环单元模型因采用较少参数，可有效减少过拟合的风险，本专利技术利用门控循环单元模型对完整生命周期的物联网卡用户行为数据进行分析，计算量小，可增强监控周期，完成长距离监控。
[0032]在步骤S20中：
[0033]双向循环神经网络模型是基于训练数据预先本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多时序分析的物联网卡异常行为分级监测方法，其特征在于，所述基于多时序分析的物联网卡异常行为分级监测方法包括有如下步骤：利用训练好的门控循环单元模型对完整生命周期的物联网卡用户行为数据进行长距离监控，截取疑似异常行为数据并进行分级；针对疑似异常行为数据，利用训练好的双向循环神经网络模型对行为前后内容进行分析，实现事件的分级和权重分配，获取精品风险监测数据；利用训练好的Transformer模型对精品风险监测数据进行稽核，输出精品数据结果。2.如权利要求1所述的基于多时序分析的物联网卡异常行为分级监测方法，其特征在于，门控循环单元模型的训练方法包括如下步骤：收集多个省份脱敏后的物联网卡正常行为数据和告警数据作为训练数据，并将训练数据分为训练集和测试集；将训练集送入待训练的门控循环单元模型进行训练，并经过测试集验证，最终生成训练好的门控循环单元模型。3.如权利要求1所述的基于多时序分析的物联网卡异常行为分级监测方法，其特征在于，门控循环单元模型的训练方法包括如下步骤：收集多个省份脱敏后的物联网卡正常行为数据和告警数据；对收集到的物联网卡正常行为数据和告警数据进行筛选、去重、去噪、特征提取后作为训练数据；将训练数据随机切分为训练集和测试集，训练集和测试集的比例为8:2；将训练集送入待训练的门控循环单元模型进行训练，并经过测试集验证，最终生成训练好的门控循环单元模型。4.如权利要求...

【专利技术属性】
技术研发人员：尹娜，李俊，李国良，李秋阳，陶潇鹏，姚一凡，王冬雪，陈杨，
申请(专利权)人：天翼物联科技有限公司，
类型：发明
国别省市：