一种基于编解码算法的供应商作弊检测方法技术

本发明专利技术公开了一种基于编解码算法的供应商作弊检测方法，包括：采集节点数据信息；利用互信息计算相关性，基于相关性阈值筛选组合得到组合数据特征；构建图结构，利用GCN对图结构训练得到带宽预测模型，利用模型输出和真实带宽流量的均方误差作为第一损失函数对模型优化，基于优化后的带宽预测模型获取图嵌入表示；将图嵌入表示、数据信息和组合数据特征拼接得到异常预测需求数据；基于业务和对应的折损率阈值划分数据集，利用第一损失函数更新异常检测算法的模型整体损失函数获取异常检测模型；利用异常检测模型检测，对检测结果进行人工误判确认，根据误判结果处理供应商或优化异常检测模型。本发明专利技术能应对多样化作弊行为，实现高效作弊检测。实现高效作弊检测。实现高效作弊检测。

【技术实现步骤摘要】
一种基于编解码算法的供应商作弊检测方法


[0001]本专利技术属于边缘云
，具体涉及一种基于编解码算法的供应商作弊检测方法。

技术介绍

[0002]边缘云资源平台主要发挥以下作用：1，管理边缘资源池，为客户提供稳定计算和存储资源，通过分配负载提高性能和可用性；2，提供基于边缘云的数据存储和处理服务，降低延迟，保证数据安全；3，提供数据安全保障，如身份验证、访问控制、加密，确保数据机密性、完整性和可用性，防止恶意代码威胁；4，提供客户支持服务，包括技术支持、培训和咨询，确保客户充分利用资源和服务。基于这些功能，边缘云资源平台可以满足客户在边缘计算场景下的多样化需求。
[0003]边缘计算技术使得数据处理更加靠近用户和终端设备，加速了决策，降低了传输成本，增强了数据隐私和安全，随着互联网大量数据的产生，边缘计算技术更加普遍。自动驾驶、泛云游戏、AIGC(AI Generated Content)等应用对计算资源有着不同的需求。例如，自动驾驶需要实时响应，泛云游戏要求高性能图形处理，AIGC则依赖大规模并行计算。边缘云资源可以根据应用需求灵活调度，提升用户体验，优化资源利用。但是边缘设备的资源受限，为满足计算需求，边缘云资源作为资源池应运而生。边缘云通过多设备共享可以提供更大的计算能力和存储容量，满足这些应用在边缘设备的数据处理需求。
[0004]为边缘云平台提供服务的供应商，如果想要减少带宽的提供，获得高于实际带宽的收益，可能会采用以下几种方式：1、降低网络质量：供应商可以通过降低网络质量的方式来减少带宽的提供，如限制网络带宽、降低网络速度、增加网络延迟等；2、模拟数据流量：供应商可以通过模拟数据流量的方式来欺骗平台，使其误判带宽的使用情况，从而减少带宽的提供；例如，使用自动化的脚本模拟数据流量，使其看起来像是真实的用户流量，但实际上只是模拟的假数据；资源提供商通过假数据达到了虚报带宽和性能的目的，据此诱导客户购买自己的资源，进而获得更多的收益，但是这会导致客户的任务无法得到有效地处理，这不仅会影响客户的体验，也会损害整个边缘云资源市场的信誉；3、利用技术漏洞：供应商可以利用技术漏洞来绕过平台的监控和检测，从而实现低于上报的带宽。例如，利用代理服务器来隐藏真实的网络带宽，或者使用黑客技术来攻击平台的监控系统，使其无法准确地检测带宽的使用情况。综上，作弊行为可能导致资源滥用、影响服务质量、致使客户数据泄露和产生系统安全风险。供应商作弊也破坏市场公平与透明度，降低客户信任度和满意度，影响平台业务发展与竞争力。因此，边缘云平台应该采取严格的监管和控制措施，防止供应商的作弊行为。
[0005]目前，供应商作弊检测主要存在以下问题：1.现有的检测算法准确性不高，目前的作弊检测算法大多基于简单的阈值检测或规则检测，容易受到外界干扰，导致误报或漏报的情况；2.数据获取难度较大，由于供应商可能故意隐瞒数据，不愿意提供完整的资源数据，平台压测可能影响客户服务质量与计费，因此数据获取难度较大，导致检测算法的可行
性和有效性受到了限制；3.攻防能力较弱，现有的检测算法在应对供应商恶意行为方面的攻防能力相对较弱，供应商可能通过修改数据或在不同时间段提交不同的数据来规避检测；为了提高攻防能力，现有的检测算法需要进一步优化，并结合实时监测和历史数据分析，以提高对异常行为的识别准确率和有效防范潜在风险；4.泛化能力不足，现有的检测算法可能在应对特定类型的作弊行为方面表现较好，但在遇到新型或未知的作弊行为时，泛化能力不足，难以有效识别和处理；因此，需要研究具有更强泛化能力的检测算法，以便更好地适应不断变化的供应商作弊手段和场景；5.智能化不足，现有的检测算法很大程度上依赖人工设计的特征和规则，这导致检测效果受限于人工经验和专业知识。在面对复杂和多变的供应商作弊行为时，过于依赖人工设计的特征可能无法完全捕捉到潜在的作弊行为。因此，需要发展更智能化的检测算法，能够自动学习和挖掘数据中的隐藏模式和信息，从而提高检测效果和适应性。

技术实现思路

[0006]针对以上问题，本专利技术提出了一种基于编解码算法的供应商作弊检测方法，可以有效地应对边缘云场景中多样化的资源节点、动态变化的服务需求和数据特征，解决当前供应商作弊检测中存在的问题，提供了一种高效、准确和智能化的作弊检测解决方案，实现了边缘云资源市场的公平和健康发展。为解决以上技术问题，本专利技术所采用的技术方案如下：
[0007]一种基于编解码算法的供应商作弊检测方法，包括如下步骤：
[0008]S1，采集个时间段中个时间节点下每个边缘云节点的数据信息，所述数据信息均包括节点数据特征和业务数据特征，对所有数据特征进行向量化；
[0009]S2，利用互信息计算每条数据信息中的数据特征和该数据特征的作弊状态间的相关性，基于相关性阈值对每条数据信息中的数据特征进行筛选后两两组合得到组合数据特征，基于组合数据特征和步骤S1中的数据信息构建带宽预测需求信息；
[0010]S3，根据带宽预测需求信息构建图结构，利用GCN对图结构进行训练得到带宽预测模型，同时利用带宽预测模型的输出和真实带宽流量的均方误差作为第一损失函数对带宽预测模型进行优化，基于优化后的带宽预测模型获取每个边缘云节点的图嵌入表示；
[0011]S4，将步骤S3中的图嵌入表示和步骤S2中的带宽预测需求信息进行对应拼接得到每个边缘云节点的异常预测需求数据；
[0012]S5，基于业务和该业务对应的折损率阈值将步骤S4中的异常预测需求数据划分为正常集和异常集，利用步骤S3中的第一损失函数对异常检测算法的模型整体损失函数进行更新，对更新模型整体损失函数后的异常检测算法进行训练获取异常检测模型；
[0013]S6，收集边缘云节点的最新数据信息利用步骤S5中的异常检测模型进行检测，对检测结果进行人工误判确认，若没有误判则对供应商进行处理，否则基于误判数据更新正常集优化异常检测模型。
[0014]所述节点数据特征包括机器ID、供应商、计费类型、节点储备带宽、单线带宽、线路条数、TCP丢包满意度、平均测试带宽、TCP丢包满意度、极限压测满意度、带宽使用率、网络延迟、在线率、在线线路数、节点真实95带宽；
[0015]所述业务数据特征包括任务ID、TCP重传率、单线带宽、网络类型、磁盘带宽比、使
用率平均。
[0016]所述步骤S3包括如下步骤：
[0017]S3.1，基于边缘云节点之间信息传输状态计算连通指标，基于连通指标和步骤S2中的带宽预测需求信息构建图结构；
[0018]S3.2，利用图卷积神经网络构建训练网络模型；
[0019]S3.3，利用训练网络模型对图结构进行训练获取带宽预测模型，同时利用带宽预测模型的输出和真实带宽流量的均方误差作为第一损失函数利用Adam优化器对带宽预测模型进行优化；
[0020]S3.4，利用优化后的带宽预测模型获取每个边缘云节点的图嵌入表示。
[0021]所述图结构采用G(V，E)表示，V表示顶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于编解码算法的供应商作弊检测方法，其特征在于，包括如下步骤：S1，采集个时间段中个时间节点下每个边缘云节点的数据信息，所述数据信息均包括节点数据特征和业务数据特征，对所有数据特征进行向量化；S2，利用互信息计算每条数据信息中的数据特征和该数据特征的作弊状态间的相关性，基于相关性阈值对每条数据信息中的数据特征进行筛选后两两组合得到组合数据特征，基于组合数据特征和步骤S1中的数据信息构建带宽预测需求信息；S3，根据带宽预测需求信息构建图结构，利用GCN对图结构进行训练得到带宽预测模型，同时利用带宽预测模型的输出和真实带宽流量的均方误差作为第一损失函数对带宽预测模型进行优化，基于优化后的带宽预测模型获取每个边缘云节点的图嵌入表示；S4，将步骤S3中的图嵌入表示和步骤S2中的带宽预测需求信息进行对应拼接得到每个边缘云节点的异常预测需求数据；S5，基于业务和该业务对应的折损率阈值将步骤S4中的异常预测需求数据划分为正常集和异常集，利用步骤S3中的第一损失函数对异常检测算法的模型整体损失函数进行更新，对更新模型整体损失函数后的异常检测算法进行训练获取异常检测模型；S6，收集边缘云节点的最新数据信息利用步骤S5中的异常检测模型进行检测，对检测结果进行人工误判确认，若没有误判则对供应商进行处理，否则基于误判数据更新正常集优化异常检测模型。2.根据权利要求1所述的基于编解码算法的供应商作弊检测方法，其特征在于，所述节点数据特征包括机器ID、供应商、计费类型、节点储备带宽、单线带宽、线路条数、TCP丢包满意度、平均测试带宽、TCP丢包满意度、极限压测满意度、带宽使用率、网络延迟、在线率、在线线路数、节点真实95带宽；所述业务数据特征包括任务ID、TCP重传率、单线带宽、网络类型、磁盘带宽比、使用率平均。3.根据权利要求1所述的基于编解码算法的供应商作弊检测方法，其特征在于，所述步骤S3包括如下步骤：S3.1，基于边缘云节点之间信息传输状态计算连通指标，基于连通指标和步骤S2中的带宽预测需求信息构建图结构；S3.2，利用图卷积神经网络构建训练网络模型；S3.3，利用训练网络模型对图结构进行训练获取带宽预测模型，同时利用带宽预测模型的输出和真实带宽流量的均方误差作为第一损失函数利用Adam优化器对带宽预测模型进行优化；S3.4，利用优化后的带宽预测模型获取每个边缘云节点的图嵌入表示。4.根据权利要求3所述的基于编解码算法的供应商作弊检测方法，其特征在于，所述图结构采用G(V，E)表示，V表示顶点也即边缘云节点，E表示边，e
ij
∈E，e
ij
表示边缘云节点v
i
与边缘云节点v
j
之间的连通指标，连通指标的计算公式为...

【专利技术属性】
技术研发人员：谭昌炼，张青青，张黎，李星星，
申请(专利权)人：派欧云计算上海有限公司，
类型：发明
国别省市：