【技术实现步骤摘要】
本申请涉及人工智能(artificial intelligence，简称ai)，特别涉及一种基于对象行为的异常对象检测方法、装置及设备。
技术介绍
1、随着互联网技术的发展，进行异常对象检测以发现出异常对象逐渐成为一个重要的技术分支。为了能够使得异常对象检测的结果相对较为准确，通常需要获取对象的一系列行为(行为序列)。
2、相关技术中，通常采用对行为序列进行独热编码的方式，进行后续的异常对象检测。这里的独热编码可以理解为，根据行为序列判断是否执行了异常行为，比如是否访问了a网站，如果根据行为序列判定出访问了a网站，则针对访问a网站编码为1，否则编码为0，进而得到一串01编码出来的行为向量。
3、而上述相关技术中采用01编码出来的行为向量来进行后续的异常对象检测的方式，异常对象检测的准确度相对较低。
技术实现思路
1、本申请实施例提供了一种基于对象行为的异常对象检测方法、装置及设备，能够提升异常对象检测的准确度。所述技术方案包括如下几个方面。
2、根据本申请实施例的一个方面，提供了一种基于对象行为的异常对象检测方法，所述方法包括如下几个步骤。
3、获取第一对象的行为序列，所述行为序列中包括与所述第一对象有关的多个行为，且所述多个行为按照执行的时间顺序进行排列；
4、将所述行为序列中的各个行为进行向量映射，得到所述行为序列对应的行为向量，所述行为向量用于表征所述行为序列中的各个行为分别对应的语义信息；
5、将所述行
6、通过行为分类模型基于所述行为向量和所述位置向量，对所述第一对象进行分类预测，得到所述第一对象的分类结果，所述分类结果用于指示所述第一对象是否属于异常对象。
7、根据本申请实施例的一个方面，提供了一种行为分类模型的训练方法，所述方法包括如下几个步骤。
8、获取训练样本集，所述训练样本集中包括多个训练样本，所述训练样本中包括行为序列对应的行为向量的标签信息、所述行为序列对应的位置向量的标签信息以及样本对象的分类结果的标签信息，所述行为序列中包括与所述样本对象有关的多个行为，且所述多个行为按照执行的时间顺序进行排列，所述行为向量用于表征所述行为序列中的各个行为分别对应的语义信息，所述位置向量用于表征所述行为序列中的各个行为分别在所述行为序列中的位置；
9、通过所述行为分类模型基于所述行为向量的标签信息和所述位置向量的标签信息，对所述样本对象进行分类预测，得到所述样本对象的分类结果的预测信息，所述分类结果用于指示所述样本对象是否属于异常对象；
10、根据所述分类结果的标签信息和所述分类结果的预测信息，对所述行为分类模型的参数进行调整，得到训练后的行为分类模型。
11、根据本申请实施例的一个方面，提供了一种基于对象行为的异常对象检测装置，所述技术方案包括如下几个模块。
12、行为获取模块，用于获取第一对象的行为序列，所述行为序列中包括与所述第一对象有关的多个行为，且所述多个行为按照执行的时间顺序进行排列；
13、向量映射模块，用于将所述行为序列中的各个行为进行向量映射，得到所述行为序列对应的行为向量，所述行为向量用于表征所述行为序列中的各个行为分别对应的语义信息；
14、位置编码模块，用于将所述行为序列中的各个行为进行位置编码，得到所述行为序列对应的位置向量，所述位置向量用于表征所述行为序列中的各个行为分别在所述行为序列中的位置；
15、分类预测模块，用于通过行为分类模型基于所述行为向量和所述位置向量，对所述第一对象进行分类预测，得到所述第一对象的分类结果，所述分类结果用于指示所述第一对象是否属于异常对象。
16、根据本申请实施例的一个方面，提供了一种行为分类模型的训练装置，所述技术方案包括如下几个模块。
17、样本集获取模块，用于获取训练样本集，所述训练样本集中包括多个训练样本，所述训练样本中包括行为序列对应的行为向量的标签信息、所述行为序列对应的位置向量的标签信息以及样本对象的分类结果的标签信息，所述行为序列中包括与所述样本对象有关的多个行为，且所述多个行为按照执行的时间顺序进行排列，所述行为向量用于表征所述行为序列中的各个行为分别对应的语义信息，所述位置向量用于表征所述行为序列中的各个行为分别在所述行为序列中的位置；
18、分类预测模块，用于通过所述行为分类模型基于所述行为向量的标签信息和所述位置向量的标签信息，对所述样本对象进行分类预测，得到所述样本对象的分类结果的预测信息，所述分类结果用于指示所述样本对象是否属于异常对象；
19、参数调整模块，用于根据所述分类结果的标签信息和所述分类结果的预测信息，对所述行为分类模型的参数进行调整，得到训练后的行为分类模型。
20、根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述基于对象行为的异常对象检测方法，或实现上述行为分类模型的训练方法。
21、根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述基于对象行为的异常对象检测方法，或实现上述行为分类模型的训练方法。
22、根据本申请实施例的一个方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序由处理器加载并执行以实现上述基于对象行为的异常对象检测方法，或实现上述行为分类模型的训练方法。
23、本申请实施例提供的技术方案可以带来如下有益效果。
24、一方面，本申请实施例通过对行为序列中的各个行为分别进行向量映射，得到行为序列对应的行为向量，该行为向量能够表征行为序列中各个行为分别对应的语义信息，也即，该行为向量不同于相同于相关技术中的独热编码出来的向量，该行为向量中携带有与行为序列密切相关的语义信息，基于该行为向量所进行的后续的异常对象检测，能够提升异常对象检测的准确性。
25、另一方面，在对第一对象进行分类预测时，除了利用携带有丰富语义信息的行为向量之外，还需要行为序列的位置向量。该位置向量表征行为序列中各个行为分别在行为序列中的位置，也即，利用位置向量能够对行为序列中各个行为的位置作进一步表征，这也就实现了将各个行为的时序信息融入在后续的分类预测的过程中。对于有些特定的场景下，例如连续先后作出行为1、行为2、行为3的一定是异常对象，在行为之间的先后顺序对于异常对象检测十分重要的情况下，将各个行为在行为序列中的位置信息融入到分类预测过程中，能够进一步提高异常对象检测的准确度。
本文档来自技高网...【技术保护点】
1.一种基于对象行为的异常对象检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述行为分类模型包括编码模块和分类模块；
3.根据权利要求2所述的方法，其特征在于，所述将所述行为向量和所述位置向量进行向量融合，得到所述行为分类模型的输入向量，包括：
4.根据权利要求2所述的方法，其特征在于，所述编码模块包括M个编码器，每个编码器包括注意力网络和全连接网络，M为正整数，
5.根据权利要求2所述的方法，其特征在于，所述通过所述分类模块基于所述行为特征对所述第一对象进行分类预测，得到所述第一对象的分类结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述行为序列中的各个行为进行向量映射，得到所述行为序列对应的行为向量，包括：
7.根据权利要求1所述的方法，其特征在于，所述将所述行为序列中的各个行为进行向量映射，得到所述行为序列对应的行为向量，包括：
8.根据权利要求1所述的方法，其特征在于，所述将所述行为序列中的各个行为进行位置编码，得到所述行为序列对应的位置向
9.根据权利要求8所述的方法，其特征在于，所述位置信息中包括N个元素，N为正整数；
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
11.一种行为分类模型的训练方法，其特征在于，所述方法包括：
12.根据权利要求11所述的方法，其特征在于，所述行为分类模型包括编码模块和分类模块；
13.根据权利要求12所述的方法，其特征在于，所述将所述行为向量的标签信息和所述位置向量的标签信息进行向量融合，得到所述行为分类模型的输入向量，包括：
14.根据权利要求12所述的方法，其特征在于，所述通过所述分类模块基于所述行为特征对所述样本对象进行分类预测，得到所述样本对象的分类结果的预测信息，包括：
15.根据权利要求11所述的方法，其特征在于，所述获取训练样本集，包括：
16.一种基于对象行为的异常对象检测装置，其特征在于，所述装置包括：
17.一种行为分类模型的训练装置，其特征在于，所述装置包括：
18.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至10任一项所述的基于对象行为的异常对象检测方法，或实现如权利要求11至15任一项所述的行为分类模型的训练方法。
19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至10任一项所述的基于对象行为的异常对象检测方法，或实现如权利要求11至15任一项所述的行为分类模型的训练方法。
20.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至10任一项所述的基于对象行为的异常对象检测方法，或实现如权利要求11至15任一项所述的行为分类模型的训练方法。
...【技术特征摘要】
1.一种基于对象行为的异常对象检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述行为分类模型包括编码模块和分类模块；
3.根据权利要求2所述的方法，其特征在于，所述将所述行为向量和所述位置向量进行向量融合，得到所述行为分类模型的输入向量，包括：
4.根据权利要求2所述的方法，其特征在于，所述编码模块包括m个编码器，每个编码器包括注意力网络和全连接网络，m为正整数，
5.根据权利要求2所述的方法，其特征在于，所述通过所述分类模块基于所述行为特征对所述第一对象进行分类预测，得到所述第一对象的分类结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述行为序列中的各个行为进行向量映射，得到所述行为序列对应的行为向量，包括：
7.根据权利要求1所述的方法，其特征在于，所述将所述行为序列中的各个行为进行向量映射，得到所述行为序列对应的行为向量，包括：
8.根据权利要求1所述的方法，其特征在于，所述将所述行为序列中的各个行为进行位置编码，得到所述行为序列对应的位置向量，包括：
9.根据权利要求8所述的方法，其特征在于，所述位置信息中包括n个元素，n为正整数；
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
11.一种行为分类模型的训练方法，其特征在于，所述方法包括：
12.根据权利要求11所述的方法，其特征在于，所述行为分类模型包括编码模块和分类模块；
【专利技术属性】
技术研发人员：卢扬，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。