本申请提供一种异常物联网号卡的确定方法、装置、设备及存储介质。该方法首先基于关系的图卷积神经网络，对预先获取的至少一个物联网号卡的使用行为采集图进行特征提取，得到图特征信息，其中，使用行为采集图为至少一个物联网号卡的使用行为记录的图结构；之后，将每个物联网号卡的图特征信息输入至预先训练的Transformer序列模型中，提取得到每个物联网号卡对应的隐层特征，其中，隐层特征为对应图特征信息中隐藏的行为模式和规律；最后根据每个物联网号卡对应的隐层特征，确定异常物联网号卡。本申请的方法，实现了对异常物联网号卡的确定，提高了确定异常物联网号卡的准确性。
【技术实现步骤摘要】
本申请涉及物联网，尤其涉及一种异常物联网号卡的确定方法、装置、设备及存储介质。
技术介绍
1、物联卡是基于公众物联网，面向物联网用户提供的移动通信接入业务，采用物联网专用号段，通过专用网元设备支持短信、无线数据和语音等基础通信服务，提供通信连接管理和终端等智能连接服务。在物联网卡反欺诈领域，为了保护客户的权益，防止一系列的欺诈行为，需要识别和确定可能有异常的物联网号卡并对该号卡进行关停操作，从而使损失最小化。
2、现有技术中使用轻量级梯度提升机(light gradient boosting machine，lightgbm)方法对可能涉诈的物联网号卡进行预测和输出，该方法使用直方图算法和带有按叶子节点分割的决策树来提高训练和预测的效率。
3、然而，由于物联网号卡的信息通常会带有大量的噪声，现有技术的方法对噪声比较敏感，会出现过拟合的情况，导致出现确定异常物联网号卡的准确性较低的问题。
技术实现思路
1、本申请提供一种异常物联网号卡的确定方法、装置、设备及存储介质，用以解决对确定异常物联网号卡的准确性较低的技术问题。
2、第一方面，本申请提供一种异常物联网号卡的确定方法，包括：
3、基于关系的图卷积神经网络，对预先获取的至少一个物联网号卡的使用行为采集图进行特征提取，得到图特征信息；所述使用行为采集图为所述至少一个物联网号卡的使用行为记录的图结构，所述基于关系的图卷积神经网络是基于多个物联网号卡的历史使用行为采集图训练得到的；
4、将每个物联网号卡的图特征信息输入至预先训练的transformer序列模型中，提取得到每个物联网号卡对应的隐层特征；所述隐层特征为对应图特征信息中隐藏的行为模式和规律，所述预先训练的transformer序列模型是基于多个物联网号卡的历史使用行为数据的图特征信息进行训练得到的；
5、根据每个物联网号卡对应的隐层特征，确定异常物联网号卡。
6、在一个或多个实施例中，所述方法还包括：
7、针对于每个物联网号卡，对预先获取的所述物联网号卡的使用信息进行预处理，得到处理后的使用信息；
8、将预设的监测时间划分为多个时间窗口；
9、在每个时间窗口内，根据所述处理后的使用信息，构建得到所述物联网号卡的使用行为采集图。
10、在一个或多个实施例中，所述基于关系的图卷积神经网络，对预先获取的至少一个物联网号卡的使用行为采集图进行特征提取，得到图特征信息，包括：
11、针对于每个物联网号卡，对所述物联网号卡的使用行为采集图中每个节点进行初始化，得到每个节点对应的初始化向量；
12、遍历所述使用行为采集图中的每个节点，进行邻居节点信息聚合，得到聚合后的邻居节点信息；
13、针对于每个节点，根据所述节点对应的聚合后的邻居节点信息和所述节点的初始化向量，对所述节点进行特征向量更新；
14、重复多次邻居节点信息聚合和每个节点的特征向量更新，得到所述物联网号卡对应的图特征信息。
15、在一个或多个实施例中，所述根据每个物联网号卡对应的隐层特征，确定异常物联网号卡，包括：
16、针对于每个物联网号卡，将所述物联网号卡的隐层特征输入至全连接层处理，得到处理后的隐层特征；
17、对所述处理后的隐层特征进行归一化处理，得到归一化后的隐层特征；
18、对所述归一化后的隐层特征进行概率预测，得到所述物联网号卡对应的涉诈概率；
19、基于每个物联网号卡对应的涉诈概率和预设的概率阈值，确定所述异常物联网号卡。
20、在一个或多个实施例中，所述基于每个物联网号卡对应的涉诈概率和预设的概率阈值，确定所述异常物联网号卡，包括：
21、针对于每个物联网号卡，若所述物联网号卡对应的涉诈概率大于所述概率阈值，则将所述物联网号卡确定为所述异常物联网号卡。
22、在一个或多个实施例中，针对于每个物联网号卡，所述物联网号卡的使用行为采集图包括：与所述物联网号卡存在连接的第一物联网号卡信息、所述物联网号卡的访问对象信息、所述物联网号卡与所述访问对象之间的关联关系。
23、第二方面，本申请提供一种异常物联网号卡的确定装置，包括：
24、第一提取模块，用于基于关系的图卷积神经网络，对预先获取的至少一个物联网号卡的使用行为采集图进行特征提取，得到图特征信息；所述使用行为采集图为所述至少一个物联网号卡的使用行为记录的图结构，所述基于关系的图卷积神经网络是基于多个物联网号卡的历史使用行为采集图训练得到的；
25、第二提取模块，用于将每个物联网号卡的图特征信息输入至预先训练的transformer序列模型中，提取得到每个物联网号卡对应的隐层特征；所述隐层特征为对应图特征信息中隐藏的行为模式和规律，所述预先训练的transformer序列模型是基于多个物联网号卡的历史使用行为数据的图特征信息进行训练得到的；
26、确定模块，用于根据每个物联网号卡对应的隐层特征，确定异常物联网号卡。
27、在一个或多个实施例中，所述第一提取模块，还用于：
28、针对于每个物联网号卡，对预先获取的所述物联网号卡的使用信息进行预处理，得到处理后的使用信息；
29、将预设的监测时间划分为多个时间窗口；
30、在每个时间窗口内，根据所述处理后的使用信息，构建得到所述物联网号卡的使用行为采集图。
31、在一个或多个实施例中，所述基于关系的图卷积神经网络，对预先获取的至少一个物联网号卡的使用行为采集图进行特征提取，得到图特征信息，所述第一提取模块，具体用于：
32、针对于每个物联网号卡，对所述物联网号卡的使用行为采集图中每个节点进行初始化，得到每个节点对应的初始化向量；
33、遍历所述使用行为采集图中的每个节点，进行邻居节点信息聚合，得到聚合后的邻居节点信息；
34、针对于每个节点，根据所述节点对应的聚合后的邻居节点信息和所述节点的初始化向量，对所述节点进行特征向量更新；
35、重复多次邻居节点信息聚合和每个节点的特征向量更新，得到所述物联网号卡对应的图特征信息。
36、在一个或多个实施例中，所述确定模块，具体用于：
37、针对于每个物联网号卡，将所述物联网号卡的隐层特征输入至全连接层处理，得到处理后的隐层特征；
38、对所述处理后的隐层特征进行归一化处理，得到归一化后的隐层特征；
39、对所述归一化后的隐层特征进行概率预测，得到所述物联网号卡对应的涉诈概率；
40、基于每个物联网号卡对应的涉诈概率和预设的概率阈值，确定所述异常物联网号卡。
41、在一个或多个实施例中，所述基于每个物联网号卡对应的涉诈概率和预设的概率阈值，确定所述异常物联网号卡，所述确定模块，具体用于：
42、针对本文档来自技高网
...
【技术保护点】
1.一种异常物联网号卡的确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述基于关系的图卷积神经网络，对预先获取的至少一个物联网号卡的使用行为采集图进行特征提取，得到图特征信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据每个物联网号卡对应的隐层特征，确定异常物联网号卡，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于每个物联网号卡对应的涉诈概率和预设的概率阈值，确定所述异常物联网号卡，包括：
6.根据权利要求1或2任一项所述的方法，其特征在于，针对于每个物联网号卡，所述物联网号卡的使用行为采集图包括：与所述物联网号卡存在连接的第一物联网号卡信息、所述物联网号卡的访问对象信息、所述物联网号卡与所述访问对象之间的关联关系。
7.一种异常物联网号卡的确定装置，其特征在于，包括：
8.一种电子设备，其特征在于，包括：
9.一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执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-6任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。
...
【技术特征摘要】
1.一种异常物联网号卡的确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述基于关系的图卷积神经网络，对预先获取的至少一个物联网号卡的使用行为采集图进行特征提取，得到图特征信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据每个物联网号卡对应的隐层特征，确定异常物联网号卡，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于每个物联网号卡对应的涉诈概率和预设的概率阈值，确定所述异常物联网号卡，包括：
6.根据权利要求1或2任一项所述的...
【专利技术属性】
技术研发人员：李研，何非，许冬勇，蔡销，张宏宇，王倩，
申请(专利权)人：中国联合网络通信集团有限公司，
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。