异常账户识别方法和装置、电子设备及存储介质与流程

本技术涉及人工智能，尤其涉及一种异常账户识别方法和装置、电子设备及存储介质。

背景技术：

1、目前的异常账户识别方法大多是基于对每个账户本身的特征进行异常分析，以确定该账户是否为异常账户，这一方式往往存在着识别准确性不高的问题，因此，如何提高异常账户的识别准确性，成为了亟待解决的技术问题。

技术实现思路

1、本技术实施例的主要目的在于提出一种异常账户识别方法和装置、电子设备及存储介质，旨在提高异常账户的识别准确性。

2、为实现上述目的，本技术实施例的第一方面提出了一种异常账户识别方法，所述方法包括：

3、获取原始账户的账户归属地信息，并基于预设算法和所述账户归属地信息对所述原始账户进行账户筛选，得到目标账户；

4、获取所述目标账户的目标访问数据和账户基本信息，其中，所述目标访问数据包括所述目标账户的行为特征数据、访问场景数据；

5、基于所述访问场景数据和所述账户基本信息确定初始图节点，基于所述行为特征数据确定初始访问行为序列，并根据所述初始访问行为序列和所述初始图节点构建初始异构图；其中，所述初始图节点包括初始账户节点，所述初始访问行为序列包括至少两个初始账户行为特征，每一所述初始账户行为特征连接两个相邻的初始图节点；

6、对所述初始图节点进行节点可疑度计算得到初始节点可疑度，并对所述初始访问行为序列进行边可疑度计算得到边可疑度；

7、基于所述初始节点可疑度对所述初始异构图进行剪枝处理，得到中间异构图，并对所述中间异构图进行异常评分，得到平均可疑度；

8、根据所述平均可疑度对所述中间异构图进行筛选，得到目标异构图；

9、基于预设的风险评分模型对所述目标异构图进行风险评分，得到风险评估数据；其中，所述风险评估数据用于表征所述目标异构图中的初始账户节点的风险程度；

10、根据所述风险评估数据从所述目标异构图中识别出异常账户。

11、在一些实施例，所述获取原始账户的账户归属地信息，并基于预设算法和所述账户归属地信息对所述原始账户进行账户筛选，得到目标账户，包括：

12、获取原始账户的账户归属地信息；

13、基于预设算法对每个所述原始账户的所述账户归属地信息进行编码处理，得到每个所述原始账户的位置编码数据；

14、基于所述位置编码数据对所述原始账户进行分类，得到多个候选账户集合；

15、对每一所述候选账户集合的原始账户进行数量统计，得到每一所述候选账户集合的账户总数；

16、基于所述账户总数对所述候选账户集合进行筛选，得到目标账户集合，并将所述目标账户集合的原始账户作为所述目标账户。

17、在一些实施例，所述基于预设算法对每个所述原始账户的所述账户归属地信息进行编码处理，得到每个所述原始账户的位置编码数据，包括：

18、提取所述账户归属地信息中的经度数据和纬度数据；

19、根据预设对照表对所述经度数据进行格式转换得到第一编码数据，并根据预设对照表对所述纬度数据进行格式转换得到第二编码数据；

20、对所述第一编码数据和所述第二编码数据进行合并处理，得到编码合并数据；

21、基于预设算法对所述编码合并数据进行编码转换，得到所述位置编码数据；

22、其中，所述第一编码数据、所述第二编码数据和所述编码合并数据为二进制数据，所述位置编码数据为字符串数据。

23、在一些实施例，所述对所述初始图节点进行节点可疑度计算得到初始节点可疑度，并对所述初始访问行为序列进行边可疑度计算得到边可疑度，包括：

24、获取所述初始账户行为特征的特征数量；

25、基于预设公式和所述特征数量进行边可疑度计算，得到每一所述初始账户行为特征的边可疑度；

26、根据所述初始账户行为特征和所述初始图节点的连接关系，将与所述初始图节点相连的所有初始账户行为特征的边可疑度进行求和，得到所述初始节点可疑度。

27、在一些实施例，所述基于所述初始节点可疑度对所述初始异构图进行剪枝处理，得到中间异构图，并对所述中间异构图进行异常评分，得到平均可疑度，包括：

28、根据所述初始节点可疑度，从所述初始图节点中筛选出中间图节点，其中，所述中间图节点为所述初始节点可疑度最小的初始图节点；

29、从所述初始异构图中剔除所述中间图节点，得到所述中间异构图；

30、获取所述中间异构图的图节点数量；

31、基于所述中间异构图的初始图节点，计算所述中间异构图的节点可疑分值；

32、根据预设公式、所述图节点数量、所述节点可疑分值对所述中间异构图进行异常评分，得到所述平均可疑度。

33、在一些实施例，所述风险评分模型包括特征提取层和多个预设的候选评分模板，所述基于预设的风险评分模型对所述目标异构图进行风险评分，得到风险评估数据，包括：

34、基于所述特征提取层对所述目标异构图进行节点特征提取，得到目标账户特征；

35、基于所述候选评分模板对所述目标账户特征进行风险评分，得到每一所述初始账户节点的风险评估数据。

36、在一些实施例，所述根据所述风险评估数据从所述目标异构图中识别出异常账户，包括：

37、比对所述风险评估数据和预设的风险阈值；

38、从所述目标异构图中选取所述风险评估数据大于所述风险阈值的初始账户节点作为目标账户节点；

39、将所述目标账户节点对应的目标账户作为所述异常账户。

40、为实现上述目的，本技术实施例的第二方面提出了一种异常账户识别装置，所述装置包括：

41、原始账户筛选模块，用于获取原始账户的账户归属地信息，并基于预设算法和所述账户归属地信息对所述原始账户进行账户筛选，得到目标账户；

42、账户信息获取模块，用于获取所述目标账户的目标访问数据和账户基本信息，其中，所述目标访问数据包括所述目标账户的行为特征数据、访问场景数据；

43、异构图构建模块，用于基于所述访问场景数据和所述账户基本信息确定初始图节点，基于所述行为特征数据确定初始访问行为序列，并根据所述初始访问行为序列和所述初始图节点构建初始异构图；其中，所述初始图节点包括初始账户节点，所述初始访问行为序列包括至少两个初始账户行为特征，每一所述初始账户行为特征连接两个相邻的初始图节点；

44、可疑度计算模块，用于对所述初始图节点进行节点可疑度计算得到初始节点可疑度，并对所述初始访问行为序列进行边可疑度计算得到边可疑度；

45、异构图评分模块，用于基于所述初始节点可疑度对所述初始异构图进行剪枝处理，得到中间异构图，并对所述中间异构图进行异常评分，得到平均可疑度；

46、异构图筛选模块，用于根据所述平均可疑度对所述中间异构图进行筛选，得到目标异构图；

47、风险评分模块，用于基于预设的风险评分模型对所述目标异构图进行风险评分，得到风险评估数据；其中，所述风险评估数据用于表征所述目标异构图中的初始账户节点的风险程度；

48、异常账户识别模块，用于根据所述风险评估数据从所述目标异构图中识别出异常账户。

49、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

50、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

51、本技术提出的异常账户识别方法、异常账户识别装置、电子设备及存储介质，其通过获取原始账户的账户归属地信息，并基于预设算法和账户归属地信息对原始账户进行账户筛选，得到目标账户，能够充分地利用异常账户的聚集性特点筛选出可能存在更多异常账户的目标账户集合。进一步地，获取目标账户的目标访问数据和账户基本信息，目标访问数据包括目标账户的行为特征数据、访问场景数据；基于访问场景数据和账户基本信息确定初始图节点，基于行为特征数据确定初始访问行为序列，并根据初始访问行为序列和初始图节点构建初始异构图，能够以异构图的形式将目标账户的目标访问数据进行展示，能够清楚地反映目标账户的行为特征和访问场景之间的关联性。进一步地，对初始图节点进行节点可疑度计算得到初始节点可疑度，并对初始访问行为序列进行边可疑度计算得到边可疑度；并基于初始节点可疑度对初始异构图进行剪枝处理，得到中间异构图，并对中间异构图进行异常评分，得到平均可疑度；根据平均可疑度对中间异构图进行筛选，得到目标异构图，能够较为方便地实现对初始异构图的剪枝操作，得到多个中间异构图以及每一中间异构图对应的平均可疑度，使得能够根据平均可疑度的大小确定中间异构图中的异常账户的存在情况，有利于从群体的角度对异常账户进行识别。最后，基于预设的风险评分模型对目标异构图进行风险评分，得到风险评估数据，并根据风险评估数据从目标异构图中识别出异常账户，这一方式通过风险评估数据能够较为准确地反映每个目标账户存在风险的程度，能够较好地提高异常账户的识别准确性。