申请/专利权人：杭州安恒信息技术股份有限公司

申请日：2020-07-08

公开（公告）日：2024-04-16

公开（公告）号：CN111784404B

主分类号：G06Q30/0201

分类号：G06Q30/0201;G06Q10/04

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.11.03#实质审查的生效;2020.10.16#公开

摘要：本发明提出了一种基于行为变量预测的异常资产识别方法，通过提取资产不同时刻全状态特征，并使用PAC降维技术从特征向量组生成降维矩阵T，然后分析形成资产特定时刻画像，对比分析不同时刻资产画像的不同，选取这些不同画像的差异进行分析，然后采用时序加权平均算法进行置信区间计算，生成资产时序预测画像，从而识别突变行为，发现异常资产。本发明基于全面的多维特征实现了对突变行为的识别，将动态的资产状态关联起来，减少了漏报和误报的情况，并实现了随着时间监测越发精准。

主权项：1.一种基于行为变量预测的异常资产识别方法，其特征在于，收集被监测资产正常状态下的时序连续状态样本，得到m个资产状态特征；并生成被监测资产一天内的维度为m的特征向量组；通过PAC降维技术使特征向量组生成降维矩阵T，再通过降维矩阵T和特征向量组得到资产行为画像组，并进一步得到不同时刻对应的资产行为变量K，最后生成随着时间变化而变化的资产状态评估函数G（t）；所述特征向量组具体的生成步骤为：步骤一：首先提取初始时刻t0时的资产状态特征向量V0，所述资产状态特征向量V0包括t0时刻的m个资产状态特征；步骤二：以一分钟为间隔，提取t1时刻的资产状态特征向量V1；步骤三：重复步骤二的操作1438次，依次得到t1时刻后的1438个时刻分别的资产状态特征向量V2、资产状态特征向量V3、……、资产状态特征向量V1439；步骤四：整合t0时刻到t1439时刻的资产状态特征Vi，得到维度为m的特征向量组；下标i=0、1、2、……、1439；所述资产行为画像组具体的生成步骤为：步骤五：将降维矩阵T与t0时刻资产状态特征向量V0相乘得到t0时刻的资产行为画像H0；步骤六：对t0时刻之后的1439个时刻的资产状态特征向量Vi同样依次进行与降维矩阵T相乘的操作，得到资产行为画像H1、资产行为画像H2、……、资产行为画像H1439；步骤七：整合t0-t1439时刻所有的资产行为画像Hi，得到资产行为画像组，其中下标i=0、1、2、……、1439；所述资产行为变量Kn的具体计算方法为：将tn时刻的资产行为画像Hn与tn-1时刻的资产行为画像Hn-1进行内积，得到tn时刻的资产行为变量Kn，其中，下标n=1、2、3、4、……、1439；根据被监测资产的起始预测时刻与当前t时刻差值的不同，设置不同的触发器识别触发函数f（t），当触发器识别触发函数f（t）的值为1时，被监测资产处于异常状态；当触发器识别触发函数f（t）的值为0时，被监测资产处于正常状态。

全文数据：

权利要求：

百度查询： 杭州安恒信息技术股份有限公司 一种基于行为变量预测的异常资产识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD