CN116129440A - 异常用户端告警方法、装置、电子设备和介质 - Google Patents
异常用户端告警方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116129440A CN116129440A CN202310390831.3A CN202310390831A CN116129440A CN 116129440 A CN116129440 A CN 116129440A CN 202310390831 A CN202310390831 A CN 202310390831A CN 116129440 A CN116129440 A CN 116129440A
- Authority
- CN
- China
- Prior art keywords
- user
- attribute information
- information
- attribute
- circulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了异常用户端告警方法、装置、电子设备和介质。该方法的一具体实施方式包括：响应于确定用户基本属性信息满足第一基本条件，将用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息；将用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息；响应于确定流转属性信息满足预设异常条件，对目标用户对应的用户端进行告警处理；响应于确定流转属性信息不满足预设异常条件，对流转属性信息进行加密处理，以生成流转属性加密信息，以及将流转属性加密信息存储至本地数据库中。该实施方式可以减少浪费用户的填写时间。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及异常用户端告警方法、装置、电子设备和介质。
背景技术
用户可以将用户基本属性信息存储到本地数据库中，可以方便查看用户基本属性信息。目前，将用户基本属性信息存储到本地数据库，通常采用的方式为：由用户填写用户基本属性清单，然后将用户填写的用户基本属性信息存储到本地数据库中。
然而，采用上述方式通常存在以下技术问题：
第一，获取用户基本属性信息只能通过用户填写用户基本属性清单得到，用户需要花费大量时间来填写用户基本属性信息，导致浪费了用户的填写时间；
第二，将用户上传的所有信息均存储在数据库中，会存储冗余的信息，浪费了内存资源；
第三，将用户上传的用户基本属性信息未经过加密直接存储在数据库，容易泄露用户基本属性信息。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了异常用户端告警方法、装置、电子设备、计算机可读介质和程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种异常用户端告警方法，该方法包括：获取目标用户上传的用户基本属性信息；响应于确定上述用户基本属性信息满足第一基本条件，将上述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息；响应于确定上述用户基本属性信息满足第二基本条件，将上述用户基本属性信息确定为用户属性信息；将上述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息；响应于确定上述流转属性信息满足预设异常条件，对上述目标用户对应的用户端进行告警处理；响应于确定上述流转属性信息不满足上述预设异常条件，对上述流转属性信息进行加密处理，以生成流转属性加密信息，以及将上述流转属性加密信息存储至本地数据库中。
第二方面，本公开的一些实施例提供了一种异常用户端告警装置，装置包括：获取单元，被配置成获取目标用户上传的用户基本属性信息；第一输入单元，被配置成响应于确定上述用户基本属性信息满足第一基本条件，将上述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息；确定单元，被配置成响应于确定上述用户基本属性信息满足第二基本条件，将上述用户基本属性信息确定为用户属性信息；第二输入单元，被配置成将上述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息；告警单元，被配置成响应于确定上述流转属性信息满足预设异常条件，对上述目标用户对应的用户端进行告警处理；存储单元，被配置成响应于确定上述流转属性信息不满足上述预设异常条件，对上述流转属性信息进行加密处理，以生成流转属性加密信息，以及将上述流转属性加密信息存储至本地数据库中。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的异常用户端告警方法，可以减少浪费用户的填写时间。具体来说，导致浪费了用户的填写时间的原因在于：获取用户基本属性信息只能通过用户填写用户基本属性清单得到，用户需要花费大量时间来填写用户基本属性信息。基于此，本公开的一些实施例的异常用户端告警方法，首先，获取目标用户上传的用户基本属性信息。其次，响应于确定上述用户基本属性信息满足第一基本条件，将上述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息。由此，可以接受用户上传的图片信息，可以通过用户属性信息识别模型识别出用户上传的图片信息包括的用户属性信息。再次，响应于确定上述用户基本属性信息满足第二基本条件，将上述用户基本属性信息确定为用户属性信息。由此，当用户上传的是填写的清单信息时，可以将用户上传的用户基本属性信息作为用户属性信息。接着，将上述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息。由此，可以通过流转属性信息识别模型去除用户属性信息中冗余的信息。然后，响应于确定上述流转属性信息满足预设异常条件，对上述目标用户对应的用户端进行告警处理。由此，可以对上传异常的用户基本属性信息的用户端进行告警。最后，响应于确定上述流转属性信息不满足上述预设异常条件，对上述流转属性信息进行加密处理，以生成流转属性加密信息，以及将上述流转属性加密信息存储至本地数据库中。由此，可以对流转属性信息进行加密后存储到本地数据库中，可以避免泄露流转属性信息。从而，用户除了花费时间填写用户基本属性清单之外，还可以上传用户基本属性信息的图片。进而，可以减少浪费用户的填写时间。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的异常用户端告警方法的一些实施例的流程图；
图2是根据本公开的异常用户端告警装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1，示出了根据本公开的异常用户端告警方法的一些实施例的流程100。该异常用户端告警方法，包括以下步骤：
步骤101，获取目标用户上传的用户基本属性信息。
在一些实施例中，异常用户端告警方法的执行主体（例如计算设备）可以通过有线连接或无线连接的方式从终端设备中获取目标用户上传的用户基本属性信息。其中，目标用户可以是上传用户基本属性信息的用户。用户基本属性信息可以包括但不限于以下至少一项：用户标识、属性标识、日期、用户名、用户账号、流转用户名、流转用户账号、流转属性值。用户标识可以唯一表示一个用户。属性标识可以唯一表示一个用户基本属性信息。用户账号可以是用户用于存放流转属性值的账户的标识。流转用户可以表征与用户进行交换流转属性值的用户。流转用户账号可以是流转用户用于存放流转属性值的账户的标识。一个用户可以对应至少一个用户账号。一个用户可以对应至少一个流转用户。一个用户可以对应至少一个属性标识。流转属性值可以表征从用户到流转用户之间流转的属性值（金额）。这里，流转属性值为正时可以表征从用户流向流转用户。流转属性值为负时可以表征从流转用户流向用户。用户基本属性信息可以表征图片。用户基本属性信息还可以表征用户填写的用户基本属性清单的信息。用户基本属性清单可以是上述执行主体生成的便于用户填写用户基本属性信息的清单。
步骤102，响应于确定用户基本属性信息满足第一基本条件，将用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息。
在一些实施例中，响应于确定上述用户基本属性信息满足第一基本条件，上述执行主体可以将上述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息。其中，上述第一基本条件可以是上述用户基本属性信息表征图片。用户属性信息可以包括但不限于以下至少一项：用户标识、属性标识、日期、用户名、用户账号、流转用户名、流转用户账号、流转属性值。上述用户属性信息识别模型可以包括：文字检测模型和文字识别模型。
文字检测模型可以是以用户基本属性信息为输入，以检测信息为输出的第一预定义模型。第一预定义模型可以分为两层：
第一层可以是以用户基本属性信息为输入，以第一检测信息为输出的区域特征提取模型。
第二层可以是以第一检测信息为输入，以检测信息为输出的非极大值抑制模型。
文字识别模型可以是以检测信息为输入，以用户属性信息为输出的第二预定义模型。第二预定义模型可以分为两层：
第一层可以是以检测信息为输入，以识别信息为输出的卷积神经网络模型。
第二层可以是以识别信息为输入，以用户属性信息为输出的循环神经网络模型。
可选地，上述用户属性信息识别模型可以是通过以下步骤训练得到的：
第一步，获取训练样本集。
在一些实施例中，上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中，上述训练样本集中的训练样本包括：样本用户基本属性信息和样本用户属性信息。样本用户基本属性信息可以是表征图片的用户基本属性信息。样本用户属性信息可以是与样本用户基本属性信息对应的表征文字的用户属性信息。
第二步，从上述训练样本集中选取训练样本。
在一些实施例中，上述执行主体可以从上述训练样本集中选取训练样本。实践中，上述执行主体可以随机从上述训练样本集中选择训练样本。
第三步，将上述训练样本包括的样本用户基本属性信息输入至初始用户属性信息识别模型包括的初始文字检测模型中，得到初始检测信息。
在一些实施例中，上述执行主体可以将上述训练样本包括的样本用户基本属性信息输入至初始用户属性信息识别模型包括的初始文字检测模型中，得到初始检测信息。其中，初始文字检测模型可以是未训练的以用户基本属性信息为输入，以检测信息为输出的第一预定义模型。
第四步，将上述初始检测信息输入至初始用户属性信息识别模型包括的初始文字识别模型中，得到初始用户属性信息。
在一些实施例中，上述执行主体可以将上述初始检测信息输入至初始用户属性信息识别模型包括的初始文字识别模型中，得到初始用户属性信息。其中，初始文字识别模型可以是未训练的以检测信息为输入，以用户属性信息为输出的第二预定义模型。
第五步，基于预设的第一损失函数，确定上述初始用户属性信息与上述训练样本包括的样本用户属性信息之间的第一差异值。
在一些实施例中，基于预设的第一损失函数，上述执行主体可以确定上述初始用户属性信息与上述训练样本包括的样本用户属性信息之间的第一差异值。其中，预设的第一损失函数可以是但不限于：均方误差损失函数（MSE）、合页损失函数（SVM）、交叉熵损失函数（CrossEntropy）、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第六步，基于上述第一差异值，调整上述初始用户属性信息识别模型的网络参数。
在一些实施例中，基于上述第一差异值，上述执行主体可以调整上述初始用户属性信息识别模型的网络参数。实践中，上述执行主体可以响应于确定上述第一差异值不满足第一预设条件，调整上述初始用户属性信息识别模型的网络参数。其中，第一预设条件可以是上述第一差异值小于等于预设差异值。例如，可以对第一差异值和预设差异值求差值。在此基础上，利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结（dropout）的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。其中，对于预设差异值的设定，不作限定，例如，预设差异值可以是0.5。
可选地，响应于确定上述第一差异值满足第一预设条件，将上述初始用户属性信息识别模型确定为训练后的用户属性信息识别模型。
在一些实施例中，响应于确定上述第一差异值满足第一预设条件，上述执行主体可以将上述初始用户属性信息识别模型确定为训练后的用户属性信息识别模型。
步骤103，响应于确定用户基本属性信息满足第二基本条件，将用户基本属性信息确定为用户属性信息。
在一些实施例中，响应于确定上述用户基本属性信息满足第二基本条件，上述执行主体可以将上述用户基本属性信息确定为用户属性信息。其中，上述第二基本条件可以是上述用户基本属性信息表征用户基本属性清单的信息。
步骤104，将用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息。
在一些实施例中，上述执行主体可以将上述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息。其中，上述流转属性信息识别模型可以包括：第一流转属性信息识别模型、第二流转属性信息识别模型和选择模型。第一流转属性信息识别模型可以是以用户属性信息为输入，以第一流转属性信息为输出的双向循环神经网络模型（例如，BRNN（bidirectional recurrent neural network，双向循环神经网络）模型）。第二流转属性信息识别模型可以是以用户属性信息为输入，以第二流转属性信息为输出的循环神经网络模型（例如，GRU（Gated Recurrent Unit networks，门控循环单元网络）模型）。选择模型可以是以第一流转属性信息和第二流转属性信息为输入，以流转属性信息为输出的模型。例如，响应于确定用户属性信息对应的用户基本属性信息表征图片，选择模型可以将第一流转属性信息作为流转属性信息进行输出。响应于确定用户属性信息对应的用户基本属性信息表征用户填写的用户基本属性清单的信息，选择模型可以将第二流转属性信息作为流转属性信息进行输出。
可选地，上述流转属性信息识别模型可以是通过以下步骤训练得到的：
第一步，获取训练样本集。
在一些实施例中，上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中，上述训练样本集中的训练样本包括：样本用户属性信息和样本流转属性信息。样本用户属性信息可以是包括冗余信息的用户属性信息。样本流转属性信息可以是去除了冗余信息的用户属性信息。
第二步，从上述训练样本集中选取训练样本。
在一些实施例中，上述执行主体可以从上述训练样本集中选取训练样本。实践中，上述执行主体可以随机从上述训练样本集中选择训练样本。
第三步，将上述训练样本包括的样本用户属性信息输入至初始流转属性信息识别模型包括的第一流转属性信息识别模型中，得到初始第一流转属性信息。
在一些实施例中，上述执行主体可以将上述训练样本包括的样本用户属性信息输入至初始流转属性信息识别模型包括的第一流转属性信息识别模型中，得到初始第一流转属性信息。其中，初始第一流转模型可以是未训练的以用户属性信息为输入，以第一流转属性信息为输出的双向循环神经网络模型。
第四步，将上述训练样本包括的样本用户属性信息输入至初始流转属性信息识别模型包括的初始第二流转属性信息识别模型中，得到初始第二流转属性信息。
在一些实施例中，上述执行主体可以将上述训练样本包括的样本用户属性信息输入至初始流转属性信息识别模型包括的初始第二流转属性信息识别模型中，得到初始第二流转属性信息。其中，初始第二流转模型可以是未训练的以用户属性信息为输入，以第二流转属性信息为输出的循环神经网络模型。
第五步，将上述初始第一流转属性信息和上述初始第二流转属性信息输入至初始流转属性信息识别模型包括的选择模型中，得到初始流转属性信息。
在一些实施例中，上述执行主体可以将上述初始第一流转属性信息和上述初始第二流转属性信息输入至初始流转属性信息识别模型包括的选择模型中，得到初始流转属性信息。实践中，首先，响应于确定上述样本用户属性信息对应的用户基本属性信息表征图片，选择模型可以将初始第一流转属性信息作为流转属性信息进行输出。然后，响应于确定样本用户属性信息对应的用户基本属性信息表征用户填写的用户基本属性清单的信息，选择模型可以将第二流转属性信息作为流转属性信息进行输出。
第六步，基于预设的第二损失函数，确定上述初始流转属性信息与上述训练样本包括的样本流转属性信息之间的第二差异值。
在一些实施例中，基于预设的第二损失函数，上述执行主体可以确定上述初始流转属性信息与上述训练样本包括的样本流转属性信息之间的第二差异值。其中，预设的第二损失函数可以是但不限于：均方误差损失函数（MSE）、合页损失函数（SVM）、交叉熵损失函数（CrossEntropy）、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第七步，基于上述第二差异值，调整上述初始流转属性信息识别模型的网络参数。
在一些实施例中，基于上述第二差异值，上述执行主体可以调整上述初始流转属性信息识别模型的网络参数。实践中，上述执行主体可以响应于确定上述第二差异值不满足第二预设条件，调整上述初始流转属性信息识别模型的网络参数。其中，第二预设条件可以是上述第二差异值小于等于预设差异值。例如，可以对第二差异值和预设差异值求差值。在此基础上，利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结（dropout）的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。其中，对于预设差异值的设定，不作限定，例如，预设差异值可以是0.5。
步骤104中的可选的技术内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“浪费了内存资源”。浪费了内存资源的因素往往如下：将用户上传的所有信息均存储在数据库中，会存储冗余的信息。如果解决了上述因素，就能达到可以减少浪费内存资源的效果。为了达到这一效果，首先，获取训练样本集。其中，上述训练样本集中的训练样本包括：样本用户属性信息和样本流转属性信息。其次，从上述训练样本集中选取训练样本。接着，将上述训练样本包括的样本用户属性信息输入至初始流转属性信息识别模型包括的第一流转属性信息识别模型中，得到初始第一流转属性信息。由此，可以通过第一流转属性信息识别模型得到第一流转属性信息，以便后续确定流转属性信息。之后，将上述训练样本包括的样本用户属性信息输入至初始流转属性信息识别模型包括的初始第二流转属性信息识别模型中，得到初始第二流转属性信息。由此，可以通过第二流转属性信息识别模型得到第二流转属性信息，以便后续确定流转属性信息。然后，将上述初始第一流转属性信息和上述初始第二流转属性信息输入至初始流转属性信息识别模型包括的选择模型中，得到初始流转属性信息。由此，可以根据不同情况选择不同的第一流转属性信息或第二流转属性信息作为流转属性信息，以便得到较为准确的流转属性信息。再然后，基于预设的第二损失函数，确定上述初始流转属性信息与上述训练样本包括的样本流转属性信息之间的第二差异值。由此，通过预设的第二损失函数计算流转属性信息识别结果的差异值，用来是否需要调整模型。例如，当第二差异值小于等于预设差异值时，表示当前的流转属性信息识别模型识别的流转属性信息的效果已经很好，从而，可以不对当前的流转属性信息识别模型进行调整。最后，基于上述第二差异值，调整上述初始流转属性信息识别模型的网络参数。由此，调整流转属性信息识别模型的网络参数，可以让模型识别的流转属性信息更准确。从而，可以得到包括较少冗余信息的流转属性信息。进而，可以减少浪费内存资源。
可选地，响应于确定上述第二差异值满足第二预设条件，将上述初始流转属性信息识别模型确定为训练后的流转属性信息识别模型。
在一些实施例中，响应于确定上述第二差异值满足第二预设条件，上述执行主体可以将上述初始流转属性信息识别模型确定为训练后的流转属性信息识别模型。
步骤105，响应于确定流转属性信息满足预设异常条件，对目标用户对应的用户端进行告警处理。
在一些实施例中，响应于确定上述流转属性信息满足预设异常条件，上述执行主体可以对上述目标用户对应的用户端进行告警处理。其中，上述预设异常条件可以是流转属性信息包括的用户标识、属性标识、日期、用户名、用户账号、流转用户名、流转用户账号或流转属性值缺失。上述告警处理可以是显示警告性的文字或控制扬声器发出提示音。
步骤106，响应于确定流转属性信息不满足预设异常条件，对流转属性信息进行加密处理，以生成流转属性加密信息，以及将流转属性加密信息存储至本地数据库中。
在一些实施例中，响应于确定上述流转属性信息不满足上述预设异常条件，上述执行主体可以对上述流转属性信息进行加密处理，以生成流转属性加密信息，以及将上述流转属性加密信息存储至本地数据库中。
实践中，响应于确定上述流转属性信息不满足上述预设异常条件，上述执行主体可以通过以下步骤对上述流转属性信息进行加密处理，以生成流转属性加密信息：
第一步，将预设素数序列中的各个预设素数的乘积确定为第一加密值。其中，上述预设素数序列中的预设素数可以是按照从小到大的顺序进行排列的。预设素数序列中的预设素数可以是预先设定的互不相同的素数。这里，对于预设素数的设定，不作限定。实践中，可以通过如下公式确定第一加密值：
其中，
表示第一加密值。
表示预设素数序列中的第
个预设素数。
表示预设素数序列中预设素数的个数。例如，
可以是4。
第二步，对于上述预设素数序列中的每个预设素数，将上述预设素数和预设数值之间的差值确定为素数差值。例如，预设数值可以是1。
第三步，将所确定的各个素数差值的乘积确定为素数乘积值。实践中，可以通过如下公式确定素数乘积值：
其中，
表示素数乘积值。
第四步，基于上述素数乘积值，确定第二加密值。实践中，可以通过如下公式随机确定第二加密值：
其中，
表示第二加密值。
表示
和
的最大公约数是1。
第五步，对于上述流转属性信息包括的每个数值，执行如下加密步骤：
第一加密步骤，基于上述第一加密值和上述第二加密值，对上述数值进行加密处理，以生成加密数值。实践中，可以通过如下公式生成加密数值：
其中，
表示上述加密数值。
表示上述数值。
表示
对
进行取余处理。
表示
的
次幂。
第二加密步骤，将上述加密数值确定为流转属性加密信息包括的加密数值。
步骤106中的相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“容易泄露用户基本属性信息”。容易泄露用户基本属性信息的因素往往如下：将用户上传的用户基本属性信息未经过加密直接存储在数据库。如果解决了上述因素，就能达到可以避免泄露用户基本属性信息的效果。为了达到这一效果，首先，将预设素数序列中的各个预设素数的乘积确定为第一加密值。由此，可以通过简单的数学运算，根据多个预设素数确定第一加密值，可以在较短时间内生成第一加密值，可以节省生成时间。其次，对于上述预设素数序列中的每个预设素数，将上述预设素数和预设数值之间的差值确定为素数差值。然后，将所确定的各个素数差值的乘积确定为素数乘积值。由此，可以得到素数乘积值，以便后续得到第二加密值。之后，基于上述素数乘积值，确定第二加密值。由此，可以通过简单的数学运算确定第二加密值。接着，对于上述流转属性信息包括的每个数值，执行如下加密步骤：基于上述第一加密值和上述第二加密值，对上述数值进行加密处理，以生成加密数值。将上述加密数值确定为流转属性加密信息包括的加密数值。由此，可以通过第一加密值和第二加密值对流转属性信息包括的每个数值进行加密。从而，可以根据简单的数学运算来对流转属性信息进行加密。以及，相较于传统加密算法，采用了多个预设素数进行处理，可以在较短时间内生成第一加密值和第二加密值。进而，可以避免泄露用户基本属性信息。
可选地，上述方法还包括：
第一步，响应于接收到任一用户端发送的请求操作，从上述本地数据库中提取对应上述任一用户端的各个流转属性加密信息作为目标流转属性加密信息集。
在一些实施例中，响应于接收到任一用户端发送的请求操作，上述执行主体可以从上述本地数据库中提取对应上述任一用户端的各个流转属性加密信息作为目标流转属性加密信息集。其中，上述请求操作可以表征用户想要查看流转属性加密信息。上述任一用户端可以是任意一个用户对应的用户端。
第二步，响应于确定上述请求操作满足第一请求条件，将上述目标流转属性加密信息集确定为流转属性输出信息。
在一些实施例中，响应于确定上述请求操作满足第一请求条件，上述执行主体可以将上述目标流转属性加密信息集确定为流转属性输出信息。其中，上述第一请求条件可以是上述请求操作表征用户想要查看所有的流转属性加密信息。
第三步，响应于确定上述请求操作满足第二请求条件，将上述目标流转属性加密信息集中满足第一预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息。
在一些实施例中，响应于确定上述请求操作满足第二请求条件，上述执行主体可以将上述目标流转属性加密信息集中满足第一预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息。其中，上述第二请求条件可以是上述请求操作表征用户想要查看指定时间段的流转属性加密信息。上述第一预设输出条件可以是目标流转属性加密信息包括的日期在上述指定时间段内。例如，上述指定时间段可以是2022.5.2-2.22.6.2。上述指定时间段还可以是2022.6.1-2022.6.2。
第四步，响应于确定上述请求操作满足第三请求条件，将上述目标流转属性加密信息集中满足第二预设输出条件的目标流转属性加密信息确定为流转属性输出信息。
在一些实施例中，响应于确定上述请求操作满足第三请求条件，上述执行主体可以将上述目标流转属性加密信息集中满足第二预设输出条件的目标流转属性加密信息确定为流转属性输出信息。其中，上述第三请求条件可以是上述请求操作表征用户想要查看指定属性标识的流转属性加密信息。上述第二预设输出条件可以是目标流转属性加密信息包括的属性标识与上述指定属性标识相同。例如，上述指定属性标识可以是0111XXXXXXXXXXXX。
第五步，响应于确定上述请求操作满足第四请求条件，将上述目标流转属性加密信息集中满足第三预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息。
在一些实施例中，响应于确定上述请求操作满足第四请求条件，上述执行主体可以将上述目标流转属性加密信息集中满足第三预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息。其中，上述第四请求条件可以是上述请求操作表征上述用户想要查看指定用户账号的流转属性加密信息。上述第三预设输出条件可以是目标流转属性加密信息包括的用户账号与上述指定用户账号相同。例如，上述指定用户账号可以是6222XXXXXXXXXXXX。
第六步，响应于确定上述请求操作满足第五请求条件，将上述目标流转属性加密信息集中满足第四预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息。
在一些实施例中，响应于确定上述请求操作满足第五请求条件，上述执行主体可以将上述目标流转属性加密信息集中满足第四预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息。其中，上述第五请求条件可以是上述请求操作表征用户想要查看指定流转用户账号的流转属性加密信息。上述第四预设输出条件可以是目标流转属性加密信息包括的流转用户账号与上述指定流转用户账号相同。例如，上述指定流转用户账号可以是6224XXXXXXXXXXXX。
第七步，将上述流转属性输出信息发送至上述任一用户端。
在一些实施例中，上述执行主体可以将上述流转属性输出信息发送至上述任一用户端。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的异常用户端告警方法，可以减少浪费用户的填写时间。具体来说，导致浪费了用户的填写时间的原因在于：获取用户基本属性信息只能通过用户填写用户基本属性清单得到，用户需要花费大量时间来填写用户基本属性信息。基于此，本公开的一些实施例的异常用户端告警方法，首先，获取目标用户上传的用户基本属性信息。其次，响应于确定上述用户基本属性信息满足第一基本条件，将上述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息。由此，可以接受用户上传的图片信息，可以通过用户属性信息识别模型识别出用户上传的图片信息包括的用户属性信息。再次，响应于确定上述用户基本属性信息满足第二基本条件，将上述用户基本属性信息确定为用户属性信息。由此，当用户上传的是填写的清单信息时，可以将用户上传的用户基本属性信息作为用户属性信息。接着，将上述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息。由此，可以通过流转属性信息识别模型去除用户属性信息中冗余的信息。然后，响应于确定上述流转属性信息满足预设异常条件，对上述目标用户对应的用户端进行告警处理。由此，可以对上传异常的用户基本属性信息的用户端进行告警。最后，响应于确定上述流转属性信息不满足上述预设异常条件，对上述流转属性信息进行加密处理，以生成流转属性加密信息，以及将上述流转属性加密信息存储至本地数据库中。由此，可以对流转属性信息进行加密后存储到本地数据库中，可以避免泄露流转属性信息。从而，用户除了花费时间填写用户基本属性清单之外，还可以上传用户基本属性信息的图片。进而，可以减少浪费用户的填写时间。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种异常用户端告警装置的一些实施例，这些异常用户端告警装置实施例与图1所示的那些方法实施例相对应，该异常用户端告警装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的异常用户端告警装置200包括：获取单元201、第一输入单元202、确定单元203、第二输入单元204、告警单元205和存储单元206。其中，获取单元201，被配置成获取目标用户上传的用户基本属性信息；第一输入单元202，被配置成响应于确定上述用户基本属性信息满足第一基本条件，将上述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息；确定单元203，被配置成响应于确定上述用户基本属性信息满足第二基本条件，将上述用户基本属性信息确定为用户属性信息；第二输入单元204，被配置成将上述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息；告警单元205，被配置成响应于确定上述流转属性信息满足预设异常条件，对上述目标用户对应的用户端进行告警处理；存储单元206，被配置成响应于确定上述流转属性信息不满足上述预设异常条件，对上述流转属性信息进行加密处理，以生成流转属性加密信息，以及将上述流转属性加密信息存储至本地数据库中。
可以理解的是，该异常用户端告警装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于异常用户端告警装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如计算设备）300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标用户上传的用户基本属性信息；响应于确定上述用户基本属性信息满足第一基本条件，将上述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息；响应于确定上述用户基本属性信息满足第二基本条件，将上述用户基本属性信息确定为用户属性信息；将上述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息；响应于确定上述流转属性信息满足预设异常条件，对上述目标用户对应的用户端进行告警处理；响应于确定上述流转属性信息不满足上述预设异常条件，对上述流转属性信息进行加密处理，以生成流转属性加密信息，以及将上述流转属性加密信息存储至本地数据库中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一输入单元、确定单元、第二输入单元、告警单元和存储单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标用户上传的用户基本属性信息”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种异常用户端告警方法，其特征在于，包括：
获取目标用户上传的用户基本属性信息；
响应于确定所述用户基本属性信息满足第一基本条件，将所述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息；
响应于确定所述用户基本属性信息满足第二基本条件，将所述用户基本属性信息确定为用户属性信息；
将所述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息；
响应于确定所述流转属性信息满足预设异常条件，对所述目标用户对应的用户端进行告警处理；
响应于确定所述流转属性信息不满足所述预设异常条件，对所述流转属性信息进行加密处理，以生成流转属性加密信息，以及将所述流转属性加密信息存储至本地数据库中。
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：
响应于接收到任一用户端发送的请求操作，从所述本地数据库中提取对应所述任一用户端的各个流转属性加密信息作为目标流转属性加密信息集；
响应于确定所述请求操作满足第一请求条件，将所述目标流转属性加密信息集确定为流转属性输出信息；
响应于确定所述请求操作满足第二请求条件，将所述目标流转属性加密信息集中满足第一预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息；
响应于确定所述请求操作满足第三请求条件，将所述目标流转属性加密信息集中满足第二预设输出条件的目标流转属性加密信息确定为流转属性输出信息；
响应于确定所述请求操作满足第四请求条件，将所述目标流转属性加密信息集中满足第三预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息；
响应于确定所述请求操作满足第五请求条件，将所述目标流转属性加密信息集中满足第四预设输出条件的各个目标流转属性加密信息确定为流转属性输出信息；
将所述流转属性输出信息发送至所述任一用户端。
3.根据权利要求1所述的方法，其特征在于，所述用户属性信息识别模型是通过以下步骤训练得到的：
获取训练样本集，其中，所述训练样本集中的训练样本包括：样本用户基本属性信息和样本用户属性信息；
从所述训练样本集中选取训练样本；
将所述训练样本包括的样本用户基本属性信息输入至初始用户属性信息识别模型包括的初始文字检测模型中，得到初始检测信息；
将所述初始检测信息输入至初始用户属性信息识别模型包括的初始文字识别模型中，得到初始用户属性信息；
基于预设的第一损失函数，确定所述初始用户属性信息与所述训练样本包括的样本用户属性信息之间的第一差异值；
基于所述第一差异值，调整所述初始用户属性信息识别模型的网络参数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
响应于确定所述第一差异值满足第一预设条件，将所述初始用户属性信息识别模型确定为训练后的用户属性信息识别模型。
5.一种异常用户端告警装置，其特征在于，包括：
获取单元，被配置成获取目标用户上传的用户基本属性信息；
第一输入单元，被配置成响应于确定所述用户基本属性信息满足第一基本条件，将所述用户基本属性信息输入至预先训练的用户属性信息识别模型中，得到用户属性信息；
确定单元，被配置成响应于确定所述用户基本属性信息满足第二基本条件，将所述用户基本属性信息确定为用户属性信息；
第二输入单元，被配置成将所述用户属性信息输入至预先训练的流转属性信息识别模型中，得到流转属性信息；
告警单元，被配置成响应于确定所述流转属性信息满足预设异常条件，对所述目标用户对应的用户端进行告警处理；
存储单元，被配置成响应于确定所述流转属性信息不满足所述预设异常条件，对所述流转属性信息进行加密处理，以生成流转属性加密信息，以及将所述流转属性加密信息存储至本地数据库中。
6.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述方法。
7.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390831.3A CN116129440B (zh) | 2023-04-13 | 2023-04-13 | 异常用户端告警方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390831.3A CN116129440B (zh) | 2023-04-13 | 2023-04-13 | 异常用户端告警方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116129440A true CN116129440A (zh) | 2023-05-16 |
| CN116129440B CN116129440B (zh) | 2023-07-04 |
Family
ID=86308504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310390831.3A Active CN116129440B (zh) | 2023-04-13 | 2023-04-13 | 异常用户端告警方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116129440B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116388112A (zh) * | 2023-05-26 | 2023-07-04 | 北京国电通网络技术有限公司 | 异常供应端断电方法、装置、电子设备和计算机可读介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307472A (zh) * | 2020-11-03 | 2021-02-02 | 平安科技（深圳）有限公司 | 基于智能决策的异常用户识别方法、装置及计算机设备 |
| CN113408254A (zh) * | 2021-05-18 | 2021-09-17 | 支付宝(杭州)信息技术有限公司 | 一种页面表单信息填写方法、装置、设备和可读介质 |
| CN114723457A (zh) * | 2022-04-25 | 2022-07-08 | 平安资产管理有限责任公司 | 资源请求的监控方法、装置、计算机设备及存储介质 |
| CN114757677A (zh) * | 2022-04-11 | 2022-07-15 | 石溪信息科技(上海)有限公司 | 一种交易欺诈风险的智能评估方法及系统 |
| CN115393034A (zh) * | 2022-08-19 | 2022-11-25 | 北京银丰新融科技开发有限公司 | 基于自然语言处理技术对企业账户进行风险识别的方法 |
| CN115545709A (zh) * | 2022-10-31 | 2022-12-30 | 天云融创数据科技（北京）有限公司 | 配资异常交易识别方法及装置 |
| CN115599640A (zh) * | 2022-11-29 | 2023-01-13 | 北京国电通网络技术有限公司（Cn） | 异常供应端告警方法、电子设备和介质 |
| CN115757075A (zh) * | 2022-12-08 | 2023-03-07 | 中国平安财产保险股份有限公司 | 任务异常检测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-04-13 CN CN202310390831.3A patent/CN116129440B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112307472A (zh) * | 2020-11-03 | 2021-02-02 | 平安科技（深圳）有限公司 | 基于智能决策的异常用户识别方法、装置及计算机设备 |
| CN113408254A (zh) * | 2021-05-18 | 2021-09-17 | 支付宝(杭州)信息技术有限公司 | 一种页面表单信息填写方法、装置、设备和可读介质 |
| CN114757677A (zh) * | 2022-04-11 | 2022-07-15 | 石溪信息科技(上海)有限公司 | 一种交易欺诈风险的智能评估方法及系统 |
| CN114723457A (zh) * | 2022-04-25 | 2022-07-08 | 平安资产管理有限责任公司 | 资源请求的监控方法、装置、计算机设备及存储介质 |
| CN115393034A (zh) * | 2022-08-19 | 2022-11-25 | 北京银丰新融科技开发有限公司 | 基于自然语言处理技术对企业账户进行风险识别的方法 |
| CN115545709A (zh) * | 2022-10-31 | 2022-12-30 | 天云融创数据科技（北京）有限公司 | 配资异常交易识别方法及装置 |
| CN115599640A (zh) * | 2022-11-29 | 2023-01-13 | 北京国电通网络技术有限公司（Cn） | 异常供应端告警方法、电子设备和介质 |
| CN115757075A (zh) * | 2022-12-08 | 2023-03-07 | 中国平安财产保险股份有限公司 | 任务异常检测方法、装置、计算机设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116388112A (zh) * | 2023-05-26 | 2023-07-04 | 北京国电通网络技术有限公司 | 异常供应端断电方法、装置、电子设备和计算机可读介质 |
| CN116388112B (zh) * | 2023-05-26 | 2023-09-12 | 北京国电通网络技术有限公司 | 异常供应端断电方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116129440B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115599640B (zh) | 异常供应端告警方法、电子设备和介质 | |
| CN112434620B (zh) | 场景文字识别方法、装置、设备和计算机可读介质 | |
| CN116129440B (zh) | 异常用户端告警方法、装置、电子设备和介质 | |
| CN117408646B (zh) | 电子签章签署方法、装置、电子设备和计算机可读介质 | |
| CN116737917B (zh) | 文本推荐信息生成方法、电子设备和计算机可读介质 | |
| CN112559898B (zh) | 物品信息发送方法、装置、电子设备和计算机可读介质 | |
| CN116862319B (zh) | 电力指标信息生成方法、装置、电子设备和介质 | |
| CN116881097B (zh) | 用户终端告警方法、装置、电子设备和计算机可读介质 | |
| CN116150249B (zh) | 表格数据导出方法、装置、电子设备和计算机可读介质 | |
| CN111798251A (zh) | 房源数据的验证方法、装置和电子设备 | |
| CN116319932A (zh) | 内容推送模型的训练方法、装置、设备及存储介质 | |
| CN112699289B (zh) | 房源信息聚合展示方法、装置、电子设备和计算机可读介质 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN112434619A (zh) | 病例信息提取方法、装置、设备和计算机可读介质 | |
| CN116843800B (zh) | 动画信息发送方法、装置、电子设备和计算机可读介质 | |
| CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 | |
| CN110991312A (zh) | 生成检测信息的方法、装置、电子设备和介质 | |
| CN117692672B (zh) | 基于快照的视频信息发送方法、装置、电子设备和介质 | |
| CN114374738B (zh) | 信息推送方法、装置、存储介质及电子设备 | |
| CN112015625B (zh) | 报警设备控制方法、装置、电子设备和计算机可读介质 | |
| CN116049904B (zh) | 基于区块链多点存证的电子单据加密签章方法、电子设备 | |
| CN112417151B (zh) | 一种生成分类模型方法、文本关系分类方法和装置 | |
| CN111324512B (zh) | 用于生成文本的方法、装置、电子设备和计算机可读介质 | |
| CN116071224A (zh) | 图像转换模型训练方法、图像转换方法和装置 | |
| CN114757431A (zh) | 用户信息处理方法、装置、电子设备和计算机可读介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |