本發(fā)明屬于電商反作弊，具體為一種電商反作弊策略系統(tǒng)及其應(yīng)急管控方法。

背景技術(shù)：

1、互聯(lián)網(wǎng)在過去的十年間迅猛發(fā)展，信息量呈現(xiàn)出爆炸性增長。到2013年6月，中國的互聯(lián)網(wǎng)用戶數(shù)已達(dá)到5.9億，上半年新增用戶數(shù)高達(dá)2.66億?；ヂ?lián)網(wǎng)普及率也由2012年底的42.1％上升至44.1％。網(wǎng)絡(luò)已成為人們獲取信息的主要途徑。隨著網(wǎng)購頻率的增加和互聯(lián)網(wǎng)時(shí)代的到來，物流支付環(huán)節(jié)也在不斷完善，在線購物者數(shù)量顯著增長。淘寶、天貓、逸迅、京東商城等電商平臺如雨后春筍般涌現(xiàn)。得益于互聯(lián)網(wǎng)基礎(chǔ)設(shè)施的優(yōu)化，越來越多的人開始使用網(wǎng)絡(luò)進(jìn)行商業(yè)活動(dòng)，尤其是對在線商品銷售的需求激增。為滿足網(wǎng)店和網(wǎng)購用戶的需求，中國涌現(xiàn)出越來越多專業(yè)便捷的c2c電子商務(wù)網(wǎng)站。數(shù)以萬計(jì)的消費(fèi)者在互聯(lián)網(wǎng)上購物，數(shù)以萬計(jì)的商家在網(wǎng)絡(luò)上銷售商品。在這種環(huán)境下，如何從眾多買家手中獲取可觀的流量交易已成為賣家面臨的主要問題。一般而言，經(jīng)營時(shí)間較長的商家可以通過提升店鋪等級來逐步增加流量。然而，激烈的市場競爭和高額利潤往往使交易者面臨風(fēng)險(xiǎn)，這種環(huán)境對店鋪的營銷帶來了巨大的挑戰(zhàn)。因此需要使用電商反作弊策略系統(tǒng)來防止商家作弊。

2、但是常見的作弊系統(tǒng)在使用過程中，并未對采集得到的數(shù)據(jù)進(jìn)行過多的降噪預(yù)處理，從而使得后續(xù)的處理過程誤差較大。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于：為了解決上述提出的問題，提供一種電商反作弊策略系統(tǒng)及其應(yīng)急管控方法。

2、本發(fā)明采用的技術(shù)方案如下：一種電商反作弊策略系統(tǒng)及其應(yīng)急管控方法，包括電源供電模塊、數(shù)據(jù)收集模塊、數(shù)據(jù)處理模塊、作弊識別分析模塊、綜合決策模塊、決策執(zhí)行模塊、執(zhí)行結(jié)果反饋模塊、用戶特征分析模塊、模型選取模塊、模型訓(xùn)練模塊和模型部署模塊，所述電源供電模塊的輸出端連接有所述數(shù)據(jù)收集模塊的輸入端，所述數(shù)據(jù)收集模塊的輸出端連接有所述數(shù)據(jù)處理模塊的輸入端，所述數(shù)據(jù)處理模塊的輸出端連接有所述作弊識別分析模塊的輸入端，所述作弊識別分析模塊的輸出端連接有所述綜合決策模塊的輸入端，所述綜合決策模塊的輸出端連接有所述決策執(zhí)行模塊的輸入端，所述決策執(zhí)行模塊的輸出端連接有所述執(zhí)行結(jié)果反饋模塊的輸入端。

3、在一優(yōu)選的實(shí)施方式中，所述作弊識別分析模塊的內(nèi)部設(shè)置有用戶特征分析模塊、模型選取模塊、模型訓(xùn)練模塊和模型部署模塊，所述用戶特征分析模塊、模型選取模塊、模型訓(xùn)練模塊和模型部署模塊的整體輸出端連接有所述作弊識別分析模塊的輸入端。

4、在一優(yōu)選的實(shí)施方式中，所述數(shù)據(jù)處理模塊對數(shù)據(jù)進(jìn)行得分標(biāo)準(zhǔn)化處理，得分標(biāo)準(zhǔn)化處理將數(shù)據(jù)轉(zhuǎn)換為具有平均值和單位方差的形式。具體步驟如下：

5、a.計(jì)算均值和標(biāo)準(zhǔn)差：對于每個(gè)特征，計(jì)算其均值和標(biāo)準(zhǔn)差；

6、b.應(yīng)用變換公式：對于數(shù)據(jù)集中的每個(gè)特征值x，使用以下公式進(jìn)行變換：

7、

8、其中，xstd是變換后的值；

9、c.變換數(shù)據(jù)集：將上述變換應(yīng)用到整個(gè)數(shù)據(jù)集的每個(gè)特征上；經(jīng)過z得分標(biāo)準(zhǔn)化后，每個(gè)特征的均值為0，標(biāo)準(zhǔn)差為1，數(shù)據(jù)集的分布將類似于標(biāo)準(zhǔn)正態(tài)分布；

10、所述數(shù)據(jù)處理模塊還對數(shù)據(jù)進(jìn)行標(biāo)記邊界點(diǎn)和噪聲點(diǎn)處理，標(biāo)記邊界點(diǎn)和噪聲點(diǎn)的步驟如下：

11、初始化核心點(diǎn)：

12、對于數(shù)據(jù)集中的每個(gè)點(diǎn)，檢查其ε鄰域內(nèi)的點(diǎn)數(shù)。

13、如果一個(gè)點(diǎn)的ε鄰域內(nèi)的點(diǎn)數(shù)大于或等于minpts，則將該點(diǎn)標(biāo)記為核心點(diǎn)。

14、查找直接密度可達(dá)點(diǎn)：

15、對于每個(gè)核心點(diǎn)，查找所有從它直接密度可達(dá)的點(diǎn)。

16、直接密度可達(dá)是指一個(gè)點(diǎn)可以在不超過ε的距離內(nèi)通過核心點(diǎn)到達(dá)另一個(gè)點(diǎn)。

17、標(biāo)記邊界點(diǎn)：

18、對于每個(gè)核心點(diǎn)，如果一個(gè)點(diǎn)不屬于核心點(diǎn)的ε鄰域，但是屬于其他核心點(diǎn)的ε鄰域，則將該點(diǎn)標(biāo)記為邊界點(diǎn)。

19、這意味著這個(gè)點(diǎn)雖然不屬于任何核心點(diǎn)的直接鄰域，但它仍然可以通過其他核心點(diǎn)間接到達(dá)其他核心點(diǎn)。

20、標(biāo)記噪聲點(diǎn)：

21、對于每個(gè)點(diǎn)，如果它既不是核心點(diǎn)也不是邊界點(diǎn)，則將該點(diǎn)標(biāo)記為噪聲點(diǎn)。

22、這意味著這個(gè)點(diǎn)既不屬于任何核心點(diǎn)的直接鄰域，也不屬于其他核心點(diǎn)的間接鄰域。

23、確定最終聚類：

24、基于核心點(diǎn)和邊界點(diǎn)，確定最終的聚類。

25、噪聲點(diǎn)不屬于任何聚類。

26、輸出結(jié)果：

27、最終，dbscan算法將輸出所有的聚類和噪聲點(diǎn)。

28、在一優(yōu)選的實(shí)施方式中，所述數(shù)據(jù)收集模塊收集以下內(nèi)容；

29、用戶行為數(shù)據(jù)：

30、點(diǎn)擊數(shù)據(jù)

31、瀏覽數(shù)據(jù)

32、搜索數(shù)據(jù)

33、購物車數(shù)據(jù)

34、交易數(shù)據(jù)

35、評價(jià)和反饋數(shù)據(jù)

36、交易數(shù)據(jù)：

37、訂單信息

38、優(yōu)惠券使用情況

39、退款和售后數(shù)據(jù)

40、登錄日志：

41、登錄時(shí)間、頻率、ip地址

42、登錄設(shè)備信息

43、登錄地點(diǎn)。

44、在一優(yōu)選的實(shí)施方式中，所述用戶特征分析模塊以用戶賬號為唯一標(biāo)識，來統(tǒng)計(jì)用戶在某一段時(shí)間平均作業(yè)效率，或者提交的總計(jì)工單數(shù)量來衡量用戶作業(yè)效率，通過統(tǒng)計(jì)用戶在某一段時(shí)間內(nèi)用戶作業(yè)時(shí)每個(gè)訂單的平均收益來衡量用戶作業(yè)的收益情況，其他特征的衡量與以上分析方法類似。文中使用mysql統(tǒng)計(jì)出用戶某一段時(shí)間內(nèi)數(shù)據(jù)表對應(yīng)項(xiàng)的值，來做樣本的構(gòu)造；

45、所述模型選取模塊基于決策樹算法進(jìn)行作弊用戶識別，基于決策樹算法的模型將數(shù)據(jù)集分為訓(xùn)練集和測試集，其算法為：

46、fromsklearn.model_selectionimporttrain_test_split

47、#分割數(shù)據(jù)集

48、x_train,x_test,y_train,y_test＝train_test_split(data[features],dat?a[target],test_size＝0.3,random_state＝42)。

49、在一優(yōu)選的實(shí)施方式中，所述模型訓(xùn)練模塊使用決策樹分類器訓(xùn)練模型，訓(xùn)練的算法為：

50、fromsklearn.treeimportdecisiontreeclassifier

51、#創(chuàng)建決策樹分類器實(shí)例

52、clf＝decisiontreeclassifier(random_state＝42)

53、#訓(xùn)練模型

54、clf.fit(x_train,y_train)；

55、所述模型訓(xùn)練模塊訓(xùn)練結(jié)束之后使用測試集評估模型的性能，其測試代碼為：

56、fromsklearn.metricsimportclassification_report,confusion_matrix

57、#預(yù)測測試集結(jié)果

58、y_pred＝clf.predict(x_test)

59、#評估模型

60、print(confusion_matrix(y_test,y_pred))

61、print(classification_report(y_test,y_pred))。

62、在一優(yōu)選的實(shí)施方式中，所述模型部署模塊使用訓(xùn)練好的模型對新數(shù)據(jù)進(jìn)行預(yù)測；

63、所述模型部署模塊的預(yù)測算法為；

64、#假設(shè)new_data是新的用戶行為數(shù)據(jù)

65、new_data＝pd.dataframe(new_data)#需要轉(zhuǎn)換為dataframe格式

66、new_prediction＝clf.predict(new_data)

67、#根據(jù)預(yù)測結(jié)果采取行動(dòng)

68、ifnew_prediction＝＝1:

69、print("可疑行為，建議進(jìn)一步調(diào)查。")

70、else:

71、print("正常行為。")。

72、在一優(yōu)選的實(shí)施方式中，所述綜合決策模塊根據(jù)規(guī)則引擎層的風(fēng)險(xiǎn)評估結(jié)果，綜合考慮作弊風(fēng)險(xiǎn)得分、用戶歷史行為、交易金額等因素，確定是否需要采取行動(dòng)對于高風(fēng)險(xiǎn)行為，可以采取凍結(jié)賬戶、標(biāo)記可疑交易等措施；對于低風(fēng)險(xiǎn)行為，可以不采取行動(dòng)或進(jìn)行觀察。

73、在一優(yōu)選的實(shí)施方式中，所述決策執(zhí)行模塊根據(jù)決策層的指令，執(zhí)行相應(yīng)的操作，包括：凍結(jié)用戶賬戶，限制用戶登錄和交易；標(biāo)記可疑交易，進(jìn)行人工審核；發(fā)送警告信息給用戶，提醒其注意行為規(guī)范；

74、所述執(zhí)行結(jié)果反饋模塊收集執(zhí)行結(jié)果：收集執(zhí)行層的操作結(jié)果，例如賬戶凍結(jié)情況、可疑交易審核結(jié)果等，對于誤判和漏判的情況，進(jìn)行記錄和分析；

75、所述執(zhí)行結(jié)果反饋模塊的優(yōu)化規(guī)則為：根據(jù)反饋結(jié)果，調(diào)整和優(yōu)化規(guī)則引擎中的預(yù)設(shè)規(guī)則，以提高系統(tǒng)的準(zhǔn)確性和效率；對于新出現(xiàn)的作弊手段，及時(shí)更新規(guī)則，以應(yīng)對作弊行為的演變；通過以上詳細(xì)的補(bǔ)充介紹，可以更好地理解電商反作弊策略系統(tǒng)的架構(gòu)和各層次的功能。

76、綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

77、1、本發(fā)明中，數(shù)據(jù)處理模塊對采集得到的數(shù)據(jù)進(jìn)行了預(yù)處理，通過標(biāo)準(zhǔn)化處理，將不同特征的得分調(diào)整到相同的尺度，使得各個(gè)特征在模型中的權(quán)重更加均衡，避免某些特征因?yàn)閿?shù)值范圍大而占據(jù)主導(dǎo)地位。標(biāo)準(zhǔn)化可以減少模型對輸入數(shù)據(jù)量級的敏感性，提高模型的穩(wěn)定性和預(yù)測結(jié)果的可靠性。數(shù)據(jù)標(biāo)準(zhǔn)化可以加快模型的收斂速度，提高訓(xùn)練效率。標(biāo)準(zhǔn)化后的數(shù)據(jù)使得不同用戶或交易的得分可以直接比較，便于制定閾值和決策標(biāo)準(zhǔn)。

78、2、本發(fā)明中，通過標(biāo)記邊界點(diǎn)和噪聲點(diǎn)的處理的有益效果可以提高模型對邊界情況的識別能力，減少誤判。識別并處理這些噪聲點(diǎn)，可以提高模型的泛化能力。通過標(biāo)記這些特殊點(diǎn)，可以針對性地進(jìn)行更細(xì)致的分析和處理，而不是將所有資源平均分配到每個(gè)數(shù)據(jù)點(diǎn)上，從而優(yōu)化資源的使用效率。對于處于邊界的數(shù)據(jù)點(diǎn)，可以通過進(jìn)一步的分析來理解作弊行為和正常行為之間的模糊地帶，增強(qiáng)模型的可解釋性。減少誤判意味著減少對正常用戶的不必要干擾，從而提升用戶的購物體驗(yàn)和滿意度。通過這些處理，電商反作弊策略系統(tǒng)可以更加精確地識別作弊行為，同時(shí)減少對正常用戶的影響，提高系統(tǒng)的整體性能和用戶體驗(yàn)。

79、3、本發(fā)明中，作弊識別分析模塊內(nèi)部設(shè)置的作弊分析模塊實(shí)時(shí)監(jiān)控和預(yù)警：通過實(shí)時(shí)監(jiān)控和預(yù)警系統(tǒng)，能夠及時(shí)發(fā)現(xiàn)潛在的風(fēng)險(xiǎn)，快速響應(yīng)。降低法律風(fēng)險(xiǎn)：及時(shí)采取措施，減少因作弊行為導(dǎo)致的法律糾紛和潛在的法律風(fēng)險(xiǎn)。通過數(shù)據(jù)分析和技術(shù)手段，能夠更準(zhǔn)確地識別作弊行為，減少誤報(bào)和漏報(bào)?；诜答伜蛿?shù)據(jù)，不斷優(yōu)化反作弊策略，提高系統(tǒng)的效率和準(zhǔn)確性。應(yīng)急管控方法能夠確保在檢測到作弊行為時(shí)，快速采取有效措施，減少損失。建立跨部門的應(yīng)急小組，加強(qiáng)團(tuán)隊(duì)間的協(xié)作和信息共享，提高整體響應(yīng)能力。通過分析歷史作弊案例，識別作弊模式和趨勢，為預(yù)防未來風(fēng)險(xiǎn)提供依據(jù)。電商反作弊策略系統(tǒng)及其應(yīng)急管控方法能夠?yàn)槠脚_帶來全面的好處，包括經(jīng)濟(jì)上的節(jié)約、用戶體驗(yàn)的提升、風(fēng)險(xiǎn)的降低、決策的支持、響應(yīng)能力的增強(qiáng)、未來風(fēng)險(xiǎn)的預(yù)防和品牌形象的提升。這些效果共同促進(jìn)了電商平臺的穩(wěn)定發(fā)展，為用戶提供了一個(gè)更加安全、公平、可信的購物環(huán)境。