(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111445824.6 (22)申请日 2021.12.01 (65)同一申请的已公布的文献号 申请公布号 CN 113868010 A (43)申请公布日 2021.12.31 (73)专利权人 杭银消费金融股份有限公司 地址 310005 浙江省杭州市下城区庆春路 38号1层101室、 8层801、 802、 803、 804 室、 11层1101、 1102室 (72)发明人 伍星　 (74)专利代理 机构 浙江维创盈嘉专利代理有限 公司 33477 代理人 龚洋洋 (51)Int.Cl. G06F 11/07(2006.01)G06N 20/00(2019.01) (56)对比文件 CN 108055281 A,2018.0 5.18 CN 113360349 A,2021.09.07 CN 113704772 A,2021.1 1.26 CN 111459797 A,2020.07.28 赵静 等.基 于频繁项集挖掘的长周期异常 行为检测. 《计算机 应用研究》 .2020,第2 21-223 页. 审查员 赵小娟 (54)发明名称 应用于业务系统的异常数据处理方法及系 统 (57)摘要 本发明实施例提供一种应用 于业务系统的 异常数据处理方法及系统， 能够基于异常运行活 动数据在异常行为挖掘模型中异常行为挖掘， 获 得候选异常行为簇， 由此基于候选异常行为簇中 的异常行为项数据中的频繁行为项数据构建异 常运行活动数据的频繁行为项知识网络， 并挖掘 对应于频繁行为项知识网络的行为联系数据， 通 过考虑频繁行为项知识网络的行为联系数据， 可 以在基于行为联系数据对候选异常行为簇进行 异常知识 节点分配时， 提高分配过程的可靠性。 权利要求书4页 说明书12页 附图1页 CN 113868010 B 2022.02.18 CN 113868010 B 1.一种应用于业务系统的异常数据处理方法， 其特征在于， 基于应用于业务系统的异 常数据处 理系统实现， 所述方法包括： 搜集业务系统中 需要异常行为挖掘的异常运行活动数据； 基于所述异常运行活动数据在异常行为挖掘模型中异常行为挖掘， 获得候选异常行为 簇， 所述候选异常行为簇具有与所述异常运行活动数据存在联系的多个候选异常行为项 数 据； 基于所述多个候选异常行为项数据中的频繁行为项数据构建所述异常运行活动数据 的频繁行为项知识网络， 并挖掘对应于所述频繁行为项知识网络的行为联系数据； 基于所述行为联系数据对所述候选异常行为簇进行异常知识节点分配， 获得分配信 息； 所述异常行为挖掘模型中的异常行为项数据中具有多个频繁行为项； 所述频繁行为项 数据包括所述多个频繁行为项在所述多个候选异常行为项数据中的注意力节点信息； 所述基于所述多个候选异常行为项数据中的频繁行为项数据构建所述异常运行活动 数据的频繁行为项知识网络， 包括： 确定所述多个频繁行为项在所述多个候选异常行为项数据中的注意力节点信息； 对所述注意力节点信息进行知识属性挖掘， 获得 所述多个频繁行为项的知识属性； 基于知识属性从所述多个频繁行为项中确定目标频繁行为项和目标频繁行为项之间 的行为关系， 并基于所述 目标频繁行为项、 目标频繁行为项之间的行为关系和知识属 性生 成所述异常运行活动数据的频繁行为项知识网络 。 2.根据权利要求1所述的应用于业务系统 的异常数据处理方法， 其特征在于， 所述基于 所述行为联系数据对所述 候选异常行为簇进行异常知识 节点分配， 获得分配信息， 包括： 基于所述行为联系数据对所述候选异常行为簇中的各个候选异常行为项数据与所述 异常运行活动数据之间的行为联系属性进行挖掘； 基于挖掘的行为联系属性的行为联系强度顺序对所述候选异常行为簇中的多个候选 异常行为项数据进行位置分配； 基于位置分配信息中靠前的预设数量个候选异常行为项数据的异常行为属性进行异 常知识节点分配， 获得 所述分配信息 。 3.根据权利要求2所述的应用于业务系统 的异常数据处理方法， 其特征在于， 所述基于 位置分配信息中靠前的预设数量个候选异常行为项数据的异常行为属 性进行异常知识节 点分配， 获得 所述分配信息， 包括： 获取所述位置分配信息中靠前的预设数量个候选异常行为项数据的行为项分布信息 以及各异常行为属性； 在基于所述行为项分布信息确定出所述位置分配信息中靠前的预设数量个候选异常 行为项数据中具有动态分布类别时， 基于多个完成分配的在先异常行为项 数据的动态分布 类别下的异常行为属 性以及所述在先异常行为项数据的动态分布类别下的异常行为属 性 的行为属性向量， 确定位置 分配信息中靠前的预设数量个候选异常行为项 数据的非动态分 布类别下 的各异常行为属 性与位置分配信息中靠前的预设数量个候选异常行为项数据的 动态分布类别下的各异常行为属性之间的相关度量 值； 基于所述相关度量值， 将位置分配信 息中靠前的预设数量个候选异常行为项数据的非权　利　要　求　书 1/4 页 2 CN 113868010 B 2动态分布类别下的与动态分布类别下的异常行为属 性相似的异常行为属 性分配到相 应的 动态分布类别下； 在位置分配信息中靠前的预设数量个候选异常行为项数据的当前非动态分布类别下 具有多个异常行为属性时， 基于多个完成分配的在先异常行为项 数据的动态分布类别下的 异常行为属 性以及所述在先异常行为项数据的动态分布类别下的异常行为属 性的行为属 性向量确定位置分配信息中靠前的预设数量个候选异常行为项数据的当前非动态分布类 别下的各异常行为属性之 间的相关度量值， 并基于所述各异常行为属性之 间的相关度量值 对当前非动态分布类别下的各异常行为属性进行聚团； 基于多个完成分配的在先异常行为项数据的动态分布类别下的异常行为属性以及所 述在先异常行为项数据的动态分布类别下的异常行为属 性的行为属 性向量为上述聚团获 得的各个聚团异常行为属性设置分配权重， 并将 每个聚团异常行为属性分配到所述分配权 重所在区间所对应的动态分布类别下； 对所述动态分布类别下的各个异常行为属性进行异常知识节点解析， 获得每个异常行 为属性对应的异常知识 节点， 通过 所述异常知识 节点确定所述分配信息 。 4.根据权利要求1所述的应用于业务系统 的异常数据处理方法， 其特征在于， 所述基于 所述异常运行活动数据在异常行为挖掘模型中异常行为挖掘， 获得候选异常行为簇， 包括： 挖掘所述异常运行活动数据的异常活动向量分布， 以及获取所述异常行为挖掘模型中 的各个异常行为项数据的异常行为向量分布； 分别将所述异常活动向量分布与 各个所述异常行为向量分布进行联系， 获得所述异常 活动向量分布与各个所述异常行为向量分布之间的行为联系属性； 依据行为联系属性的行为联系强度顺序从所述异常行为挖掘模型中确定多个异常行 为项数据构成所述 候选异常行为簇 。 5.根据权利要求1所述的应用于业务系统 的异常数据处理方法， 其特征在于， 所述方法 通过基于AI训练模型进行步骤执行， 所述AI训练模型包括异常活动向量挖掘单元、 异常行 为挖掘单 元、 频繁项挖掘单 元和网络构建单 元； 所述异常活动向量挖掘单元和所述异常行为挖掘单元用于基于所述异常运行活动数 据在所述异常行为挖掘模型中异常行为挖掘， 获得 所述候选异常行为簇； 所述频繁项挖掘单 元用于挖掘所述多个候选异常行为项数据中的频繁行为项数据； 所述网络构建单元用于基于所述多个候选异常行为项数据中的频繁行为项数据构建 所述异常运行活动数据的频繁行为项知识网络， 并挖掘对应于所述频繁行为项知识网络的 行为联系数据； 以及基于所述行为联系数据对所述候选异常行为簇进行异常知识节点分 配， 获得分配信息 。 6.根据权利要求5所述的应用于业务系统 的异常数据处理方法， 其特征在于， 所述AI训 练模型通过以下步骤获得： 获取参考异常数据， 所述参考异常数据包含多个参考异常数据簇， 每组参考异常数据 簇包含一个参 考异常运行活动数据和一个参 考异常行为项数据； 任意挑选其中一个参考异常数据簇， 并基于所述异常活动向量挖掘单元挖掘所述参考 异常数据簇中的参考异常运行活动数据的异常活动向量分布， 以及基于所述异常行为挖掘 单元挖掘所述异常行为挖掘模型中的各个异常行为项 数据的异常行为向量分布； 所述异常权　利　要　求　书 2/4 页 3 CN 113868010 B 3