买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国信托登记有限责任公司

摘要：本发明提供了一种基于FP‑growth算法异常行为检测方法及应用该方法的模型，所述异常行为检测模型包括基于FP‑growth的用户正常行为模式挖掘模型、基于动态时间规划的用户行为序列模型、异常概率计算模型；将基于FP‑growth的用户正常行为模式挖掘模型、基于动态时间规划的用户行为序列模型结合，实现用户正常行为模式挖掘，将用户当前操作与获得的正常行为模式库和用户行为序列模型库进行比对，得到双重校验，提高判断的准确性；同时根据基于泊松分布的发生次数异常概率计算模型计算当前用户行为组合的异常总分值，实现多维度对用户行为进行分析。

主权项：1.一种基于FP-growth算法异常行为检测方法，其特征在于，所述异常行为检测方法实现用户正常行为模式挖掘以及用户异常行为检测包括以下步骤：S1：历史数据的清洗及分组；S2：挖掘用户正常行为模式；具体如下：S21：基于FP-growth的用户正常行为模式挖掘，获得正常行为模式库，其中所述正常行为模式库包括用户正常行为模式集合和群组正常行为模式库；S3：人工判断步骤S2中用户正常行为模式是否合理，保存判断合理的正常用户行为模式库；S4：通过动态时间规划算法的用户行为序列聚类模型实现用户行为序列模型库的创建与更新；S5：通过异常概率计算模型计算用户某一行为发生特定次数的概率；S6：用户行为在线检测，包括行为对比与异常度计算；首先需要用户行为对比，判断是否符合已经建立的正常用户行为模式库或用户行为序列模型库，若两者均符合正常模式，则不对该用户行为做任何处理；若判断用户行为不符合正常模式，则需要对用户行为做出异常概率计算，计算用户行为的异常分值，即异常度计算；行为对比：当用户登入时即进行行为监听和保存，当用户每执行一项操作时，将用户当前的操作集合与基于FP-growth的正常行为模式库进行对比，同时将用户当前的操作集合与基于动态时间规划的挖掘得到的用户行为序列模型库进行对比，通过双重校验提高准确度；当发现用户行为组合不在其个人正常行为频繁项集中且不在其群组正常行为频繁项集中时，即进入异常度计算过程；异常度计算过程：根据用户身份、所在群组的不同，及其进行操作的类型不同，可以根据人为经验建立用户异常行为的异常度映射表，该表将根据用户身份、所在群组，及其操作类型设置不同的异常度，同时根据基于泊松分布的发生次数异常概率计算模型计算当前用户行为组合的异常总分值，异常分值越高则说明该时刻的该用户行为异常程度越高，值得相关人员高优先级的关注。

全文数据：

权利要求：

百度查询： 中国信托登记有限责任公司 一种基于FP-growth算法异常行为检测方法及应用该方法的模型