一种电商反作弊策略系统及其应急管控方法与流程

本发明属于电商反作弊，具体为一种电商反作弊策略系统及其应急管控方法。

背景技术：

1、互联网在过去的十年间迅猛发展，信息量呈现出爆炸性增长。到2013年6月，中国的互联网用户数已达到5.9亿，上半年新增用户数高达2.66亿。互联网普及率也由2012年底的42.1％上升至44.1％。网络已成为人们获取信息的主要途径。随着网购频率的增加和互联网时代的到来，物流支付环节也在不断完善，在线购物者数量显著增长。淘宝、天猫、逸迅、京东商城等电商平台如雨后春笋般涌现。得益于互联网基础设施的优化，越来越多的人开始使用网络进行商业活动，尤其是对在线商品销售的需求激增。为满足网店和网购用户的需求，中国涌现出越来越多专业便捷的c2c电子商务网站。数以万计的消费者在互联网上购物，数以万计的商家在网络上销售商品。在这种环境下，如何从众多买家手中获取可观的流量交易已成为卖家面临的主要问题。一般而言，经营时间较长的商家可以通过提升店铺等级来逐步增加流量。然而，激烈的市场竞争和高额利润往往使交易者面临风险，这种环境对店铺的营销带来了巨大的挑战。因此需要使用电商反作弊策略系统来防止商家作弊。

2、但是常见的作弊系统在使用过程中，并未对采集得到的数据进行过多的降噪预处理，从而使得后续的处理过程误差较大。

技术实现思路

1、本发明的目的在于：为了解决上述提出的问题，提供一种电商反作弊策略系统及其应急管控方法。

2、本发明采用的技术方案如下：一种电商反作弊策略系统及其应急管控方法，包括电源供电模块、数据收集模块、数据处理模块、作弊识别分析模块、综合决策模块、决策执行模块、执行结果反馈模块、用户特征分析模块、模型选取模块、模型训练模块和模型部署模块，所述电源供电模块的输出端连接有所述数据收集模块的输入端，所述数据收集模块的输出端连接有所述数据处理模块的输入端，所述数据处理模块的输出端连接有所述作弊识别分析模块的输入端，所述作弊识别分析模块的输出端连接有所述综合决策模块的输入端，所述综合决策模块的输出端连接有所述决策执行模块的输入端，所述决策执行模块的输出端连接有所述执行结果反馈模块的输入端。

3、在一优选的实施方式中，所述作弊识别分析模块的内部设置有用户特征分析模块、模型选取模块、模型训练模块和模型部署模块，所述用户特征分析模块、模型选取模块、模型训练模块和模型部署模块的整体输出端连接有所述作弊识别分析模块的输入端。

4、在一优选的实施方式中，所述数据处理模块对数据进行得分标准化处理，得分标准化处理将数据转换为具有平均值和单位方差的形式。具体步骤如下：

5、a.计算均值和标准差：对于每个特征，计算其均值和标准差；

6、b.应用变换公式：对于数据集中的每个特征值x，使用以下公式进行变换：

7、

8、其中，xstd是变换后的值；

9、c.变换数据集：将上述变换应用到整个数据集的每个特征上；经过z得分标准化后，每个特征的均值为0，标准差为1，数据集的分布将类似于标准正态分布；

10、所述数据处理模块还对数据进行标记边界点和噪声点处理，标记边界点和噪声点的步骤如下：

11、初始化核心点：

12、对于数据集中的每个点，检查其ε邻域内的点数。

13、如果一个点的ε邻域内的点数大于或等于minpts，则将该点标记为核心点。

14、查找直接密度可达点：

15、对于每个核心点，查找所有从它直接密度可达的点。

16、直接密度可达是指一个点可以在不超过ε的距离内通过核心点到达另一个点。

17、标记边界点：

18、对于每个核心点，如果一个点不属于核心点的ε邻域，但是属于其他核心点的ε邻域，则将该点标记为边界点。

19、这意味着这个点虽然不属于任何核心点的直接邻域，但它仍然可以通过其他核心点间接到达其他核心点。

20、标记噪声点：

21、对于每个点，如果它既不是核心点也不是边界点，则将该点标记为噪声点。

22、这意味着这个点既不属于任何核心点的直接邻域，也不属于其他核心点的间接邻域。

23、确定最终聚类：

24、基于核心点和边界点，确定最终的聚类。

25、噪声点不属于任何聚类。

26、输出结果：

27、最终，dbscan算法将输出所有的聚类和噪声点。

28、在一优选的实施方式中，所述数据收集模块收集以下内容；

29、用户行为数据：

30、点击数据

31、浏览数据

32、搜索数据

33、购物车数据

34、交易数据

35、评价和反馈数据

36、交易数据：

37、订单信息

38、优惠券使用情况

39、退款和售后数据

40、登录日志：

41、登录时间、频率、ip地址

42、登录设备信息

43、登录地点。

44、在一优选的实施方式中，所述用户特征分析模块以用户账号为唯一标识，来统计用户在某一段时间平均作业效率，或者提交的总计工单数量来衡量用户作业效率，通过统计用户在某一段时间内用户作业时每个订单的平均收益来衡量用户作业的收益情况，其他特征的衡量与以上分析方法类似。文中使用mysql统计出用户某一段时间内数据表对应项的值，来做样本的构造；

45、所述模型选取模块基于决策树算法进行作弊用户识别，基于决策树算法的模型将数据集分为训练集和测试集，其算法为：

46、fromsklearn.model_selectionimporttrain_test_split

47、#分割数据集

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、在一优选的实施方式中，所述模型训练模块使用决策树分类器训练模型，训练的算法为：

50、fromsklearn.treeimportdecisiontreeclassifier

51、#创建决策树分类器实例

52、clf＝decisiontreeclassifier(random_state＝42)

53、#训练模型

54、clf.fit(x_train,y_train)；

55、所述模型训练模块训练结束之后使用测试集评估模型的性能，其测试代码为：

56、fromsklearn.metricsimportclassification_report,confusion_matrix

57、#预测测试集结果

58、y_pred＝clf.predict(x_test)

59、#评估模型

60、print(confusion_matrix(y_test,y_pred))

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

62、在一优选的实施方式中，所述模型部署模块使用训练好的模型对新数据进行预测；

63、所述模型部署模块的预测算法为；

64、#假设new_data是新的用户行为数据

65、new_data＝pd.dataframe(new_data)#需要转换为dataframe格式

66、new_prediction＝clf.predict(new_data)

67、#根据预测结果采取行动

68、ifnew_prediction＝＝1:

69、print("可疑行为，建议进一步调查。")

70、else:

71、print("正常行为。")。

72、在一优选的实施方式中，所述综合决策模块根据规则引擎层的风险评估结果，综合考虑作弊风险得分、用户历史行为、交易金额等因素，确定是否需要采取行动对于高风险行为，可以采取冻结账户、标记可疑交易等措施；对于低风险行为，可以不采取行动或进行观察。

73、在一优选的实施方式中，所述决策执行模块根据决策层的指令，执行相应的操作，包括：冻结用户账户，限制用户登录和交易；标记可疑交易，进行人工审核；发送警告信息给用户，提醒其注意行为规范；

74、所述执行结果反馈模块收集执行结果：收集执行层的操作结果，例如账户冻结情况、可疑交易审核结果等，对于误判和漏判的情况，进行记录和分析；

75、所述执行结果反馈模块的优化规则为：根据反馈结果，调整和优化规则引擎中的预设规则，以提高系统的准确性和效率；对于新出现的作弊手段，及时更新规则，以应对作弊行为的演变；通过以上详细的补充介绍，可以更好地理解电商反作弊策略系统的架构和各层次的功能。

76、综上所述，由于采用了上述技术方案，本发明的有益效果是：

77、1、本发明中，数据处理模块对采集得到的数据进行了预处理，通过标准化处理，将不同特征的得分调整到相同的尺度，使得各个特征在模型中的权重更加均衡，避免某些特征因为数值范围大而占据主导地位。标准化可以减少模型对输入数据量级的敏感性，提高模型的稳定性和预测结果的可靠性。数据标准化可以加快模型的收敛速度，提高训练效率。标准化后的数据使得不同用户或交易的得分可以直接比较，便于制定阈值和决策标准。

78、2、本发明中，通过标记边界点和噪声点的处理的有益效果可以提高模型对边界情况的识别能力，减少误判。识别并处理这些噪声点，可以提高模型的泛化能力。通过标记这些特殊点，可以针对性地进行更细致的分析和处理，而不是将所有资源平均分配到每个数据点上，从而优化资源的使用效率。对于处于边界的数据点，可以通过进一步的分析来理解作弊行为和正常行为之间的模糊地带，增强模型的可解释性。减少误判意味着减少对正常用户的不必要干扰，从而提升用户的购物体验和满意度。通过这些处理，电商反作弊策略系统可以更加精确地识别作弊行为，同时减少对正常用户的影响，提高系统的整体性能和用户体验。

79、3、本发明中，作弊识别分析模块内部设置的作弊分析模块实时监控和预警：通过实时监控和预警系统，能够及时发现潜在的风险，快速响应。降低法律风险：及时采取措施，减少因作弊行为导致的法律纠纷和潜在的法律风险。通过数据分析和技术手段，能够更准确地识别作弊行为，减少误报和漏报。基于反馈和数据，不断优化反作弊策略，提高系统的效率和准确性。应急管控方法能够确保在检测到作弊行为时，快速采取有效措施，减少损失。建立跨部门的应急小组，加强团队间的协作和信息共享，提高整体响应能力。通过分析历史作弊案例，识别作弊模式和趋势，为预防未来风险提供依据。电商反作弊策略系统及其应急管控方法能够为平台带来全面的好处，包括经济上的节约、用户体验的提升、风险的降低、决策的支持、响应能力的增强、未来风险的预防和品牌形象的提升。这些效果共同促进了电商平台的稳定发展，为用户提供了一个更加安全、公平、可信的购物环境。