本發明提供了一種異常檢測方法、裝置、電子設備及存儲介質。所述方法，包括：獲取待檢測數據的明細數據和聚合數據，其中，所述明細數據包括每個所述待檢測數據的數據明細、數據特征，所述聚合數據為待檢測數據在監控指標體系內包含的每個監控指標維度下的聚合統計數據；根據明細數據，通過預設的持續性風險召回模型，獲取待檢測數據中的持續性風險數據；根據聚合數據，通過預設的突發性風險召回模型，獲取待檢測數據中的突發性風險數據；其中，持續性風險召回模型包括網格密度聚類算法模型、孤立森林算法模型、正樣本無標簽學習算法模型中的至少一種，突發性風險召回模型包括prophet算法模型。從而極大提升了風險感知的時效性和覆蓋率。

技術領域

本發明涉及互聯網技術領域，尤其涉及一種異常檢測方法、裝置、電子設備及存儲介質。

背景技術

在風控場景下，其體系流程主要有風險感知、問題分析、風險識別三個階段。第一階段為風險感知即發現風險問題，第二階段為問題分析即對發現的問題進行歸納分析總結類型，第三階段為風險識別即構建風險識別模型，進行線上攔截。其中，風險感知作為風控體系的前置階段有著重要的作用。當前風險感知的方式主要通過日常巡檢抽樣發現問題，該方式的時效低且覆蓋率有限，并且考慮到黑產行為具有對抗性強、形變速度快等的特性，所以需要一種高時效、高覆蓋率的自動發現風險的能力。

發明內容

本發明實施例提供一種異常檢測方法、裝置、電子設備及存儲介質，以解決現有的異常檢測過程的時效性、覆蓋率較差的問題。

為了解決上述技術問題，本發明是這樣實現的：

第一方面，本發明實施例提供了一種異常檢測方法，包括：

獲取待檢測數據的明細數據和聚合數據，其中，所述明細數據包括每個所述待檢測數據的數據明細、數據特征中的至少一種，所述聚合數據為所述待檢測數據在監控指標體系內包含的每個監控指標維度下的聚合統計數據；

根據所述明細數據，通過預設的持續性風險召回模型，獲取所述待檢測數據中的持續性風險數據；

根據所述聚合數據，通過預設的突發性風險召回模型，獲取所述待檢測數據中的突發性風險數據；

其中，所述持續性風險召回模型包括網格密度聚類算法模型、孤立森林算法模型、正樣本無標簽學習算法模型、具有部分觀測異常的異常檢測算法模型中的至少一種，所述突發性風險召回模型包括prophet算法模型。

可選地，所述根據所述聚合數據，通過預設的突發性風險召回模型，獲取所述待檢測數據中的突發性風險數據的步驟，包括：

針對預設的監控指標體系內包含的任一監控指標維度，獲取每個時間單位內，所述監控指標維度在每個指標屬性值時的數據量的真實值；

針對任一監控周期，根據所述監控周期之前預設時間段內的數據量的真實值，通過Prophet算法模型，獲取所述監控周期內數據量的預測值和警報閾值范圍，所述預測值包括每個所述監控指標維度在每個指標屬性值時的數據量的預測值，所述警報閾值范圍包括所述監控周期內的全部數據量的警報閾值范圍；

響應于所述監控周期內全部數據量的真實值超出所述警報閾值范圍，根據所述監控周期內每個所述監控指標維度在每個指標屬性值時的數據量的預測值和真實值，通過多維度根因分析算法，獲取所述監控周期的多維度根因分析結果；

獲取與所述多維度根因分析結果對應的數據，作為所述突發性風險數據；

其中，所述監控周期為所述時間單位的整數倍，所述多維度根因分析結果包括至少一個指標維度組合，所述指標維度組合內包括多個指標屬性值，且每個所述指標屬性值所屬的監控指標維度不完全相同。

可選地，所述Prophet算法模型的輸入參數還包括所述監控周期的日期屬性，所述日期屬性包括所述監控周期是否屬于節假日、所述監控周期所屬的節假日類型中的至少一種。