



























業(yè)務(wù)咨詢
400-893-8989
行政總機(jī)
010-64303888
微信掃描二維碼 立即在線咨詢
用戶異常行為識別方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)
2024-04-12

本發(fā)明提出一種用戶異常行為識別方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì),其方法技術(shù)方案包括流量異常檢測步驟,通過一時(shí)間點(diǎn)上信息熵的變化是否超過一預(yù)設(shè)閾值判斷該所述時(shí)間點(diǎn)是否存在異常流量;用戶行為識別步驟,若存在異常流量,則根據(jù)所述異常流量中用戶的用戶相似度,識別出所述用戶中的異常用戶;異常行為分類步驟,識別所述異常用戶的異常行為類型,并輸出所述異常行為類型。本申請解決了現(xiàn)有用戶異常行為識別方法無法準(zhǔn)確標(biāo)識出部分用戶行為的問題。
一種用戶異常行為識別方法,其特征在于,包括:流量異常檢測步驟,通過一時(shí)間點(diǎn)上信息熵的變化是否超過一預(yù)設(shè)閾值判斷該所述時(shí)間點(diǎn)是否存在異常流量;用戶行為識別步驟,若存在異常流量,則根據(jù)所述異常流量中用戶的用戶相似度,識別出所述用戶中的異常用戶;異常行為分類步驟,識別所述異常用戶的異常行為類型,并輸出所述異常行為類型。

申請?zhí)枺篊N202110830809.7
申請(專利權(quán))人:北京明略軟件系統(tǒng)有限公司
公開日期(公開):2021.11.09
公開日期(授權(quán)):2024.04.12
推薦閱讀
全球雙榜SOTA!明略科技專有大模型 Mano開啟GUI智能操作新時(shí)代
2025-09-28
明略科技推出的GUI大模型Mano在Mind2Web和OSWorld兩大基準(zhǔn)測試中取得了創(chuàng)紀(jì)錄的SOTA成績,成功率達(dá)到40.1%。通過在線強(qiáng)化學(xué)習(xí)和自動(dòng)數(shù)據(jù)采集,Mano為GUI智能體領(lǐng)域提供了可擴(kuò)展的新范式,顯著提升了復(fù)雜任務(wù)的執(zhí)行能力。該技術(shù)的突破不僅推動(dòng)了自動(dòng)化邊界的擴(kuò)展,也為企業(yè)智能化轉(zhuǎn)型提供了強(qiáng)有力的支持
了解更多
官宣!明略科技推出專有大模型產(chǎn)品線DeepMiner,可信商業(yè)數(shù)據(jù)分析智能體終于能用了!
2025-09-22
明略科技推出專有大模型產(chǎn)品線DeepMiner,以“可信智能體+可信數(shù)據(jù)”雙輪驅(qū)動(dòng),解決企業(yè)智能體落地中幻覺率高、過程不透明等痛點(diǎn)。該產(chǎn)品通過多智能體協(xié)同架構(gòu)、企業(yè)級數(shù)據(jù)整合及全流程透明化設(shè)計(jì),降低幻覺率并支持知識沉淀,其自研Mano和Cito模型分別實(shí)現(xiàn)精準(zhǔn)執(zhí)行與深度推理,助力企業(yè)構(gòu)建可信生產(chǎn)力。
了解更多
明略科技 Mano Technical Report
2025-09-18
Graphical user interfaces (GUIs) are the primary medium for human-computer interaction, yet automating GUI interactions remains challenging due to the complexity of visual elements, dynamic environments, and the need for multi-step reasoning. Existing methods based on vision-language models (VLMs) often suffer from limited resolution, domain mismatch, and insufficient sequential decisionmaking capability. To address these issues, we propose Mano, a robust GUI agent built upon a multi-modal foundation model pre-trained on extensive web and computer system data. Our approach integrates a novel simulated environment for high-fidelity data generation, a three-stage training pipeline (supervised fine-tuning, offline reinforcement learning, and online reinforcement learning), and a verification module for error recovery. Mano demonstrates state-of-the-art performance on multiple GUI benchmarks, including Mind2Web and OSWorld, achieving significant improvements in success rate and operational accuracy. Our work provides new insights into the effective integration of reinforcement learning with VLMs for practical GUI agent deployment, highlighting the importance of domain-specific data, iterative training, and holistic reward design.
了解更多聯(lián)系我們
關(guān)注明略
在線咨詢
銷售熱線
400-893-8989
投資者關(guān)系
ir@mininglamp.com
媒體聯(lián)絡(luò)
pr@miningalmp.com
Copyright@2025 北京明略軟件系統(tǒng)有限公司 京ICP備15016868號 京公網(wǎng)安備11010802024262
信息填寫
