基于多维度特征融合的跨平台账号关联识别方法及系统与流程

本发明涉及网络安全与大数据风控，更具体地说，本发明涉及基于多维度特征融合的跨平台账号关联识别方法及系统。

背景技术：

1、当前互联网多平台生态下，同一用户可在多个网络平台注册大量匿名或马甲账号，通过切换账号规避平台监管、实施恶意营销、舆情操纵、违规引流等行为；尤其是有组织的黑灰产团伙、网络水军及境外势力，已不再采用简单的文本替换或单一账号操作，而是运用高度组织化、专业化的“幽灵账号”集群；这些账号在文本内容上刻意模仿正常用户，同时在发布行为上随机化发布时间、模仿人类互动节奏，并在设备环境中使用虚拟设备、频繁更换ip代理、共用设备池但错峰登录，实现全方位深度伪装；此外，此类账号集群拥有成百上千个分散在不同平台的账号，协同完成刷榜、控评、引流等任务，且一旦伪装策略被识破便迅速更新特征形成新变种；由于不同平台的数据格式、字段定义及api接口各异，加之隐私保护限制导致平台间无法共享核心日志数据，现有风控系统面对此类高度伪装的跨平台账号集群往往束手无策。

2、现有跨平台账号关联识别技术存在明显技术短板；单一文本匹配方案仅依赖昵称、评论文本等关键词或语义相似度进行关联，用户只需简单修改文字或替换话术即可规避检测，误检率和漏检率极高；单一行为画像方案虽能统计发布时间、频率等特征，但行为模式可被程序精确模拟，且新账号缺乏历史数据难以建立可靠基线；设备指纹比对方案则受限于隐私法规加强和反指纹技术的发展，设备标识的稳定性和唯一性持续下降；更为关键的是，现有技术通常将文本、行为、设备特征孤立处理，分别设定阈值进行判断，缺乏有效的多维度特征融合机制，导致静态权重无法适应动态变化的伪装策略，且跨平台关联仅依赖账号间的显式绑定关系，对于无显式关联但行为模式相似的幽灵账号集群缺乏有效的挖掘手段；因此，亟需一种能够整合多维度弱信号、自适应调整特征权重并挖掘隐性关联的跨平台账号关联识别方案，以提升对深度伪装环境下幽灵账号集群的精准溯源能力。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供基于多维度特征融合的跨平台账号关联识别方法及系统，以解决上述背景技术中提出的问题。

2、本发明解决上述技术问题的技术方案如下，基于多维度特征融合的跨平台账号关联识别方法，具体包括以下步骤：

3、步骤s1、采集目标账号在多个网络平台上的全维度数据并进行清洗预处理，将不同平台的全维度数据中的异构数据格式归一化为统一标准，再并行提取图文内容模态特征、发布行为模态特征以及ip设备环境模态特征，分别生成对应的图文特征向量、行为特征向量和设备特征向量；

4、步骤s2、将图文特征向量、行为特征向量和设备特征向量输入至预先构建的自适应加权融合模型，自适应加权融合模型中的元学习器依据各模态特征向量在当前输入的批次数据中的信息熵动态分配融合权重，生成每个账号唯一的全局特征指纹；

5、步骤s3、将全部待分析账号的全局特征指纹映射至高维向量空间，采用密度聚类算法计算任意两个指纹之间的余弦相似度，并根据设定的高阈值和区间阈值判定强关联同源账号和疑似关联马甲账号，进而通过密度可达性自动挖掘出由多个账号构成的跨平台马甲账号集群，得到聚类结果；

6、步骤s4、将聚类结果以跨平台账号关联图谱形式输出，并将人工复核的关联结果作为监督标签反馈至自适应加权融合模型中进行增量训练，以持续优化动态分配融合权重。

7、在一个优选地实施方式中，步骤s1中，提取图文内容模态特征的具体操作为：

8、将采集到的文本内容经预训练语言模型编码为文本嵌入矩阵，将图像内容经预训练视觉模型编码为图像嵌入矩阵，对文本嵌入矩阵进行全局平均池化得到文本全局池化向量，对图像嵌入矩阵进行全局平均池化得到图像全局池化向量；

9、然后将文本全局池化向量和图像全局池化向量输入至低秩双线性池化与张量环分解融合模块，低秩双线性池化与张量环分解融合模块通过多个可学习参数矩阵对文本全局池化向量和图像全局池化向量分别进行非线性变换后再做逐元素乘积，并将多次乘积结果沿秩方向进行张量环收缩求和，最终输出一个图文特征向量，图文特征向量同时蕴含文本语义与图像视觉的深层交互信息。

10、在一个优选地实施方式中，步骤s1中，提取发布行为模态特征的具体操作为：

11、将目标账号的所有行为事件按发生时间顺序排列为多元时间序列，每个时间点的观测值向量表示该时刻是否发生发布、点赞、评论等事件类型；

12、将多元时间序列输入至一个预训练的神经常微分方程模型，神经常微分方程模型以一个初始为零的隐藏状态开始，通过一个参数化的神经网络计算隐藏状态随时间的变化率，并使用数值积分器从起始时刻到结束时刻对隐藏状态随时间的变化率进行积分，得到结束时刻的隐藏状态；将结束时刻的隐藏状态作为行为特征向量；

13、提取ip设备环境模态特征的具体操作为：将设备与网络信息抽象为异构图，异构图中的节点包含账号节点、设备节点、ip节点和网络运营商节点，异构图中的边表示发布关联关系；采用图同构网络对每个账号节点进行消息传递，图同构网络通过多层感知机和可学习标量参数聚合账号节点的邻域信息，经过多层消息传递后输出账号节点的嵌入表示，将嵌入表示作为设备特征向量。

14、在一个优选地实施方式中，步骤s2中自适应加权融合模型中的元学习器依据各模态特征向量在当前输入的批次数据中的信息熵动态分配融合权重的具体操作为：

15、首先对步骤s1输出的图文特征向量、行为特征向量和设备特征向量分别进行l2归一化，使每个特征向量的模长变为一，得到归一化后的图文特征向量、归一化后的行为特征向量和归一化后的设备特征向量；

16、然后对于图文内容模态、发布行为模态和ip设备环境模态中的每个模态，计算每个模态在当前批次中的所有归一化特征向量的l1范数，并通过softmax函数将l1范数转化为概率分布，再计算概率分布的信息熵作为模态区分度指标；

17、同时计算每个模态与其他两个模态之间的平均余弦相似度绝对值作为模态正交性指标；

18、将模态区分度指标和模态正交性指标输入至一个可学习的参数化函数，函数通过指数运算和线性组合生成未归一化权重，再通过softmax归一化得到最终的融合权重。

19、在一个优选地实施方式中，步骤s2中生成每个账号唯一的全局特征指纹的具体操作为：

20、将归一化后的图文特征向量、归一化后的行为特征向量和归一化后的设备特征向量分别乘以对应的融合权重后进行加权求和，得到每个账号的全局特征指纹；

21、同时，元学习器的可学习参数通过对比学习损失函数进行端到端训练，损失函数使得相同账号集群内部的全局特征指纹之间的余弦相似度增大，不同账号集群之间的全局特征指纹之间的余弦相似度减小，从而优化融合权重的分配策略。

22、在一个优选地实施方式中，步骤s3中将全部待分析账号的全局特征指纹映射至高维向量空间的具体操作为：

23、先对步骤s2输出的每个全局特征指纹进行l2归一化，使每个指纹的模长变为一，得到归一化后的全局特征指纹；

24、然后对于每个归一化后的全局特征指纹，计算其到第预设数量个最近邻的欧氏距离，其中预设数量为预设参数，再将欧氏距离乘以缩放因子得到指纹的自适应邻域半径；

25、接着计算任意两个归一化后的全局特征指纹之间的余弦相似度，并判断一个指纹是否落在另一个指纹的自适应邻域内，判定条件为余弦相似度大于由自适应邻域半径换算的角度阈值且同时大于预设的最低相似度阈值。

26、在一个优选地实施方式中，步骤s3中通过密度可达性自动挖掘出跨平台马甲账号集群的具体操作为：

27、设定高阈值和区间阈值下限，对于任意两个归一化后的全局特征指纹，若余弦相似度大于等于高阈值则直接标记为强关联同源账号，若余弦相似度介于区间阈值下限与高阈值之间则标记为疑似关联马甲账号并加入候选邻域；

28、然后采用密度聚类算法，将自适应邻域内包含至少最小样本数个其他指纹的指纹定义为核心点，从每个核心点出发通过广度优先搜索找出所有密度可达的指纹归入同一簇，并将不被任何核心点密度可达的指纹标记为噪声；

29、最后对每个簇计算簇内平均余弦相似度，剔除平均余弦相似度低于预设聚类阈值的簇，保留下来的簇即为跨平台马甲账号集群。

30、在一个优选地实施方式中，步骤s4中将聚类结果以跨平台账号关联图谱形式输出的具体操作为：

31、将步骤s3得到的每个簇及其包含的账号id映射为图结构，图节点为每个账号，图边根据余弦相似度分为强关联边和疑似关联边，其中余弦相似度大于等于高阈值的账号对之间建立强关联边，余弦相似度介于区间阈值下限与高阈值之间的账号对之间建立疑似关联边，每条边附带关联置信度和主要特征依据；

32、然后接收人工审核员对图谱中每个簇的复核结果，将复核结果转化为监督标签，对于人工确认属于同一马甲集群的账号对标记为正标签，对于人工确认不属于同一马甲集群的账号对标记为负标签，所有标签构成人工复核数据集。

33、在一个优选地实施方式中，步骤s4中将人工复核的关联结果作为监督标签反馈至自适应加权融合模型中进行增量训练的具体操作为：

34、在自适应加权融合模型的初始训练阶段结束后，计算每个元学习器参数的重要性权重，重要性权重基于参数在初始训练过程中每一迭代步的对比学习损失梯度的平方的平均值；

35、在增量训练阶段，构建增量损失函数，增量损失函数包含在人工复核数据集上计算的对比学习损失项以及弹性权重巩固正则项，其中弹性权重巩固正则项为每个元学习器参数的重要性权重乘以参数当前值与初始值之差的平方的加权和，再乘以正则化系数；使用adam优化器最小化增量损失函数，以更新元学习器的可学习参数。

36、本技术还提供基于多维度特征融合的跨平台账号关联识别系统，具体包括：

37、数据采集与特征提取模块：采集目标账号在多个网络平台上的全维度数据并清洗归一化，再并行提取图文内容模态特征、发布行为模态特征和ip设备环境模态特征，生成对应的图文特征向量、行为特征向量和设备特征向量；

38、自适应融合模块：将图文特征向量、行为特征向量和设备特征向量输入至自适应加权融合模型，通过元学习器动态分配融合权重，生成每个账号唯一的全局特征指纹；

39、密度聚类模块：将全部待分析账号的全局特征指纹映射至高维向量空间计算余弦相似度，根据高阈值和区间阈值判定强关联同源账号和疑似关联马甲账号，挖掘跨平台马甲账号集群，得到聚类结果；

40、反馈优化模块：将聚类结果以跨平台账号关联图谱形式输出，并将人工复核的关联结果作为监督标签反馈至自适应加权融合模型进行增量训练，以优化动态分配融合权重。

41、本发明的有益效果是：通过并行提取图文内容、发布行为及ip设备环境多模态特征，利用自适应加权融合模型中的元学习器依据信息熵动态分配融合权重，生成抗伪装的全局特征指纹；采用密度聚类算法结合余弦相似度与高阈值、区间阈值判定，通过密度可达性自动挖掘无显式关联的跨平台马甲账号集群；人工复核结果作为监督标签反馈至自适应加权融合模型进行增量训练，持续优化动态分配融合权重，从而显著提升对深度伪装幽灵账号集群的精准溯源能力。