CN114417118B 一种异常数据处理方法、装置、设备以及存储介质（北京百度网讯科技有限公司）

(19)国家知识产权局(12)发明专利(10)授权公告号CN114417118B(21)申请号202111668094.6(22)申请日2021.12.31(65)同一申请的已公布的文献号申请公布号CN114417118A(43)申请公布日2022.04.29(73)专利权人北京百度网讯科技有限公司百度大厦2层(74)专利代理机构北京品源专利代理有限公司专利代理师高艳红(56)对比文件权利要求书3页说明书16页附图8页(54)发明名称一种异常数据处理方法、装置、设备以及存储介质(57)摘要本公开提供了一种异常数据处理方法、装置、设备以及存储介质，涉及数据处理技术领域，尤其涉及大数据、信息流和人工智能技术领域。具体实现方案为：获取至少两个交互平台的待识别搜索信息，以及所述待识别搜索信息在所述至少两个交互平台中关联的访问行为，其中，所述待识别搜索信息包括搜索词信息和/或所述搜索词信息触发的网址信息；根据所述访问行为，确定所述待识别搜索信息的目标访问特征；根据所述目标访问特征，识别所述待识别搜索信息中的异常数据。能够提高异常数据识别的精准性，为2获取至少两个交互平台的搜索词和所述搜索词触发的访问网址；从所述搜索词中提取异常触发词，并将所述搜索词和所述异常触发词作为待识别搜索信息的搜索词信息；从所述访问网址中提取子网址，并将所述访问网址和所述子网址作为所述待识别搜索信息的网址信息；以及获取所述待识别搜索信息在所述至少两个交互平台中关联的访问行为，其中，所述待识别搜索信息包括搜索词信息和/或所述搜索词信息触发的网址信息；根据所述访问行为，确定所述待识别搜索信息的目标访问特征；根据所述目标访问特征，识别所述待识别搜索信息中的异常数据；根据所述访问行为，确定所述待识别搜索信息关联的交互平台，以及所述待识别搜索信息在关联的交互平台的页面浏览量；根据所述待识别搜索信息关联的交互平台，以及所述待识别搜索信息在关联的交互平台的页面浏览量，确定所述待识别搜索信息的目标访问特征。2.根据权利要求1所述的方法，其中，所述根据所述访问行为，确定所述待识别搜索信根据所述访问行为，确定各交互平台关联的待识别搜索信息，以及各交互平台关联的待识别搜索信息对应的页面浏览量；根据各交互平台关联的待识别搜索信息，以及各交互平台关联的待识别搜索信息对应的页面浏览量，确定所述待识别搜索信息的目标访问特征。3.根据权利要求1-2中任一项所述的方法，还包括：根据所述待识别搜索信息的信息内容，确定所述待识别搜索信息的演变特征，并将所述演变特征添加到所述待识别搜索信息的目标访问特征中。4.根据权利要求3所述的方法，其中，所述根据所述目标访问特征，识别所述待识别搜通过异常数据识别模型，根据所述目标访问特征，识别所述待识别搜索信息中的异常根据所述目标访问特征和特征阈值，识别所述待识别搜索信息中的异常数据。5.根据权利要求4所述的方法，还包括：获取样本搜索信息，并确定所述样本搜索信息关联的监督标签信息；基于所述样本搜索信息和所述监督标签信息，对所述异常数据识别模型进行有监督训6.根据权利要求5所述的方法，其中，所述确定所述样本搜索信息关联的监督标签信根据所述至少两个交互平台对所述样本搜索信息的反馈信息，确定初始标签信息；根据所述样本搜索信息的信息内容和所述初始标签信息的信息内容之间的相似度，更新所述初始标签信息；根据所述样本搜索信息的样本访问特征和更新后的初始标签信息的样本访问特征之间的相似度，确定所述样本搜索信息关联的监督标签信息。37.根据权利要求1所述的方法，还包括：若检测到黑名单更新事件，则根据线上黑名单和所述异常数据的共现情况，更新所述线上黑名单。检测到所述异常数据的目标访问特征达到预设要求；或者，检测到当前时刻达到所述黑名单更新周期。9.根据权利要求7所述的方法，还包括：基于所述线上黑名单，对所述至少两个交互平台的线上搜索信息进行异常数据监控。信息获取模块，用于获取至少两个交互平台的搜索词和所述搜索词触发的访问网址；从所述搜索词中提取异常触发词，并将所述搜索词和所述异常触发词作为待识别搜索信息的搜索词信息；从所述访问网址中提取子网址，并将所述访问网址和所述子网址作为所述待识别搜索信息的网址信息；以及获取所述待识别搜索信息在所述至少两个交互平台中关联的访问行为，其中，所述待识别搜索信息包括搜索词信息和/或所述搜索词信息触发的网址信息；访问特征确定模块，用于根据所述访问行为，确定所述待识别搜索信息的目标访问特异常数据识别模块，用于根据所述目标访问特征，识别所述待识别搜索信息中的异常根据所述访问行为，确定所述待识别搜索信息关联的交互平台，以及所述待识别搜索信息在关联的交互平台的页面浏览量；根据所述待识别搜索信息关联的交互平台，以及所述待识别搜索信息在关联的交互平台的页面浏览量，确定所述待识别搜索信息的目标访问特征。根据所述访问行为，确定各交互平台关联的待识别搜索信息，以及各交互平台关联的待识别搜索信息对应的页面浏览量；根据各交互平台关联的待识别搜索信息，以及各交互平台关联的待识别搜索信息对应的页面浏览量，确定所述待识别搜索信息的目标访问特征。12.根据权利要求10-11中任一项所述的装置，还包括：演变特征确定模块，用于根据所述待识别搜索信息的信息内容，确定所述待识别搜索信息的演变特征，并将所述演变特征添加到所述待识别搜索信息的目标访问特征中。第一识别单元，用于通过异常数据识别模型，根据所述目标访问特征，识别所述待识别第二识别单元，用于根据所述目标访问特征和特征阈值，识别所述待识别搜索信息中的异常数据。14.根据权利要求13所述的装置，还包括：样本信息获取模块，用于获取样本搜索信息；4监督标签确定模块，用于确定所述样本搜索信息关联的监督标签信息；模型训练模块，用于基于所述样本搜索信息和所述监督标签信息，对所述异常数据识别模型进行有监督训练。根据所述至少两个交互平台对所述样本搜索信息的反馈信息，确定初始标签信息；根据所述样本搜索信息的信息内容和所述初始标签信息的信息内容之间的相似度，更新所述初始标签信息；根据所述样本搜索信息的样本访问特征和更新后的初始标签信息的样本访问特征之间的相似度，确定所述样本搜索信息关联的监督标签信息。16.根据权利要求10所述的装置，还包括：黑名单更新模块，用于若检测到黑名单更新事件，则根据线上黑名单和所述异常数据17.根据权利要求16所述的装置，还包括更新事件检测模块，具体用于：检测到所述异常数据的目标访问特征达到预设要求；或者，检测到当前时刻达到所述黑名单更新周期。18.根据权利要求16所述的装置，还包括：异常监控模块，基于所述线上黑名单，对所述至少两个交互平台的线上搜索信息进行异常数据监控。与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的异常数据处理方法。20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的异常数据处理方法。21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的异常数据处理方法。5技术领域[0001]本公开涉及数据处理技术领域，尤其涉及大数据、信息流和人工智能技术领域，具体涉及一种异常数据处理方法、装置、设备以背景技术[0002]随着互联网技术的快速发展，越来越多的互联网交互平台顺势而生。然而一些不法分子将互联网交互平台作为其异常数据的曝光平台，严重影响交互平台的正常运营。因此，如何精准识别出交互平台中的异常数据至关重要。发明内容[0003]本公开提供了一种异常数据处理方法、装置、设备以及存储介质。[0004]根据本公开的一方面，提供了一种异常数据处理方[0005]获取至少两个交互平台的待识别搜索信息，以及所述待识别搜索信息在所述至少两个交互平台中关联的访问行为，其中，所述待识别搜索信息包括搜索词信息和/或所述搜索词信息触发的网址信息；[0006]根据所述访问行为，确定所述待识别搜索信息的目标访问特征；[0007]根据所述目标访问特征，识别所述待识别搜索信息中的异常数据。[0008]根据本公开的另一方面，提供[0010]与至少一个处理器通信连接的存储[0011]存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开任一实施例的异常数据处理方法。[0012]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开任一实施例的异常数据处理方法。[0013]本公开实施例的方案，能够从搜索信息的整个访问流程出发，来识别其中的异常数据，提高了异常数据识别的精准性，为精准识别出交互平台中的异常数据提供了新的解决方案。[0014]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明[0015]附图用于更好地理解本方案，不构成对本公开的限定。其中：[0016]图1是根据本公开实施例提供的一种异常数据处理方法的流程图；[0017]图2是根据本公开实施例提供的一种异常数据处理方法的流程图；[0018]图3是根据本公开实施例提供的一种异常数据处理方法的流程图；[0019]图4是根据本公开实施例提供的一种异常数据处理方法的流程图；6[0020]图5是根据本公开实施例提供的一种异常数据处理方法的流程图；[0021]图6是根据本公开实施例提供的一种异常数据处理方法的流程图；[0022]图7是根据本公开实施例提供的一种异常数据处理的系统架构图；[0023]图8是根据本公开实施例提供的一种异常数据处理装置的结构示意图；[0024]图9是用来实现本公开实施例的一种异常数据处理方法的电子设备的框图。具体实施方式[0025]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。[0026]图1是根据本公开实施例提供的一种异常数据处理方法的流程图。本公开实施例适用于识别异常数据的情况。尤其适用于为企业端(Business,B端)用户提供异常数据识别的情况。例如，可以是对多个B端交互平台的海量搜索信息进行解析，识别其中的异常数据。该方法可以由异常数据处理装置来执行，该装置可以采用软件和/或硬件的方式实现。具体可以集成于电子设备中。例如，该电子设备可以是为多个B端交互平台提供数据分析服务的计算设备。如图1所示，本实施例提供的异常数据处理方法可以包括：[0027]S101,获取至少两个交互平台的待识别搜索信息，以及待识别搜索信息在至少两个交互平台中关联的访问行为。[0028]其中，所谓交互平台为能够与用户进行交互，向用户提供搜索服务的平台，该交互[0029]所谓待识别搜索信息为需要进行异常数据识别的搜索信息，该搜索信息可以是交互平台为用户提供搜索服务的过程中所产生的数据信息，具体可以包括搜索词信息和/或搜索词信息触发的网址信息。其中，搜索词信息可以是用户在交互平台的搜索引擎中输入的搜索词的相关信息。例如，可以是搜索词本身，也可以是对搜索词解析得到的信息。网址信息可以是搜索词信息在交互平台上触发的访问页面网址(即访问网址)的相关信息，即交互平台响应于用户输入的搜索词信息，所反馈的访问网址的相关信息。例如，可以是访问网址本身，也可以是对访问网址解析得到的信息。需要说明的是，本实施例中待识别搜索信息的数量优选为多个。[0030]所谓搜索信息在交互平台中关联的访问行为可以是该搜索信息开始访问交互平台到访问完成的整个访问过程所产生的行为。可以包括但不限于：搜索信息已访问的交互平台、在交互平台访问的具体页面，以及其所访问页面的页面浏览量等。[0031]可选的，在本实施例中，为多个交互平台提供数据分析服务的计算设备可以与各个交互平台交互，来获取各个交互平台的待识别搜索信息。具体的，一种可实施方式为：计算设备可以实时监控各交互平台的运营情况，从而获取各交互平台所产生的线上搜索词，和/或该线上搜索词所触发的页面网址，并根据一段时间内(如一天内)获取的线上搜索词和/或页面网址，生成一组待识别搜索信息。[0032]另一种可实施方式为：计算设备可以每隔预设周期(如一天),向各交互平台发送一次数据获取请求，并接收各交互平台响应该数据获取请求所反馈的该预设周期内所产生7的所有线上搜索词，和/或该线上搜索词所触发的访问网址，并根据接收的所有线上搜索词和/或访问网址，生成一组待识别搜索信息。[0033]其中，根据获取的线上搜索词和/或访问网址，生成一组待识别搜索信息时，可以直接将获取的线上搜索词和/或访问网址作为一组待识别搜索信息；还可以是对线上搜索词和/或访问网址进行信息解析，并将解析结果作为待识别搜索信息；还可以是将线上搜索词及其解析结果，和/或访问网址及其解析结果一并作为待识别搜索信息等。对此本实施例不进行限定。[0034]可选的，该计算设备获取待识别搜索信息的同时，还需要进一步获取待识别搜索信息在各个交互平台中关联的访问行为。具体的获取方式可以与获取待识别搜索信息的方式类似，例如，一种可实施方式为：计算设备实时监控各交互平台的运营情况，从而获取每个待识别搜索信息在各交互平台中关联的访问行为。另一种可实施方式为：各交互平台响应数据获取请求反馈线上搜索词，和/或该线上搜索词所触发的访问网址的同时，一并反馈该线上搜索词和访问网址在该交互平台中关联的访问行为，此时计算设备可以对各个交互平台反馈的访问行为进行汇总，得到待识别搜索信息在各个交互平台中关联的访问行为。[0035]S102,根据访问行为，确定待识别搜索信息的目标访问特征。[0036]其中，待识别搜索信息的目标访问特征可以是刻画待识别搜索信息在各个交互平台中关联的访问行为的特征。可以包括但不限于：表征各搜索信息在各交互平台的访问范围和访问分布的特征等。具体可以从每个搜索信息的角度来刻画目标访问特征；还可以从交互平台的角度来刻画目标访问特征。[0037]可选的，在本实施例中，可以根据每个待识别搜索信息，基于其在至少两个交互平台中关联的访问行为，确定该待识别搜索信息的目标访问特征。也就是说，基于每个待识别搜索信息，从其开始访问各个交互平台，到访问结束的全部访问行为出发，着眼于全流程的访问细节来构建该待识别搜索信息的目标访问特征。该目标访问特征可以表征待识别搜索信息访问交互平台的访问框架。[0038]其中，根据访问行为，确定待识别搜索信息的目标访问特征的一种可实施方式为：将各个待识别搜索信息在各个交互平台中关联的访问行为输入到预先训练好的特征提取模型中，该特征提取模型即可基于输入的访问行为，解析得到待识别搜索信息的目标访问[0039]另一种可实施方式为：按照预设的目标访问特征统计规则，对各个待识别搜索信息在各个交互平台中关联的访问行为进行统计，并根据统计结果，抽象出待识别搜索信息的目标访问特征。[0040]S103,根据目标访问特征，识别待识别搜索信息中的异常数据。[0041]其中，异常数据可以是指非正常行为(如网络犯罪行为或争议行为)所关联的黑灰产数据。例如，可以是交互平台中存在的流量广告攻击行为所关联的广告数据。[0042]可选的，在本实施例中，可以预先统计出各类型的异常数据关联的共性访问特征，此时可以将每个待识别搜索信息的目标访问特征与各类型的异常数据关联的共性访问特征进行比较，若特征相似度满足要求，则将该待识别搜索信息作为异常数据。还可以是基于预先训练好的异常数据识别模型来对各待识别搜索信息的目标访问特征进行分析，来确定该待识别搜索信息是否为异常数据等。8[0043]本公开实施例的方案，获取至少两个交互平台的待识别搜索信息及其在各交互平台关联的访问行为，基于该访问行为确定待识别搜索信息的目标访问特征，并基于该目标访问特征来判定待识别搜索信息是否为异常数据。本实施例基于搜索信息在交互平台的整个访问流程的行为特征出发，来识别其中的异常数据，无需依赖人工操作，提高了异常数据识别的精准性和高效性，为精准识别出交互平台中的异常数据提供了新的解决方案。[0044]图2是根据本公开实施例提供的一种异常数据处理方法的流程图。本公开实施例在上述实施例的基础上，进一步对如何根据待识别搜索信息在至少两个交互平台中关联的访问行为，确定待识别搜索信息的目标访问特征进行详细解释说明，如图2所示，本实施例提供的异常数据处理方法可以包括：[0045]S201,获取至少两个交互平台的待识别搜索信息，以及待识别搜索信息在至少两个交互平台中关联的访问行为。[0046]其中，待识别搜索信息包括搜索词信息和/或搜索词信息触发的网址信息。[0047]S202,根据访问行为，确定待识别搜索信息关联的交互平台，以及待识别搜索信息在关联的交互平台的页面浏览量。[0048]其中，页面浏览量(PageView,PV)可以是衡量交互平台的平台流量的重要指标。具体的，来自交互平台的一次网页界面请求会被看成一个页面浏览量，通过一段时间的累积，即可得到这段之间的总的页面浏览量。[0049]可选的，本实施例可以是针对每一待识别搜索信息，基于其在至少两个交互平台中关联的访问行为，统计该待识别搜索信息具体访问的交互平台有哪些，即统计待识别搜索信息关联的交互平台。另外还需要统计该待识别搜索信息在每一交互平台中触发了几次网页界面请求，即可得到该待识别搜索信息在每一交互平台所关联的页面浏览量。[0050]S203,根据待识别搜索信息关联的交互平台，以及待识别搜索信息在关联的交互平台的页面浏览量，确定待识别搜索信息的目标访问特征。[0051]可选的，本实施例根据待识别搜索信息关联的交互平台，及其在关联的交互平台的页面浏览量，确定待识别搜索信息的目标访问特征的方式有很多，对此不进行限定。[0052]一种可实施方式为：根据待识别搜索信息关联的交互平台，统计待识别搜索信息所关联的交互平台总数，基于待识别搜索信息关联的交互平台的页面浏览量，统计待识别搜索信息关联的页面浏览量总数，并将该交互平台总数和页面浏览量总数作为衡量待识别搜索信息的目标访问特征中的访问范围特征。[0053]另一种可实施方式为：根据待识别搜索信息在关联的交互平台的页面浏览量，刻画待识别搜索信息关联的各交互平台的分布类型，作为目标访问特征中的访问数据分布特征。具体的，统计待识别搜索信息在各交互平台的页面浏览量的均值、方差和变异系数等，并通过均值、方差和变异系数等来刻画待识别搜索信息的目标访问特征中的访问数据分布特征。[0054]又一种可实施方式为：根据待识别搜索信息关联的交互平台，以及待识别搜索信息在关联的交互平台的页面浏览量，统计待识别搜索信息关联的页面浏览量总数，这些页面浏览量分布在多少个交互平台，平均到各交互平台下，每个交互平台平均受访的页面浏览量等，作为衡量待识别搜索信息的目标访问特征中的访问方量级特征。即从访问方的角度来衡量访问方给被访问方(即交互平台方)所带来的影响。可选的，还可以基于待识别搜9索信息在关联的交互平台的页面浏览量，按照页面浏览量从高到底的顺序，对各交互平台进行排序，并计算排序后相邻量交互平台的页面浏览量变化斜率，作为衡量待识别搜索信息的目标访问特征中的访问方量级特征。即基于页面浏览量变化斜率来刻画待识别搜索数据给各交互平台带来的影响。[0055]需要说明的是，本实施例可基于上述至少一种可实施方式来确定待识别搜索信息的目标访问特征。优选同时基于上述三种方式来确定待识别搜索信息的多维度的目标访问[0056]S204,根据目标访问特征，识别待识别搜索信息中的异常数据。[0057]本公开实施例的方案，获取至少两个交互平台的待识别搜索信息及其在各交互平台关联的访问行为，基于该访问行为确定待识别搜索信息关联的交互平台，以及在关联的交互平台的页面浏览量，进而基于关联的交互平台及其上的页面浏览量，来确定待识别搜索信息的目标访问特征，并基于该目标访问特征来判定待识别搜索信息是否为异常数据。本方案基于待识别搜索信息关联的交互平台及其在交互平台上的页面浏览量，从访问范围、访问数据分布和访问方量级等多个角度来表征目标访问特征，提高了目标访问特征的丰富度和准确性，为后续基于该目标访问特征精准识别异常数据提供了保障。[0058]可选的，本公开实施例除了采用上述实施例介绍的方式确定待识别搜索信息的目标访问特征外，还可以采用如下方式，从交互平台的角度出发来确定待识别搜索信息的目[0059](一)、根据访问行为，联的待识别搜索信息对应的页面浏览量。[0060]具体的，可以针对每一交互平台，从获取的所有待识别搜索信息中确定该交互平台中出现的待识别搜索信息作为该交互平台关联的待识别搜索信息，另外，还需要针对该交互平台关联的每一待识别搜索信息，统计该待识别搜索信息在该交互平台对应的页面浏[0061](二)、根据各交互平台关联的待识别搜索信息，以及各交互平台关联的待识别搜索信息对应的页面浏览量，确定待识别搜索信息的目标访问特征。[0062]具体的，可以根据每一交互平台关联的待识别搜索信息，统计该交互平台被多少个待识别搜索信息关联；根据各交互平台关联的待识别搜索信息对应的页面浏览量，统计各个关联的待识别搜索信息在该交互平台对应的平均页面浏览量等，并将统计结果作为衡量待识别搜索信息的目标访问特征中的被访问方量级特征。即从被访问方的角度来衡量其与访问方(即待识别搜索信息)之间的关系特征。[0063]本实施例从交互平台的角度来刻画待识别搜索信息的目标访问特征，进一步丰富了目标访问特征的特征维度，使得刻画的目标访问特征更为全面准确，进而提高了基于该目标访问特征识别的异常数据的精准性。[0064]可选的，本公开实施例除了采用上述实施例介绍的方式确定待识别搜索信息的目标访问特征外，还可以包括：根据待识别搜索信息的信息内容，确定待识别搜索信息的演变特征，并将演变特征添加到待识别搜索信息的目标访问特征中。[0065]具体的，待识别搜索信息的演变特征可以是刻画待识别搜索信息自身演变过程的难易程度的特征，可以从待识别搜索信息的自身内容信息来解析，例如，可以是根据待识别搜索信息的信息内容，判断其本次演变过程与上一次相比，变化内容是什么,若是增加了随[0066]本实施例解析待识别搜索信息的信息内容的演变特征，并将其添加到待识别搜索信息的目标访问特征中，从访问行为和内容信息两个维度来表征目标访问特征，使得刻画的目标访问特征更为全面准确，进而提高了基于该目标访问特征识别的异常数据的精准[0067]图3是根据本公开实施例提供的一种异常数据处理方法的流程图。本公开实施例在上述实施例的基础上，进一步对如何根据目标访问特征，识别待识别搜索信息中的异常数据进行详细解释说明，如图3所示，本实施例提供的异常数据处理方法可以包括：[0068]S301,获取至少两个交互平台的待识别搜索信息，以及待识别搜索信息在至少两个交互平台中关联的访问行为。[0069]其中，待识别搜索信息包括搜索词信息和/或搜索词信息触发的网址信息。[0070]S302,根据访问行为，确定待识别搜索信息的目标访问特征。[0071]S303,通过异常数据识别模型，根据目标访问特征，识别待识别搜索信息中的异常[0072]其中，异常数据识别模型可以是预先训练好的能够执行异常数据识别任务的神经网络模型。可选的，本实施例可以预先基于不同的神经网络模型，训练多种异常数据识别模型。例如，基于逻辑回归(LogisticRegression,LR)模型训练一种异常数据识别模型，再基程将在后续实施例进行详细介绍。[0073]具体的，本实施例可以将各个待识别搜索信息的目标访问特征输入到异常数据识别模型中，该异常数据识别模型即可基于训练算法对输入的目标访问特征进行分析，确定该目标访问特征关联的待识别搜索信息是否为异常数据。[0074]可选的，当本实施例的异常数据识别模型由多种能够执行异常数据识别任务的神经网络模型构成时，可以通过每种异常数据识别模型，根据目标访问特征，都从待识别搜索信息中识别出一部分异常数据，再对多种模型的识别结果进行融合(如合并或取交集等)得到最终的识别结果。[0075]可选的，本实施例根据目标访问特征，识别待识别搜索信息中的异常数据的另一种可实施方式可以是：根据目标访问特征和特征阈值，识别待识别搜索信息中的异常数据。[0076]其中，特征阈值可以是预先设置的衡量目标访问特征是符合异常数据特征的标[0077]可选的，本实施例可以预先为目标访问特征设置异常数据对应的特征阈值，然后针对每一待识别搜索信息的目标访问特征，判断该特征是否达到特征阈值，若达到，则说明该待识别搜索信息为异常数据。例如，若目标访问特征为访问范围特征，且特征阈值为访问20万交互平台和1000万页面浏览量，则当某一待识别搜索信息的目标访问特征达到20万交互平台和1000万页面浏览量，则该待识别搜索信息为异常数据。[0078]可选的，当待识别搜索信息的目标访问特征的维度为多个时，本实施例可以是基于每个维度都进行是否达到特征阈值的判断，以提高识别结果的准确性。也可以从多个维度中选择至少一个相对重要的目标访问特征，只对选出的这部分重要的目标访问特征进行11是否达到特征阈值的判断，以提高异常数据识别效率。[0079]可选的，本实施例根据目标访问特征，识别待识别搜索信息中的异常数据的又一种可实施方式还可以是：将上述两种可实施方式结合，即先通过异常数据识别模型，根据目标访问特征，识别出待识别搜索信息中的一部分异常数据；再根据目标访问特征和特征阈值，识别出待识别搜索信息中的另一部异常数据；进而对两种方式识别出的两部分异常数据进行融合(如合并或取交集等)处理得到最终的异常数据。[0080]本公开实施例的方案，获取至少两个交互平台的待识别搜索信息及其在各交互平台关联的访问行为，基于该访问行为确定待识别搜索信息的目标访问特征，并基于异常数据识别模型，和/或特征阈值判断的方式来根据目标访问特征来识别待识别搜索信息中的异常数据。本方案引入多种不同方式来基于目标访问特征识别异常数据，提高了异常数据识别结果的灵活性和精准性。[0081]图4是根据本公开实施例提供的一种异常数据处理方法的流程图。本公开实施例在上述实施例的基础上，进一步对如何训练异常数据识别模型的过程进行详细解释说明，如图4所示，本实施例提供的异常数据处理方法可以包括：[0082]S401,获取样本搜索信息，并确定样本搜索信息关联的监督标签信息。[0083]其中，样本搜索信息用于训练异常数据识别模型所需的训练样本数据。其与待识别搜索信息类似，可以包括搜索词信息和/或搜索词信息触发的网址信息。具体的，该样本搜索信息可以是至少两个交互平台历史运营过程中产生的搜索信息。[0084]所谓监督标签信息是标注出的属于异常数据的样本搜索信息。用于在异常数据识别模型训练的过程中，对模型训练进行监督。[0085]本实施例的一种可实施方式为：基于人工识别的方式确定出样本搜索信息关联的监督标签信息；另一种可实施方式为：按照预设规则自动为各样本搜索信息确定关联的监督标签信息。具体的，自动确定样本搜索信息关联的监督标签信息的过程可以包括如下步[0087]具体的，交互平台在发现其搜索信息中存在异常数据时，会向计算设备发送反馈异常数据的通知信息，例如，哪些搜索信息为异常数据。因此本实施例在获取样本搜索信息的同时，还需要获取交互平台对样本搜索信息的反馈信息，并基于反馈信息中指出的异常的搜索信息，先从样本搜索信息中标注出一部分属于异常数据的样本搜索信息，作为初始标签信息。[0088]需要说明的是，由于交互平台每天处理的搜索信息较多，且并不是所有交互平台都会反馈信息，所以通过本步骤确定的初始标签信息只是样本搜索信息中的一小部分异常数据，也就是说本步骤确定的初始标签信息不够全面。[0089](二)、根据样本搜索信息的信息内容和初始标签信息的信息内容之间的相似度，更新初始标签信息。[0090]具体的，本实施例在确定出初始标签信息后，可以将每一样本搜索信息的信息内容与各初始标签信息(即第一步已标注成异常数据的样本搜索信息)的信息内容进行相似度计算，将相似度达到预设阈值，且不属于初始标签信息的样本搜索信息添加到初始标签[0091]需要说明的是，通过本步骤对初始标签信息的更新操作，极大的提高了初始标签信息的全面性。[0092](三)、根据样本搜索信息的样本访问特征和更新后的初始标签信息的样本访问特征之间的相似度，确定样本搜索信息关联的监督标签信息。[0093]其中，所谓样本访问特征是指对异常数据识别模型进行训练时所需的部分特征维度所对应的访问特征。需要说明的是，在本实施例中，目标访问特征所包含的特征维度尽可能包含全部的特征维度，而样本访问特征所对应的部分特征维度可以是交互平台业务上相对重要的特征维度。本方案选择部分特征维度的样本访问特征对异常数据识别模型进行训练，相比于选择全部特征维度的访问特征对异常数识别模型进行训练，避免了异常数据模[0094]具体的，本实施例可以根据样本搜索信息在至少两个交互平台关联的访问行为，确定样本搜索信息的样本访问特征和更新后的初始标签信息的样本访问特征。进而基于每一样本搜索信息，计算其样本访问特征与各初始标签信息的样本访问特征之间的相似度，将相似度达到预设阈值，且不属于初始标签信息的样本搜索信息添加到初始标签信息中，并将本步骤处理后得到的初始标签作为样本搜索信息关联的监督标签信息。[0095]本实施例通过交互平台的反馈信息初步确定标签信息后，基于搜索信息的信息内容和样本访问特征两个维度的相似度来不断完善表征异常数据的监督标签信息，提高了监督标签信息确定的精准性与全面性。[0096]可选的，在本实施例中，为了保证确定的监督标签信息的准确性，还可以采用人工查验的方式来对上述方式确定出监督标签信息进行准确性核查。[0097]S402,基于样本搜索信息和监督标签信息，对异常数据识别模型进行有监督训练。[0098]可选的，本实施例可以获取样本搜索信息在至少两个交互平台中关联的访问行为，并基于该访问行为，确定样本搜索信息的目标访问特征。将样本搜索信息的目标访问特征作为异常数据识别模型的输入，将样本搜索信息关联的监督标签信息作为异常数据识别模型的监督数据，来对异常数据识别模型进行有监督训练。具体的，可以是将样本搜索信息的目标访问特征输入到异常数据识别模型中，异常数据识别模型对输入的样本搜索信息的目标访问特征进行解析处理，预测样本搜索信息中的异常数据，根据预测的异常数据和该样本搜索信息的关联的监督标签信息计算损失函数，根据损失函数反向传播更新异常数据识别模型的模型参数。[0099]需要说明的是，本实施例需要基于多组样本搜索信息和监督标签信息，按照上述方案对异常数据识别模型进行多次迭代训练，直至达到预设的训练停止条件，则停止调整异常数据识别模型的参数，得到经训练的异常数据识别模型。训练停止条件可以包括：训练次数达到预设次数，或者模型损失收敛等。[0100]S403,获取至少两个交互平台的待识别搜索信息，以及待识别搜索信息在至少两个交互平台中关联的访问行为。[0101]其中，待识别搜索信息包括搜索词信息和/或搜索词信息触发的网址信息。[0102]S404,根据访问行为，确定待识别搜索信息的目标访问特征。[0103]S405,通过异常数据识别模型，根据目标访问特征，识别待识别搜索信息中的异常[0104]优选的，还可以根据目标访问特征和特征阈值，识别待识别搜索信息中的异常数据，并将基于异常数据识别模型确定的异常数据与基于特征阈值确定的异常数据进行融[0105]本公开实施例的方案，根据样本搜索信息，及其对应的监督标签信息，通过有监督训练的方式来得到异常数据识别模型后，获取至少两个交互平台的待识别搜索信息及其在各交互平台关联的访问行为，基于该访问行为确定待识别搜索信息的目标访问特征，并基于异常数据识别模型识别待识别搜索信息中的异常数据。本方案给出了一种自动确定样本搜索信息的监督标签信息的方式，另外，基于监督标签对异常数据识别模型进行有监督训练，提高了异常数据识别模型识别结果的准确性。[0106]图5是根据本公开实施例提供的一种异常数据处理方法的流程图。本公开实施例在上述实施例的基础上，进一步对如何获取至少两个交互平台的待识别搜索信息进行详细解释说明，如图5所示，本实施例提供的异常数据处理方法可以包括：[0107]S501,获取至少两个交互平台的搜索词和搜索词触发的访问网址。[0108]其中，所谓搜索词可以是用户在交互平台的搜索引擎中输入的表征其搜索需求的词汇。搜索引擎响应于该搜索词得到的搜索结果对应的页面网址即为搜索词触发的访问网址。[0109]可选的，本实施例中，为多个交互平台提供数据分析服务的计算设备可以与各个交互平台交互，来获取各个交互平台的搜索词和搜索词触发的访问网址。具体的，可以是计算设备可以实时监控各交互平台的运营情况，来获取各交互平台的搜索词和搜索词触发的访问网址。也可以是每隔预设周期(如一天),向各交互平台发送一次数据获取请求，并接收各交互平台响应该数据获取请求所反馈的该预设周期内所产生的所有搜索词和搜索词触发的访问网址等。[0110]S502,从搜索词中提取异常触发词，并将搜索词和异常触发词作为待识别搜索信息的搜索词信息。[0111]其中，所谓异常触发词可以是指搜索词中可能会触发出现异常数据的词汇。具体的，本实施例可以将搜索词中表征联系方式的词汇，如即时通讯软件的社交帐号、邮箱或电话等作为异常词汇。例如，若搜索词为“平台推广ip高价收量(QQ:1234567)系方式的“QQ:1234567”即为该搜索词中的异常触发词。[0112]可选的，本实施例从搜索词中提取异常触发词的方式有很多，对此本实施例不进行限定。[0113]一种可实施方式为：通过预先训练好的触发词提取模型，来对搜索词进行解析，从而输出搜索词中的异常触发词。[0114]另一种可实施方式为：预先基于各类型的异常触发词，设置匹配规则(如正则匹配规则),将获取的各搜索词与异常触发词对应的匹配规则进行一致性匹配，从而获取匹配度高的词汇作为异常触发词。[0115]又一种可实施方式为：对搜索词中的各词汇进行语义解析，找到语义为表征联系方式的词汇作为搜索词中的异常触发词。[0116]可选的，本实施例在对所获取的搜索词都执行了异常触发词提取操作后，将获取的搜索词与提取的异常触发词一并作为待识别搜索信息中的搜索词信息。[0117]S503,从访问网址中提取子网址，并将访问网址和子网址作为待识别搜索信息的网址信息。?http://我是广告推广/?w2”,则其中包括2个子网址，分别为“http://[0119]可选的，本实施例从访问网址中提取子网址的方式可以与从搜索词中提取异常触发词的方式类似，例如，可以通过预先训练的网址提取模型来提取；还可以是通过预先设置的匹配规则来提取；也可以是基于语义解析算法来提取等，对此本实施例不进行限定。[0120]可选的，本实施例在对获取的访问网址都执行了子网址提取操作后，将获取的访问网址与提取的子网址一并作为待识别搜索词中的网址信息。[0121]需要说明的是，本实施例可以将S502得到的待识别搜索信息的搜索词信息与S503得到的待识别搜索信息的网址信息一并作为待识别搜索信息。[0122]S504,获取待识别搜索信息在至少两个交互平台中关联的访问行为。[0123]S505,根据访问行为，确定待识别搜索信息的目标访问特征。[0124]S506,根据目标访问特征，识别待识别搜索信息中的异常数据。[0125]本公开实施例的方案，分别从至少两个交互平台的搜索词及其触发的访问网址中提取异常触发词和子网址，并将搜索词、访问网址、异常触发词和子网址一并作为待识别搜索信息，获取关联的访问行为，确定目标访问特征，进而根据目标访问特征确定待识别搜索信息中的异常数据。本方案将搜索词、访问网址、异常触发词和子网址四个维度的信息一并作为待识别搜索信息进行异常数据的识别，解决了单一维度搜索信息失效块的问题，增加了异常数据识别的稳定性和全面性。[0126]图6是根据本公开实施例提供的一种异常数据处理方法的流程图。本公开实施例在上述实施例的基础上，进一步给出了如何应用识别出的异常数据的优选实例，如图6所示，本实施例提供的异常数据处理方法可以包括：[0127]S601,获取至少两个交互平台的待识别搜索信息，以及待识别搜索信息在至少两个交互平台中关联的访问行为。[0128]其中，待识别搜索信息包括搜索词信息和/或搜索词信息触发的网址信息。[0129]S602,根据访问行为，确定待识别搜索信息的目标访问特征。[0130]S603,根据目标访问特征，识别待识别搜索信息中的异常数据。[0131]S604,若检测到黑名单更新事件，则根据线上黑名单和异常数据的共现情况，更新线上黑名单。[0132]其中，黑名单更新事件可是指触发执行异常数据黑名单(即线上黑名单)更新的事件。本实施例中，检测到黑名单更新事件，包括：检测到异常数据的目标访问特征达到预设[0133]具体的，一种可实施方式为：为全部或部分的目标访问特征预先设置更新要求，若异常数据的目标访问特征满足预设的更新要求，即达到预设要求，则认为检测到黑名单更数量的预设要求等。另一种可实施方式为：预先设置黑名单更新周期(如三天),若检测到当前时刻达到黑名单更新周期，则认为检测到黑名单更新事件。又一种可实施方式为：可以将上述两种可实施方式进行组合，即正常情况下，按照预设黑名单更新周期，周期性的更新异常数据黑名单；在新识别的异常数据对交互平台的运营影响较大，即异常数据的目标访问特征满足预设要求的情况下，临时触发更新异常数据黑名单。本实施例的方式可以通过多种方式灵活触发异常数据黑名单的更新，提高了异常数据黑名单更新的时效性和灵活性。[0134]可选的，本实施例在检测到黑名单更新事件后，可以调用关联规则挖掘(apriori)算法，基于预设关联规则，即根据异常数据是否属于线上黑名单，以及异常数据间的共现情况，分析异常数据之间是否满足补充黑名单或删除黑名单的关联规则，若满足，则根据满足关联规则的至少两个异常数据来更新线上黑名单。具体实现方式为：对于同属于线上黑名单的异常数据，分析是否存在一直同时出现的多个异常数据，若存在，则在线上黑名单中保留其中一个，剩余的删除。对于不属于黑名单的异常数据，分析其是否与线上黑名单中的某个黑名单异常数据一直同时出现，若否，则将该异常数据补充到线上黑名单中。[0135]示例性的，假设从搜索词“平台推广ip高价收量(QQ:1234567,@ice000)”中识别到为线上黑名单词汇，B词不是线上黑名单词汇，此时可以判断B词相对于A词的置信度是否小于预设数值(如小于1),即判断A词与B词是否一直同时存在，若不是，则将B词补充到线上黑名单中。若关联规则为删除黑名单，且A词和B词都为线上黑名单词汇，此时可以判断B词相对于A词的置信度是否小于预设数值(如小于1),即判断A词与B词是否一直同时存在，若是，则将B词从线上黑名单中删除，仅保留A词。[0136]需要说明的是，在本实施例中，对于满足删除黑名单规则的至少两个异常数据，在确定需要从线上黑名单中删除的异常数据时，可以随机选择，也可以按照一定的规则选择。对此本进行限定。[0137]需要说明的是，本实施例的搜索信息可以包括多个维度的信息，如，搜索词信息和网址信息，搜索词信息又可以包括搜索词和异常触发词；网址信息也可以包括访问网址和子网址；本实施例可以针对每个维度都维护一个线上黑名单，具体的，对于每个种类的线上黑名单都可以采用本实施例所述的方式来进行黑名单更新。[0138]本公开实施例的方案，获取至少两个交互平台的待识别搜索信息及其在各交互平台关联的访问行为，基于该访问行为确定待识别搜索信息的目标访问特征，并基于该目标访问特征来确定待识别搜索信息中异常数据，在检测到黑名单更新事件后，基于线上黑名单和异常数据的共现情况，来更新线上黑名单。本方案在更新线上黑名单时，并非简单的将异常数据添加到线上黑名单中，而是考虑到异常数据的共现情况，以及异常数据是否属于黑名单的情况来更新线上黑名单，保证了线上黑名单时效性的同时，降低了线上黑名单数据的冗余性。[0139]可选的，在本实施例中，计算设备还可以基于线上黑名单，对至少两个交互平台的线上搜索信息进行异常数据监控。具体的，计算设备可以基于上述实施例更新的线上黑名单，可以实时监控各个交互平台受异常数据的攻击情况，例如，异常数据攻击的交互平台的总数，以及在各交互平台攻击的页面浏览量等。还可以实时监控各个交互平台对异常数据的屏蔽情况，例如，各交互平台所屏蔽的异常数据的页面浏览量。本方案通过建立精准且全面的线上黑名单来监控交互平台的线上搜索信息中的异常数据，提高了异常数据监控的精准性。[0140]图7是根据本公开实施例提供的一种异常数据处理的系统架构图。本公开实施例在上述实施例的基础上，给出了一种异常数据处理方法的优选实例。该方法主要适用于计算设备为多个B端交互平台提供数据分析服务的过程，基于多个B端交互平台的搜索数据，来识别异常数据，更新线上黑名单，并基于更新后的线上黑名单来对多个B端交互平台的线上搜索信息进行异常数据监控。其中，本实施例的中的B端交互平台优选为经营规模较小，且本身不具有专业的数据存储条件和分析团队，需要委托数据分析服务方来进行数据分析的交互平台。[0141]如图7所示，在数据预处理阶段，计算设备会获取至少两个B端交互平台的搜索词和该搜索词触发的访问网址；并从搜索词中提取异常触发词，并将搜索词和异常触发词作为待识别搜索信息的搜索词信息；从访问网址中提取子网址，并将访问网址和子网址作为待识别搜索信息的网址信息。获取到四个维度的待识别搜索信息后，还需要进一步获取待识别搜索信息的访问行为，并基于该访问行为确定待识别搜索信息的目标访问特征。[0142]在异常数据识别阶段，计算设备会将待识别搜索信息的目标访问特征输入到预先训练好的异常数据识别模型中，得到模型预测的一部分异常数据，即第一异常数据；同时根据目标访问特征与特征阈值之间的关系，识别出待识别搜索信息中的另一部分异常数据，即第二异常数据，将第一异常数据和第二异常数据合并后作为该阶段最终识别出的异常数据。其中，异常数据识别模型是通过样本搜索信息及其关联的监督标签，基于支持度和置信度采用有监督训练的方式来训练得到。样本搜索信息关联的监督标签信息，是基于语义和行为特征两个维度的扩充得到，该监督标签信息更为准确且全面。[0143]在线上黑名单更新阶段，可以是基于搜索词、搜索词的异常触发词、访问网址和访问网址的子网址四种类型的异常数据各构建一个线上黑名单，针对每一种类型的异常数据，在其满足黑名单更新事件时，根据关联规则，即该类型的线上黑名单和该类型的异常数据的共现情况，对该类型的线上黑名单进行数据的补充或删减，优选的，为了保证线上黑名单数据的精准性，还可以人工对补充或删减操作进行核查，核查无误后再进行线上黑名单数据的更新。并基于更新后的线上黑名单，对多个B端交互平台的线上搜索信息进行异常数据监控，已建立完善的监控系统。[0144]本方案提供了一种异常数据处理的优选实例，给出了一种精准识别搜索信息中的异常数据，以及更新线上黑名单的新思路，为基于线上黑名单为交互平台提供精准的监控服务提供了保障。[0145]图8是根据本公开实施例提供的一种异常数据处理装置的结构示意图。本公开实施例适用于识别异常数据的情况。尤其适用于为企业端(Business,B端)用户提供异常数据识别的情况。例如，可以是对多个B端交互平台的海量搜索信息进行解析，识别其中的异常数据。该装置可以采用软件和/或硬件来实现，该装置可以实现本公开任意实施例的异常数据处理方法。如图8所示，该异常数据处理装置[0146]信息获取模块801,用于获取至少两个交互平台的待识别搜索信息，以及所述待识别搜索信息在所述至少两个交互平台中关联的访问行为，其中，所述待识别搜索信息包括搜索词信息和/或所述搜索词信息触发的网址信息；[0147]访问特征确定模块802,用于根据所述待识别搜索信息在所述至少两个交互平台中关联的访问行为，确定所述待识别搜索信息的目标访问特征；[0148]异常数据识别模块803,用于根据所述目标访问特征，识别所述待识别搜索信息中的异常数据。[0149]本公开实施例的方案，获取至少两个交互平台的待识别搜索信息及其在各交互平台关联的访问行为，基于该访问行为确定待识别搜索信息的目标访问特征，并基于该目标访问特征来判定待识别搜索信息是否为异常数据。本实施例基于搜索信息在交互平台的整个访问流程的行为特征出发，来识别其中的异常数据，无需依赖人工操作，提高了异常数据识别的精准性和高效性，为精准识别出交互平台中的异常数据提供了新的解决方案。[0150]进一步的，访问特征确定模块802,具体用于：[0151]根据所述待识别搜索信息在所述至少两个交互平台中关联的访问行为，确定所述待识别搜索信息关联的交互平台，以及所述待识别搜索信息在关联的交互平台的页面浏览[0152]根据所述待识别搜索信息关联的交互平台，以及所述待识别搜索信息在关联的交互平台的页面浏览量，确定所述待识别搜索信息的目标访问特征。[0153]进一步的，访问特征确定模块802,还具体用于：[0154]根据所述待识别搜索信息在所述至少两个交互平台中关联的访问行为，确定各交互平台关联的待识别搜索信息，以及各交互平台中关联的待识别搜索信息对应的页面浏览[0155]根据各交互平台关联的待识别搜索信息，以及各交互平台中关联的待识别搜索信息对应的页面浏览量，确定所述待识别搜索信息的目标访问特征。[0157]演变特征确定模块，用于根据所述待识别搜索信息的信息内容，确定所述待识别搜索信息的演变特征，并将所述演变特征添加到所述待识别搜索信息的目标访问特征中。[0159]第一识别单元，用于通过异常数据识别模型，根据所述目标访问特征，识别所述待识别搜索信息中的异常数据；和/或，[0160]第二识别单元，用于根据所述目标访问特征和特征阈值，识别所述待识别搜索信息中的异常数据。[0162]样本信息获取模块，用于获取样本搜索信息；[0163]监督标签确定模块，用于确定所述样本搜索信息关联的监督标签信息；[0164]模型训练模块，用于基于所述样本搜索信息和所述监督标签信息，对所述异常数据识别模型进行有监督训练。[0166]根据所述至少两个交互平台对所述样本搜索信息的反馈信息，确定初始标签信[0167]根据所述样本搜索信息的信息内容和所述初始标签信息的信息内容之间的相似[0168]根据所述样本搜索信息的样本访问特征和更新后的初始标签信息的样本访问特征之间的相似度，确定所述样本搜索信息关联的监督标签信息。[0170]获取至少两个交互平台的搜索词和所述搜索词触发的访问网址；[0171]从所述搜索词中提取异常触发词，并将所述搜索词和所述异常触发词作为待识别搜索信息的搜索词信息；[0172]从所述访问网址中提取子网址，并将所述访问网址和所述子网址作为所述待识别搜索信息的网址信息。[0174]黑名单更新模块，用于若检测到黑名单更新事件，则根据线上黑名单和所述异常数据的共现情况，更新所述线上黑名单。[0176]检测到所述异常数据的目标访问特征达到预设要求；或者，[0177]检测到当前时刻达到所述黑名单更新周期。[0179]异常监控模块，基于所述线上黑名单，对所述至少两个交互平台的线上搜索信息进行异常数据监控。[0180]上述产品可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。[0181]本公开的技术方案中，所涉及的任一搜索信息(比如搜索词、异常触发词、访问网址和子网址等)和访问行为等的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。[0182]根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。[0183]图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。[0184]如图9所示，设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，总线904。[0185]设备900中的多个部件连接至I/0接口905,包括：输入单元906,例如键盘、鼠标等；输出单元907,例如各种类型的显示器、扬声器等；存储单元908,例如磁盘、光盘等；以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。[0186]计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如异常数据处理方法。例如，在一些实施例中，异常数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实部分或者全部可以经由ROM902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执