识别异常集群的方法和装置、计算设备、存储介质和计算机程序产品

技术领域

本申请涉及人工智能技术领域，尤其涉及一种识别异常集群的方法和装置、计算设备、存储介质和计算机程序产品。

背景技术

随着移动互联网技术的迅速发展，日常的资源交易中往往夹杂着网络黑灰产业。这些网络黑灰产业不仅为相关的法律法规所不允许，也为计算机信息系统和网络空间的管理秩序带来了安全隐患，需要予以识别、防范和打击。目前，识别从事网络黑灰产业的主体的方法主要是基于用户向主体的资金支付信息、主体和用户的个体信息等数据，通过简单的规则来判断主体是否涉及黑灰产业。然而，在对黑灰产业的主体进行识别的过程中，这种方法在识别的准确性和全面性方面均有待提升。

发明内容

有鉴于此，本申请提供了一种识别异常集群的方法、装置、计算设备、存储介质和计算机程序产品，期望克服上面提到相关技术的部分或全部缺陷以及其它可能的缺陷。

根据本申请的第一方面，提供了一种识别异常集群的方法，该方法包括：获取多个主体的资源转移数据，所述资源转移数据包括所述多个主体中的每个主体的资源接收数据、资源支出数据、以及资源转移媒介；以所述多个主体中的各个主体为节点、基于各个节点之间的关联关系而定义不同节点之间的边，并根据所述节点和所述节点之间的边建立目标集群网络，从而获得所述多个待识别集群，每个待识别集群包括所述多个主体中的至少一个主体，所述关联关系包括所述不同节点在资源转移过程中涉及共同的资源转移媒介；根据所述多个待识别集群中每个待识别集群中各个主体的主体信息提取所述待识别集群的集群特征；以及基于所述多个待识别集群中每个待识别集群的集群特征从所述多个待识别集群中识别异常集群。

根据本申请的一些实施例，所述资源转移媒介包括资源接收过程中涉及的资源接收媒介和资源支出过程中涉及的资源支出媒介，所述基于各个节点之间的关联关系而定义不同节点之间的边包括：从所述资源接收媒介中去除可信度高于可信度阈值的资源接收媒介。

根据本申请的一些实施例，根据所述节点和所述节点之间的边建立目标集群网络包括：基于所述不同节点在资源转移过程中涉及的共同的资源转移媒介的数目而定义所述边的权重，利用所述社区发现算法基于所述节点、所述边和所述权重而建立所述目标集群网络。

根据本申请的一些实施例，所述基于所述不同节点在资源转移过程中涉及的共同的资源转移媒介的数目而定义所述边的权重包括：将所述权重定义为w=N1*cf1+N2*cf2，

其中w表示两个不同节点之间的边的权重，N1表示所述两个不同节点在资源接收过程中涉及的共同的资源转移媒介的数目，N2表示所述两个不同节点在资源支出过程中涉及的共同的资源转移媒介的数目，其中cf2和cf1均为系数，且cf2大于cf1。

根据本申请的一些实施例，所述利用所述社区发现算法基于所述节点、所述边和所述权重而建立所述目标集群网络包括：基于每个节点建立初始集群网络，以将所述多个主体划分成多个初始集群，并计算所述初始集群网络的初始模块度；通过将每个节点分配到相邻节点所在的初始集群而执行节点分配以形成更新集群网络，使得所述更新集群网络的更新模块度大于所述初始模块度；以所述更新集群网络作为所述初始集群网络而重复上述的节点分配的步骤，直到所得到的更新集群网络的更新模块度不再增大，从而获得所述目标集群网络。

根据本申请的一些实施例，所述利用所述社区发现算法基于所述节点、所述边和所述权重而建立所述目标集群网络包括：基于每个节点建立初始集群网络，以将所述多个主体划分成多个初始集群，并计算所述初始集群网络的初始模块度；.通过将每个节点分配到相邻节点所在的初始集群而执行节点分配以形成更新集群网络，使得所述更新集群网络的更新模块度大于所述初始模块度；.以所述更新集群网络作为所述初始集群网络而重复上述的节点分配以形成更新集群网络的步骤，直到所得到的更新集群网络的更新模块度不再增大，从而获得期望更新集群网络，所述期望更新集群网络包括更新集群； 通过将所述期望更新集群网络中的每个更新集群作为更新节点而构造中间集群网络，并基于所述中间集群网络而执行上述的节点分配以形成更新集群网络的步骤和获得期望更新集群网络的步骤，直到所述中间集群网络不再变化，从而获得所述目标集群网络。

根据本申请的一些实施例，资源转移媒介包括公众号、小程序或用户中的至少一个。

根据本申请的一些实施例，所述主体信息包括主体注册信息、主体交易场景、主体惩罚记录中的至少一个，其中根据所述多个待识别集群中每个待识别集群中各个主体的主体信息提取所述待识别集群的集群特征包括：计算所述待识别集群的标签主体占比，其中所述集群特征包括所述标签主体占比，所述标签主体占比包括惩罚主体占比、可疑主体占比、可疑交易场景占比和可疑注册信息占比中的至少一个，所述惩罚主体占比是指所述待识别集群中曾被惩罚的主体与所述待识别集群的全部主体数目的比值，所述可疑主体占比是指所述待识别集群中可疑度高于可疑度阈值的主体与所述待识别集群的全部主体数目的比值，所述可疑交易场景占比是指所述待识别集群内涉及可疑交易场景的主体与所述待识别集群的全部主体数目的比值，所述可疑注册信息占比是指所述待识别集群内具有可疑注册信息的主体与所述待识别集群的全部主体数目的比值。

根据本申请的一些实施例，所述基于所述多个待识别集群中每个待识别集群的集群特征从所述多个待识别集群中识别异常集群包括：将所述集群特征提供给集群属性预测模型，所述集群属性预测模型根据所述集群特征从所述多个待识别集群中确定所述异常集群，其中所述集群属性预测模型是基于训练样本集进行训练得到的，所述训练样本集包括训练样本集群，每个训练样本集群具有样本集群标签。

根据本申请的一些实施例，所述集群属性预测模型根据所述集群特征从所述多个待识别集群中确定所述异常集群包括：所述集群属性预测模型根据所述集群特征针对各个待识别集群输出指示该待识别集群是否为异常集群的评价值；将评价值高于评价阈值的待识别集群识别为异常集群。

根据本申请的一些实施例，识别异常集群的方法包括通过以下步骤获取所述训练样本集：利用社区发现算法基于多个样本主体获得多个样本集群；从所述样本集群中确定多个第一集群，所述多个第一集群中的每个第一集群的第一标识主体占比大于等于第一占比阈值，且每个第一集群的第二标识主体占比大于等于第二占比阈值，其中所述第一标识主体占比选自所述惩罚主体占比、所述可疑主体占比、所述可疑交易场景占比和所述可疑注册信息占比中的一个，所述第二标识占比选自所述惩罚主体占比、所述可疑主体占比、所述可疑交易场景占比和所述可疑注册信息占比中的另一个；赋予所述多个第一集群正样本集群标签，赋予所述样本集群中余下的样本集群负样本集群标签，将包括所述正样本集群标签和负样本集群标签的所述多个样本集群作为所述训练样本集。

根据本申请的另一方面，提供了一种识别异常集群的装置，该装置包括：资源转移数据获取模块，其被配置成获取多个主体的资源转移数据，所述资源转移数据包括所述多个主体中的每个主体的资源接收数据、资源支出数据、以及资源转移媒介；集群划分模块，其被配置成以所述多个主体中的各个主体为节点、基于各个节点之间的关联关系而定义不同节点之间的边，并根据所述节点和所述节点之间的边建立目标集群网络，从而获得所述多个待识别集群，每个待识别集群包括所述多个主体中的至少一个主体，所述关联关系包括所述不同节点在资源转移过程中涉及共同的资源转移媒介；集群特征提取模块，其被配置成根据所述多个待识别集群中每个待识别集群中各个主体的主体信息提取所述待识别集群的集群特征；集群属性评价模块，其被配置成基于所述多个待识别集群中每个待识别集群的集群特征从所述多个待识别集群中识别异常集群。

根据本申请的再一方面，提供了一种计算设备，包括：存储器，其被配置成存储计算机可执行指令；处理器，其被配置成当所述计算机可执行指令被处理器执行时执行如前述方法实施例中任一实施例所述的方法。

根据本申请的又一方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，当所述计算机可执行指令被执行时，执行如前述方法实施例中任一实施例所述的方法。

根据本申请的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现前述方法实施例中任一实施例所述的方法。

本申请实施例提供的识别异常集群的技术方案采集各个主体的资源转移数据，资源转移数据包括资源接收数据、资源支出数据以及对应的资源转移媒介，并（例如通过社区发现算法）基于这些资源转移数据对这些主体进行集群划分，因此，各个主体的资源接收信息和资源支出信息经由资源转移媒介得到较好的贯通，通过集群划分将所述各个主体划分成的各个待识别集群内的主体之间的关联性更强，提升集群划分的准确性，而且能够大大减少待识别集群中属性不确定的主体的数量（甚至完全避免出现属性不确定的主体），从而能够从多个主体中识别出更加完整的异常集群。此外，本申请的技术方案基于多个待识别集群中每个待识别集群的集群特征从多个待识别集群中识别异常集群，服务器或者终端设备可基于待识别集群中的主体的主体信息自动输出异常集群的相关信息，识别异常集群的效率也得以大大提升。

附图说明

现在将更详细并且参考附图来描述本公开的实施例，其中：

图1示意性地示出了根据本申请一些实施例的识别异常集群的方法的示例实施环境；

图2示意性地示出了根据本申请实施例的识别异常集群的方法的流程图；

图3示意性地示出了恶意主体通过资源转移媒介进行资源转移的示例；

图4示意性地示出了存在“边”关系的主体的示例；

图5示意性地示出了存在“边”关系的主体的另一示例；

图6示意性地示出了根据本申请实施例中应用的社区发现算法中的模块度最优化和集群聚合；

图7概述了根据本申请实施例的运用社区发现算法、采用机器学习的方式识别异常集群的主要过程；

图8图示了根据本申请实施例提供的获取用于训练集群属性预测模型的训练样本集的过程；

图9图示了仅基于主体接收资金的信息而识别恶意主体的示例；

图10图示了仅基于主体支出资金的信息而识别恶意主体的示例；

图11图示了基于本申请实施例提供的识别异常集群的方法而设别图9和图10中的恶意主体的示例；

图12示出了根据本申请实施例提供的识别异常集群的装置的框图；以及

图13图示了一个示例系统，其包括代表可以实现本文描述的各种技术的一个或多个系统和/或设备的示例计算设备。

具体实施方式

下面将结合附图，对本申请中的技术方案进行清楚和完整的描述。所描述的实施例仅仅是本申请的一部分实施例，而不是全部实施例。基于本申请的实施例，本领域普通技术人员在没有创造性劳动的前提下所获得的所有其他实施例都属于本申请保护的范围。

人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通、自动控制等几大方向。

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

为了便于对本申请的实施例的理解，下面先对几个概念进行简单介绍。

资源：本文提到的资源包括能够通过网络在不同主体或用户之间发生转移的电子资产，包括不限于资金、虚拟货币等，虚拟货币包括通过线上充值获取的货币、游戏币、游戏道具等，例如，Q币、Q点、点券或游戏中的元宝、通宝等。例如，对于游戏而言，通过电子资产可以换取各种等值的游戏币、虚拟道具和服务。主体：本文提到的主体是指以提供某种服务或商品为目的或从事某种运营活动的机构、组织或个人进行资源转移所使用的机器设备，包括但不限于商户和企业的计算机、服务器或诸如手机之类的移动装置。另外，在本文中，将涉嫌从事黑灰产业的主体称为恶意主体。本文提到的集群指的是包括多个主体的主体集合。本文提到的用户指的是相对于主体而言的，其指的是与上述的机构、组织或个人进行资源转移的人（其不具备商户和企业的资格）所使用的机器设备。本文提到的资源转移媒介指的是在用户和主体之间构建桥梁以实现资源转移的中间媒介，资源转移媒介的示例包括但不限于公众号、小程序、用户等。例如，某个主体绑定了某一小程序，用户关注了该小程序，主体经由该小程序向用户发送“红包”，该小程序即为实现主体向用户的资源转移的中间媒介。本文提到的异常集群指的是包括一定数量或比例的恶意主体而被确定要对其进行惩罚的多个主体的集合。

图1图示了根据本申请一些实施例的识别异常集群的方法的示例实施环境。如图1所示，各种类型的管理终端通过网络与服务器进行通信，管理终端的示例包括但不限于手机、台式电脑、平板电脑、笔记本电脑和掌上电脑。服务器例如可以是独立的物理服务器，也可以是由多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络、以及大数据和人工智能平台等基础云计算服务的云服务器。管理终端可以从服务器获取多个主体的资源转移数据，并基于资源转移数据对这些主体进行集群划分，从而得到多个待识别集群，管理终端还可根据多个待识别集群中各个主体的主体信息提取待识别集群的集群特征，并基于集群特征确定出异常集群。也就是说，管理终端从服务器获取各个主体的资源转移数据后，确定异常集群的过程可以由管理终端完成，管理终端自动输出关于异常集群的相关信息。替代性地，确定异常集群的过程也可以在服务器上完成，而服务器向管理终端发送所确定的异常集群。又或者，服务器和管理终端可以协同完成确定异常集群的过程。例如，服务器可以基于多个主体的资源转移数据而获得多个待识别集群，管理终端可以从服务器接收所述多个待识别集群并根据这些待识别集群而输出异常集群。

图2示意性地示出了根据本申请一些实施例的识别异常集群的方法的流程图。如前所述，该方法例如可以由终端设备的集群中的任一终端设备（例如，图1中的平板电脑或者手机）执行，也可以由服务器执行，还可以由终端设备和服务器共同协作执行。为了简便起见，下面，本申请的实施例以识别异常集群的方法由管理终端设备执行为例进行详细说明。

如图2所示，本申请的实施例提供的识别异常集群的方法包括：步骤S210、获取多个主体的资源转移数据，所述资源转移数据包括所述多个主体中的每个主体的资源接收数据、资源支出数据、以及资源转移媒介；步骤S220、以所述多个主体中的各个主体为节点、基于各个节点之间的关联关系而定义不同节点之间的边，并根据所述节点和所述节点之间的边建立目标集群网络，从而获得所述多个待识别集群，每个待识别集群包括所述多个主体中的至少一个主体，所述关联关系包括所述不同节点在资源转移过程中涉及共同的资源转移媒介；步骤S230、根据所述多个待识别集群中每个待识别集群中各个主体的主体信息提取所述待识别集群的集群特征；步骤S240、基于所述多个待识别集群中每个待识别集群的集群特征从所述多个待识别集群中识别异常集群。

在步骤S210中，管理终端可以从服务器获取多个主体的资源转移数据。资源转移数据的示例例如包括各个主体在某一时间段内的资金接收情况和资金支出情况，资金接收包括主体通过正常的业务交易而接收资金，资金支出包括在没有业务交易的情况下的主体的资金流出，例如，在没有任何交易的情况下主体向用户发送“红包”、转账或支付“零钱”。资源转移数据还包括资源转移媒介，例如，主体借助于其完成上述的接收资金或资金支出的各种小程序、公众号等。资源转移媒介也可以包括用户，例如，主体可经由用户完成资金的接收或支出。图3图示了主体通过资源转移媒介进行资源转移的示例。在图3的示例中，商户S通过小程序APPID-0000从用户那里接收资金，即，用户通过业务交易的方式向商户S进行了资金支付，商户S绑定至另一小程序APPID-99999，并通过小程序APPID-99999向另外的一个或多个用户（庄家C或玩家D）在没有商品交易的情况下进行了资金支出，例如，商户S向上述的一个或多个用户发送“红包”或支付“零钱”。根据图3所示的商户S的资金接收信息和资金支出信息，其整体上比较符合黑灰产业的资金转移情况，商户S被识别为恶意主体的可能性较大。小程序APPID-0000和小程序APPID-99999是资源转移媒介的典型示例。管理终端可以根据需要而定时启动和运行识别异常集群的方法，从服务器定时获取多个主体的资源转移数据，从而以预定周期输出识别出的异常集群。在步骤S220中，可以基于从服务器获取的多个主体的资源转移数据而定义节点和节点之间的边，并根据节点和边建立目标集群网络，从而可以对该多个主体进行集群划分而得到多个待识别集群，每个待识别集群可以被视为主体的集合。可以以多个主体中的各个主体为节点，并基于各个节点之间的关联关系而定义不同节点之间的边，所述关联关系包括所述不同节点在资源转移过程中涉及共同的资源转移媒介。在对所述多个主体进行集群划分时，可以基于资源转移数据对所述多个主体之间的关联度进行区分，在理想的情况下，划分得到的每个待识别集群中的各个主体之间具有较强的关联度，而不同的待识别集群中的主体之间的关联度较低、甚至没有关联。可以将每个主体的主体信息存储在管理终端、服务器或者其他具备存储功能的设备中，主体信息可以是与主体的注册和运营相关的任何信息，主体信息的示例包括但不限主体注册信息、主体交易场景、主体惩罚记录等数据。在步骤S230中，可以对主体信息相关的数据进行加工处理，获得与每个待识别集群相对应的集群特征。在步骤S240中，可以借助于人工智能和机器学习算法、基于集群特征自动地识别异常集群。

此外，资源转移媒介包括直接关联媒介和间接关联媒介，直接关联媒介指的是主体与其存在直接绑定关系的中间媒介，例如，主体绑定至某一小程序或公众号，该小程序或公众号即为直接关联媒介，这种直接关联也被称作非跨号关联。间接关联媒介指的是主体未与其绑定、但用户通过其中的引导信息而实现了与主体的资源转移的中间媒介。例如，用户通过点击某个公众号中的链接信息而被引导至主体账户进行了向主体的资金转移，用户也不必关注或绑定该公众号，该公众号即为间接关联媒介，这种间接关联也可被称作跨号关联。图3也图示了不同的用户经由直接关联媒介和间接关联媒介而与主体完成了资源转移。例如，用户甲直接通过主体绑定的小程序APPID-00000而向主体进行了资金支付，而用户乙是通过另外的公众号中的引导信息被引流至商户绑定的小程序APPID-00000，将用户乙引流至小程序APPID-00000的公众号即为间接关联媒介。将直接关联媒介和间接关联媒介都作为资源转移数据的内容，能够增强所采集的数据覆盖面，降低恶意主体被遗漏的概率。

从上述步骤可以看出，本申请实施例提出的识别异常集群的方法不仅关注主体的资源接收数据（例如，主体从用户收取资金的信息），还综合考虑主体的资源支出数据（例如，主体向用户的资金支付信息）和资源转移媒介，因此，本申请实施例提供的识别异常集群的方法不仅能够以异常集群的方式群体性地识别多个恶意主体，提高识别恶意主体的效率，而且能够提升识别恶意主体的准确性和全面性。

下面，通过更加具体的示例详细说明识别异常集群的方法。

如前所述，对于通过集群划分而得到的多个待识别集群，期望的是不同待识别集群中的主体之间的关联度较低，而待识别集群中的各个主体之间具有较强的关联度。为此，根据本申请的一些实施例，利用社区发现算法对所述多个主体进行集群划分而得到所述多个待识别集群。如前所述，可以以所述多个主体中的各个主体为节点、基于各个节点之间的关联关系而定义不同节点之间的边，所述关联关系包括所述不同节点在资源转移过程中涉及共同的资源转移媒介；利用所述社区发现算法根据所述节点和所述节点之间的边建立目标集群网络，从而获得所述多个待识别集群。换句话说，根据本申请的实施例，如果两个主体在资源转移过程中涉及共同的资源转移媒介，则在这两个主体之间建立“边”。

图4示意性地示出了存在“边”关系的三个主体的示例。如图4所示，主体1、主体2和主体3均绑定至某个公众号，或者，一部分主体（例如，主体2和主体3）跨号关联至该公众号。本文提到的“跨号关联”指的是主体或用户未与该公众号或其他的媒介绑定，但是，通过该公众号或其他媒介中的相关信息（例如，链接）而与另一主体或用户进行了资源转移，在这种情况下，也可以理解为主体通过该公众号或其他媒介间接地完成了资源转移。在图4的示例中，如果主体1、主体2和主体3均通过共同的公众号完成了资源转移（例如，资金转移），则这三个主体两两之间存在“边”的关系。根据本申请的实施例，在定义不同主体之间的“边”时并不限制各个主体通过资源转移媒介（例如，共同的公众号、小程序或用户）实现资源转移的资源流向。例如，在图4的示例中，主体1可以是出款商户，即，主体1经由共同的公众号支付资金，主体2可以是入款商户，即，主体2经由该共同的公众号接收资金，而主体3经由该共同的公众号既进行了资金接收也进行了资金收取。由此，利用共同的资源转移媒介实现了主体的资源出入信息的连通，能够发现更加完整的集群网络，为准确全面地识别异常集群奠定基础。

图5图示了存在“边”关系的两个主体的另一的示例。如图5所示，主体A和主体B均通过小程序APPID-000进行了资金收取，或者，主体A和主体B均通过小程序APPID-111进行了资金支出（例如，通过小程序发送了“企业零钱”或“红包”），则在主体A和主体B之间定义“边”。一言以蔽之，只要两个主体在资源转移过程中涉及共同的资源转移媒介，就在这两个节点之间定义“边”，在此基础上，社区发现算法基于不同节点之间的边建立目标集群网络，所获得的待识别集群的完整性和准确性将得到大大提升。

能够理解到的是，在资源接收过程中涉及的资源转移媒介可被称为资源接收媒介，在资源支出过程中涉及的资源转移媒介可被称为资源支出媒介，根据本申请的一些实施例，基于各个节点之间的关联关系而定义不同节点之间的边包括从资源接收媒介中去除可信度高于可信度阈值的资源接收媒介。可以基于实践经验来确定可信度较高的资源接收媒介，在一些实施例中，可以将那些已经被人们广泛应用于日常收款的媒介设定为可信度较高的资源接收媒介，例如，许多主体都绑定至“微信收款助手”而从用户接收资金，或者，许多用户都经由一些广泛使用的平台类资源转移媒介（例如，美团等）而向主体支付资金，可以将这种广为使用的资源接收媒介设定为可信度高于可信度阈值的资源接收媒介。一方面，不同的主体与这类可信度较高的资源接收媒介都存在关联很难表明这些全部的主体之间存在资源转移的事实，另一方面，去除可信度高于可信度阈值的资源接收媒介可以降低目标集群网络的复杂性和构建目标集群网络的成本。

可以针对之前定义的节点之间的边定义权重，以体现不同节点之间的关联度的强弱。根据本申请的一些实施例，利用所述社区发现算法根据所述节点和所述节点之间的边建立目标集群网络包括：基于所述不同节点在资源转移过程中涉及的共同的资源转移媒介的数目而定义所述边的权重，利用所述社区发现算法基于所述节点、所述边和所述权重而建立所述目标集群网络。在一些实施例中，两个节点之间在资源转移过程中涉及的共同的资源转移媒介的数量越多，则这两个节点之间的权重越大。对所定义的边赋予权重，可以更加准确地体现不同节点之间的关联性的紧密程度，有利于提升构建的目标集群网络中的集群划分的准确性。

根据本申请的一些实施例，基于所述不同节点在资源转移过程中涉及的共同的资源转移媒介的数目而定义所述边的权重包括：将所述权重定义为w=N1*cf1+N2*cf2，其中w表示两个不同节点之间的边的权重，N1表示所述两个不同节点在资源接收过程中涉及的共同的资源转移媒介的数目，N2表示所述两个不同节点在资源支出过程中涉及的共同的资源转移媒介的数目，其中cf2和cf1均为系数，且cf2大于cf1。在实践中，涉嫌黑灰产业的主体在资源支出（例如，支付资金）的过程中，接收资源的用户往往需要与支出资源的主体所绑定的资源转移媒介关联，例如，要求用户也关注或绑定支出资源的主体所绑定的资源转移媒介，因此，相比于通过正常的商业交易在资源接收的过程中接收资源的主体所关联的资源接收媒介，资源支出过程中进行资源支出的主体与资源支出媒介的关联度可以被认为更高，与该共同的资源支出媒介关联的主体之间的关联度也更强。相应地，在基于所述不同节点在资源转移过程中涉及的共同的资源转移媒介的数目而定义所述边的权重的情况下，对资源接收过程和资源支出过程予以区分，赋予上述的系数cf2更大的值，能够进一步合理区分不同节点之间的关联性的强弱，有利于优化目标集群网络。

在一些实施例中，利用所述社区发现算法基于所述节点、所述边和所述权重而建立所述目标集群网络包括以下步骤：a. 基于每个节点建立初始集群网络，以将所述多个主体划分成多个初始集群，并计算所述初始集群网络的初始模块度；b. 通过将每个节点分配到相邻节点所在的初始集群而执行节点分配形成更新集群网络，使得所述更新集群网络的更新模块度大于所述初始模块度；c. 以所述更新集群网络作为所述初始集群网络而重复上述的节点分配以形成更新集群网络的步骤b，直到所得到的更新集群网络的更新模块度不再增大，从而获得所述目标集群网络。初始集群网络中的每个初始集群可以仅包括单个的节点，此时，每个节点即构成一个初始集群，替代性地，初始集群也可以包括多个节点。获得上述目标集群网络的过程实际上就是最大化模块度的值的过程。或者，根据本申请的另外的实施例，利用所述社区发现算法基于所述节点、所述边和所述权重而建立所述目标集群网络包括：a.基于每个节点建立初始集群网络，以将所述多个主体划分成多个初始集群，并计算所述初始集群网络的初始模块度；b.通过将每个节点分配到相邻节点所在的初始集群而执行节点分配以形成更新集群网络，使得所述更新集群网络的更新模块度大于所述初始模块度；c.以所述更新集群网络作为所述初始集群网络而重复上述的节点分配以形成更新集群网络的步骤b，直到所得到的更新集群网络的更新模块度不再增大，从而获得期望更新集群网络，所述期望更新集群网络包括更新集群；d. 通过将所述期望更新集群网络中的每个更新集群作为更新节点而构造中间集群网络，并基于所述中间集群网络而执行上述的节点分配以形成更新集群网络的步骤b和获得期望更新集群网络的步骤c，直到所述中间集群网络不再变化，从而获得所述目标集群网络。与之前的实施例相比，该实施例增加了步骤d体现的集群聚合的过程，这对于节点数量较多的情形很有意义，能够简化目标集群网络的结构，提高集群划分的效率。

接下来，通过一个具体的示例详细说明构建目标集群网络的过程。

上述的用于建立目标集群网络的社区发现算法存在多种具体形式，例如标签传播算法LPA、Fast Unfolding算法等。下面以Fast Unfolding算法为例详细说明构建目标集群网络以获得上述待识别集群的过程。通过Fast Unfolding算法建立的目标集群网络由所述多个待识别集群组成，各个待识别集群内的各个节点连接较为紧密，关联度更高，不同待识别集群之间的节点连接较为稀疏，关联度较低，Fast Unfolding算法用模块度来衡量这种连接的紧密程度或关联度。模块度是评估集群划分好坏的度量值，模块度的值越大，则意味着对所述多个主体进行的集群划分的结果越好，即，目标集群网络中的待识别集群内部的节点关联紧密，而不同待识别集群之间的节点关联稀疏。

模块度可以用Q表示，并定义如下：

其中，

上述的模块度的计算公式可以简化为下面的形式：

其中

因此，基于模块度的社区发现算法进行集群划分得到目标集群网络将以最大化模块度Q为目标函数，不断迭代，从而构造出一个集群内部紧密、而集群之间连接稀疏的集群网络结构。

如前所述，在一些实施例中，利用所述社区发现算法基于所述节点、所述边和所述权重而建立所述目标集群网络包括建立初始集群网络和更新集群网络的过程。对于初始集群网络，可以将每个节点视为独立的集群，因此，根据本申请的一些实施例，初始集群网络中节点的数目和初始集群的数目是相同的，可以基于上述的模块度公式计算初始集群网络的初始模块度。之后，将每个节点分配到相邻节点所在的初始集群而形成更新集群网络，使得所述更新集群网络的更新模块度大于所述初始模块度。例如，可以计算更新集群网络的更新模块度，并计算更新模块度和初始模块度之间的差从而获得节点分配前后的模块度变化值。如前所述，基于社区发现算法进行集群划分得到目标集群网络是以最大化模块度Q为目标函数，因此，如果上述的模块度变化值为正，即，更新模块度相较于初始模块度更大，则接受并保留保留该更新集群网络，否则，放弃该更新集群网络。接下来，以被保留的更新集群网络作为所述初始集群网络而重复上述的通过节点分配而形成更新集群网络的过程，直到所得到的更新集群网络的更新模块度不再增大，从而获得期望更新集群网络，所述期望更新集群网络包括更新集群。上述的获得期望更新集群网络的过程可以称为模块度最优化过程。

图6示意性地示出了模块度最优化过程的示例。如图6所示，初始集群网络包括编号为0至15的16个节点，在经过模块度最优化后，获得的期望更新集群网络包括4个集群，分别是由节点0、1、2、4和5构成的集群，由节点3、6和7构成的集群，由节点11和13构成的集群，以及由节点8、9、10、12、14和15构成的集群。即，编号为0至15的16个节点被划分成上述的4个集群，这4个集群即为期望更新集群。在节点总数较少或者对集群划分精度要求较高的情形下，可以上述期望更新集群网络作为目标集群网络，上述的期望更新集群即为待识别集群。

根据本申请的其它实施例，在获得期望更新集群网络的基础上，可以将望更新集群网络中的每个期望更新集群作为每个更新节点而构造中间集群网络，也就是说，将同属于单个的期望更新集群中的各个节点聚合为一个更新节点，而形成中间集群网络，并基于该中间集群网络而执行前述的模块度最优化过程，直到中间集群网络不再变化，从而获得所述目标集群网络。将每个期望更新集群中的各个节点聚合为一个更新节点可称为集群聚合，如图6所示，之前获得的4个期望更新集群被聚合为4个更新节点，分别是更新节点2、4、14和16（每个更新节点实际上仍为包括至少一个节点的集群），形成中间集群网络，基于该中间集群网络重复上述的模块度最优化过程，从而获得目标集群网络。在图6的示例中，目标集群网络包括两个集群，编号分别为24和26。在该实施例中，通过集群聚合可以简化所形成的目标集群网络的结构。本申请的实施例并本限定执行上述的集群聚合的次数，可以根据期望的目标集群网络而进行任意次数的集群聚合。

如前所述，根据本申请的实施例，主体信息包括主体注册信息、主体交易场景、主体惩罚记录中的至少一个，对于划分好的多个待识别集群，可以基于待识别集群内的各个主体的主体信息提取集群特征而描绘待识别集群。在一些实施例中，根据所述多个待识别集群中每个待识别集群中各个主体的主体信息提取所述待识别集群的集群特征包括计算所述待识别集群的标签主体占比，计算得到的标签主体占比至少可以作为集群特征的一部分。这里的标签主体占比包括惩罚主体占比、可疑主体占比、可疑交易场景占比和可疑注册信息占比中的至少一个，所述惩罚主体占比是指所述待识别集群中曾被惩罚的主体与所述待识别集群的全部主体数目的比值，所述可疑主体占比是指所述待识别集群中可疑度高于可疑度阈值的主体与所述待识别集群的全部主体数目的比值，所述可疑交易场景占比是指所述待识别集群内涉及可疑交易场景的主体与所述待识别集群的全部主体数目的比值，所述可疑注册信息占比是指所述待识别集群内具有可疑注册信息的主体与所述待识别集群的全部主体数目的比值。本文提到的可疑度指的是根据专家经验和规则而确定某一主体是否涉及黑灰产业的可能性高低，对于被人为发现的高度可疑的主体，可以及时对该主体予以标注，或者，也可以通过机器学习算法预先确定各个主体的可疑度。可疑交易场景和可疑注册信息分别指的是根据专家经验和规则被确定为主体涉嫌从事黑灰产业的交易场景和注册信息，或者说，如果根据相关的经验和规则，基于主体的注册信息可以判断主体为恶意主体的可能性较高，则确定该注册信息为可疑注册信息。

在获得了待识别集群的集群特征的基础上，可以通过机器学习而智能地从所述多个待识别集群中识别异常集群。根据本申请的一些实施例，基于所述多个待识别集群中每个待识别集群的集群特征从所述多个待识别集群中识别异常集群包括：将所述集群特征提供给集群属性预测模型，所述集群属性预测模型根据所述集群特征从所述多个待识别集群中确定所述异常集群。所述集群属性预测模型是基于训练样本集进行训练得到的，所述训练样本集包括训练样本集群，每个训练样本集群具有样本集群标签。本申请的实施例并不对集群属性预测模型的具体形式作出限制，集群属性预测模型可以是基于任何适当的分类算法或神经网络算法而建立的模型，集群属性预测模型的示例包括但不限于Xgboost网络、长短时记忆(LSTM)网络、门控循环单元（GRU）、时间延时神经网络（TDNN）、卷积神经网络（CNN）等。基于各个待识别集群的集群特征，可以使得各个待识别集群向量化。前述的包括惩罚主体占比、可疑主体占比、可疑交易场景占比和可疑注册信息占比的标签主体占比仅仅是集群特征的示例，可以基于每个待识别集群中的各个主体的主体信息提取n个集群特征，此时，每个待识别集群也可被向量化为一个n维向量。

由于集群属性预测模型是基于训练样本集进行训练得到的，因此，集群属性预测模型能够根据各个待识别集群的集群特征针对各个待识别集群输出指示该待识别集群是否为异常集群的评价值，将评价值高于评价阈值的待识别集群识别为异常集群。

以上介绍了运用社区发现算法进行对各个主体进行集群划分、并基于集群划分的结果采用机器学习的方式进行异常集群的识别的示例，该示例所体现的异常集群的主要过程可概述为图7。如图7所示，管理终端可以获取某个时间段内多个主体的资源转移数据，例如，各个主体的资金支出信息和资金接收信息，资源转移数据包括所述多个主体中的每个主体的资源接收数据、资源支出数据、以及资源转移媒介，可以基于资源转移数据定义利用社区发现算法进行集群划分所需要的节点、边和权重。利用社区发现算法接收到节点、边和权重的信息后可以构建目标集群网络对上述的多个主体进行集群划分，从而获得多个待识别集群。对于所获得的多个待识别集群，可以通过对每个待识别集群中的各个主体的主体信息进行加工而得到每个待识别集群的n个集群特征，从而可将每个待识别集群表示为一个n维向量。将向量化的各个待识别集群提供给之前训练过的集群属性预测模型，即可自动获得评定待识别集群是否为异常集群的评价信息。由此，以一种高效率的方式实现了从多个主体中识别出异常集群，识别异常集群的准确性和全面性大大得以提升。

根据本申请的一些实施例，如图8所示，可以通过以下步骤获取用于训练上述集群属性预测模型的训练样本集：S810、利用社区发现算法基于多个样本主体获得多个样本集群；S820、从所述样本集群中确定多个第一集群，所述多个第一集群中的每个第一集群的第一标识主体占比大于等于第一占比阈值，且每个第一集群的第二标识主体占比大于等于第二占比阈值，其中所述第一标识主体占比选自所述惩罚主体占比、所述可疑主体占比、所述可疑交易场景占比和所述可疑注册信息占比中的一个，所述第二标识占比选自所述惩罚主体占比、所述可疑主体占比、所述可疑交易场景占比和所述可疑注册信息占比中的另一个；S830、赋予所述多个第一集群正样本集群标签，赋予所述样本集群中余下的样本集群负样本集群标签，将包括所述正样本集群标签和负样本集群标签的所述多个样本集群作为所述训练样本集群。在步骤S810中，可以针对多个样本主体，利用上述的社区发现算法进行集群划分，从而得打多个样本集群。样本主体可携带丰富的主题信息，例如，主体注册信息、主体交易场景、主体惩罚记录等。通过社区发现算法，各个样本主体被划分至不同的样本集群。在步骤S820中，可以通过人工判断的方式从样本集群中确定出异常集群和正常集群。例如，从样本集群中选择第一标识主体占比大于等于第一占比阈值、第二标识主体占比大于等于第二占比阈值的第一集群。第一标识主体占比选自所述惩罚主体占比、所述可疑主体占比、所述可疑交易场景占比和所述可疑注册信息占比中的一个，所述第二标识占比选自所述惩罚主体占比、所述可疑主体占比、所述可疑交易场景占比和所述可疑注册信息占比中的另一个。在一个示例中，可以筛选出惩罚主体占比超过50%的样本集群，之后对该样本集群内未曾被惩罚的主体进行人工识别和标注，例如，可以判断这些未曾被惩罚的主体是否属于可疑主体，并计算该样本集群的可疑主体占比，如果可疑主体占比超过90%，则将该样本集群确定为所述第一集群。在步骤S830中，在从样本集群筛选出全部的第一集群后，赋予这些第一集群正样本集群标签（即，异常集群标签），赋予所述样本集群中余下的样本集群负样本集群标签（即，正常集群标签），由此，完成了对样本集群的人工标识，将包括所述正样本集群标签和负样本集群标签的所述多个样本集群作为所述训练样本集。同样地，可以提取训练样本集中各个训练样本集群的样本集群特征，使得训练样本集群向量化，并将向量化后的训练样本集输入至集群属性预测模型进行训练。经过训练的集群属性预测模型可以基于新获得的各个待识别集群的集群特征而输出反映各待识别集群为异常集群的可能性的评价值。可以结合实际选择适当的评价阈值，将评价值高于评价阈值的待识别集群识别为异常集群。

根据本申请的一些实施例，可以从所述多个主体中去除一些明显不属于恶意主体的主体，从而对节点数据进行降噪，减少运行识别异常集群的方法所涉及的工作量，降低管理终端识别异常集群所需要的消耗。

从以上描述的识别异常集群的方法的实施例可以看出，在利用社区发现算法进行集群划分而得到多个待识别集群是基于包括资源接收数据、资源支出数据、以及资源转移媒介在内的资源转移数据进行的，相应地，在利用社区发现算法进行集群划分的过程中，基于主体接收资源（例如，收款）所定义的边和基于主体支出资源（例如，付款）所定义的边均得到利用，由此能够发现更加完整的集群，实现更加准确而全面的异常集群的识别。

作为一个对照的示例，图9图示了仅基于主体接收资金的信息而识别恶意主体的情形。如图9所示，对于包括商户A、商户B、商户C和商户D的一批仅接收资金的集群1，其可以根据共同的资金转移媒介APPID1、APPID2和APPID3而被挖掘，只要其中的部分主体被判定为恶意主体，集群1中的其它的主体也可被定性为恶意主体。图10示出了仅仅发生了资金支出的另一集群2，集群2可以基于共同的资金转移媒介APPID3和APPID4而被挖掘，但是，如果不采用本申请实施例提供的识别异常集群的技术方案，集群2会被识别成与集群1是不同的集群，而且，集群2中的主体仅存在资金支付，而没有通过交易接收资金，大部分主体是否属于恶意主体处于未知状态，导致整个集群2的属性难以确定。如图11所示，如果集群1和集群2涉及的资金转移媒介存在交集，例如，存在共同的资金转移媒介APPID3，则本申请实施例提供的识别异常集群的方法可以将集群1和集群2识别为一个完整的集群3，由此可以将集群2中的恶意主体进行有效的识别，降低了无交易仅进行了资源支出的主体涉嫌黑灰产业而被遗漏的风险。

根据本申请的另一方面，提供了一种识别异常集群的装置，如图12所示，该装置1000包括：资源转移数据获取模块1000a，其被配置成获取多个主体的资源转移数据，所述资源转移数据包括所述多个主体中的每个主体的资源接收数据、资源支出数据、以及资源转移媒介；集群划分模块1000b，其被配置成基于所述资源转移数据对所述多个主体进行集群划分得到多个待识别集群，每个待识别集群包括所述多个主体中的至少一个主体；集群特征提取模块1000c，其被配置成根据所述多个待识别集群中每个待识别集群中各个主体的主体信息提取所述待识别集群的集群特征；集群属性评价模块1000d，其被配置成基于所述多个待识别集群中每个待识别集群的集群特征从所述多个待识别集群中识别异常集群。

本申请的再一方面提供了一种计算设备，包括：存储器，其被配置成存储计算机可执行指令；处理器，其被配置成当所述计算机可执行指令被处理器执行时执行如前述实施例所述的识别异常集群的方法。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机程序。例如，本公开的实施例提供一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行本公开的方法实施例中的至少一个步骤的程序代码。

在本公开的一些实施例中，提供了一种或多种计算机可读存储介质，其上存储有计算机可读指令，该计算机可读指令在被执行时实现根据本公开一些实施例的识别异常集群的方法。根据本公开一些实施例所述的识别异常集群的方法的各个步骤可以通过程序设计被转化为计算机可读指令，从而存储在计算机可读存储介质中。当这样的计算机可读存储介质被计算设备或计算机读取或访问时，其中的计算机可读指令被计算设备或计算机上的处理器执行以实现根据本公开一些实施例的识别异常集群的方法。

图13图示了示例系统1100，其包括代表可以实现本文各实施例描述的技术方案的一个或多个系统和/或设备中的示例计算设备1110。计算设备1110可以是例如服务提供商的服务器、与服务器相关联的设备、片上系统、和/或任何其它合适的计算设备或计算系统。上面参照图12描述的识别异常集群的装置1000可以采取计算设备1110的形式。替换地，识别异常集群的装置1000可以以应用1116的形式被实现为计算机程序。

如13图示的示例计算设备1110包括彼此通信耦合的处理系统1111、一个或多个计算机可读介质1112以及一个或多个I / O接口1113。尽管未示出，但是计算设备1110还可以包括系统总线或其他数据和命令传送系统，其将各种组件彼此耦合。系统总线可以包括不同总线结构的任何一个或组合，所述总线结构诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线架构中的任何一种的处理器或局部总线。还构思了各种其他示例，诸如控制和数据线。

处理系统1111代表使用硬件执行一个或多个操作的功能。因此，处理系统1111被图示为包括可被配置为处理器、功能块等的硬件元件1114。这可以包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其它逻辑器件。硬件元件1114不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由（多个）半导体和/或晶体管（例如，电子集成电路（IC））组成。在这样的上下文中，处理器可执行指令可以是电子可执行指令。

计算机可读介质1112被图示为包括存储器/存储装置1115。存储器/存储装置1115表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置1115可以包括易失性介质（诸如随机存取存储器（RAM））和/或非易失性介质（诸如只读存储器（ROM）、闪存、光盘、磁盘等）。存储器/存储装置1115可以包括固定介质（例如，RAM、ROM、固定硬盘驱动器等）以及可移动介质（例如，闪存、可移动硬盘驱动器、光盘等）。计算机可读介质1112可以以下面进一步描述的各种其他方式进行配置。

一个或多个I/O接口1113代表允许用户使用各种输入设备向计算设备1110输入命令和信息并且可选地还允许使用各种输出设备将信息呈现给用户和/或其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备（例如，鼠标）、麦克风（例如，用于语音输入）、扫描仪、触摸功能（例如，被配置为检测物理触摸的容性或其他传感器）、相机（例如，可以采用可见或不可见的波长（诸如红外频率）将不涉及触摸的运动检测为手势）等等。输出设备的示例包括显示设备（例如，监视器或投影仪）、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备1110可以以下面进一步描述的各种方式进行配置以支持用户交互。

计算设备1110还包括应用1116。应用1116可以例如是参照图12描述的识别异常集群的装置1000的软件实例，并且与计算设备1110中的其他元件相组合地实现本文描述的技术。

本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、组件、数据结构等。本文所使用的术语“模块”，“功能”和“组件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。

所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备1110访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。

与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息（诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据）的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘（DVD）或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。

“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备1110的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指这样的信号，该信号的特征中的一个或多个被设置或改变，从而将信息编码到该信号中。作为示例而非限制，通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其它无线介质的无线介质。

如前所述，硬件元件1114和计算机可读介质1112代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、复杂可编程逻辑器件（CPLD）以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。

前述的组合也可以用于实现本文所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件1114体现的一个或多个指令和/或逻辑。计算设备1110可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件1114，可以至少部分地以硬件来实现将模块实现为可由计算设备1110作为软件执行的模块。指令和/或功能可以由一个或多个制品（例如，一个或多个计算设备1110和/或处理系统1111）可执行/可操作以实现本文所述的技术、模块和示例。

在各种实施方式中，计算设备1110可以采用各种不同的配置。例如，计算设备1110可以被实现为包括个人计算机、台式计算机、多屏幕计算机、膝上型计算机、上网本等的计算机类设备。计算设备1110还可以被实现为包括诸如移动电话、便携式音乐播放器、便携式游戏设备、平板计算机、多屏幕计算机等移动设备的移动装置类设备。计算设备1110还可以实现为电视类设备，其包括具有或连接到休闲观看环境中的一般地较大屏幕的设备。这些设备包括电视、机顶盒、游戏机等。

本文描述的技术可以由计算设备1110的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。功能还可以通过使用分布式系统、诸如通过如下所述的平台1122而在“云”1120上全部或部分地实现。

云1120包括和/或代表用于资源1124的平台1122。平台1122抽象云1120的硬件（例如，服务器）和软件资源的底层功能。资源1124可以包括在远离计算设备1110的服务器上执行计算机处理时可以使用的其它应用和/或数据。资源1124还可以包括通过因特网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。

平台1122可以抽象资源和功能以将计算设备1110与其他计算设备连接。平台1122还可以用于抽象资源的分级以提供遇到的对于经由平台1122实现的资源1124的需求的相应水平的分级。因此，在互连设备实施例中，本文描述的功能的实现可以分布在整个系统1100内。例如，功能可以部分地在计算设备1110上以及通过抽象云1120的功能的平台1122来实现。

应当理解，为清楚起见，参考不同的功能单元对本公开的实施例进行了描述。然而，将明显的是，在不偏离本公开的情况下，每个功能单元的功能性可以被实施在单个单元中、实施在多个单元中或作为其它功能单元的一部分被实施。例如，被说明成由单个单元执行的功能性可以由多个不同的单元来执行。因此，对特定功能单元的参考仅被视为对用于提供所描述的功能性的适当单元的参考，而不是表明严格的逻辑或物理结构或组织。因此，本公开可以被实施在单个单元中，或者可以在物理上和功能上被分布在不同的单元和电路之间。

将理解的是，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、部件或部分，但是这些设备、元件、部件或部分不应当由这些术语限制。这些术语仅用来将一个设备、元件、部件或部分与另一个设备、元件、部件或部分相区分。

尽管已经结合一些实施例描述了本公开，但是其不旨在被限于在本文中所阐述的特定形式。相反，本公开的范围仅由所附权利要求来限制。附加地，尽管单独的特征可以被包括在不同的权利要求中，但是这些可以可能地被有利地组合，并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且术语“一”或“一个”不排除多个。权利要求中的附图标记仅作为明确的例子被提供，不应该被解释为以任何方式限制权利要求的范围。