一种人员行为分析方法、装置、设备及产品与流程

1.本发明涉及信息安全技术领域，尤其涉及一种人员行为分析方法、装置、设备及产品。


背景技术：

2.拥有特殊权限的部门需要对特殊人群进行行为分析，以进行信息安全预警。目前采取的人员行为分析都是先汇总基于人跟人的调查数据，然后再进行人工分析，这样的方式在人力、物力、财力等方面消耗巨大，并且分析的时效和分析效果均不理想，很难达到实际的预警需要。


技术实现要素：

3.本发明提供一种人员行为分析方法、装置、设备及产品，用以解决现有技术中人员行为分析消耗巨大、时效性差和分析效果差的缺陷，实现在人员分析时，分析结果更加准确，具有更强的时效性。
4.本发明提供一种人员行为分析方法，包括以下步骤：
5.获取移动信号，并提取移动信号中的待分析信息；
6.将所述待分析信息输入至人员行为分析模型中，得到所述人员行为分析模型输出的人员行为特征；其中，所述人员行为分析模型是基于样本分析信息训练得到的；所述人员行为分析模型用于基于对所述样本分析信息进行特征提取得到的类别和相似度，对所述待分析信息进行人员行为提取；
7.将所述人员行为特征输入至实体关系分析模型中，得到所述实体关系分析模型输出的实体关系；其中，所述实体关系分析模型是基于样本行为特征训练得到的；所述实体关系包括伴随关系、群体关系和隐性关系；
8.基于所述实体关系，生成人员的行为分析信息。
9.根据本发明提供的人员行为分析方法，所述人员行为分析模型包括第一特征提取层、第一池化层、第二特征提取层、第二池化层和第三特征提取层；
10.其中，所述第一特征提取层用于对所述待分析信息进行第一特征提取，以得到第一特征；
11.所述第一池化层用于对所述第一特征进行第一降采样处理，以得到第一降维特征；
12.所述第二特征提取层用于对所述第一降维特征进行第二特征提取，以得到第二特征；
13.所述第二池化层用于对所述第二特征进行第二降采样处理，以得到第二降维特征；
14.所述第三特征提取层用于对所述第二降维特征进行特征提取，以得到所述人员行为特征、所述人员行为特征对应的所述类别和所述相似度。
15.根据本发明提供的人员行为分析方法，所述将所述待分析信息输入至人员行为分析模型中，得到所述人员行为分析模型输出的人员行为特征，具体包括以下步骤：
16.将所述待分析信息输入至所述第一特征提取层中，得到所述第一特征提取层输出的所述第一特征；
17.将所述第一特征输入至所述第一池化层中，得到所述第一池化层输出的所述第一降维特征；
18.将所述第一降维特征输入至所述第二特征提取层中，得到所述第二特征提取层输出的所述第二特征；
19.将所述第二特征输入至所述第二池化层中，得到所述第二池化层输出的所述第二降维特征；
20.将所述第二降维特征输入至所述第三特征提取层中，得到所述第三特征提取层输出的所述人员行为特征、所述人员行为特征对应的所述类别和所述相似度。
21.根据本发明提供的人员行为分析方法，所述人员行为分析模型通过以下步骤训练得到：
22.获取所述样本分析信息；
23.根据所述样本分析信息，确定所述样本分析信息的所述类别；
24.将所述样本分析信息作为训练使用的输入数据，将所述样本分析信息对应的所述类别作为训练时的标签，采用反向传播的方式进行训练，得到用于生成所述待分析信息的所述人员行为特征的所述人员行为分析模型。
25.根据本发明提供的人员行为分析方法，所述获取移动信号，并提取移动信号中的待分析信息，具体包括以下步骤：
26.获取所述移动信号，并对所述移动信号进行预处理；其中，所述预处理包括清洗、过滤和归一化处理中的一种或者多种；
27.提取预处理后的所述移动信号中的所述待分析信息。
28.根据本发明提供的人员行为分析方法，该方法在所述将所述人员行为特征输入至实体关系分析模型中，得到所述实体关系分析模型输出的实体关系步骤之后，还包括以下步骤：
29.将所述移动信号放置在随机的预设网格中，当所述预设网格中放置的所述移动信号达到预设数量时，在所述预设网格显示所述移动信号和对应的所述实体关系；其中，不同的所述预设网格按位置信息进行划分，同一所述预设网格中放置的所述移动信号属于同一组位置信息。
30.本发明还提供一种人员行为分析装置，包括：
31.获取模块，用于获取移动信号，并提取移动信号中的待分析信息；
32.行为提取模块，用于将所述待分析信息输入至人员行为分析模型中，得到所述人员行为分析模型输出的人员行为特征；其中，所述人员行为分析模型是基于样本分析信息训练得到的；所述人员行为分析模型用于基于对所述样本分析信息进行特征提取得到的类别和相似度，对所述待分析信息进行人员行为提取；
33.关系提取模块，用于将所述人员行为特征输入至实体关系分析模型中，得到所述实体关系分析模型输出的实体关系；其中，所述实体关系分析模型是基于样本行为特征训
练得到的；所述实体关系包括伴随关系、群体关系和隐性关系；
34.人员分析模块，用于基于所述实体关系，生成人员的行为分析信息。
35.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述人员行为分析方法的步骤。
36.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述人员行为分析方法的步骤。
37.本发明还提供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如上述任一种所述人员行为分析方法的步骤。
38.本发明提供的人员行为分析方法、装置、设备及产品，基于移动信号，分析移动信号中存在的人员的行为模式，进而挖掘个体对应的实体关系，再基于实体关系，生成人员的行为分析信息，不再受限于工作人员的经验来进行人员分析，在信息安全领域，为实时分析、自动化分析和自动预警提供强大高效的技术支撑手段，分析结果更加准确，具有更强的时效性。
附图说明
39.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1是本发明提供的人员行为分析方法的流程示意图之一；
41.图2是本发明提供的人员行为分析方法中人员行为分析模块具体的结构示意图；
42.图3是本发明提供的人员行为分析方法中步骤s200具体的流程示意图；
43.图4是本发明提供的人员行为分析方法中步骤s100具体的流程示意图；
44.图5是本发明提供的人员行为分析方法的流程示意图之二；
45.图6是本发明提供的人员行为分析装置的结构示意图之一；
46.图7是本发明提供的人员行为分析装置中行为提取模块具体的结构示意图；
47.图8是本发明提供的人员行为分析装置中获取模块具体的结构示意图；
48.图9是本发明提供的人员行为分析装置的结构示意图之二；
49.图10是本发明提供的电子设备的结构示意图。
具体实施方式
50.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.下面结合图1描述本发明的人员行为分析方法，该方法包括以下步骤：
52.s100、获取移动信号，并提取移动信号中的待分析信息。
53.在一些可能的实施例中，移动信号的来源可以是各大运营商的移动大数据平台。
通过全地域，全时段跟踪各大运营商的移动大数据平台的变化，并自动在移动大数据平台的基础上进行数据挖掘和流式计算，以此获取移动信号。
54.在本实施例中，待分析数据包括开机时长、变动距离、基站切换比例、关机时长、关机次数比例、关机次数、失联时长、失联次数比例和失联次数等数据信息。通过对上述数据信息中包含的人员行为特征进行分析，能够得到上述数据信息中包含的个体的行为分析信息和潜在的违法信息。
55.s200、将待分析信息输入至人员行为分析模型中，得到人员行为分析模型输出的人员行为特征。
56.在该方法中，人员行为分析模型是基于样本分析信息训练得到的，人员行为分析模型用于基于对样本分析信息进行特征提取得到的类别和相似度，对待分析信息进行人员行为提取。
57.在本实施例中，人员行为分析模型基于tesnsorflow框架进行深度学习、预测和分类，具体的，人员行为分析模型经过三层卷积层和两层池化层，并进行相应的relu处理，生成10
×
1的结果向量，该结果向量的向量值为对应类别的人员行为特征和与该人员行为特征之间的相似度，在一定量的训练数据的基础上训练人员行为分析模型，然后在训练好的基础上进行自动深度学习分析，以得到输入的待分析信息中包含的人员行为特征。
58.在本实施例中，人员行为特征包括行为、人员、位置、时间和呼叫关系等信息数据。
59.s300、将人员行为特征输入至实体关系分析模型中，得到实体关系分析模型输出的实体关系。
60.在该方法中，实体关系分析模型是基于样本行为特征训练得到的，实体关系包括伴随关系、群体关系和隐性关系。
61.在该方法中，根据移动信号，挖掘移动信号中存在的或者说涉及到的个体(人员)其对应实体关系，实体关系可以表征个体的行为模式。因此步骤s300是将移动信号中存在的个体作为目标人员，分析得到目标人员的行为模式，并且在本实施例中，挖掘的实体关系包括三种：伴随关系、群体关系和隐性关系。需要说明的是，移动信号中可以存在至少一个个体(人员)。其中：
62.伴随关系是一种在时间和空间维度上具有非常密切程度的关联的两个或者多个个体之间的关系。
63.群体关系，是指人作为个体在社会游荡而形成群体，性质与概念发生了变化。人在个体的时候想的很多而做的事却很少，完成单一的事情往往很困难甚至无法完成。人在群体的时候如果与组成群体的个体关系相处融洽，在办事与开发新事物的速度及成效上往往会取得意想不到的效果。通常，人群密集的公共场所中，人们往往不是自由地单独行动，而是更加倾向于成群地共同行动，在群体中，个体会调整自己的状态使之和旁人保持一致，形成具有一致性的组群。因此，可以从这些小的组群的角度去看待密集群体，而非将人群视作一个个单独的个体。
64.隐性关系是相关于显性关系的另一类型实体关系，在一些场景下，隐性关系往往比显性关系更有价值。在本发明的人员行为分析方法中，伴随关系和群体关系都属于显性关系，如果只去挖掘个体的显性关系，会导致个体的实体间关系挖掘不够深入，行为分析太过表面。
65.在本实施例中，实体关系分析模型是基于sparkgraphx框架，将sparkgraphx作为图数据库，在提取得到的人员行为特征的基础上进行图计算，进而自动分析待分析的目标人员行为模式，得到伴随关系、群体关系和隐性关系。
66.可以理解的是，步骤s200中的人员行为特征以图实例graph的形式保存，具体的，可以是保存在内存中。
67.s400、基于实体关系，生成人员的行为分析信息。
68.根据实体关系，能够生成目标人员的行为分析报告，行为分析报告中包含该目标人员可能存在的违法信息，因此，步骤s400中，可以根据行为分析报告，生成对应的目标人员的告警信息。
69.本发明的人员行为分析方法，基于移动信号，分析移动信号中存在的人员的行为模式，进而挖掘个体对应的实体关系，再基于实体关系，生成人员的行为分析信息，不再受限于工作人员的经验来进行人员分析，在信息安全领域，为实时分析、自动化分析和自动预警提供强大高效的技术支撑手段，分析结果更加准确，具有更强的时效性。
70.下面结合图2和图3描述本发明的人员行为分析方法，该人员行为分析模型包括第一特征提取层、第一池化层、第二特征提取层、第二池化层和第三特征提取层；
71.其中，第一特征提取层用于对待分析信息进行第一特征提取，以得到第一特征；
72.第一池化层用于对第一特征进行第一降采样处理，以得到第一降维特征；
73.第二特征提取层用于对第一降维特征进行第二特征提取，以得到第二特征；
74.第二池化层用于对第二特征进行第二降采样处理，以得到第二降维特征；
75.第三特征提取层用于对第二降维特征进行特征提取，以得到人员行为特征、人员行为特征对应的类别和相似度。
76.因此，步骤s200具体包括以下步骤：
77.s210、将待分析信息输入至第一特征提取层中，得到第一特征提取层输出的第一特征。
78.获取到待分析信息后，待分析信息为人员行为分析模型的输入数据，数据数据为9
×
9的矩阵，其中，纵坐标为开机时长、变动距离、基站切换比例、关机时长、关机次数比例、关机次数、失联时长、失联次数比例和失联次数，横坐标为这9个参数分别对应的连续的时间段。
79.在本实施例中，第一特征提取层利用16个3
×
3的卷积核对9
×
9的矩阵进行第一次卷积处理也就是第一特征提取，生成第一特征。
80.s220、将第一特征输入至第一池化层中，得到第一池化层输出的第一降维特征。
81.在本实施例中，第一池化层将第一次卷积处理后得到的第一特征以四个元素为一组，选择平均值作为代表数据，进行平均池化处理也就是第一降维处理，生成第一降维特征。
82.第一降维特征会经过relu处理后，再流入第二特征提取层中。
83.s230、将第一降维特征输入至第二特征提取层中，得到第二特征提取层输出的第二特征。
84.在本实施例中，第二特征提取层利用10个2
×
2的卷积核对relu处理后的第一降维特征进行第二次卷积处理也就是第二特征提取，生成第二特征。
85.s240、将第二特征输入至第二池化层中，得到第二池化层输出的第二降维特征；
86.在本实施例中，第二池化层将第二次卷积处理后得到的第二特征以四个元素为一组，选择平均值作为代表数据，进行平均池化处理也就是第二降维处理，生成第二降维特征。
87.第二降维特征会经过relu处理后，再流入第三特征提取层中。
88.s250、将第二降维特征输入至第三特征提取层中，得到第三特征提取层输出的人员行为特征、人员行为特征对应的类别和相似度。
89.在本实施例中，第三特征提取层利用1个10
×
1的卷积核对relu处理后的第二降维特征进行第三次卷积处理也就是第三特征提取，生成第三特征。第三特征提取层进行的是一维的数据转换，第三特征为转换后得到的10
×
1的结果向量，该结果向量的向量值为对应类别的人员行为特征和与该人员行为特征之间的相似度，并且第三特征提取层之后不再需要池化和relu处理。
90.人员行为特征、人员行为特征对应的类别和相似度会保存到sparkgraphx中。
91.相应的，人员行为分析模型通过以下步骤训练得到：
92.获取样本分析信息；
93.根据样本分析信息，确定样本分析信息的类别；
94.将样本分析信息作为训练使用的输入数据，将样本分析信息对应的类别作为训练时的标签，采用反向传播的方式进行训练，得到用于生成待分析信息的人员行为特征的人员行为分析模型。
95.下面结合图4描述本发明的人员行为分析方法，步骤s100具体包括以下步骤：
96.s110、获取移动信号，并对移动信号进行预处理。在该方法中，预处理包括清洗、过滤和归一化处理中的一种或者多种。
97.步骤s110中采用spark streaming采集移动信号。
98.s120、提取预处理后的移动信号中的待分析信息。
99.首先通过spark streaming作为流式计算引擎，从运营商的移动大数据平台的信令发布中心的kafka上实时接收订阅的信令信息，信令消息即移动信号，之后，对信令数据进行预处理，并对预处理后的信令数据进行加工提取，提取信令消息中的待分析信息。整理好的待分析信息可以存入redis数据库中，供深度学习进行处理。
100.因此，本发明的人员行为分析方法能够在各大运营商的移动大数据云平台部署，同时，部署成本低，自动运维，多用户共用同一平台，在人力，财力、物力均比传统模式有极大的下降。
101.该方法中，基于流式计算，实时接收运营商发布的移动信号，根据训练好的人员行为分析模型进行数据挖掘更新计算，实现全地域、全时段地跟踪移动大数据的变化。
102.下面结合图5描述本发明的人员行为分析方法，该方法还包括以下步骤：
103.s500、将移动信号放置在随机的预设网格中，当预设网格中放置的移动信号达到预设数量时，在预设网格显示移动信号和对应的实体关系。
104.在该方法中，不同的预设网格按位置信息进行划分，例如根据地理坐标系和预设网格跨度，将目标地区划分为若干预设网络，同一预设网格中放置的移动信号属于同一组位置信息，也就是同一预设网格中放置的移动信号是按照所属的位置信息是相同的。
105.步骤s500采用是网格化处理方式，对移动信号进行隐私化处理和相应的显示。在采集目标地区的移动信号时，将目标地区划为一定数量的预设网格，之后，将移动信号放置在随机的预设网格中，按照移动信号的位置信息进行划分和归类，每一预设网络放置的是相同位置信息的移动信号，不同预设网络中的移动信号具有不同的位置信息，通过这种网格化处理方式，能够避免透露目标位置的隐私信息，同时对单一目标信息进行更大范围的网格随机位置处理。
106.将移动信号放置在预设网格中时，出于隐私数据保密的要求，要根据预设数量进行控制显示，当小于预设数量时不予显示或者做更大网格范围的浮动处理，然后在移动信号显示的基础上将包含的个体间分析出的实体关系叠加在预设网格上。同时避免精确显示移动信号准确的数量信息，需要进行热度处理，例如将数量划分为级别热度进行显示。
107.由于移动大数据在提供服务的同时又要极大程度的保护目标隐私数据，因此该方法中对单独目标信息进行群体化处理，以及目标位置信息的网格化处理。
108.下面对本发明提供的人员行为分析装置进行描述，下文描述的人员行为分析装置与上文描述的人员行为分析方法可相互对应参照。
109.下面结合图6描述本发明的人员行为分析装置，该装置包括：
110.获取模块100，用于获取移动信号，并提取移动信号中的待分析信息。
111.在一些可能的实施例中，移动信号的来源可以是各大运营商的移动大数据平台。通过全地域，全时段跟踪各大运营商的移动大数据平台的变化，并自动在移动大数据平台的基础上进行数据挖掘和流式计算，以此获取移动信号。
112.在本实施例中，待分析数据包括开机时长、变动距离、基站切换比例、关机时长、关机次数比例、关机次数、失联时长、失联次数比例和失联次数等数据信息。通过对上述数据信息中包含的人员行为特征进行分析，能够得到上述数据信息中包含的个体的行为分析信息和潜在的违法信息。
113.行为提取模块200，用于将待分析信息输入至人员行为分析模型中，得到人员行为分析模型输出的人员行为特征。
114.在该装置中，人员行为分析模型是基于样本分析信息训练得到的，人员行为分析模型用于基于对样本分析信息进行特征提取得到的类别和相似度，对待分析信息进行人员行为提取。
115.在本实施例中，人员行为分析模型基于tesnsorflow框架进行深度学习、预测和分类，具体的，人员行为分析模型经过三层卷积层和两层池化层，并进行相应的relu处理，生成10
×
1的结果向量，该结果向量的向量值为对应类别的人员行为特征和与该人员行为特征之间的相似度，在一定量的训练数据的基础上训练人员行为分析模型，然后在训练好的基础上进行自动深度学习分析，以得到输入的待分析信息中包含的人员行为特征。
116.在本实施例中，人员行为特征包括行为、人员、位置、时间和呼叫关系等信息数据。
117.关系提取模块300，用于将人员行为特征输入至实体关系分析模型中，得到实体关系分析模型输出的实体关系。
118.在该装置中，实体关系分析模型是基于样本行为特征训练得到的，实体关系包括伴随关系、群体关系和隐性关系。
119.在该装置中，根据移动信号，挖掘移动信号中存在的或者说涉及到的个体(人员)
其对应实体关系，实体关系可以表征个体的行为模式。因此步骤s300是将移动信号中存在的个体作为目标人员，分析得到目标人员的行为模式，并且在本实施例中，挖掘的实体关系包括三种：伴随关系、群体关系和隐性关系。需要说明的是，移动信号中可以存在至少一个个体(人员)。
120.在本实施例中，实体关系分析模型是基于sparkgraphx框架，将sparkgraphx作为图数据库，在提取得到的人员行为特征的基础上进行图计算，进而自动分析待分析的目标人员行为模式，得到伴随关系、群体关系和隐性关系。
121.可以理解的是，行为提取模块200中的人员行为特征以图实例graph的形式保存，具体的，可以是保存在内存中。
122.人员分析模块400，用于基于实体关系，生成人员的行为分析信息。
123.根据实体关系，能够生成目标人员的行为分析报告，行为分析报告中包含该目标人员可能存在的违法信息，因此，人员分析模块400中，可以根据行为分析报告，生成对应的目标人员的告警信息。
124.本发明的人员行为分析装置，基于移动信号，分析移动信号中存在的人员的行为模式，进而挖掘个体对应的实体关系，再基于实体关系，生成人员的行为分析信息，不再受限于工作人员的经验来进行人员分析，在信息安全领域，为实时分析、自动化分析和自动预警提供强大高效的技术支撑手段，分析结果更加准确，具有更强的时效性。
125.下面结合图7描述本发明的人员行为分析装置，行为提取模块200具体包括：
126.第一提取单元210，用于将待分析信息输入至第一特征提取层中，得到第一特征提取层输出的第一特征。
127.获取到待分析信息后，待分析信息为人员行为分析模型的输入数据，数据数据为9
×
9的矩阵，其中，纵坐标为开机时长、变动距离、基站切换比例、关机时长、关机次数比例、关机次数、失联时长、失联次数比例和失联次数，横坐标为这9个参数分别对应的连续的时间段。
128.在本实施例中，第一特征提取层利用16个3
×
3的卷积核对9
×
9的矩阵进行第一次卷积处理也就是第一特征提取，生成第一特征。
129.第二提取单元220，用于将第一特征输入至第一池化层中，得到第一池化层输出的第一降维特征。
130.在本实施例中，第一池化层将第一次卷积处理后得到的第一特征以四个元素为一组，选择平均值作为代表数据，进行平均池化处理也就是第一降维处理，生成第一降维特征。
131.第一降维特征会经过relu处理后，再流入第二特征提取层中。
132.第三提取单元230，用于将第一降维特征输入至第二特征提取层中，得到第二特征提取层输出的第二特征。
133.在本实施例中，第二特征提取层利用10个2
×
2的卷积核对relu处理后的第一降维特征进行第二次卷积处理也就是第二特征提取，生成第二特征。
134.第四提取单元240，用于将第二特征输入至第二池化层中，得到第二池化层输出的第二降维特征；
135.在本实施例中，第二池化层将第二次卷积处理后得到的第二特征以四个元素为一
组，选择平均值作为代表数据，进行平均池化处理也就是第二降维处理，生成第二降维特征。
136.第二降维特征会经过relu处理后，再流入第三特征提取层中。
137.第五提取单元250，用于将第二降维特征输入至第三特征提取层中，得到第三特征提取层输出的人员行为特征、人员行为特征对应的类别和相似度。
138.在本实施例中，第三特征提取层利用1个10
×
1的卷积核对relu处理后的第二降维特征进行第三次卷积处理也就是第三特征提取，生成第三特征。第三特征提取层进行的是一维的数据转换，第三特征为转换后得到的10
×
1的结果向量，该结果向量的向量值为对应类别的人员行为特征和与该人员行为特征之间的相似度，并且第三特征提取层之后不再需要池化和relu处理。
139.人员行为特征、人员行为特征对应的类别和相似度会保存到sparkgraphx中。
140.下面结合图8描述本发明的人员行为分析装置，获取模块100具体包括：
141.预处理单元110，用于获取移动信号，并对移动信号进行预处理。在该装置中，预处理包括清洗、过滤和归一化处理中的一种或者多种。
142.预处理单元110中采用spark streaming采集移动信号。
143.信息提取单元120，用于提取预处理后的移动信号中的待分析信息。
144.首先通过spark streaming作为流式计算引擎，从运营商的移动大数据平台的信令发布中心的kafka上实时接收订阅的信令信息，信令消息即移动信号，之后，对信令数据进行预处理，并对预处理后的信令数据进行加工提取，提取信令消息中的待分析信息。整理好的待分析信息可以存入redis数据库中，供深度学习进行处理。
145.因此，本发明的人员行为分析装置能够在各大运营商的移动大数据云平台部署，同时，部署成本低，自动运维，多用户共用同一平台，在人力，财力、物力均比传统模式有极大的下降。
146.该装置中，基于流式计算，实时接收运营商发布的移动信号，根据训练好的人员行为分析模型进行数据挖掘更新计算，实现全地域、全时段地跟踪移动大数据的变化。
147.下面结合图9描述本发明的人员行为分析装置，该装置还包括：
148.隐私保护模块500，用于将移动信号放置在随机的预设网格中，当预设网格中放置的移动信号达到预设数量时，在预设网格显示移动信号和对应的实体关系。
149.在该装置中，不同的预设网格按位置信息进行划分，例如根据地理坐标系和预设网格跨度，将目标地区划分为若干预设网络，同一预设网格中放置的移动信号属于同一组位置信息，也就是同一预设网格中放置的移动信号是按照所属的位置信息是相同的。
150.隐私保护模块500采用是网格化处理方式，对移动信号进行隐私化处理和相应的显示。在采集目标地区的移动信号时，将目标地区划为一定数量的预设网格，之后，将移动信号放置在随机的预设网格中，按照移动信号的位置信息进行划分和归类，每一预设网络放置的是相同位置信息的移动信号，不同预设网络中的移动信号具有不同的位置信息，通过这种网格化处理方式，能够避免透露目标位置的隐私信息，同时对单一目标信息进行更大范围的网格随机位置处理。
151.将移动信号放置在预设网格中时，出于隐私数据保密的要求，要根据预设数量进行控制显示，当小于预设数量时不予显示或者做更大网格范围的浮动处理，然后在移动信
号显示的基础上将包含的个体间分析出的实体关系叠加在预设网格上。同时避免精确显示移动信号准确的数量信息，需要进行热度处理，例如将数量划分为级别热度进行显示。
152.由于移动大数据在提供服务的同时又要极大程度的保护目标隐私数据，因此该装置中对单独目标信息进行群体化处理，以及目标位置信息的网格化处理。
153.图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行人员行为分析方法，该方法包括以下步骤：
154.s100、获取移动信号，并提取移动信号中的待分析信息；
155.s200、将所述待分析信息输入至人员行为分析模型中，得到所述人员行为分析模型输出的人员行为特征；其中，所述人员行为分析模型是基于样本分析信息训练得到的；所述人员行为分析模型用于基于对所述样本分析信息进行特征提取得到的类别和相似度，对所述待分析信息进行人员行为提取；
156.s300、将所述人员行为特征输入至实体关系分析模型中，得到所述实体关系分析模型输出的实体关系；其中，所述实体关系分析模型是基于样本行为特征训练得到的；所述实体关系包括伴随关系、群体关系和隐性关系；
157.s400、基于所述实体关系，生成人员的行为分析信息。
158.此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
159.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的人员行为分析方法，该方法包括以下步骤：
160.s100、获取移动信号，并提取移动信号中的待分析信息；
161.s200、将所述待分析信息输入至人员行为分析模型中，得到所述人员行为分析模型输出的人员行为特征；其中，所述人员行为分析模型是基于样本分析信息训练得到的；所述人员行为分析模型用于基于对所述样本分析信息进行特征提取得到的类别和相似度，对所述待分析信息进行人员行为提取；
162.s300、将所述人员行为特征输入至实体关系分析模型中，得到所述实体关系分析模型输出的实体关系；其中，所述实体关系分析模型是基于样本行为特征训练得到的；所述实体关系包括伴随关系、群体关系和隐性关系；
163.s400、基于所述实体关系，生成人员的行为分析信息。
164.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程
序，该计算机程序被处理器执行时实现以执行上述各方法提供的人员行为分析方法，该方法包括以下步骤：
165.s100、获取移动信号，并提取移动信号中的待分析信息；
166.s200、将所述待分析信息输入至人员行为分析模型中，得到所述人员行为分析模型输出的人员行为特征；其中，所述人员行为分析模型是基于样本分析信息训练得到的；所述人员行为分析模型用于基于对所述样本分析信息进行特征提取得到的类别和相似度，对所述待分析信息进行人员行为提取；
167.s300、将所述人员行为特征输入至实体关系分析模型中，得到所述实体关系分析模型输出的实体关系；其中，所述实体关系分析模型是基于样本行为特征训练得到的；所述实体关系包括伴随关系、群体关系和隐性关系；
168.s400、基于所述实体关系，生成人员的行为分析信息。
169.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
170.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
171.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。