1.一种面向在线教育的实时反作弊检测和预警方法,其特征在于:包括如下步骤:
s2:使用反作弊系统实时获取考生考试的日志文件,并提取考生历史的学习行为数据,获取解码后的实时特征数据和离线:根据考生历史的学习行为数据建立知识库,并建立机器学习模型;
s4:根据实时特征数据和离线特征数据,使用知识库和机器学习模型对考生的考试行为进行综合预估和异常检测,获取并储存作弊数据;
s5:判断作弊数据是否超过预设作弊数据阈值,若是则记录当前异常学生的作弊行为,将其反馈给知识库中的作弊数据库,并向当前异常考生终端发出预警提醒信息,并进入步骤s6,否则返回步骤s4;
k8凯发官网
s6:判断当前异常考生终端的预警提醒信息数量是否达到预设数量阈值,若是则停止当前异常考生终端的作答工作并进行封号处理,并进入步骤s7,否则返回步骤s4;
s7:根据所有作弊数据并结合作弊的课程类型分布、作弊区域分布以及作弊院校分布进行周期性分析,获取分析结果。
2.根据权利要求1所述的面向在线教育的实时反作弊检测和预警方法,其特征在于:所述的步骤s1中,所述的防作弊参数包括作弊灵敏性、防作弊院校范围以及防作弊课程范围。
3.根据权利要求1所述的面向在线教育的实时反作弊检测和预警方法,其特征在于:所述的步骤s2中,使用elk日志分析工具实时获取考生考试的日志文件。
4.根据权利要求3所述的面向在线教育的实时反作弊检测和预警方法,其特征在于:所述的日志文件用于存储考生终端的登陆和出勤、视频学习、课程笔记、学生提问、作业、单元测试以及考试的操作而实时产生并不断更新的数据。
5.根据权利要求1所述的面向在线教育的实时反作弊检测和预警方法,其特征在于:所述的步骤s2中,将考生考试的日志文件和考生历史的学习行为数据,进行预处理和特征工程处理,获取解码后的实时特征数据和离线所述的面向在线教育的实时反作弊检测和预警方法,其特征在于:所述的预处理和特征工程处理包括:
使用针对规则模型对实时获取到的日志文件数据进行加工和清洗,过滤出实时特征数据;
使用针对算法模型,过滤出考生历史的学习行为数据中的异常行为数据,即对考生历史的学习行为数据进行挖掘分析,提取相关特征数据。
7.根据权利要求1所述的面向在线教育的实时反作弊检测和预警方法,其特征在于:所述的步骤s3和步骤s4之间,还包括步骤s3.5:更新考生在线行为数据库,并将已发现的异常ip、异常账号以及作弊的规则存储到知识库中。
8.根据权利要求7所述的面向在线教育的实时反作弊检测和预警方法,其特征在于:所述的步骤s3.5中,更新考生在线行为数据库的具体方法为:根据考生唯一号对在线行为对应考生的行为记录进行更新,并将更新的行为记录记入考生在线所述的面向在线教育的实时反作弊检测和预警方法,其特征在于:所述的步骤s3中,建立机器学习模型的具体方法为:将知识库中历史的作弊行为数据和作弊标签进行训练,获取机器学习模型。
本发明属于人工智能技术领域,公开了一种面向在线教育的实时反作弊检测和预警方法,包括如下步骤:S1:开启反作弊系统,并设置参数;S2:获取解码后的实时特征数据和离线:建立知识库和机器学习模型;S4:进行综合预估和异常检测,获取并储存作弊数据;S5:判断作弊数据是否超过预设作弊数据阈值;S6:判断当前异常考生终端的预警提醒信息数量是否达到预设数量阈值;S7:进行周期性分析,获取分析结果。本发明解决了现有技术存在的依赖人工处理、无法直接给出作弊的影响范围及数量以及反作弊系统的固定化的问题。