1.一种识别异常用户的方法，其特征在于，所述方法包括：

获取第一业务的业务数据；

根据所述业务数据确定访问所述第一业务的终端的终端标识和业务账户，创建对应相同终端标识的业务数据之间的第一关联关系，以及创建对应相同业务账户的业务数据之间的第二关联关系；

根据所述第一关联关系和所述第二关联关系确定属于同一用户的业务数据，将所述用户标记为待查用户，以及确定与每个所述待查用户关联的终端标识和业务账户；其中，待查用户是指在相同终端标识对应的终端上访问所述第一业务的多个用户，或者是指使用相同业务账户在不同终端上访问所述第一业务的多个用户，或者是指来自相同访问渠道的多个用户。

分别获取各终端在预设时长内访问所述第一业务时产生的第一行为数据，以及各业务账户在所述预设时长内访问所述第一业务时产生的第二行为数据；其中，所述预设时长是指用于判断具有相同行为的用户的采集时长；

若根据所述第一行为数据和所述第二行为数据确定待查用户中具有相同行为的用户，则确定具有相同行为的用户为异常嫌疑用户；其中，所述异常用户是指一个或多个异常嫌疑用户所在的用户组；所述异常嫌疑用户的行为数据包括多个指示用户的特征的特征参数；所述风险图谱用于表示业务中的异常事件，所述风险图谱包括节点和边，所述风险图谱中“边”代表发生过异常事件，“节点”的大小代表异常事件的数量，即节点的大小与出度成正比，风险图谱中的节点包括终端、用户、IP、终端标识和业务账户。

2.根据权利要求1所述的方法，其特征在于，所述若根据所述第一行为数据和所述第二行为数据确定待查用户中具有相同行为的用户，则确定具有相同行为的用户为异常嫌疑用户，包括：获取第一用户的用户信息，所述第一用户为合法注册用户，所述用户信息包括用于注册第一账户的注册时间信息和/或用于识别注册设备的设备注册信息；

将所述第一用户的用户信息与异常用户判断条件进行匹配；

若检测所述用户信息满足异常用户判断条件，则确定所述第一用户为异常嫌疑用户，所述异常用户判断条件包括：所述第一用户的用户信息与所述至少一个异常用户中任一异常用户的用户信息匹配。

3.根据权利要求2所述的方法，其特征在于，所述注册时间至少包括注册时长和注册起始时刻中的一项。所述第一用户的用户信息与所述至少一个异常用户中任一异常用户的用户信息匹配，至少包括以下实现方式之一：若所述第一用户的注册时长与所述至少一个异常用户中任一异常用户的注册时长均小于预设时长，则确定匹配成功；

若所述第一用户的注册起始时刻与所述至少一个异常用户中任一异常用户的注册开始时刻均在预设时间段内，则确定匹配成功。

4.根据权利要求2所述的方法，其特征在于，所述设备标识至少包括IMEI、手机号、MAC地址或IP地址中的一项设备标识时，所述确定所述第一用户的用户信息与所述至少一个异常用户中任一异常用户的用户信息匹配成功，包括：若注册所述第一用户的设备的设备标识与注册所述至少一个异常用户中任一异常用户的设备的设备标识相同时，则确定匹配成功。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述风险图谱为无监督异常检测模型，所述根据所述异常嫌疑用户的行为数据创建风险图谱，根据所述风险图谱输出异常用户，包括：获取多个异常嫌疑用户的行为数据；

根据各异常嫌疑用户的行为数据，以无监督学习方式从所述多个异常嫌疑用户中确定出异常用户；

根据所述异常用户的行为数据，以有监督学习方式从多个特征参数中选择关键特征参数，以及生成包含关键特征参数的关键特征数据；

利用谱划分算法和所述关键特征数据构建所述无监督异常检测模型，通过所述无监督异常检测模型和异常检测算法识别满足预设规则的异常嫌疑用户为异常用户；其中，所述异常检测算法包括聚类算法和图算法。

6.根据权利要求5所述的方法，其特征在于，所述利用谱划分算法和所述关键特征数据构建所述无监督异常检测模型，包括：将每个所述异常用户的关键特征数据看作一个节点，根据各异常用户的关键特征数据之间的相似度为各节点之间的边赋权重值，以得到无向加权图谱G＝(V，E)，计算得到所述图谱的Laplacian矩阵L＝D-W；

采用Laplacian Eigenmap分别对各异常用户的关键特征数据进行降维，以对所述Laplacian矩阵L进行特征值分解，以构成特征向量矩阵Q；其中，Q是指降维后的异常用户的关键特征数据；

利用聚类算法或者k-means算法对降维后的异常用户的关键特征数据进行划分，得到所述图谱上各节点的类别，最终得到所述风险图谱。

其中，所述异常检测算法包括聚类算法和图算法。

7.根据权利要求6所述的方法，其特征在于，所述通过所述无监督异常检测模型和异常检测算法识别满足预设规则的异常嫌疑用户为异常用户，还可包括：假设所述第一行为数据和所述第二行为数据服从概率分布模型；

判断所述第一行为数据和所述第二行为数据中是否存在与概率分布模型不一致的数据点，若存在，则将与概率分布模型不一致的数据点确定为异常点，进而将异常点对应的用户作为异常用户。

8.一种用于识别异常用户的装置，其特征在于，所述装置包括：

输入输出模块，用于获取第一业务的业务数据；

处理模块，用于根据所述业务数据确定访问所述第一业务的终端的终端标识和业务账户，创建对应相同终端标识的业务数据之间的第一关联关系，以及创建对应相同业务账户的业务数据之间的第二关联关系；

根据所述第一关联关系和所述第二关联关系确定属于同一用户的业务数据，将所述用户标记为待查用户，以及确定与每个所述待查用户关联的终端标识和业务账户；其中，待查用户是指在相同终端标识对应的终端上访问所述第一业务的多个用户，或者是指使用相同业务账户在不同终端上访问所述第一业务的多个用户，或者是指来自相同访问渠道的多个用户。

通过所述输入输出模块分别获取各终端在预设时长内访问所述第一业务时产生的第一行为数据，以及各业务账户在所述预设时长内访问所述第一业务时产生的第二行为数据；其中，所述预设时长是指用于判断具有相同行为的用户的采集时长；

若根据所述第一行为数据和所述第二行为数据确定待查用户中具有相同行为的用户，则确定具有相同行为的用户为异常嫌疑用户；其中，所述异常用户是指一个或多个异常嫌疑用户所在的用户组；所述异常嫌疑用户的行为数据包括多个指示用户的特征的特征参数；所述风险图谱用于表示业务中的异常事件，所述风险图谱包括节点和边，所述风险图谱中“边”代表发生过异常事件，“节点”的大小代表异常事件的数量，即节点的大小与出度成正比，风险图谱中的节点包括终端、用户、IP、终端标识和业务账户。

9.一种计算机设备，其特征在于，所述设备包括：

至少一个处理器、存储器和输入输出单元；

其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1-7中任一项所述的方法。

10.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。