CN105989373A - 利用训练模型实现的获取设备指纹方法及装置 - Google Patents
利用训练模型实现的获取设备指纹方法及装置 Download PDFInfo
- Publication number
- CN105989373A CN105989373A CN201510082775.2A CN201510082775A CN105989373A CN 105989373 A CN105989373 A CN 105989373A CN 201510082775 A CN201510082775 A CN 201510082775A CN 105989373 A CN105989373 A CN 105989373A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- value
- attribute
- checked
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本申请揭示了一种利用训练模型实现的获取设备指纹方法及装置，其中，所述方法包括：选取设备库中N条数据，每条数据由一个设备的多个设备属性的属性值组成；将所述N条数据中的每一条与所述N条数据逐一比较，且逐一记录两条数据相比较后得到的比较结果，形成结果矩阵；将所述结果矩阵和预设机制代入训练模型，以计算出每个设备属性的权重值；根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹。本申请通过构造更加合理的匹配模型，大大提高了待查找设备在设备库中的匹配精度。
Description
技术领域
本申请涉及计算机领域，尤其是涉及一种利用训练模型实现的获取设备指纹方法及装置。
背景技术
设备指纹是通过收集到某个设备的多个属性对应的值，例如，操作系统版本，CPU核数，主频等，并与相同属性集合的设备库里的设备匹配，在其中寻找出此设备对应的设备标识所确定的。
对于庞大的互联网应用，安全防护工作越来越显得重要，因为黑客，欺诈而造成的财务损失占了很大的比例。而通过设备指纹和用户行为的关联，可增加安全防护工作的效率和打击的准确性，例如，一部手机，有了设备指纹，可以将设备与相应的账户信息关联起来，这样，当该账户信息在不同设备指纹的设备上登录时，即可通过各种方式保证该账户的安全性。
发明内容
本申请的目的在于提供一种利用训练模型实现的获取设备指纹方法及装置。
为实现上述申请目的之一，本申请一实施方式提供了一种利用训练模型实现的获取设备指纹方法，所述方法包括：
选取设备库中N条数据，每条数据由一个设备的多个设备属性的属性值组成；
将所述N条数据中的每一条与所述N条数据逐一比较，且逐一记录两条数据相比较后得到的比较结果，形成结果矩阵，其中，两条数据相比较为相同设备属性之间的属性值比较；
将所述结果矩阵和预设机制代入训练模型，以计算出每个设备属性的权重值，其中，所述预设机制为当两条数据中特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备；
根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹。
作为本申请一实施方式的进一步改进，所述训练模型为逻辑回归模型。
作为本申请一实施方式的进一步改进，『根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹』具体包括：
将待查询设备的多个设备属性的属性值与设备库中每一条数据中相同设备属性的属性值比较，若相同设备属性的属性值相同，则将待查询设备中对应的设备属性标记为x，若相同设备属性的属性值不同，则将待查询设备中对应的设备属性标记为y，最终形成多个比较结果，其中，所述x、y为数字；
将对应每个设备属性的权重值代入，计算待查询设备相对设备库中每一条数据的匹配值，所述匹配值为x*相应设备属性的权重值和y*相应设备属性的权重值的总和；
若有匹配值大于或大于等于预设阈值，则将大于或大于等于预设阈值的匹配值相应的设备库中的设备标识作为所述待查询设备的设备指纹。
作为本申请一实施方式的进一步改进，所述方法还包括：
若所有匹配值小于预设阈值，则将所述待查询设备的设备属性的属性值存储至所述设备库，并分配对应所述待查询设备的设备标识。
作为本申请一实施方式的进一步改进，所述预设机制为当两条数据中至少两个特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备。
为实现上述申请目的之一，本申请一实施方式提供了一种利用训练模型实现的获取设备指纹装置，所述装置包括：
采样模块，用于选取设备库中N条数据，，每条数据由一个设备的多个设备属性的属性值组成；
计算模块，用于将所述N条数据中的每一条与所述N条数据逐一比较，且逐一记录两条数据相比较后得到的比较结果，形成结果矩阵，其中，两条数据相比较为相同设备属性之间的属性值比较；
学习模块，用于将所述结果矩阵和预设机制代入训练模型，以计算出每个设备属性的权重值，其中，所述预设机制为当两条数据中特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备；
查询模块，用于根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹。
作为本申请一实施方式的进一步改进，所述训练模型为逻辑回归模型。
作为本申请一实施方式的进一步改进，所述查询模块用于：
将待查询设备的多个设备属性的属性值与设备库中每一条数据中相同设备属性的属性值比较，若相同设备属性的属性值相同，则将待查询设备中对应的设备属性标记为x，若相同设备属性的属性值不同，则将待查询设备中对应的设备属性标记为y，最终形成多个比较结果，其中，所述x、y为数字；
将对应每个设备属性的权重值代入，计算待查询设备相对设备库中每一条数据的匹配值，所述匹配值为x*相应设备属性的权重值和y*相应设备属性的权重值的总和；
若有匹配值大于或大于等于预设阈值，则将大于或大于等于预设阈值的匹配值相应的设备库中的设备标识作为所述待查询设备的设备指纹。
作为本申请一实施方式的进一步改进，所述查询模块用于：
若所有匹配值小于预设阈值，则将所述待查询设备的设备属性的属性值存储至所述设备库，并分配对应所述待查询设备的设备标识。
作为本申请一实施方式的进一步改进，所述预设机制为当两条数据中至少两个特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备。
相对于现有技术，本申请的技术效果在于：本申请通过构造更加合理的匹配模型，大大提高了待查找设备在设备库中的匹配精度。
附图说明
图1是本申请一实施方式中利用训练模型实现的获取设备指纹方法的流程图；
图2是本申请一实施方式中查找待查询设备的设备指纹的流程图。
图3是本申请一实施方式中利用训练模型实现的获取设备指纹装置的模块图。
具体实施方式
以下将结合附图所示的具体实施方式对本申请进行详细描述。但这些实施方式并不限制本申请，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
如图1所示，在本申请一实施方式中，所述训练模型实现的获取设备指纹方法，包括：
S1、选取设备库中N条数据，每条数据由一个设备的多个设备属性的属性值组成；
S2、将所述N条数据中的每一条与所述N条数据逐一比较，且逐一记录两条数据相比较后得到的比较结果，形成结果矩阵，其中，两条数据相比较为相同设备属性之间的属性值比较；
S3、将所述结果矩阵和预设机制代入训练模型，以计算出每个设备属性的权重值，其中，所述预设机制为当两条数据中特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备；
S4、根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹。
举例说明，首先，可收集海量设备的设备属性及相应属性值，形成海量条数据，每一条数据可由一个设备的多个设备属性的属性值组成，例如该设备的IMEI值，IMSI值，CPU频率等等，如此，即可通过海量条数据形成设备库。
其次，选取设备库中N条数据，例如1000条，同时，建立预设机制，该预设机制为在设备库中能证明两条数据表示同一个设备的机制，例如，对于无线终端设备而言，若两条数据具有相同的IMEI，则表示这两条数据对应的设备为相同设备。
当然，所述预设机制也可为当两条数据中至少两个特定的设备属性的属性值相同时，表示该两条数据对应的设备为相同设备，如此，可实现更加精确的匹配。例如，对于无线终端设备而言，若两条数据具有相同的的IMEI+IMSI，则表示这两条数据对应的设备为相同设备。
预订机制里的设备属性可根据具体情况进行定义，例如，也可定义两条数据具有相同的cookie值时，表示该两条数据对应的设备为相同设备。
然后，将所述1000条数据中的每一条与所述1000条数据逐一比较，例如，将1000条数据中的第1条数据与这1000条数据中的第1条数据比较，与第2条数据比较，……，直到与第1000条数据比较；然后将这1000条数据中的第2条数据与这1000条里的第1条数据比较，与第2条数据比较，……，直到与第1000条数据比较，并重复上述过程，直到这1000条数据里的第1000条数据也分别与这1000条数据比较。
在本实施例中，上述比较的方法是，两条数据按位进行比较，其中，每条数据的设备属性排列顺序相同，即两条数据按照同样的设备属性比较其属性值，属性值相等则在对应位上记1，否则为0，当然，上述数字可任意替换。
例如，这1000条数据中的第1条数据是[IMEI＝00000,IMSI＝12345,....,CPU频率＝1500MHz]，第2条数据是[IMEI＝00000,IMSI＝23456,……,CPU频率＝1300MHz]，则两条数据的比较结果为一标签列：[1,0,……,0]，以此类推，即可通过1000条数据各自比较后的比较结果形成结果矩阵。
另外，例如第3条数据的IMEI和IMSI分别为00000，34567，第4条数据的IMEI和IMSI分别为00000，34567，如果预设机制是设置为若两条数据具有相同的的IMEI+IMSI，则表示这两条数据对应的设备为相同设备，则可认为这两条数据对应的是同一个设备，对应的比较结果的标签列结果，例如标签列可标记为1，若IMEI和IMSI其中之一不相同，则对应的比较结果的标签列结果，例如标签列可标记为0，当然，上述数字可任意替换。
将上述的结果矩阵和通过预设机制和/或预设机制得到的标签列结果代入逻辑回归模型，对逻辑回归模型进行训练，可得到每个设备属性的权重值。具体训练方式属于本领域技术人员的公知常识，在此不再赘述。
在本实施方式中，『根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹』如图2所示，具体包括：
S41、将待查询设备的多个设备属性的属性值与设备库中每一条数据中相同设备属性的属性值比较，若相同设备属性的属性值相同，则将待查询设备中对应的设备属性标记为x，若相同设备属性的属性值不同，则将待查询设备中对应的设备属性标记为y，最终形成多个比较结果，其中，所述x、y为数字；
S42、将对应每个设备属性的权重值代入，计算待查询设备相对设备库中每一条数据的匹配值，所述匹配值为x*相应设备属性的权重值和y*相应设备属性的权重值的总和；
S43、若有匹配值大于或大于等于预设阈值，则将大于或大于等于预设阈值的匹配值相应的设备库中的设备标识作为所述待查询设备的设备指纹；
S44、若所有匹配值小于预设阈值，则将所述待查询设备的设备属性的属性值存储至所述设备库，并分配对应所述待查询设备的设备标识。
举例说明，对待查询设备的匹配，是将待查询设备的多个设备属性的属性值和设备库中每一条数据中相同设备属性的属性值比较，其可按照上述方式，即两条数据按位进行比较，其中，每条数据的设备属性排列顺序相同，即两条数据按照同样的设备属性比较其属性值，属性值相等则在对应位上记x＝1，否则为y＝0，当然，上述数字可任意替换。
例如，待查询设备的多个设备属性的属性值是[IMEI＝00000,IMSI＝12345,....,CPU频率＝1500MHz]，设备库中某条数据是[IMEI＝00000,IMSI＝23456,……,CPU频率＝1300MHz]，则两条数据的比较结果为[1,0,……,0]，以此类推，即可将待查询设备的多个设备属性的属性值与设备库里所有条数据计算出比较结果。
在得到一个或多个比较结果后，可将上述计算出的权重值代入，计算待查询设备相对设备库中每一条数据的匹配值，例如，以上述两条数据为例的匹配值为1*对应该设备属性的权重值+0*对应该设备属性的权重值+……+0*对应该设备属性的权重值。
若最终匹配值的结果大于或大于等于预设阈值，例如上述匹配值的结果为0.7，而预设阈值为0.5，则可将相应的设备库中的设备标识，例如设备ID作为该待查询设备的设备指纹。
若最终所有的匹配值都小于预设阈值，例如上述匹配值的结果为0.4，而预设阈值为0.5，则认为在设备库中并不存在该待查询设备的设备指纹，此时，则将所述待查询设备的设备属性的属性值存储至所述设备库，并分配对应所述待查询设备的设备标识。
如图3所示，在本申请一实施方式中，所述利用训练模型实现的获取设备指纹装置，包括：
采样模块100，用于选取设备库500中N条数据，每条数据由一个设备的多个设备属性的属性值组成；
计算模块200，用于将所述N条数据中的每一条与所述N条数据逐一比较，且逐一记录两条数据相比较后得到的比较结果，形成结果矩阵，其中，两条数据相比较为相同设备属性之间的属性值比较；
学习模块300，用于将所述结果矩阵和预设机制代入训练模型，以计算出每个设备属性的权重值，其中，所述预设机制为当两条数据中特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备；
查询模块400，用于根据待查询设备的多个设备属性的属性值与设备库500中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹。
举例说明，首先，可收集海量设备的设备属性及相应属性值，形成海量条数据，每一条数据可由一个设备的多个设备属性的属性值组成，例如该设备的IMEI值，IMSI值，CPU频率，操作系统版本号等等，如此，即可通过海量条数据形成设备库500。
其次，选取设备库500中N条数据，例如1000条，同时，建立预设机制，该预设机制为在设备库500中能证明两条数据表示同一个设备的机制，例如，对于无线终端设备而言，若两条数据具有相同的IMEI，则表示这两条数据对应的设备为相同设备。
当然，所述预设机制也可为当两条数据中至少两个特定的设备属性的属性值相同时，表示该两条数据对应的设备为相同设备，如此，可实现更加精确的匹配。例如，对于无线终端设备而言，若两条数据具有相同的的IMEI+IMSI，则表示这两条数据对应的设备为相同设备。
预订机制里的设备属性可根据具体情况进行定义，例如，也可定义两条数据具有相同的cookie值时，表示该两条数据对应的设备为相同设备。
然后，将所述1000条数据中的每一条与所述1000条数据逐一比较，例如，将1000条数据中的第1条数据与这1000条数据中的第1条数据比较，与第2条数据比较，……，直到与第1000条数据比较；然后将这1000条数据中的第2条数据与这1000条里的第1条数据比较，与第2条数据比较，……，直到与第1000条数据比较，并重复上述过程，直到这1000条数据里的第1000条数据也分别与这1000条数据比较。
在本实施例中，上述比较的方法是，两条数据按位进行比较，其中，每条数据的设备属性排列顺序相同，即两条数据按照同样的设备属性比较其属性值，属性值相等则在对应位上记1，否则为0，当然，上述数字可任意替换。
例如，这1000条数据中的第1条数据是[IMEI＝00000,IMSI＝12345,….,CPU频率＝1500MHz]，第2条数据是[IMEI＝00000,IMSI＝23456,……,CPU频率＝1300MHz]，则两条数据的比较结果为一标签列：[1,0,……,0]，以此类推，即可通过1000条数据各自比较后的比较结果形成结果矩阵。
另外，例如第3条数据的IMEI和IMSI分别为00000，34567，第4条数据的IMEI和IMSI分别为00000，34567，如果预设机制是设置为若两条数据具有相同的的IMEI+IMSI，则表示这两条数据对应的设备为相同设备，则可认为这两条数据对应的是同一个设备，对应的比较结果的标签列结果，例如标签列可标记为1，若IMEI和IMSI其中之一不相同，则对应的比较结果的标签列结果，例如标签列可标记为0，当然，上述数字可任意替换。
将上述的结果矩阵和通过预设机制和/或预设机制得到的标签列结果代入逻辑回归模型，对逻辑回归模型进行训练，可得到每个设备属性的权重值。具体训练方式属于本领域技术人员的公知常识，在此不再赘述。
在本实施方式中，所述查询模块400还用于：
将待查询设备的多个设备属性的属性值与设备库500中每一条数据中相同设备属性的属性值比较，若相同设备属性的属性值相同，则将待查询设备中对应的设备属性标记为x，若相同设备属性的属性值不同，则将待查询设备中对应的设备属性标记为y，最终形成多个比较结果，其中，所述x、y为数字；
将对应每个设备属性的权重值代入，计算待查询设备相对设备库500中每一条数据的匹配值，所述匹配值为x*相应设备属性的权重值和y*相应设备属性的权重值的总和；
若有匹配值大于或大于等于预设阈值，则将大于或大于等于预设阈值的匹配值相应的设备库500中的设备标识作为所述待查询设备的设备指纹；
若所有匹配值小于预设阈值，则将所述待查询设备的设备属性的属性值存储至所述设备库500，并分配对应所述待查询设备的设备标识。
举例说明，对待查询设备的匹配，是将待查询设备的多个设备属性的属性值和设备库500中每一条数据中相同设备属性的属性值比较，其可按照上述方式，即两条数据按位进行比较，其中，每条数据的设备属性排列顺序相同，即两条数据按照同样的设备属性比较其属性值，属性值相等则在对应位上记x＝1，否则为y＝0，当然，上述数字可任意替换。
例如，待查询设备的多个设备属性的属性值是[IMEI＝00000,IMSI＝12345,....,CPU频率＝1500MHz]，设备库500中某条数据是[IMEI＝00000,IMSI＝23456,……,CPU频率＝1300MHz]，则两条数据的比较结果为[1,0,……,0]，以此类推，即可将待查询设备的多个设备属性的属性值与设备库500里所有条数据计算出比较结果。
在得到一个或多个比较结果后，可将上述计算出的权重值代入，计算待查询设备相对设备库500中每一条数据的匹配值，例如，以上述两条数据为例的匹配值为1*对应该设备属性的权重值+0*对应该设备属性的权重值+……+0*对应该设备属性的权重值。
若最终匹配值的结果大于或大于等于预设阈值，例如上述匹配值的结果为0.7，而预设阈值为0.5，则可将相应的设备库500中的设备标识，例如设备ID作为该待查询设备的设备指纹。
若最终所有的匹配值都小于预设阈值，例如上述匹配值的结果为0.4，而预设阈值为0.5，则认为在设备库500中并不存在该待查询设备的设备指纹，此时，则将所述待查询设备的设备属性的属性值存储至所述设备库500，并分配对应所述待查询设备的设备标识。
综上所述，本申请通过构造更加合理的匹配模型，大大提高了待查找设备在设备库中的匹配精度(现有的技术方案下的设备指纹的匹配精度目前只有85％左右，即是设备指纹有15％左右的情况下会匹配出两个或两个以上的设备)，增加了安全防护工作的效率和打击的准确性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，装置和模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
在本申请所提供的几个实施方式中，应该理解到，所揭露的装置，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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方式方案的目的。
另外，在本申请各个实施方式中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以2个或2个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本申请各个实施方式所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施方式仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施方式对本申请进行了详细的说明，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方式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申请各实施方式技术方案的精神和范围。
Claims (10)
1.一种利用训练模型实现的获取设备指纹方法，其特征在于，所述方法包括：
选取设备库中N条数据，每条数据由一个设备的多个设备属性的属性值组成；
将所述N条数据中的每一条与所述N条数据逐一比较，且逐一记录两条数据相比较后得到的比较结果，形成结果矩阵，其中，两条数据相比较为相同设备属性之间的属性值比较；
将所述结果矩阵和预设机制代入训练模型，以计算出每个设备属性的权重值，其中，所述预设机制为当两条数据中特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备；
根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹。
2.根据权利要求1所述的利用训练模型实现的获取设备指纹方法，其特征在于，所述训练模型为逻辑回归模型。
3.根据权利要求1所述的利用训练模型实现的获取设备指纹方法，其特征在于，『根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹』具体包括：
将待查询设备的多个设备属性的属性值与设备库中每一条数据中相同设备属性的属性值比较，若相同设备属性的属性值相同，则将待查询设备中对应的设备属性标记为x，若相同设备属性的属性值不同，则将待查询设备中对应的设备属性标记为y，最终形成多个比较结果，其中，所述x、y为数字；
将对应每个设备属性的权重值代入，计算待查询设备相对设备库中每一条数据的匹配值，所述匹配值为x*相应设备属性的权重值和y*相应设备属性的权重值的总和；
若有匹配值大于或大于等于预设阈值，则将大于或大于等于预设阈值的匹配值相应的设备库中的设备标识作为所述待查询设备的设备指纹。
4.根据权利要求3所述的利用训练模型实现的获取设备指纹方法，其特征在于，所述方法还包括：
若所有匹配值小于预设阈值，则将所述待查询设备的设备属性的属性值存储至所述设备库，并分配对应所述待查询设备的设备标识。
5.根据权利要求1所述的利用训练模型实现的获取设备指纹方法，其特征在于，所述预设机制为当两条数据中至少两个特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备。
6.一种利用训练模型实现的获取设备指纹装置，其特征在于，所述装置包括：
采样模块，用于选取设备库中N条数据，每条数据由一个设备的多个设备属性的属性值组成；
计算模块，用于将所述N条数据中的每一条与所述N条数据逐一比较，且逐一记录两条数据相比较后得到的比较结果，形成结果矩阵，其中，两条数据相比较为相同设备属性之间的属性值比较；
学习模块，用于将所述结果矩阵和预设机制代入训练模型，以计算出每个设备属性的权重值，其中，所述预设机制为当两条数据中特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备；
查询模块，用于根据待查询设备的多个设备属性的属性值与设备库中每一条数据的匹配关系，以及每个设备属性对应的权重值，查找所述待查询设备的设备指纹。
7.根据权利要求6所述的利用训练模型实现的获取设备指纹装置，其特征在于，所述训练模型为逻辑回归模型。
8.根据权利要求6所述的利用训练模型实现的获取设备指纹装置，其特征在于，所述查询模块用于：
将待查询设备的多个设备属性的属性值与设备库中每一条数据中相同设备属性的属性值比较，若相同设备属性的属性值相同，则将待查询设备中对应的设备属性标记为x，若相同设备属性的属性值不同，则将待查询设备中对应的设备属性标记为y，最终形成多个比较结果，其中，所述x、y为数字；
将对应每个设备属性的权重值代入，计算待查询设备相对设备库中每一条数据的匹配值，所述匹配值为x*相应设备属性的权重值和y*相应设备属性的权重值的总和；
若有匹配值大于或大于等于预设阈值，则将大于或大于等于预设阈值的匹配值相应的设备库中的设备标识作为所述待查询设备的设备指纹。
9.根据权利要求8所述的利用训练模型实现的获取设备指纹装置，其特征在于，所述查询模块用于：
若所有匹配值小于预设阈值，则将所述待查询设备的设备属性的属性值存储至所述设备库，并分配对应所述待查询设备的设备标识。
10.根据权利要求6所述的利用训练模型实现的获取设备指纹装置，其特征在于，所述预设机制为当两条数据中至少两个特定的设备属性的属性值相同时，表示该两条数据对应的设备为同一设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510082775.2A CN105989373B (zh) | 2015-02-15 | 2015-02-15 | 利用训练模型实现的获取设备指纹方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510082775.2A CN105989373B (zh) | 2015-02-15 | 2015-02-15 | 利用训练模型实现的获取设备指纹方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105989373A true CN105989373A (zh) | 2016-10-05 |
| CN105989373B CN105989373B (zh) | 2019-07-23 |
Family
ID=57041402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510082775.2A Active CN105989373B (zh) | 2015-02-15 | 2015-02-15 | 利用训练模型实现的获取设备指纹方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105989373B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106453437A (zh) * | 2016-12-22 | 2017-02-22 | 中国银联股份有限公司 | 一种设备识别码获取方法及装置 |
| CN106982230A (zh) * | 2017-05-10 | 2017-07-25 | 深信服科技股份有限公司 | 一种流量检测方法及系统 |
| CN106991317A (zh) * | 2016-12-30 | 2017-07-28 | 中国银联股份有限公司 | 安全验证方法、平台、装置和系统 |
| CN107423613A (zh) * | 2017-06-29 | 2017-12-01 | 江苏通付盾信息安全技术有限公司 | 依据相似度确定设备指纹的方法、装置及服务器 |
| CN107451461A (zh) * | 2017-06-28 | 2017-12-08 | 江苏通付盾信息安全技术有限公司 | 移动设备的设备指纹处理方法、装置、服务器及存储介质 |
| CN107622198A (zh) * | 2017-07-11 | 2018-01-23 | 上海点融信息科技有限责任公司 | 用于实现设备指纹的方法、装置和计算机可读存储介质 |
| CN107733869A (zh) * | 2017-09-13 | 2018-02-23 | 中国银联股份有限公司 | 一种设备识别方法及装置 |
| CN110826735A (zh) * | 2019-10-31 | 2020-02-21 | 上海玖道信息科技股份有限公司 | 一种电力scada智能多维查询检修方法 |
| CN112738793A (zh) * | 2020-12-29 | 2021-04-30 | 永辉云金科技有限公司 | 一种基于bp算法的设备指纹生成方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07244702A (ja) * | 1994-03-07 | 1995-09-19 | Glory Ltd | 小切手処理装置 |
| CN101542970A (zh) * | 2006-03-20 | 2009-09-23 | 绝对软件公司 | 用于确定电子设备的标识的方法 |
| CN102710770A (zh) * | 2012-06-01 | 2012-10-03 | 汪德嘉 | 一种上网设备识别方法及其实现系统 |
| CN103428189A (zh) * | 2012-05-25 | 2013-12-04 | 阿里巴巴集团控股有限公司 | 一种识别恶意网络设备的方法、装置和系统 |
| CN103824115A (zh) * | 2014-02-28 | 2014-05-28 | 中国科学院计算技术研究所 | 面向开放网络知识库的实体间关系推断方法及系统 |
-
2015
- 2015-02-15 CN CN201510082775.2A patent/CN105989373B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07244702A (ja) * | 1994-03-07 | 1995-09-19 | Glory Ltd | 小切手処理装置 |
| CN101542970A (zh) * | 2006-03-20 | 2009-09-23 | 绝对软件公司 | 用于确定电子设备的标识的方法 |
| CN103428189A (zh) * | 2012-05-25 | 2013-12-04 | 阿里巴巴集团控股有限公司 | 一种识别恶意网络设备的方法、装置和系统 |
| CN102710770A (zh) * | 2012-06-01 | 2012-10-03 | 汪德嘉 | 一种上网设备识别方法及其实现系统 |
| CN103824115A (zh) * | 2014-02-28 | 2014-05-28 | 中国科学院计算技术研究所 | 面向开放网络知识库的实体间关系推断方法及系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106453437A (zh) * | 2016-12-22 | 2017-02-22 | 中国银联股份有限公司 | 一种设备识别码获取方法及装置 |
| CN106453437B (zh) * | 2016-12-22 | 2019-12-06 | 中国银联股份有限公司 | 一种设备识别码获取方法及装置 |
| CN106991317A (zh) * | 2016-12-30 | 2017-07-28 | 中国银联股份有限公司 | 安全验证方法、平台、装置和系统 |
| CN106982230A (zh) * | 2017-05-10 | 2017-07-25 | 深信服科技股份有限公司 | 一种流量检测方法及系统 |
| CN106982230B (zh) * | 2017-05-10 | 2020-11-13 | 深信服科技股份有限公司 | 一种流量检测方法及系统 |
| CN107451461A (zh) * | 2017-06-28 | 2017-12-08 | 江苏通付盾信息安全技术有限公司 | 移动设备的设备指纹处理方法、装置、服务器及存储介质 |
| CN107451461B (zh) * | 2017-06-28 | 2022-11-11 | 江苏通付盾信息安全技术有限公司 | 移动设备的设备指纹处理方法、装置、服务器及存储介质 |
| CN107423613A (zh) * | 2017-06-29 | 2017-12-01 | 江苏通付盾信息安全技术有限公司 | 依据相似度确定设备指纹的方法、装置及服务器 |
| CN107622198B (zh) * | 2017-07-11 | 2020-08-25 | 上海点融信息科技有限责任公司 | 用于实现设备指纹的方法、装置和计算机可读存储介质 |
| CN107622198A (zh) * | 2017-07-11 | 2018-01-23 | 上海点融信息科技有限责任公司 | 用于实现设备指纹的方法、装置和计算机可读存储介质 |
| CN107733869A (zh) * | 2017-09-13 | 2018-02-23 | 中国银联股份有限公司 | 一种设备识别方法及装置 |
| CN107733869B (zh) * | 2017-09-13 | 2020-06-19 | 中国银联股份有限公司 | 一种设备识别方法及装置 |
| CN110826735A (zh) * | 2019-10-31 | 2020-02-21 | 上海玖道信息科技股份有限公司 | 一种电力scada智能多维查询检修方法 |
| CN110826735B (zh) * | 2019-10-31 | 2023-04-25 | 上海玖道信息科技股份有限公司 | 一种电力scada智能多维查询检修方法 |
| CN112738793A (zh) * | 2020-12-29 | 2021-04-30 | 永辉云金科技有限公司 | 一种基于bp算法的设备指纹生成方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105989373B (zh) | 2019-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105989373A (zh) | 利用训练模型实现的获取设备指纹方法及装置 | |
| CN107609217B (zh) | 碰撞校核数据的处理方法及装置 | |
| CN102129451B (zh) | 图像检索系统中数据聚类方法 | |
| CN105989079A (zh) | 获取设备指纹的方法及装置 | |
| Sharma et al. | K-modes clustering algorithm for categorical data | |
| CN105446991A (zh) | 数据存储方法、查询方法及设备 | |
| CN103870505A (zh) | 一种查询词推荐方法和查询词推荐系统 | |
| CN104636349B (zh) | 一种索引数据压缩以及索引数据搜索的方法和设备 | |
| CN105630972A (zh) | 数据处理方法及装置 | |
| CN103577440A (zh) | 一种非关系型数据库中的数据处理方法和装置 | |
| CN103714086A (zh) | 用于生成非关系数据库的模式的方法和设备 | |
| CN101650717A (zh) | 一种节约数据库存储空间的方法和系统 | |
| CN104462222A (zh) | 一种卡口车辆通行数据的分布式存储方法及系统 | |
| CN104112011B (zh) | 一种海量数据提取的方法及装置 | |
| CN104750872A (zh) | 一种业务对象的查询方法及装置 | |
| CN105512156A (zh) | 点击模型生成方法和装置 | |
| CN104980462A (zh) | 分布式计算方法、装置和系统 | |
| CN104199977A (zh) | 一种基于数据库中数据创建信息搜索的方法 | |
| CN104991741A (zh) | 一种基于键值模型的情境适配电网大数据存储方法 | |
| CN108509545A (zh) | 一种文章的评论处理方法及系统 | |
| CN104298570A (zh) | 数据处理方法和装置 | |
| CN105512270A (zh) | 一种确定相关对象的方法和装置 | |
| CN104866535A (zh) | 一种号段记录压缩方法及装置 | |
| CN104462104A (zh) | 过滤方法和服务器 | |
| CN108256465A (zh) | 电能质量扰动事件识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201010 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Patentee after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Patentee before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20201010 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Patentee after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Patentee before: Alibaba Group Holding Ltd. |
|
| TR01 | Transfer of patent right |