CN107066974A - 一种抗浏览器指纹改变的终端设备识别方法 - Google Patents
一种抗浏览器指纹改变的终端设备识别方法 Download PDFInfo
- Publication number
- CN107066974A CN107066974A CN201710250296.6A CN201710250296A CN107066974A CN 107066974 A CN107066974 A CN 107066974A CN 201710250296 A CN201710250296 A CN 201710250296A CN 107066974 A CN107066974 A CN 107066974A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- browser
- attribute
- terminal device
- bayesian network
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Abstract
本发明提供一种抗浏览器指纹改变的终端设备识别方法。本发明包括：Ⅰ、通过过滤冗余属性以及分割粗粒度属性，提取多属性特征形成细粒度的指纹生成方案；Ⅱ、根据指纹属性间的相互关系，构建对应的贝叶斯网络结构并进行参数学习；Ⅲ、对于未知设备进行指纹匹配分类，并反馈结果。本发明通过对相关属性的分析和过滤，抽取多个细粒度属性组合形成浏览器指纹，并根据指纹变化情况推测属性间相互关系，构建对应的贝叶斯网络，实现指纹改变情况下终端设备的准确识别。
Description
技术领域：
本发明涉及一种抗浏览器指纹改变的终端设备识别方法，属于终端识别技术领域。
背景技术：
终端设备指纹识别技术是指通过收集终端设备的各种有效信息从而对其身份进行识别的一种攻击技术，其中，有效信息包括终端设备的硬件信息、操作系统信息、网络协议参数信息等。例如，可以根据Mac地址、IP地址等来标识设备，但此类方法很容易被规避，只需对这些地址信息进行简单地更改和伪装，就能使得唯一标识符信息失效。目前常见的终端设备指纹识别技术主要根据响应报文来推测TCP/IP协议栈的参数信息，然后准确识别终端设备的操作系统类型及版本信息，广泛使用的开源工具包括Namp、p0f、Xprobe等，但此类方法需要主动发送探测包，隐蔽性低，易被发现。此外，也有一些较为复杂的被动方法，主要通过利用时钟脉冲相位差、网卡产生的模拟信号、网卡驱动主动扫描算法等特性实现终端设备的识别。
随着浏览器自身功能的完善以及插件扩展应用的兴起，浏览器承载了越来越多用户相关的个性化信息，由此，基于浏览器指纹的终端设备识别技术逐渐成为了学术界和工业界的研究热点。当前的浏览器指纹技术主要提取以下属性生成指纹，如表1所示。
表1.浏览器可获取的相关属性及其获取方法
| 属性 | 获取方法 |
| User agent | Javascript或者HTTP头部 |
| Accept | HTTP头部 |
| CPU类型 | Javascript |
| 浏览器名称及厂商 | Javascript |
| 语言设置 | Javascript或者HTTP头部 |
| 插件列表 | JavaScript |
| Cookies支持情况 | JavaScript |
| 时区设置 | JavaScript |
| HTML5支持情况 | JavaScript |
| CSS3支持情况 | JavaScript |
| 屏幕信息(宽度、高度、分辨率) | JavaScript |
| 字体列表 | Actionscript |
| 运行平台 | JavaScript |
| Do Not Track | JavaScript |
| Canvas指纹 | JavaScript |
| WebGL指纹 | JavaScript |
当上述属性被提取生成浏览器指纹后，现有技术一般都会采用严格匹配的方法进行识别验证，即当两条指纹完全相同时(或仅允许某一个值发生变化)，才认为这两条指纹属于相同的终端设备。然而事实上，浏览器指纹发生变化的情况是十分普遍的，比如常规的浏览器升级更新操作就会造成多个属性值发生变化，再加上用户的一些个人操作，使得前后指纹发生较大的变化。针对这种情况，现有的指纹匹配方法仅能得知某些属性值发生了变化，但无法衡量变化的程度，很大程度上会将变化后的指纹识别为一台新设备的指纹，鲁棒性差，大大降低了该技术的现实可行性。
综上所述，目前主流的基于浏览器指纹的终端设备识别技术无法很好地处理指纹改变的情况，即使是用户一些细微改动操作都会导致指纹匹配失败。
发明内容
本发明的目的是针对现有技术中存在的问题，提出一种抗浏览器指纹改变的终端设备识别方法，通过对相关属性的分析和过滤，抽取多个细粒度属性组合形成浏览器指纹，并根据指纹变化情况推测属性间相互关系，构建对应的贝叶斯网络，实现指纹改变情况下终端设备的准确识别。
上述的目的通过以下技术方案实现：
一种抗浏览器指纹改变的终端设备识别方法，该方法包括以下步骤：
Ⅰ、通过过滤冗余属性以及分割粗粒度属性，提取多属性特征形成细粒度的指纹生成方案；
Ⅱ、根据指纹属性间的相互关系，构建对应的贝叶斯网络结构并进行参数学习；
Ⅲ、对于未知设备进行指纹匹配分类，并反馈结果。
其中，所述步骤Ⅰ中，利用Javascript、Actionscript等技术编写相关脚本嵌入到目标页面中，共抽取16种浏览器属性，在此基础上，通过过滤冗余属性以及分割粗粒度属性，提取了24种属性特征形成细粒度的指纹生成方案，具体包括操作系统类型、操作系统系列、操作系统版本、操作系统位数、运行平台、是否为智能终端、智能终端型号、浏览器类型、浏览器版本、浏览器内核类型、浏览器内核版本、语言设置、插件列表、字体列表、时区设置、是否支持Cookie、DNT、屏幕宽度X屏幕高度、屏幕颜色深度、Accept、HTML5支持情况、CSS3支持情况、Canvas指纹和WebGL指纹，同时，还需采集已标记的训练数据来进行指纹库的构建。
其中，所述步骤Ⅱ中，针对所提取的细粒度指纹属性，构建贝叶斯网络分类器；
所述步骤Ⅱ包括以下步骤：
S201、基于经验知识进行贝叶斯网络结构的构建；
S202、训练数据预处理及贝叶斯网络的参数学习。
其中，所述步骤S201中，鉴于结构学习的复杂性和训练数据的不完备性，本发明基于经验知识学习贝叶斯网络结构，筛选了多个属性的变化情况作为随机变量，并根据属性间的相互关系进行拓扑层次的构建；
所述步骤S202中，考虑到收集的训练集数据不一定完备，无法获得较为准确的先验概率，本发明采用最大似然估计算法进行参数的学习。此外，由于采集的指纹数据并不能直观地反映属性改变情况，因此需要先进行数据预处理，将浏览器指纹转化为对应变化情况的特征向量，从而形成训练集。
其中，所述步骤Ⅲ中，当某个未知设备利用浏览器访问嵌有数据采集脚本的网页时，浏览器相关的多个属性值会被发送到服务器上，并生成相应的细粒度指纹fp。然后，该指纹会与指纹库Fw中的所有指纹进行比对，生成多个变化情况特征向量。将这些变化情况特征向量输入到训练好的贝叶斯网络中进行测试，若指纹匹配节点的后验概率最高的类别Ci超过预先设定的阈值，则该指纹所属的终端设备为识别为Ci，并将Fw中Ci的指纹更新为fp；反之，则认为该指纹属于一个新设备，在Fw中加入fp。最后，服务器将识别结果进行反馈。
有益效果：
与现有技术相比，本发明具有以下有益效果：
本发明对浏览器相关属性进行了过滤和分割，组合生成的指纹粒度更为细化，并消除了冗余信息的负面影响，在后续的匹配阶段中能更准确地衡量指纹间的差异程度；
本发明针对浏览器指纹各属性之间依赖关系，设计了贝叶斯网络结构，并利用训练数据进行参数学习，获得的分类模型对于由用户操作导致的指纹改变情况有更高的容忍度，从而实现了抗浏览器指纹改变的终端设备识别，具有更高的鲁棒性和现实可行性。
附图说明
图1为本发明所述的步骤二中构建的贝叶斯网络的拓扑结构。
图2为本发明所述的步骤三流程图。
具体实施方式
下面结合具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本实施例中提供一种抗浏览器指纹改变的终端设备识别方法，可分为细粒度浏览器指纹生成、贝叶斯网络构建、指纹匹配及结果反馈三大步骤，通过对浏览器相关属性的分析和过滤，抽取多个细粒度属性组合形成浏览器指纹，并根据属性间相互关系，构建对应的贝叶斯网络进行指纹的匹配分类，从而实现指纹改变情况下终端设备的准确识别。
所述抗浏览器指纹改变的终端设备识别方法包括以下步骤：
步骤一、通过过滤冗余属性以及分割粗粒度属性，提取多属性特征形成细粒度的指纹生成方案；
步骤二、根据指纹属性间的相互关系，构建对应的贝叶斯网络结构并进行参数学习；
步骤三、对于未知设备进行指纹匹配分类，并反馈结果。
步骤一、细粒度浏览器指纹生成
本发明根据现有技术，利用Javascript、Actionscript等技术编写相关脚本嵌入到目标页面中，共抽取表1中所述的16种浏览器属性，然而，目前所抽取的属性的分割粒度都十分粗糙，例如仅“User agent”一个属性中就涉及到多种类别的数据，包括有操作系统类型、版本和浏览器类型、内核、版本等，如下所示：
Mozilla/5.0(Windows NT 10.0；Win64；x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/51.0.2704.106Safari/537.36
从上述示例中可以得知，该设备为一台PC机，操作系统为64位的Win 10，浏览器为Chrome/51.0.2704.106，浏览器内核为Blink(AppleWebKit/537.36为Blink内核的特殊标识，而WebKit内核并没有537.36的版本)。大部分智能终端的“User agent”属性中还会包含设备型号名称、系统语言等信息。此外，其他属性，如“Accept”、“插件列表”、“语言设置”等多个属性也存在粗粒度的问题。同时，还存在一些冗余属性，例如“CPU类型”，该属性值通过执行navigator.cpuClass代码获得，但仅在IE下可行，且获得的值均为x86,对于匹配分类并没有什么贡献，可以进行过滤。
考虑到上述问题，本发明在对现有浏览器指纹多属性深入分析的基础上，通过过滤冗余属性以及分割粗粒度属性，共提取了24种属性特征形成细粒度的指纹生成方案，如表2所示：
表2.细粒度的浏览器指纹属性列表
同时，为了利用机器学习方法进行分类，还需预先采集浏览器指纹数据进行训练，并在终端设备中写入cookie作为标记，来追踪用户浏览器指纹的变化情况。
步骤二、贝叶斯网络构建
在对训练数据的挖掘过程中，发现对于相同的设备，构成浏览器指纹的任一属性都有可能发生变化，且多个属性之间并不是相互独立的，存在一定的依存关系，例如，浏览器版本变化会影响对Html5多种功能的支持程度。鉴于浏览器指纹中多属性间的相关性，本发明提出采用贝叶斯网络对属性改变情况进行建模，缓解属性值改变对匹配结果造成的负面影响，从而实现抗浏览器指纹改变的终端设备识别方法，提高此类方法的现实可用性和鲁棒性。其中，贝叶斯网络是一种有向无环的概率图模型，被广泛应用于多个领域。不同于朴素贝叶斯模型，贝叶斯网络拓宽了属性取值相互独立的限制，用节点间的箭头表示因果或非条件独立关系。
贝叶斯网络模型建立具体包括以下步骤：
S201、基于经验知识进行贝叶斯网络结构的构建；
S202、训练数据预处理及贝叶斯网络的参数学习。
步骤S201中，鉴于结构学习的复杂性和训练数据的不完备性，本发明基于经验知识的方式进行贝叶斯网络结构的构建，共筛选了17个属性的变化情况作为随机变量，如表3所示：
表3.贝叶斯网络模型变量取值表
其中，操作系统变化和浏览器变化这两种情况会对其他多个属性造成影响，简要说明如下：
(1)操作系统的变化：考虑用户的正常操作，操作系统的变化主要包括版本的升级、版本的回滚、保持不变、以及更换一种其他类型操作系统。除了操作系统相关的属性值发生改变，同时还会影响设备型号、浏览器、字体列表、屏幕颜色深度、WebGL指纹、Canvas指纹、语言设置等属性的值。其中，对于智能终端，更新系统或者刷机都有可能造成设备型号的改变，例如中兴U9180设备刷了X9180的ROM后，型号就变成了X9180。而WebGL指纹和Canvas指纹都与图片渲染相关，因此会受到操作系统、浏览器和显卡等因素的影响。
(2)浏览器变化：浏览器的变化同样也可以分为四种情况：版本升级、版本回滚、保持不变以及更换为其他类型的浏览器。这些变化都可能导致插件列表、HTML5、CSS3、Accept、Cookie、DNT、WebGL指纹和Canvas指纹等属性值的变化。比如浏览器或内核版本的升级，会增加新的特性，提升对HTML5等新功能的支持度，同时也可能使某个原有的插件失效。而浏览器版本的回滚可能会造成用户数据的丢失，使得相关设置的值成为默认设置，使得属性值发生变化。
综合上述经验知识，本发明考虑多种用户操作，并对可能造成的影响进行推理，确定了贝叶斯网络的拓扑结构，如图1所示。
当贝叶斯网络拓扑结构确定后，还需要根据训练数据对该模型进行参数的学习，从而确定各个节点处的条件概率分布。
步骤S202中，考虑到收集的训练集数据不一定完备，无法获得较为准确的先验概率，本发明采用最大似然估计算法进行参数的学习。
此外，由于采集的指纹数据并不能直观地反映属性改变情况，因此需要先进行数据预处理，将浏览器指纹转化为对应变化情况的特征向量，形成训练集，具体分为以下四个步骤：
步骤S20201中，设备指纹数据库Fw用于存储已知设备的浏览器指纹，且在该数据库中，每个设备仅存在一条最新的指纹数据；
步骤S20202中，将预先采集的带标记的指纹数据按时间先后顺序进行排列，对于一条指纹fp，分别与Fw中的所有指纹进行字符串比较，并根据表3中的特征变量分类描述进行赋值。例如fp中浏览器为Chrome/51.0.2704.106，而Fw中某设备指纹对应的值为Chrome/50.0.2661.87，则认为浏览器这个特征分量的值为1，类似的，所有的分量组合后成为了一个变化情况特征向量VC。假设Fw中共有M条设备指纹，则新采集一条数据fp，就会产生M个变化情况特征向量，其中指纹匹配属性的值取决于被比较的两个指纹是否属于相同的类别(即两者的cookie是否一致)；
步骤S20203中，若Fw中不存在新指纹fp所对应的设备，则在Fw中增加fp的记录；若Fw中已存在新指纹fp所对应的设备，则将该设备对应的指纹更新为fp；
步骤S20204中，对于每一条指纹数据，重复步骤S20202-S20203，直至所有采集的带标记的指纹数据转化为特征向量数据后，再将其作为训练集对图1所构建的拓扑结构进行参数学习，最终可获得对应的贝叶斯网络。
步骤三、指纹匹配及结果反馈
如图2所示，在实际使用过程中，当某个未知设备利用浏览器访问嵌有数据采集脚本的网页时，浏览器相关的多个属性值会被发送到服务器上，并生成相应的细粒度指纹fp。然后，该指纹会与指纹库Fw中的所有指纹进行比对，生成多个变化情况特征向量。将这些变化情况特征向量输入到训练好的贝叶斯网络中进行测试，若指纹匹配节点后验概率最高的类别Ci超过预先设定的阈值，则该指纹所属的终端设备为识别为Ci，并将Fw中Ci的指纹更新为fp；反之，则认为该指纹属于一个新设备，在Fw中加入fp。最后，服务器将识别结果进行反馈。
最后应当说明的是：以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (5)
1.一种抗浏览器指纹改变的终端设备识别方法，其特征在于：所述方法包括以下步骤：
Ⅰ、通过过滤冗余属性以及分割粗粒度属性，提取多属性特征形成细粒度的指纹生成方案；
Ⅱ、根据指纹属性间的相互关系，构建对应的贝叶斯网络结构并进行参数学习；
Ⅲ、对于未知设备进行指纹匹配分类，并反馈结果。
2.如权利要求1所述的抗浏览器指纹改变的终端设备识别方法，其特征在于：所述步骤Ⅰ中，通过过滤冗余属性以及分割粗粒度属性，提取了24种属性特征形成细粒度的指纹生成方案，具体包括操作系统类型、操作系统系列、操作系统版本、操作系统位数、运行平台、是否为智能终端、智能终端型号、浏览器类型、浏览器版本、浏览器内核类型、浏览器内核版本、语言设置、插件列表、字体列表、时区设置、是否支持Cookie、DNT、屏幕宽度X屏幕高度、屏幕颜色深度、Accept、HTML5支持情况、CSS3支持情况、Canvas指纹和WebGL指纹，同时，还需采集已标记的训练数据来进行指纹库的构建。
3.如权利要求1所述的抗浏览器指纹改变的终端设备识别方法，其特征在于：所述步骤Ⅱ中，针对所提取的细粒度指纹属性，构建贝叶斯网络分类器；
所述步骤Ⅱ包括以下步骤：
S201、基于经验知识进行贝叶斯网络结构的构建；
S202、训练数据预处理及贝叶斯网络的参数学习。
4.如权利要求3所述的抗浏览器指纹改变的终端设备识别方法，其特征在于：所述步骤S201中，基于经验知识学习贝叶斯网络结构，筛选了多个属性的变化情况作为随机变量，并根据属性间的相互关系进行拓扑层次的构建；
所述步骤S202中，考采用最大似然估计算法进行参数的学习，需要先进行数据预处理，将浏览器指纹转化为对应变化情况的特征向量，从而形成训练集。
5.如权利要求1所述的方法，其特征在于：所述步骤Ⅲ中，当某个未知设备利用浏览器访问嵌有数据采集脚本的网页时，浏览器相关的多个属性值会被发送到服务器上，并生成相应的细粒度指纹fp，然后，该指纹会与指纹库Fw中的所有指纹进行比对，生成多个变化情况特征向量，将这些变化情况特征向量输入到训练好的贝叶斯网络中进行测试，若指纹匹配节点的后验概率最高的类别Ci超过预先设定的阈值，则该指纹所属的终端设备为识别为Ci，并将Fw中Ci的指纹更新为fp；反之，则认为该指纹属于一个新设备，在Fw中加入fp，最后，服务器将识别结果进行反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710250296.6A CN107066974B (zh) | 2017-04-17 | 2017-04-17 | 一种抗浏览器指纹改变的终端设备识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710250296.6A CN107066974B (zh) | 2017-04-17 | 2017-04-17 | 一种抗浏览器指纹改变的终端设备识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107066974A true CN107066974A (zh) | 2017-08-18 |
| CN107066974B CN107066974B (zh) | 2020-11-27 |
Family
ID=59600670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710250296.6A Active CN107066974B (zh) | 2017-04-17 | 2017-04-17 | 一种抗浏览器指纹改变的终端设备识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107066974B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107508832A (zh) * | 2017-09-21 | 2017-12-22 | 深圳智盾信息技术有限公司 | 一种设备指纹识别方法及系统 |
| CN107679575A (zh) * | 2017-10-10 | 2018-02-09 | 小花互联网金融服务（深圳）有限公司 | 一种基于用户的实时设备指纹获取装置 |
| CN107995167A (zh) * | 2017-11-14 | 2018-05-04 | 联动优势电子商务有限公司 | 一种设备识别方法及服务器 |
| CN108364022A (zh) * | 2018-02-09 | 2018-08-03 | 杭州默安科技有限公司 | 基于机器学习分析指纹相似度的跨浏览器设备识别方法 |
| CN108510999A (zh) * | 2018-02-09 | 2018-09-07 | 杭州默安科技有限公司 | 基于音频指纹的零权限终端设备识别方法 |
| CN109101532A (zh) * | 2018-06-25 | 2018-12-28 | 广州爱九游信息技术有限公司 | 检测作弊方法、装置及设备 |
| CN109918892A (zh) * | 2019-02-13 | 2019-06-21 | 平安科技（深圳）有限公司 | 验证码生成方法、装置及存储介质、计算机设备 |
| CN110162729A (zh) * | 2019-04-04 | 2019-08-23 | 百度在线网络技术（北京）有限公司 | 建立浏览器指纹以及识别浏览器类型的方法、装置 |
| CN110502677A (zh) * | 2019-04-18 | 2019-11-26 | 杭州海康威视数字技术股份有限公司 | 一种设备识别方法、装置及设备、存储介质 |
| CN110532958A (zh) * | 2019-08-30 | 2019-12-03 | 上海浦东发展银行股份有限公司信用卡中心 | 一种基于FingerPrint浏览器信息采集的设备指纹识别方法 |
| CN110933034A (zh) * | 2019-10-28 | 2020-03-27 | 深圳市钱海网络技术有限公司 | 一种基于数字指纹的登录方法及装置 |
| CN112100604A (zh) * | 2019-06-17 | 2020-12-18 | 北京达佳互联信息技术有限公司 | 终端设备信息处理方法、装置 |
| CN117056912A (zh) * | 2023-08-15 | 2023-11-14 | 浙江齐安信息科技有限公司 | 基于canvas指纹的操作系统识别方法、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090276468A1 (en) * | 2008-05-01 | 2009-11-05 | Yahoo! Inc. | Method for media fingerprinting |
| CN101764819A (zh) * | 2008-12-18 | 2010-06-30 | 赛门铁克公司 | 用于检测浏览器中间人攻击的方法和系统 |
| US20110314269A1 (en) * | 2009-12-10 | 2011-12-22 | Angelos Stavrou | Website Detection |
| CN103065095A (zh) * | 2013-01-29 | 2013-04-24 | 四川大学 | 一种基于指纹识别技术的web漏洞扫描方法和漏洞扫描器 |
| CN103425716A (zh) * | 2012-05-24 | 2013-12-04 | Tcl美国研究所 | 一种数据挖掘中基于命题逻辑的主特征分析方法及系统 |
| CN106446202A (zh) * | 2016-09-30 | 2017-02-22 | 福建北卡科技有限公司 | 一种基于特征隐式获取的抗干扰浏览器指纹生成方法 |
-
2017
- 2017-04-17 CN CN201710250296.6A patent/CN107066974B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090276468A1 (en) * | 2008-05-01 | 2009-11-05 | Yahoo! Inc. | Method for media fingerprinting |
| CN101764819A (zh) * | 2008-12-18 | 2010-06-30 | 赛门铁克公司 | 用于检测浏览器中间人攻击的方法和系统 |
| US20110314269A1 (en) * | 2009-12-10 | 2011-12-22 | Angelos Stavrou | Website Detection |
| CN103425716A (zh) * | 2012-05-24 | 2013-12-04 | Tcl美国研究所 | 一种数据挖掘中基于命题逻辑的主特征分析方法及系统 |
| CN103065095A (zh) * | 2013-01-29 | 2013-04-24 | 四川大学 | 一种基于指纹识别技术的web漏洞扫描方法和漏洞扫描器 |
| CN106446202A (zh) * | 2016-09-30 | 2017-02-22 | 福建北卡科技有限公司 | 一种基于特征隐式获取的抗干扰浏览器指纹生成方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAODAN GU 等: "A Novel Website Fingerprinting Attack against Multi-tab Browsing Behavior", 《2015 IEEE 19TH INTERNATIONAL CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN》 * |
| 王研昊: "Android设备指纹识别技术的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107508832A (zh) * | 2017-09-21 | 2017-12-22 | 深圳智盾信息技术有限公司 | 一种设备指纹识别方法及系统 |
| CN107679575A (zh) * | 2017-10-10 | 2018-02-09 | 小花互联网金融服务（深圳）有限公司 | 一种基于用户的实时设备指纹获取装置 |
| CN107995167A (zh) * | 2017-11-14 | 2018-05-04 | 联动优势电子商务有限公司 | 一种设备识别方法及服务器 |
| CN108364022B (zh) * | 2018-02-09 | 2020-07-28 | 杭州默安科技有限公司 | 基于机器学习分析指纹相似度的跨浏览器设备识别方法 |
| CN108510999A (zh) * | 2018-02-09 | 2018-09-07 | 杭州默安科技有限公司 | 基于音频指纹的零权限终端设备识别方法 |
| CN108510999B (zh) * | 2018-02-09 | 2020-07-14 | 杭州默安科技有限公司 | 基于音频指纹的零权限终端设备识别方法 |
| CN108364022A (zh) * | 2018-02-09 | 2018-08-03 | 杭州默安科技有限公司 | 基于机器学习分析指纹相似度的跨浏览器设备识别方法 |
| CN109101532A (zh) * | 2018-06-25 | 2018-12-28 | 广州爱九游信息技术有限公司 | 检测作弊方法、装置及设备 |
| CN109918892A (zh) * | 2019-02-13 | 2019-06-21 | 平安科技（深圳）有限公司 | 验证码生成方法、装置及存储介质、计算机设备 |
| CN109918892B (zh) * | 2019-02-13 | 2023-11-21 | 平安科技（深圳）有限公司 | 验证码生成方法、装置及存储介质、计算机设备 |
| CN110162729A (zh) * | 2019-04-04 | 2019-08-23 | 百度在线网络技术（北京）有限公司 | 建立浏览器指纹以及识别浏览器类型的方法、装置 |
| CN110162729B (zh) * | 2019-04-04 | 2021-09-21 | 百度在线网络技术（北京）有限公司 | 建立浏览器指纹以及识别浏览器类型的方法、装置 |
| CN110502677A (zh) * | 2019-04-18 | 2019-11-26 | 杭州海康威视数字技术股份有限公司 | 一种设备识别方法、装置及设备、存储介质 |
| CN112100604A (zh) * | 2019-06-17 | 2020-12-18 | 北京达佳互联信息技术有限公司 | 终端设备信息处理方法、装置 |
| CN112100604B (zh) * | 2019-06-17 | 2024-04-05 | 北京达佳互联信息技术有限公司 | 终端设备信息处理方法、装置 |
| CN110532958B (zh) * | 2019-08-30 | 2023-02-10 | 上海浦东发展银行股份有限公司信用卡中心 | 一种基于FingerPrint浏览器信息采集的设备指纹识别方法 |
| CN110532958A (zh) * | 2019-08-30 | 2019-12-03 | 上海浦东发展银行股份有限公司信用卡中心 | 一种基于FingerPrint浏览器信息采集的设备指纹识别方法 |
| CN110933034A (zh) * | 2019-10-28 | 2020-03-27 | 深圳市钱海网络技术有限公司 | 一种基于数字指纹的登录方法及装置 |
| CN117056912A (zh) * | 2023-08-15 | 2023-11-14 | 浙江齐安信息科技有限公司 | 基于canvas指纹的操作系统识别方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107066974B (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107066974A (zh) | 一种抗浏览器指纹改变的终端设备识别方法 | |
| Zhao et al. | Consensus regularized multi-view outlier detection | |
| US11113518B2 (en) | Apparatus and methods for extracting data from lineless tables using Delaunay triangulation and excess edge removal | |
| Ferreira et al. | Time series clustering via community detection in networks | |
| EP3467675A1 (en) | Mining method and server for social network account of target subject, and storage medium | |
| CN106951765A (zh) | 一种基于浏览器指纹相似度的零权限移动设备识别方法 | |
| US20150242761A1 (en) | Interactive visualization of machine-learning performance | |
| CN103782309A (zh) | 用于机器学习分类器的自动数据清除 | |
| Wang et al. | Weakly supervised person re-id: Differentiable graphical learning and a new benchmark | |
| JP6378855B1 (ja) | 画像検索システム、画像検索方法およびプログラム | |
| CN108960080A (zh) | 基于主动防御图像对抗攻击的人脸识别方法 | |
| Chagas et al. | Evaluation of convolutional neural network architectures for chart image classification | |
| CN112435137B (zh) | 一种基于社团挖掘的欺诈信息检测方法及系统 | |
| Li et al. | Shilling attack detection in recommender systems via selecting patterns analysis | |
| Wei et al. | Unsupervised feature selection on networks: a generative view | |
| JP2020071665A (ja) | 行動認識方法、行動認識プログラムおよび行動認識装置 | |
| US20220277174A1 (en) | Evaluation method, non-transitory computer-readable storage medium, and information processing device | |
| CN106339481A (zh) | 基于最大置信度的中文复合新词发现方法 | |
| Zhang et al. | Exploring weakly labeled images for video object segmentation with submodular proposal selection | |
| Qing et al. | A multi-label neural network approach to solving connected CAPTCHAs | |
| Liu et al. | Hierarchical information passing based noise-tolerant hybrid learning for semi-supervised human parsing | |
| JP6573233B2 (ja) | 認識容易性指標算出装置、方法、及びプログラム | |
| CN106778568B (zh) | 基于web页面的验证码的处理方法 | |
| CN108170838B (zh) | 话题演变的可视化展现方法、应用服务器及计算机可读存储介质 | |
| CN113673214B (zh) | 信息清单的对齐方法、装置、存储介质和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |