CN107679575A - 一种基于用户的实时设备指纹获取装置 - Google Patents

Abstract

本发明涉及一种基于用户的实时设备指纹获取装置，包括：数据收集模块，用于收集设备的特征属性并将所述特征属性存储于数据库中；指纹相似性模型离线生成模块，用于将当前设备特征属性与设备指纹库中的设备特征属性进行比较来判断是否和设备指纹库中某设备高度相似；目标设备选取模块，用于通过关键属性筛选以及对整体特征属性编码筛选，快速选出目标相似设备集；指纹生成模块，用于对新设备进行指纹生成；设备指纹库维护模块，用于将设备特征属性记录到设备指纹下，并将重新生成设备指纹存储到设备指纹库中。本发明的基于用户的实时设备指纹获取装置不需要多机并行流式处理，实现了设备指纹获取的高稳定性、高差异性、高实时性。

Description

一种基于用户的实时设备指纹获取装置

技术领域

本发明涉及一种设备指纹获取装置，特别是涉及一种基于用户的实时设备指纹获取装置。

背景技术

设备指纹是指可以对某设备进行识别的唯一标识，通过收集设备的多个属性的值(如：手机版本型号，操作系统版本型号，浏览器版本型号等)，就能够从设备指纹库里面找出所确定的设备标识。随着互联网的发展，设备指纹在金融风控中起着重大的作用，通过设备指纹和用户行为的结合可以有效防止诈骗，并且还可以保证账户的安全。

但是，现有的设备指纹技术主要存在以下三个方面的局限性：1.稳定性不足，主要是设备某个属性发生微小变化时便生成了不同的指纹；2.差异性不足，为了确保设备指纹的稳定性，将会导致不同设备计算出相同的设备指纹；3.实时性不足，有些算法为了追求高稳定性、高差异性，使得不能实时计算设备指纹，无法满足线上生产实时性需求。

发明内容

本发明的目的是针对现有技术手段存在的缺陷，提出一种高稳定性、高差异性、高实时性的基于用户的实时设备指纹获取装置。

为实现上述目的，本发明提供了一种基于用户的实时设备指纹获取装置，所述实时设备指纹获取装置包括：

数据收集模块，用于收集设备的特征属性并将所述特征属性存储于数据库中；

指纹相似性模型离线生成模块，用于将当前设备特征属性与设备指纹库中的设备特征属性进行比较来判断是否和设备指纹库中某设备高度相似；

目标设备选取模块，用于通过关键属性筛选以及对整体特征属性编码筛选，快速选出目标相似设备集；

指纹生成模块，用于对新设备进行指纹生成；

设备指纹库维护模块，用于将设备特征属性记录到设备指纹下，并将重新生成设备指纹存储到设备指纹库中。

优选地，所述特征属性至少包括设备的版本型号、浏览器版本型号、IP地址、GPS地理位置。

优选地，所述实时设备指纹获取装置包括如下设备指纹获取步骤：

步骤101，收集当前用户的设备特征属性；

步骤102，抽取设备特征属性中的目标属性及其数值；

步骤103，从数据库中获取当前用户的历史设备，用指纹相似性模型计算、判断用户当前设备与历史设备的相似度，若相似度大于所设的阈值，则返回历史设备指纹为当前设备指纹，并更新当前设备信息到设备指纹库；

步骤104，若从用户历史设备中未匹配到相似设备，则用目标设备选取模块选取相似目标设备集；

步骤105，用指纹相似性模型离线生成模块将训练好的相似性分类判别模型从设备指纹库中匹配出最相似的设备指纹，若相似度大于所设的阈值，则返回设备指纹库中相似的设备指纹为当前设备指纹，并更新当前设备信息到设备指纹库；

步骤106，若在设备指纹库中未匹配到相似设备，则对当前设备属性及其数值通过哈希生成指纹编码，并更新到设备指纹库。

优选地，在步骤102中，所述目标属性通过收集一定量的用户设备信息之后进行数据分析，并选取有效属性进行确定。

优选地，在步骤103中，相同的用户设备在第二次以后访问时，通过终端隐藏信息来跟踪用户设备并确定设备身份。

优选地，所述目标设备选取模块选取相似目标设备集的步骤如下：

步骤301，从提取的设备特征属性中筛选关键属性；

步骤302，从设备指纹库中筛选出与当前设备相同关键属性的设备；

步骤303，若选出的目标设备集≥K个，则对整体特征属性进行二进制编码并进入整体特征属性编码筛选模块；若选出的目标设备集＜K个，则停止筛选，得到相似目标设备集；其中，K为人为设定值；

步骤304，整体特征属性编码筛选模块把每个设备的属性及其数值生成编码，通过计算编码之间的海明距离，筛选出最相近的设备的相似目标设备集。

优选地，所述指纹相似性模型离线生成模块包括：

向量生成模块，对同一个设备不同记录属性互相比较形成一维向量，若属性值相同则为1，若属性值不相同则为0；

模型训练模块，抽取M个设备信息代入向量生成，生成训练集，将训练集代入机器学习分类模型(需要进一步简要解释该模型、流程及作用)中进行训练，调节参数获得最佳的分类结果，定时更新得到最佳的指纹相似性模型。

基于上述技术方案，本发明的优点是：

本发明的基于用户的实时设备指纹获取装置实现了实时获取设备指纹，通过机器学习可以实现高稳定性和高差异性的指纹匹配，通过关键属性筛选以及整体属性编码筛选技术实现了单机实时指纹匹配获取，不需要多机并行流式处理，实现了设备指纹获取的高稳定性、高差异性、高实时性。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为实时设备指纹获取装置设备指纹获取步骤图；

图2为实时设备指纹获取装置示意图；

图3为目标设备选取模块选取相似目标设备集的步骤图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明提供了一种基于用户的实时设备指纹获取装置，如图1～图3所示，其中示出了本发明的一种优选实施方式。具体地，如图2所示，所述实时设备指纹获取装置包括：数据收集模块，用于收集设备的特征属性并将所述特征属性存储于数据库中；指纹相似性模型离线生成模块，用于将当前设备特征属性与设备指纹库中的设备特征属性进行比较来判断是否和设备指纹库中某设备高度相似；目标设备选取模块，用于通过关键属性筛选以及对整体特征属性编码筛选，快速选出目标相似设备集；指纹生成模块，用于对新设备进行指纹生成；设备指纹库维护模块，用于将设备特征属性记录到设备指纹下，并将重新生成设备指纹存储到设备指纹库中。

优选地，所述特征属性至少包括设备的版本型号、浏览器版本型号、IP地址、GPS地理位置。通过在设备终端，收集设备的版本型号、浏览器版本型号、IP地址、GPS地理位置等信息，并存储于数据库中方便查询获取。

指纹相似性模型离线生成模块把设备指纹的生成问题转化为当前设备属性与设备指纹库中的设备特征属性进行比较，如果找到高相似度的设备，则使用该设备的指纹码，如果未找到高相似度的设备则重新生成一个新的设备码并把当前设备存储于指纹库中。进而我们可以把该问题转化为机器学习分类问题，可以考虑为二分类问题来判断是否和指纹库中某设备高度相似。

具体地，目标设备选取模块确保了实时性的要求，如果用相似性模块判断新设备与指纹库中所有设备的相似度则会耗时高，无法满足生产的实时性需求，所以目标设备选取模块主要用来快速选取目标设备集，缩小进入相似性模块的设备数量，使得相似性模块的时间极大减少。所述目标设备选取模块主要通过关键属性筛选以及对整体属性编码筛选，选出目标相似设备集。

指纹生成模块主要是用来对新设备进行指纹生成，先将新设备用指纹相似性模型判断是否和该用户历史设备中相似，如果相似则使用相似设备指纹，不相似则将新设备与目标设备进行向量生成，再使用训练好的相似性分类判别模型对其进行相似性判断，如果该新设备通过相似性模块找到在指纹库中找到高相似的设备，则该新设备的指纹即为该设备的指纹，如果没有找到高相似的设备，则用该新设备的属性及属性值利用哈希算法生成新指纹即为该新设备的指纹。

进一步，设备指纹库维护模块用于将设备特征属性记录到设备指纹下，并将重新生成设备指纹存储到设备指纹库中。在指纹生成模块中，如果是找到高相似度的设备，使用设备指纹库中的设备指纹，则把该条设备特征属性信息记录到该指纹下。如果未找到高相似的设备而是通过哈希重新生成设备指纹，则把该条设备属性信息记录到该设备指纹下，并存储到设备指纹库中。

如图1所示，所述实时设备指纹获取装置包括如下设备指纹获取步骤：

步骤101，收集当前用户的设备特征属性；

步骤102，抽取设备特征属性中的目标属性及其数值；

步骤103，从数据库中获取当前用户的历史设备，用指纹相似性模型(“指纹相似性模型”与步骤105中的“相似性分类判别模型”是相同的模型吗？简要解释两者模型)计算、判断用户当前设备与历史设备的相似度，若相似度大于所设的阈值，则返回历史设备指纹为当前设备指纹，并更新当前设备信息到设备指纹库；

步骤104，若从用户历史设备中未匹配到相似设备，则用目标设备选取模块选取相似目标设备集；

步骤105，用指纹相似性模型离线生成模块将训练好的相似性分类判别模型从设备指纹库中匹配出最相似的设备指纹，若相似度大于所设的阈值，则返回设备指纹库中相似的设备指纹为当前设备指纹，并更新当前设备信息到设备指纹库；

步骤106，若在设备指纹库中未匹配到相似设备，则对当前设备属性及其数值通过哈希生成指纹编码，并更新到设备指纹库。

优选地，在步骤102中，所述目标属性通过收集一定量的用户设备信息之后进行数据分析，并选取有效属性进行确定。通过收集一定量的用户设备信息之后，进行数据分析选取有效属性，即相同设备属性值应当相同，不同设备属性值则不同。优选地，在步骤103中，相同的用户设备在第二次以后访问时，通过终端隐藏信息来跟踪用户设备并确定设备身份。通过在终端隐藏信息，来跟踪用户设备，用户下次访问时，即可发现该设备和上次访问的设备是同一个设备，以此确定设备身份。

对于新来的设备，会先从数据库中获取该用户的历史所有设备，然后用指纹相似性模型计算该用户当前设备与历史设备的相似度，如果相似度大于所设的阈值，则认为该新设备与历史某设备相似，则返回该历史设备指纹为当前设备指纹，并更新该条设备信息到设备指纹库。

如若从用户历史设备中未匹配到相似设备，则用目标设备选取模块选取相似目标设备集。如图3所示，优选地，所述目标设备选取模块选取相似目标设备集的步骤如下：

步骤301，从提取的设备特征属性中筛选关键属性；把设备型号等作为关键属性，从指纹库中筛选出和该新设备相同设备型号的设备。

步骤302，从设备指纹库中筛选出与当前设备相同关键属性的设备。

步骤303，若选出的目标设备集≥K个，则对整体特征属性进行二进制编码并进入整体特征属性编码筛选模块；若选出的目标设备集＜K个，则停止筛选，当前集合即为目标设备集合，得到相似目标设备集；其中，K为人为设定值，本实例K默认值为100。

步骤304，整体特征属性编码筛选模块把每个设备的属性及其数值生成编码，通过计算编码之间的海明距离，筛选出最相近的设备的相似目标设备集。通过关键属性筛选仍然会选出大量的设备，这一步会把每个设备的属性及其数值通过哈希等方式生成编码，然后可通过计算编码之间的海明距离，得出最相近的设备，这一步会筛选出最后的目标设备。本实例中海明距离相似度默认阈值为5。

选取目标设备集之后，可用训练好的相似性分类判别模型匹配出最相似的设备，如果相似度大于所设的阈值，则认为该新设备与设备指纹库中某设备相似，则返回该设备指纹为当前设备指纹并更新该新设备信息到设备指纹库。如果最后未匹配到相似设备，则对设备属性及其数值通过哈希生成指纹编码并更新到指纹库。

优选地，所述指纹相似性模型离线生成模块包括：

向量生成模块，对同一个设备不同记录属性互相比较形成一维向量，若属性值相同则为1，若属性值不相同则为0。每一次比较可生成一个正样本点，标签值为1，不同设备之间属性进行比较形成向量，标签值为0(解释标签值为1，0的意义，为什么要这样设置)。

模型训练模块，抽取M个设备信息代入向量生成，生成训练集，将训练集代入机器学习分类模型(需要进一步简要解释该模型、流程及作用)中进行训练，调节参数获得最佳的分类结果，定时更新得到最佳的指纹相似性模型。

本发明的基于用户的实时设备指纹获取装置实现了实时获取设备指纹，通过机器学习可以实现高稳定性和高差异性的指纹匹配，通过关键属性筛选以及整体属性编码筛选技术实现了单机实时指纹匹配获取，不需要多机并行流式处理，实现了设备指纹获取的高稳定性、高差异性、高实时性。

最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (7)

1.一种基于用户的实时设备指纹获取装置，其特征在于：所述实时设备指纹获取装置包括：

数据收集模块，用于收集设备的特征属性并将所述特征属性存储于数据库中；

指纹相似性模型离线生成模块，用于将当前设备特征属性与设备指纹库中的设备特征属性进行比较来判断是否和设备指纹库中某设备高度相似；

目标设备选取模块，用于通过关键属性筛选以及对整体特征属性编码筛选，快速选出目标相似设备集；

指纹生成模块，用于对新设备进行指纹生成；

设备指纹库维护模块，用于将设备特征属性记录到设备指纹下，并将重新生成设备指纹存储到设备指纹库中。

2.根据权利要求1所述的实时设备指纹获取装置，其特征在于：所述特征属性至少包括设备的版本型号、浏览器版本型号、IP地址、GPS地理位置。

3.根据权利要求1所述的实时设备指纹获取装置，其特征在于：所述实时设备指纹获取装置包括如下设备指纹获取步骤：

步骤101，收集当前用户的设备特征属性；

步骤102，抽取设备特征属性中的目标属性及其数值；

步骤103，从数据库中获取当前用户的历史设备，用指纹相似性模型计算、判断用户当前设备与历史设备的相似度，若相似度大于所设的阈值，则返回历史设备指纹为当前设备指纹，并更新当前设备信息到设备指纹库；

步骤104，若从用户历史设备中未匹配到相似设备，则用目标设备选取模块选取相似目标设备集；

步骤105，用指纹相似性模型离线生成模块将训练好的相似性分类判别模型从设备指纹库中匹配出最相似的设备指纹，若相似度大于所设的阈值，则返回设备指纹库中相似的设备指纹为当前设备指纹，并更新当前设备信息到设备指纹库；

步骤106，若在设备指纹库中未匹配到相似设备，则对当前设备属性及其数值通过哈希生成指纹编码，并更新到设备指纹库。

4.根据权利要求3所述的实时设备指纹获取装置，其特征在于：在步骤102中，所述目标属性通过收集一定量的用户设备信息之后进行数据分析，并选取有效属性进行确定。

5.根据权利要求3所述的实时设备指纹获取装置，其特征在于：在步骤103中，相同的用户设备在第二次以后访问时，通过终端隐藏信息来跟踪用户设备并确定设备身份。

6.根据权利要求3所述的实时设备指纹获取装置，其特征在于：所述目标设备选取模块选取相似目标设备集的步骤如下：

步骤301，从提取的设备特征属性中筛选关键属性；

步骤302，从设备指纹库中筛选出与当前设备相同关键属性的设备；

步骤303，若选出的目标设备集≥K个，则对整体特征属性进行二进制编码并进入整体特征属性编码筛选模块；若选出的目标设备集＜K个，则停止筛选，得到相似目标设备集；其中，K为人为设定值；

步骤304，整体特征属性编码筛选模块把每个设备的属性及其数值生成编码，通过计算编码之间的海明距离，筛选出最相近的设备的相似目标设备集。

7.根据权利要求1所述的实时设备指纹获取装置，其特征在于：所述指纹相似性模型离线生成模块包括：

向量生成模块，对同一个设备不同记录属性互相比较形成一维向量，若属性值相同则为1，若属性值不相同则为0；

模型训练模块，抽取M个设备信息代入向量生成，生成训练集，将训练集代入机器学习分类模型(需要进一步简要解释该模型、流程及作用)中进行训练，调节参数获得最佳的分类结果，定时更新得到最佳的指纹相似性模型。