CN108009058A - 异常设备识别方法及装置和电子设备 - Google Patents

Abstract

本说明书实施例提供一种异常设备识别方法及装置和电子设备，通过接收客户端上报的设备硬件数据；将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

Description

异常设备识别方法及装置和电子设备

技术领域

本说明书实施例涉及互联网技术领域，尤其涉及一种异常设备识别方法及装置和电子设备。

背景技术

在一些需要限制用户参与次数的网络活动中，通常需要对用户使用的设备进行记录。并在同一设备记录的次数达到上限后不允许用户记录参与。然而，在实际应用中，发现部分用户通过修改使用设备的硬件数据的方式，使得同一设备实际参与次数超过上限后依然可以参与网络活动。

需要提供更为高效地异常设备识别方案。

发明内容

本说明书实施例提供的一种异常设备识别方法及装置和电子设备：

根据本说明书实施例的第一方面，提供一种异常设备识别方法，所述方法包括：

接收客户端上报的设备硬件数据；

将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

可选的，所述判别模型，通过如下方式训练得到：

初始化对抗网络；所述对抗网络包括生成模型和判别模型；

获取真样本集；所述真实样本集包括历史上报的正常设备的硬件数据；

将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据；

将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果；

判断所述全部样本的判别结果是否都正确；

在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

可选的，所述判别模型包括：

深度学习网络模型或者机器学习模型。

可选的，所述深度学习网络模型包括：

卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

可选的，所述机器学习模型包括：

支持向量机、决策树或随机森林。

可选的，所述根据所述判别模型输出结果，确定所述上报的设备是否异常，具体包括：

在所述判别模型输出结果为0的情况下，确定所述上报的设备异常；

或者，

在所述判别模型输出结果为1的情况下，确定所述上报的设备正常。

可选的，所述在所述判别模型输出结果为0的情况下，确定所述上报的设备异常之后，所述方法包括：

将该异常设备上登录的用户账户加入黑名单。

可选的，在所述获取历史上报设备的硬件数据以及判别数据之后，所述方法还包括：

将所述真样本集中离散的硬件数据转换为连续的硬件数据。

可选的，所述转换的方式包括信息检索数据挖掘的常用加权技术。

根据本说明书实施例的第二方面，提供一种异常设备识别装置，所述装置包括：

接收单元，接收客户端上报的设备硬件数据；

输入单元，将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

识别单元，根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

可选的，所述判别模型，通过如下子单元训练得到：

初始化子单元，初始化对抗网络；所述对抗网络包括生成模型和判别模型；

获取子单元，获取真样本集；所述真实样本集包括历史上报的真实设备的硬件数据；

第一输入子单元，将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据；

第二输入子单元，将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果；

判断子单元，判断所述全部样本的判别结果是否都正确；

确定子单元，在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

可选的，所述判别模型包括：

深度学习网络模型或者机器学习模型。

可选的，所述深度学习网络模型包括：

卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

可选的，所述机器学习模型包括：

支持向量机、决策树或随机森林。

可选的，所述识别单元，具体包括：

确定异常子单元，在所述判别模型输出结果为0的情况下，确定所述上报的设备异常；

或者，

确定正常子单元，在所述判别模型输出结果为1的情况下，确定所述上报的设备正常。

可选的，在所述确定异常子单元之后，所述装置还包括：

加入子单元，将该异常设备上登录的用户账户加入黑名单。

可选的，在所述获取子单元之后，所述装置还包括：

转换子单元，将所述真样本集中离散的硬件数据转换为连续的硬件数据。

可选的，所述转换的方式包括信息检索数据挖掘的常用加权技术。

根据本说明书实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收客户端上报的设备硬件数据；

将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

可选的，所述判别模型，通过如下方式训练得到：

初始化对抗网络；所述对抗网络包括生成模型和判别模型；

获取真样本集；所述真实样本集包括历史上报的正常设备的硬件数据；

将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据；

将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果；

判断所述全部样本的判别结果是否都正确；

在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

可选的，所述判别模型包括：

深度学习网络模型或者机器学习模型。

可选的，所述深度学习网络模型包括：

卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

可选的，所述机器学习模型包括：

支持向量机、决策树或随机森林。

可选的，所述根据所述判别模型输出结果，确定所述上报的设备是否异常，具体包括：

在所述判别模型输出结果为0的情况下，确定所述上报的设备异常；

或者，

在所述判别模型输出结果为1的情况下，确定所述上报的设备正常。

可选的，所述在所述判别模型输出结果为0的情况下，确定所述上报的设备异常之后，还包括：

将该异常设备上登录的用户账户加入黑名单。

可选的，在所述获取历史上报设备的硬件数据以及判别数据之后，还包括：

将所述真样本集中离散的硬件数据转换为连续的硬件数据。

可选的，所述转换的方式包括信息检索数据挖掘的常用加权技术。

通过本说明书，利用对抗生成网络的方式，由于对抗生成网络的特性，训练过程中可以模拟各种异常设备从而提升判别模型的识别率，当判别模型可以完全识别出各种设备是异常还是正常后，输出用于识别异常设备的判别模型，也就是说输出的判别模型已经可以有效识别待识别设备是否异常；应用该判别模型可以有效识别客户端上报的设备是否为异常设备。

附图说明

图1是本说明书一实施例提供的实现异常设备识别的系统结构图；

图2是本说明书一实施例提供的异常设备识别方法的流程图；

图3是本说明书一实施例提供的对抗生成网络的示意图；

图4是本说明书一实施例提供的训练判别模型的流程图；

图5是本说明书一实施例提供的异常设备识别装置的模块示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

如前所述，在一些需要限制用户参与次数的网络活动中，通常需要对用户使用的设备进行记录。并在同一设备记录的次数达到上限后不允许用户记录参与。

举例说明，通常情况下，一个设备只能领取一个网络红包；已经领取过网络红包的设备硬件数据(每一次领取红包过程中都会上传设备硬件数据)会被网络红包服务器记录；之后再次使用同一设备领取同一个网络红包时，网络红包服务器根据这一次上传的该设备硬件数据，比对该网络红包关联的历史记录的领取过的设备硬件数据，由于该设备已经领取过，因此所述历史记录中会存在相同的设备硬件设备；所以网络红包服务器不允许再次领取。然后，在实际应用中，发现部分用户通过修改使用设备的硬件数据的方式，使得实际同一设备，在硬件数据上呈现出一定的差异性，从而骗过现有的识别系统；造成同一设备实际参与次数超过上限后依然可以参与网络活动的情况。

以下请求参考图1所示本说明书实施例中提供的实现异常设备识别的系统架构图。图1所示该系统可以包括客户端11、服务端12。

其中，客户端11可以是上报设备硬件数据的终端，例如台式计算机、膝上型计算机、平板计算机、智能手机、手持式计算机、个人数字助理(“PDA”)，或者其它任何的有线或无线处理器驱动装置。

服务端12可以包括识别客户端11上报的设备是否为异常设备的服务器、服务器集群或者基于服务器集群构建的云平台。

具体地，所述服务端12可以包括判别服务器121以及训练服务器122。

所述训练服务器122可以用于训练对抗生成网络(Generative AdversarialNetworks，GAN)模型，并最终得到所述GAN模型中的判别模型123。

所述判别服务器121，可以根据所述判别模型123识别出上报的设备是否为异常设备。

在一种实现方式中，所述训练服务器122可以是独立于所述服务端12的(图中未示出)；这种情况下，所述训练服务器122在训练得到判别模型123后，可以将判别模型123提供给判别服务器121；或者，可以对外提供识别的接口，这样判别服务器121就可以通过该接口调用判别模型123进行识别。

在实际使用时，客户端11可以向服务端12发送针对业务的设备请求；该设备请求中可以携带有设备的硬件数据。服务端12在接收到客户端11上报设备的硬件数据后，可以通过所述判别模型123判别该设备是否为异常设备。如果所述设备正常，则可以执行所述业务，或者进行所述业务的执行流程；日过所述设备异常，则不予执行所述业务，或者不予进行所述业务的执行流程。

以下请结合图2所示的例子介绍本说明书一种实现异常设备识别的方法的实施例，如图2所示，该方法可以包括以下步骤：

步骤210：接收客户端上报的设备硬件数据。

本实施例中，所述设备硬件数据可以包括终端型号、终端品牌名称、wifi名称、蓝牙名称、终端内存大小，终端存储空间大小、终端SIM卡(Subscriber IdentificationModule，用户身份识别卡)等信息。

步骤220：将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到。

对抗生成网络(Generative Adversarial Networks，GAN)属于深度学习(DeepLearning)领域。

本说明书中，首先需要训练对抗生成网络。

如图3所示，一般对抗生成网络可以包括2部分，即生成模型G(GenerativeNetwork)以及判别模型D(Discriminator)。

第一阶段，将真样本集输入到生成模型G，所述生成模型G可以根据该真样本集生成假样本集(逼真的样本)；

所述生成模型G可以理解为一个样本生成器，接收数据输入然后输出新的数据，该过程类似一个函数，一个输入值映射一个输出值。

第二阶段，将真样本集和假样本集输入到判别模型D，上所述判别模型D可以对输入的样本进行判别，判断每一个样本是真还是假；

所述判别模型D可以理解为一个二分类器，接收数据输入然后输出一个分类值。以0-1分类器为例，如果输出的分类值大于0.5，可以认为输入的数据为真；如果输出的分类值小于0.5，可以认为输入的数据为假。

对抗生成网络训练过程可以理解为是一种博弈过程，具体可以是指生成模型G和判别模型D之间的博弈；

其中，生成模型G的目标是生成非常逼真的假样本，从而无法被判别模型D识别出；

而判别模型D的目标是可以全部正确的识别出样本是真还是假。

博弈结果的控制可以是预先设置的。通常情况下，博弈结果都是生成模型G获胜，因此训练结果是生成模型G生成的假样本无法被判别模型D识别出。

值得一提的是，在本实施例中，需要使用到的是判别模型D；因此，可以设置博弈结果是判别模型D获胜，即训练目标为：无论生成模型G生成的假样本多么逼真，判别模型D始终可以识别出哪些是假样本，哪些是真样本。

具体地，如图4所示的所述判别模型，可以通过如下方式训练得到：

A1：初始化对抗网络；所述对抗网络包括生成模型和判别模型。

上述公式可以看作一个最大最小优化算法，拆分后可以对应如下俩个优化公式：

优化D：

优化G：

其中，G表示生成模型，D表示判别模型。

需要说明的是，所述判别模型可以采用深度学习网络模型或者机器学习模型。

在所述判别模型采用深度学习网络模型的情况下，具体可以包括卷积神经网络(Convolutional Neural Network,CNN)模型、循环神经网络(Recurrent neural Network、循环神经网络)模型或长短期记忆网络(Long Short-Term Memory，LSTM)模型。

在所述判别模型采用机器学习模型的情况下，具体可以包括支持向量机SVM、决策树C4.5或随机森林Randomforest。

A2：获取真样本集；所述真实样本集包括历史上报的正常设备的硬件数据。

值得一提的是，在之后步骤230之后，可以将非异常设备的硬件数据反馈到该真样本集中，扩大真样本集的数据量，从而持续完善判别模型。

A3：将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据。

A4：将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果。

A5：判断所述全部样本的判别结果是否都正确。

A6：在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

如图4所示，在所述全部样本的判别结果不都正确的情况下，重复执行步骤A3。

通过上述步骤，在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型，最终训练得出的判别模型可以有效识别各种异常设备。

步骤230：根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

如前所述判别模型可以理解为一个二分类器，如果判别模型识别认为待识别的设备是正常设备，那么会输出一个表示正常设备的二分类值；

同样地，如果判别模型识别认为待识别的设备是异常设备，那么会输出一个表示异常设备的二分类值。

以下以0-1分类值为例，通常情况下，1可以表示正常设备，0可以表示异常设备；则所述步骤230，具体可以包括：

在所述判别模型输出结果为0的情况下，确定所述上报设备是异常设备；

或者，

在所述判别模型输出结果为1的情况下，确定所述上报设备是正常设备。

需要说明的是，1-0可以表示的含义是人为设定的；也就是说，除了上述情况，人为还可以设定1表示异常，0表示正常。0-1仅是本说明书中的一种示例，在具体实现中，还可以是其它任意的二分类值。

通过本说明书，利用对抗生成网络的方式，由于对抗生成网络的特性，训练过程中可以模拟各种异常设备从而提升判别模型的识别率，当判别模型可以完全识别出各种设备是异常还是正常后，输出用于识别异常设备的判别模型，也就是说输出的判别模型已经可以有效识别待识别设备是否异常；应用该判别模型可以有效识别客户端上报的设备是否为异常设备。

在一个具体地实施例，在所述判别模型输出结果为0的情况下，确定所述上报的设备异常之后，所述方法包括：

将该异常设备上登录的用户账户加入黑名单。

该实施例中，对于异常设备，可以将该异常设备上登录的用户账户加入黑名单。对于加入黑名单中的用户账户，即使之后使用正常设备参与一些网络活动，也会被限制，从而可以起到警示作用。

在另一个具体地实施例，在A2：获取历史上报设备的硬件数据以及判别数据之后，所述方法还包括：

将所述真样本集中离散的硬件数据转换为连续的硬件数据。

具体地，所述转换的方式可以包括：TF-IDF(term frequency–inverse documentfrequency，信息检索数据挖掘的常用加权技术)。

通过将所述真样本集中离散的硬件数据转换为连续的硬件数据，可以降低数据维度，从而降低生成模型生成假样本集的难度和强度，提高了数据处理效率。

与前述异常设备识别方法实施例相对应，本说明书还提供了异常设备识别装置的实施例。所述装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，本说明书异常设备识别装置所在设备的一种硬件结构可以包括处理器、网络接口、内存以及非易失性存储器之外，实施例中装置所在的设备通常根据该异常设备识别实际功能，还可以包括其他硬件，对此不再赘述。

参见图5，为本说明书一实施例提供的异常设备识别装置的模块图，所述装置包括：

接收单元510，接收客户端上报的设备硬件数据；

输入单元520，将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

识别单元530，根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

在一个可选的实施例中：

所述判别模型，通过如下子单元训练得到：

初始化子单元，初始化对抗网络；所述对抗网络包括生成模型和判别模型；

获取子单元，获取真样本集；所述真实样本集包括历史上报的真实设备的硬件数据；

第一输入子单元，将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据；

第二输入子单元，将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果；

判断子单元，判断所述全部样本的判别结果是否都正确；

确定子单元，在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

在一个可选的实施例中：

所述判别模型包括：

深度学习网络模型或者机器学习模型。

在一个可选的实施例中：

所述深度学习网络模型包括：

卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

在一个可选的实施例中：

所述机器学习模型包括：

支持向量机、决策树或随机森林。

在一个可选的实施例中：

所述识别单元530，具体包括：

确定异常子单元，在所述判别模型输出结果为0的情况下，确定所述上报的设备异常；

或者，

确定正常子单元，在所述判别模型输出结果为1的情况下，确定所述上报的设备正常。

在一个可选的实施例中：

在所述确定异常子单元之后，所述装置还包括：

加入子单元，将该异常设备上登录的用户账户加入黑名单。

在一个可选的实施例中：

在所述获取子单元之后，所述装置还包括：

转换子单元，将所述真样本集中离散的硬件数据转换为连续的硬件数据。

在一个可选的实施例中：

所述转换的方式包括信息检索数据挖掘的常用加权技术。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上图5描述了异常设备识别装置的内部功能模块和结构示意，其实质上的执行主体可以为一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收客户端上报的设备硬件数据；

将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

可选的，所述判别模型，通过如下方式训练得到：

初始化对抗网络；所述对抗网络包括生成模型和判别模型；

获取真样本集；所述真实样本集包括历史上报的正常设备的硬件数据；

将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据；

将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果；

判断所述全部样本的判别结果是否都正确；

在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

可选的，所述判别模型包括：

深度学习网络模型或者机器学习模型。

可选的，所述深度学习网络模型包括：

卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

可选的，所述机器学习模型包括：

支持向量机、决策树或随机森林。

可选的，所述根据所述判别模型输出结果，确定所述上报的设备是否异常，具体包括：

在所述判别模型输出结果为0的情况下，确定所述上报的设备异常；

或者，

在所述判别模型输出结果为1的情况下，确定所述上报的设备正常。

可选的，所述在所述判别模型输出结果为0的情况下，确定所述上报的设备异常之后，还包括：

将该异常设备上登录的用户账户加入黑名单。

可选的，在所述获取历史上报设备的硬件数据以及判别数据之后，还包括：

将所述真样本集中离散的硬件数据转换为连续的硬件数据。

可选的，所述转换的方式包括信息检索数据挖掘的常用加权技术。

在上述电子设备的实施例中，应理解，该处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，而前述的存储器可以是只读存储器(英文：read-only memory，缩写：ROM)、随机存取存储器(英文：random access memory，简称：RAM)、快闪存储器、硬盘或者固态硬盘。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

Claims (19)

1.一种异常设备识别方法，所述方法包括：

接收客户端上报的设备硬件数据；

将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

2.根据权利要求1所述的方法，所述判别模型，通过如下方式训练得到：

初始化对抗网络；所述对抗网络包括生成模型和判别模型；

获取真样本集；所述真实样本集包括历史上报的正常设备的硬件数据；

将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据；

将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果；

判断所述全部样本的判别结果是否都正确；

在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

3.根据权利要求1或2所述的方法，所述判别模型包括：

深度学习网络模型或者机器学习模型。

4.根据权利要求3所述的方法，所述深度学习网络模型包括：

卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

5.根据权利要求3所述的方法，所述机器学习模型包括：

支持向量机、决策树或随机森林。

6.根据权利要求1所述的方法，所述根据所述判别模型输出结果，确定所述上报的设备是否异常，具体包括：

在所述判别模型输出结果为0的情况下，确定所述上报的设备异常；

或者，

在所述判别模型输出结果为1的情况下，确定所述上报的设备正常。

7.根据权利要求6所述的方法，所述在所述判别模型输出结果为0的情况下，确定所述上报的设备异常之后，所述方法还包括：

将该异常设备上登录的用户账户加入黑名单。

8.根据权利要求2所述的方法，在所述获取历史上报设备的硬件数据以及判别数据之后，所述方法还包括：

将所述真样本集中离散的硬件数据转换为连续的硬件数据。

9.根据权利要求8所述的方法，所述转换的方式包括信息检索数据挖掘的常用加权技术。

10.一种异常设备识别装置，所述装置包括：

接收单元，接收客户端上报的设备硬件数据；

输入单元，将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

识别单元，根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

11.根据权利要求10所述的装置，所述判别模型，通过如下子单元训练得到：

初始化子单元，初始化对抗网络；所述对抗网络包括生成模型和判别模型；

获取子单元，获取真样本集；所述真实样本集包括历史上报的真实设备的硬件数据；

第一输入子单元，将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据；

第二输入子单元，将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果；

判断子单元，判断所述全部样本的判别结果是否都正确；

确定子单元，在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

12.根据权利要求10或11所述的装置，所述判别模型包括：

深度学习网络模型或者机器学习模型。

13.根据权利要求12所述的装置，所述深度学习网络模型包括：

卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

14.根据权利要求12所述的装置，所述机器学习模型包括：

支持向量机、决策树或随机森林。

15.根据权利要求10所述的装置，所述识别单元，具体包括：

确定异常子单元，在所述判别模型输出结果为0的情况下，确定所述上报的设备异常；

或者，

确定正常子单元，在所述判别模型输出结果为1的情况下，确定所述上报的设备正常。

16.根据权利要求15所述的装置，在所述确定异常子单元之后，所述装置还包括：

加入子单元，将该异常设备上登录的用户账户加入黑名单。

17.根据权利要求11所述的装置，在所述获取子单元之后，所述装置还包括：

转换子单元，将所述真样本集中离散的硬件数据转换为连续的硬件数据。

18.根据权利要求8所述的方法，所述转换的方式包括信息检索数据挖掘的常用加权技术。

19.一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收客户端上报的设备硬件数据；

将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。