CN109359462B - 虚假设备识别方法、设备、存储介质及装置 - Google Patents
虚假设备识别方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN109359462B CN109359462B CN201811153099.3A CN201811153099A CN109359462B CN 109359462 B CN109359462 B CN 109359462B CN 201811153099 A CN201811153099 A CN 201811153099A CN 109359462 B CN109359462 B CN 109359462B
- Authority
- CN
- China
- Prior art keywords
- current
- current performance
- preset
- performance data
- diagram
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 109
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/44—Program or device authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
Abstract
本发明公开了一种虚假设备识别方法、设备、存储介质及装置，该方法包括：拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。由于设备信息可以伪造，性能数据无法伪造，根据用户设备的当前性能数据查找真实的目标设备信息，可判断当前设备信息的真实性，从而准确地识别用户设备是否为虚假设备，避免恶意登录行为。
Description
技术领域
本发明涉及性能分析技术领域，尤其涉及一种虚假设备识别方法、设备、存储介质及装置。
背景技术
随着移动互联网的快速发展，游戏、购物以及社交等各类应用网站越来越多，各类网站拥有大量用户群体，其中，部分恶意用户使用虚假设备进入网站，谋取不当利益。
目前，识别虚假设备的方式是，检测设备将用户设备发送的设备信息与该用户设备操作系统配置文件中记录的设备信息进行对比，以识别该用户设备是否为虚假设备，然而，用户设备操作系统配置文件中记录的设备信息容易被篡改，因此，识别准确性不高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种虚假设备识别方法、设备、存储介质及装置，旨在解决现有技术中无法较准确地识别虚假设备的技术问题。
为实现上述目的，本发明提供一种虚假设备识别方法，所述虚假设备识别方法包括以下步骤：
拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；
通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；
将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。
优选地，所述通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息，具体包括：
获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图；
通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图；
根据所述预设图卷积神经网络模型获取所述当前性能特征图对应的目标设备信息。
优选地，所述预设性能图包含若干节点，各节点分别对应一种性能数据；
相应地，所述获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图，具体包括：
获取预设性能图，将所述当前性能数据添加至所述预设性能图中对应的节点处，生成当前性能图。
优选地，所述通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图，具体包括：
通过预设图卷积神经网络模型遍历各节点，对所述节点的邻居节点的当前性能数据进行非线性变换，获得所述节点的多维特征数据，生成当前性能特征图。
优选地，所述拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据之前，所述虚假设备识别方法还包括：
采集样本设备信息以及所述样本设备信息对应的样本性能数据；
根据所述样本设备信息及对应的样本性能数据生成预设图卷积神经网络模型。
优选地，所述根据所述样本设备信息及对应的样本性能数据生成预设图卷积神经网络模型，具体包括：
通过预设图传播算法建立基础模型；
根据所述样本设备信息及对应的所述样本性能数据对所述基础模型进行训练，以调整所述基础模型的参数，生成预设图卷积神经网络模型。
优选地，所述当前性能数据至少包括：所述用户设备的处理器信息、运算速度、内存容量以及响应时长。
此外，为实现上述目的，本发明还提出一种虚假设备识别设备，所述虚假设备识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虚假设备识别程序，所述虚假设备识别程序配置为实现如上文所述的虚假设备识别方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有虚假设备识别程序，所述虚假设备识别程序被处理器执行时实现如上文所述的虚假设备识别方法的步骤。
此外，为实现上述目的，本发明还提出一种虚假设备识别装置，所述虚假设备识别装置包括：
数据获取模块，用于拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；
模型分析模块，用于通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；
识别模块，用于将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。
本发明中，通过拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。由于设备信息可以伪造，性能数据无法伪造，根据用户设备的当前性能数据查找真实的目标设备信息，可判断当前设备信息的真实性，从而准确地识别用户设备是否为虚假设备，避免恶意登录行为。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的虚假设备识别设备结构示意图；
图2为本发明虚假设备识别方法第一实施例的流程示意图；
图3为本发明虚假设备识别方法第二实施例的流程示意图；
图4为本发明虚假设备识别方法第三实施例的流程示意图；
图5为本发明虚假设备识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的虚假设备识别设备结构示意图。
如图1所示，该虚假设备识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对虚假设备识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及虚假设备识别程序。
在图1所示的虚假设备识别设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接外设，与所述外设进行数据通信；所述虚假设备识别设备通过处理器1001调用存储器1005中存储的虚假设备识别程序，并执行本发明实施例提供的虚假设备识别方法。
所述虚假设备识别设备通过处理器1001调用存储器1005中存储的虚假设备识别程序，并执行以下操作：
拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；
通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；
将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。
进一步地，处理器1001可以调用存储器1005中存储的虚假设备识别程序，还执行以下操作：
获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图；
通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图；
根据所述预设图卷积神经网络模型获取所述当前性能特征图对应的目标设备信息。
进一步地，处理器1001可以调用存储器1005中存储的虚假设备识别程序，还执行以下操作：
获取预设性能图，将所述当前性能数据添加至所述预设性能图中对应的节点处，生成当前性能图。
进一步地，处理器1001可以调用存储器1005中存储的虚假设备识别程序，还执行以下操作：
通过预设图卷积神经网络模型遍历各节点，对所述节点的邻居节点的当前性能数据进行非线性变换，获得所述节点的多维特征数据，生成当前性能特征图。
进一步地，处理器1001可以调用存储器1005中存储的虚假设备识别程序，还执行以下操作：
采集样本设备信息以及所述样本设备信息对应的样本性能数据；
根据所述样本设备信息及对应的样本性能数据生成预设图卷积神经网络模型。
进一步地，处理器1001可以调用存储器1005中存储的虚假设备识别程序，还执行以下操作：
通过预设图传播算法建立基础模型；
根据所述样本设备信息及对应的所述样本性能数据对所述基础模型进行训练，以调整所述基础模型的参数，生成预设图卷积神经网络模型。
在本实施例中，通过拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。由于设备信息可以伪造，性能数据无法伪造，根据用户设备的当前性能数据查找真实的目标设备信息，可判断当前设备信息的真实性，从而准确地识别用户设备是否为虚假设备，避免恶意登录行为。
基于上述硬件结构，提出本发明虚假设备识别方法的实施例。
参照图2，图2为本发明虚假设备识别方法第一实施例的流程示意图，提出本发明虚假设备识别方法第一实施例。
在第一实施例中，所述虚假设备识别方法包括以下步骤：
步骤S10：拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据。
需要说明的是，本实施例的执行主体是虚假设备识别设备，所述虚假设备识别设备可为个人电脑或服务器等电子设备，本实施例的应用场景是，当用户使用用户设备登录目标网站时，向所述目标网站发送登录请求，所述虚假设备识别设备将拦截所述登录请求，并对所述登录请求进行分析，识别该登录请求对应的用户设备是否为虚假设备，当所述用户设备为虚假设备时，终止所述用户设备的登录请求。
可以理解的是，所述当前设备信息为所述用户设备对外展示的型号信息，由于所述用户设备的设备信息可以伪造，而所述用户设备的性能数据无法伪造，因此，所述当前设备信息可能是真实的，也可能是虚假的，所述当前性能数据一定是真实的，本实施例将通过所述当前性能数据获取到真实的设备信息，以识别所述当前设备信息的真实性，从而识别所述用户设备的真实性。所述当前性能数据至少包括所述用户设备的处理器信息(CentralProcessing Unit，CPU)、运算速度、内存容量以及响应时长等性能数据。其中，CPU是决定设备性能的最主要因素，例如奔腾、酷睿i5或者酷睿i7等系列；内存也是影响设备性能的主要因素之一，内存容量通常是2GB或4GB。本实施例采用的性能数据越多，对用户设备的性能刻画越精准，从而能够提高对虚假设备的识别能力。
在具体实现中，所述当前性能数据一般还包含：核心数、字长以及总线等指标，其中，字长是CPU能够直接处理的二进制数据位数，它直接关系到用户设备的计算精度、功能和速度；总线是内存和CPU之间传输数据的通道，前端总线越高，CPU和内存之间传送数据的速度越快，电脑性能越好。
步骤S20：通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息。
可以理解的是，所述目标设备信息是所述用户设备的真实设备信息，由于一类用户设备具有唯一的设备信息和整体性能，因此，为了获取所述用户设备的目标设备信息，将预先获取所述用户设备的整体性能。而若干个离散的性能数据无法较好地刻画设备的整体性能，性能特征图对各性能数据进行融合，能够刻画设备的整体性能，因此，本实施例将通过预设图卷积神经网络模型对所述当前性能数据进行融合，获得当前性能特征图，从而通过所述当前性能特征图刻画所述用户设备的整体性能。其中，图卷积神经网络(GraphConvolutional Network，GCN)是一种能对图数据进行深度学习的方法，所述预设图卷积神经网络模型能够较好地对所述当前性能数据进行深度学习，生成当前性能特征图。
在具体实现中，通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，所述当前性能特征图刻画了所述用户设备的整体性能，而所述预设图卷积神经网络模型还包含有设备信息和性能特征图的对应关系，因此，本实施例将在所述对应关系中根据所述当前性能特征图查找对应的目标设备信息。
步骤S30：将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。
需要说明的是，所述当前设备信息为所述用户设备对外展示的型号信息，该当前设备信息可能是伪造的，所述目标设备信息是所述用户设备的真实设备信息，为了识别该当前设备信息的真实性，将所述当前设备信息与所述目标设备信息进行对比，获得对比结果，当所述对比结果为所述当前设备信息与所述目标设备信息一致时，认定所述当前设备信息是所述用户设备真实的设备信息，从而认定所述用户设备是真实设备；当所述对比结果为所述当前设备信息与所述目标设备信息不一致时，认定所述当前设备信息不是所述用户设备真实的设备信息，从而认定所述用户设备是虚假设备。
在第一实施例中，通过拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。由于设备信息可以伪造，性能数据无法伪造，根据用户设备的当前性能数据查找真实的目标设备信息，可判断当前设备信息的真实性，从而准确地识别用户设备是否为虚假设备，避免恶意登录行为。
参照图3，图3为本发明虚假设备识别方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明虚假设备识别方法的第二实施例。
在第二实施例中，所述步骤S20，具体包括：
步骤S201：获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图。
需要说明的是，所述预设图卷积神经网络用于对图数据进行深度学习，因此，本实施例还需将所述当前性能数据转化为当前性能图。为了提高当前性能图的生成速率，本实施例将预先建立预设性能图，所述预设性能图相当于性能图模板，通过在所述预设性能图中添加所述当前性能数据，能够快速生成当前性能图。
在本实施例中，所述预设性能图中包含有若干节点，各节点分别对应一种性能数据，例如节点A对应运算速度，节点B对应内存容量，所述步骤S201，具体包括：
获取预设性能图，将所述当前性能数据添加至所述预设性能图中对应的节点处，生成当前性能图。
在具体实现中，遍历所述当前性能数据，将各当前性能数据添加至所述预设性能图中对应的节点处，从而生成当前性能图。
步骤S202：通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图。
需要说明的是，若干个离散的性能数据无法较好地刻画设备的整体性能，性能特征图对各性能数据进行融合，能够刻画设备的整体性能，因此，本实施例将通过预设图卷积神经网络模型对所述当前性能数据进行融合，将所述当前性能数据转化为多维特征数据，生成当前性能特征图，从而通过所述当前性能特征图刻画所述用户设备的整体性能。所述当前性能数据维度较低，当通过所述预设图卷积神经网络模型对所述当前性能数据进行深度学习，将所述当前性能数据相互融合，生成多维特征数据，从而生成当前性能特征图。
在具体实现中，所述步骤S202，具体包括：
通过预设图卷积神经网络模型遍历各节点，对所述节点的邻居节点的当前性能数据进行非线性变换，获得所述节点的多维特征数据，生成当前性能特征图。
在具体实现中，所述预设图卷积神经网络模型包含若干隐藏层，在每一隐藏层中，对每一节点，将自身的当前性能数据发送至邻居节点，并接收邻居节点发送的所述邻居节点的当前性能数据，根据预设图传播算法对所述邻居节点的当前性能数据进行非线性变换，获得该节点的下一层性能数据，当获得全部节点的下一层性能数据时，进入下一隐藏层，递归上述算法，计算各节点的下一层性能数据，由于下一层性能数据包含了邻居节点的性能数据，从而信息量更充足，维度更高，因此，将获得所述当前性能数据对应的多维特征数据，生成当前性能特征图。其中，所述预设图传播算法为：
其中，i表示中心节点，j表示i的相邻节点，n表示节点数，l表示层数，cij表示归一化常数，w为变换权重参数，h表示性能数据，σ表示非线性激活函数。
步骤S203：根据所述预设图卷积神经网络模型获取所述当前性能特征图对应的目标设备信息。
可以理解的是，所述预设图卷积神经网络模型包含有设备信息和性能特征图的对应关系，因此，本实施例将在所述对应关系中根据所述当前性能特征图查找对应的目标设备信息。
在第二实施例中，获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图；通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图；根据所述预设图卷积神经网络模型获取所述当前性能特征图对应的目标设备信息。由于通过预设图卷积神经网络生成当前性能特征图，能够较好地刻画设备的整体性能，从而能够准确地通过性能识别用户设备的真实性。
参照图4，图4为本发明虚假设备识别方法第三实施例的流程示意图，基于上述图3所示的第二实施例，提出本发明虚假设备识别方法的第三实施例。
在第二实施例中，所述步骤S10之前，所述方法还包括：
采集样本设备信息以及所述样本设备信息对应的样本性能数据。
根据所述样本设备信息及对应的样本性能数据生成预设图卷积神经网络模型。
可以理解的是，在通过所述预设图卷积神经网络模型获取所述当前性能数据对应的目标设备信息之前，将构造预设图卷积神经网络模型，在本实施例中，所述构造预设图卷积神经网络模型，包括：采集样本设备信息以及所述样本设备信息对应的样本性能数据，根据所述样本设备信息及对应的样本性能数据生成预设图卷积神经网络模型。
在本实施例中，所述步骤S10之前，所述方法还包括：
步骤S01：采集样本设备信息以及所述样本设备信息对应的样本性能数据。
步骤S02：通过预设图传播算法建立基础模型。
步骤S03：根据所述样本设备信息及对应的所述样本性能数据对所述基础模型进行训练，以调整所述基础模型的参数，生成预设图卷积神经网络模型。
需要说明的是，通过所述预设图传播算法建立包含输入层、若干隐藏层以及输出层的基础模型，并根据所述样本设备信息及对应的所述样本性能数据对所述基础模型进行训练，以调整所述基础模型的参数，生成预设图卷积神经网络模型。
进一步地，在第三实施例中，所述当前性能数据至少包括：所述用户设备的处理器信息、运算速度、内存容量以及响应时长。
需要说明的是，所述当前性能数据至少包括所述用户设备的处理器信息(CPU)、运算速度、内存容量以及响应时长等指标，所述当前性能数据还包含：核心数、字长以及总线等指标，其中，字长是CPU能够直接处理的二进制数据位数，它直接关系到用户设备的计算精度、功能和速度；总线是内存和CPU之间传输数据的通道，前端总线越高，CPU和内存之间传送数据的速度越快，电脑性能越好。本实施例采用的性能数据越多，对用户设备的性能刻画越精准，从而能够提高对虚假设备的识别能力。
在第三实施例中，采集样本设备信息以及所述样本设备信息对应的样本性能数据；通过预设图传播算法建立基础模型；根据所述样本设备信息及对应的所述样本性能数据对所述基础模型进行训练，以调整所述基础模型的参数，生成预设图卷积神经网络模型。由于预先获取大量样本，建立了样本设备信息与样本性能数据的对应关系，使得根据该对应关系训练获得的预设图卷积神经网络模型具有较高的识别准确率，从而提高了根据所述预设图卷积神经网络模型确定目标设备信息的准确率。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有虚假设备识别程序，所述虚假设备识别程序被处理器执行时实现如下操作：
拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；
通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；
将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。
进一步地，所述虚假设备识别程序被处理器执行时还实现如下操作：
获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图；
通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图；
根据所述预设图卷积神经网络模型获取所述当前性能特征图对应的目标设备信息。
进一步地，所述虚假设备识别程序被处理器执行时还实现如下操作：
获取预设性能图，将所述当前性能数据添加至所述预设性能图中对应的节点处，生成当前性能图。
进一步地，所述虚假设备识别程序被处理器执行时还实现如下操作：
通过预设图卷积神经网络模型遍历各节点，对所述节点的邻居节点的当前性能数据进行非线性变换，获得所述节点的多维特征数据，生成当前性能特征图。
进一步地，所述虚假设备识别程序被处理器执行时还实现如下操作：
采集样本设备信息以及所述样本设备信息对应的样本性能数据；
根据所述样本设备信息及对应的样本性能数据生成预设图卷积神经网络模型。
进一步地，所述虚假设备识别程序被处理器执行时还实现如下操作：
通过预设图传播算法建立基础模型；
根据所述样本设备信息及对应的所述样本性能数据对所述基础模型进行训练，以调整所述基础模型的参数，生成预设图卷积神经网络模型。
在本实施例中，通过拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。由于设备信息可以伪造，性能数据无法伪造，根据用户设备的当前性能数据查找真实的目标设备信息，可判断当前设备信息的真实性，从而准确地识别用户设备是否为虚假设备，避免恶意登录行为。
此外，参照图5，本发明实施例还提出一种虚假设备识别装置，所述虚假设备识别装置包括：
数据获取模块10，用于拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据。
需要说明的是，本实施例的应用场景是，当用户使用用户设备登录目标网站时，向所述目标网站发送登录请求，所述虚假设备识别设备将拦截所述登录请求，并对所述登录请求进行分析，识别该登录请求对应的用户设备是否为虚假设备，当所述用户设备为虚假设备时，终止所述用户设备的登录请求。
可以理解的是，所述当前设备信息为所述用户设备对外展示的型号信息，由于所述用户设备的设备信息可以伪造，而所述用户设备的性能数据无法伪造，因此，所述当前设备信息可能是真实的，也可能是虚假的，所述当前性能数据一定是真实的，本实施例将通过所述当前性能数据获取到真实的设备信息，以识别所述当前设备信息的真实性，从而识别所述用户设备的真实性。所述当前性能数据至少包括所述用户设备的处理器信息(CentralProcessing Unit，CPU)、运算速度、内存容量以及响应时长等性能数据。其中，CPU是决定设备性能的最主要因素，例如奔腾、酷睿i5或者酷睿i7等系列；内存也是影响设备性能的主要因素之一，内存容量通常是2GB或4GB。本实施例采用的性能数据越多，对用户设备的性能刻画越精准，从而能够提高对虚假设备的识别能力。
在具体实现中，所述当前性能数据一般还包含：核心数、字长以及总线等指标，其中，字长是CPU能够直接处理的二进制数据位数，它直接关系到用户设备的计算精度、功能和速度；总线是内存和CPU之间传输数据的通道，前端总线越高，CPU和内存之间传送数据的速度越快，电脑性能越好。
模型分析模块20，用于通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息。
可以理解的是，所述目标设备信息是所述用户设备的真实设备信息，由于一类用户设备具有唯一的设备信息和整体性能，因此，为了获取所述用户设备的目标设备信息，将预先获取所述用户设备的整体性能。而若干个离散的性能数据无法较好地刻画设备的整体性能，性能特征图对各性能数据进行融合，能够刻画设备的整体性能，因此，本实施例将通过预设图卷积神经网络模型对所述当前性能数据进行融合，获得当前性能特征图，从而通过所述当前性能特征图刻画所述用户设备的整体性能。其中，图卷积神经网络(GraphConvolutional Network，GCN)是一种能对图数据进行深度学习的方法，所述预设图卷积神经网络模型能够较好地对所述当前性能数据进行深度学习，生成当前性能特征图。
在具体实现中，通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，所述当前性能特征图刻画了所述用户设备的整体性能，而所述预设图卷积神经网络模型还包含有设备信息和性能特征图的对应关系，因此，本实施例将在所述对应关系中根据所述当前性能特征图查找对应的目标设备信息。
识别模块30，用于将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。
需要说明的是，所述当前设备信息为所述用户设备对外展示的型号信息，该当前设备信息可能是伪造的，所述目标设备信息是所述用户设备的真实设备信息，为了识别该当前设备信息的真实性，将所述当前设备信息与所述目标设备信息进行对比，获得对比结果，当所述对比结果为所述当前设备信息与所述目标设备信息一致时，认定所述当前设备信息是所述用户设备真实的设备信息，从而认定所述用户设备是真实设备；当所述对比结果为所述当前设备信息与所述目标设备信息不一致时，认定所述当前设备信息不是所述用户设备真实的设备信息，从而认定所述用户设备是虚假设备。
在本实施例中，通过拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；通过预设图卷积神经网络模型将所述当前性能数据转化为当前性能特征图，并获取所述当前性能特征图对应的目标设备信息；将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。由于设备信息可以伪造，性能数据无法伪造，根据用户设备的当前性能数据查找真实的目标设备信息，可判断当前设备信息的真实性，从而准确地识别用户设备是否为虚假设备，避免恶意登录行为。
本发明所述虚假设备识别装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种虚假设备识别方法，其特征在于，所述虚假设备识别方法包括以下步骤：
拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；
获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图；
通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图；
根据所述预设图卷积神经网络模型获取所述当前性能特征图对应的目标设备信息；
将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。
2.如权利要求1所述的虚假设备识别方法，其特征在于，所述预设性能图包含若干节点，各节点分别对应一种性能数据；
相应地，所述获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图，具体包括：
获取预设性能图，将所述当前性能数据添加至所述预设性能图中对应的节点处，生成当前性能图。
3.如权利要求2所述的虚假设备识别方法，其特征在于，所述通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图，具体包括：
通过预设图卷积神经网络模型遍历各节点，对所述节点的邻居节点的当前性能数据进行非线性变换，获得所述节点的多维特征数据，生成当前性能特征图。
4.如权利要求1-3中任一项所述的虚假设备识别方法，其特征在于，所述拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据之前，所述虚假设备识别方法还包括：
采集样本设备信息以及所述样本设备信息对应的样本性能数据；
根据所述样本设备信息及对应的样本性能数据生成预设图卷积神经网络模型。
5.如权利要求4所述的虚假设备识别方法，其特征在于，所述根据所述样本设备信息及对应的样本性能数据生成预设图卷积神经网络模型，具体包括：
通过预设图传播算法建立基础模型；
根据所述样本设备信息及对应的所述样本性能数据对所述基础模型进行训练，以调整所述基础模型的参数，生成预设图卷积神经网络模型。
6.如权利要求1-3中任一项所述的虚假设备识别方法，其特征在于，所述当前性能数据至少包括：所述用户设备的处理器信息、运算速度、内存容量以及响应时长。
7.一种虚假设备识别设备，其特征在于，所述虚假设备识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虚假设备识别程序，所述虚假设备识别程序被所述处理器执行时实现如权利要求1至6中任一项所述的虚假设备识别方法的步骤。
8.一种存储介质，其特征在于，所述存储介质上存储有虚假设备识别程序，所述虚假设备识别程序被处理器执行时实现如权利要求1至6中任一项所述的虚假设备识别方法的步骤。
9.一种虚假设备识别装置，其特征在于，所述虚假设备识别装置包括：
数据获取模块，用于拦截用户设备发送的目标网站的登录请求，从所述登录请求中获取所述用户设备的当前设备信息和当前性能数据；
模型分析模块，用于获取预设性能图，将所述当前性能数据添加至所述预设性能图中，生成当前性能图，通过预设图卷积神经网络模型将所述当前性能图中的当前性能数据转化为多维特征数据，生成当前性能特征图，根据所述预设图卷积神经网络模型获取所述当前性能特征图对应的目标设备信息；
识别模块，用于将所述当前设备信息与所述目标设备信息进行对比，根据对比结果识别所述用户设备是否为虚假设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811153099.3A CN109359462B (zh) | 2018-09-29 | 2018-09-29 | 虚假设备识别方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811153099.3A CN109359462B (zh) | 2018-09-29 | 2018-09-29 | 虚假设备识别方法、设备、存储介质及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109359462A CN109359462A (zh) | 2019-02-19 |
| CN109359462B true CN109359462B (zh) | 2020-10-16 |
Family
ID=65348196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811153099.3A Active CN109359462B (zh) | 2018-09-29 | 2018-09-29 | 虚假设备识别方法、设备、存储介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109359462B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112402980B (zh) * | 2020-10-30 | 2023-05-09 | 天津亚克互动科技有限公司 | 游戏运行的适配方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646044A (zh) * | 2013-11-19 | 2014-03-19 | 北京奇虎科技有限公司 | 移动终端鉴别方法及装置 |
| CN103841239A (zh) * | 2014-03-12 | 2014-06-04 | 北京安兔兔科技有限公司 | 终端真伪验证方法及装置 |
| US20150032455A1 (en) * | 1999-06-10 | 2015-01-29 | West View Research, Llc | Computerized information and display apparatus and methods |
| CN104966002A (zh) * | 2015-07-03 | 2015-10-07 | 北京数字联盟网络科技有限公司 | 识别虚假移动终端的方法和装置 |
| CN105142148A (zh) * | 2014-05-30 | 2015-12-09 | 北京安兔兔科技有限公司 | 终端真伪验证方法及装置 |
| CN105975379A (zh) * | 2016-05-25 | 2016-09-28 | 北京比邻弘科科技有限公司 | 一种虚假移动设备的识别方法及识别系统 |
| CN107766928A (zh) * | 2017-10-25 | 2018-03-06 | 福建富士通信息软件有限公司 | 一种基于人工神经网络模型和ua信息的终端识别方法 |
-
2018
- 2018-09-29 CN CN201811153099.3A patent/CN109359462B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150032455A1 (en) * | 1999-06-10 | 2015-01-29 | West View Research, Llc | Computerized information and display apparatus and methods |
| CN103646044A (zh) * | 2013-11-19 | 2014-03-19 | 北京奇虎科技有限公司 | 移动终端鉴别方法及装置 |
| CN103841239A (zh) * | 2014-03-12 | 2014-06-04 | 北京安兔兔科技有限公司 | 终端真伪验证方法及装置 |
| CN105142148A (zh) * | 2014-05-30 | 2015-12-09 | 北京安兔兔科技有限公司 | 终端真伪验证方法及装置 |
| CN104966002A (zh) * | 2015-07-03 | 2015-10-07 | 北京数字联盟网络科技有限公司 | 识别虚假移动终端的方法和装置 |
| CN105975379A (zh) * | 2016-05-25 | 2016-09-28 | 北京比邻弘科科技有限公司 | 一种虚假移动设备的识别方法及识别系统 |
| CN107766928A (zh) * | 2017-10-25 | 2018-03-06 | 福建富士通信息软件有限公司 | 一种基于人工神经网络模型和ua信息的终端识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109359462A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753800B (zh) | 融合频繁项集与随机森林算法的Android恶意应用检测方法及系统 | |
| CN106874253A (zh) | 识别敏感信息的方法及装置 | |
| Gao et al. | Android malware detection via graphlet sampling | |
| CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
| CN107679626A (zh) | 机器学习方法、装置、系统、存储介质及设备 | |
| CN109391620B (zh) | 异常行为判定模型的建立方法、系统、服务器及存储介质 | |
| CN112887329B (zh) | 隐藏服务溯源方法、装置及电子设备 | |
| KR102302484B1 (ko) | 특성 선택에 기반한 모바일 악성 코드 분류 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
| CN115830649A (zh) | 一种网络资产指纹特征的识别方法、装置及电子设备 | |
| CN109359462B (zh) | 虚假设备识别方法、设备、存储介质及装置 | |
| CN111382432A (zh) | 一种恶意软件检测、分类模型生成方法及装置 | |
| CN114091551A (zh) | 色情图像识别方法、装置、电子设备及存储介质 | |
| CN104580109A (zh) | 生成点选验证码的方法及装置 | |
| CN109992960B (zh) | 一种伪造参数检测方法、装置、电子设备及存储介质 | |
| CN110990834A (zh) | 一种android恶意软件的静态检测方法、系统及介质 | |
| CN113220949B (zh) | 一种隐私数据识别系统的构建方法及装置 | |
| CN115392238A (zh) | 一种设备识别方法、装置、设备及可读存储介质 | |
| CN113468604A (zh) | 基于人工智能的大数据隐私信息解析方法及系统 | |
| CN114186039A (zh) | 一种视觉问答方法、装置及电子设备 | |
| CN111859191A (zh) | Gis服务聚合方法、装置、计算机设备和存储介质 | |
| CN113821705A (zh) | 网页内容的获取方法、终端设备及可读存储介质 | |
| CN113641767A (zh) | 实体关系抽取方法、装置、设备及存储介质 | |
| CN111291044A (zh) | 敏感数据识别方法、装置、电子设备及存储介质 | |
| CN112488140A (zh) | 一种数据关联方法及装置 | |
| CN114139165B (zh) | 基于机器学习中的多目标识别的智能合约漏洞检测方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: False device identification methods, devices, storage media, and devices Effective date of registration: 20231219 Granted publication date: 20201016 Pledgee: Industrial Bank Limited by Share Ltd. Wuhan branch Pledgor: WUHAN JIYI NETWORK TECHNOLOGY Co.,Ltd. Registration number: Y2023980072607 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |