CN110782333A - 一种设备风险控制方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种设备风险控制方法、装置、设备及介质，所述方法包括为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；根据所述决策画像进行风险控制。本发明通过通用与专用的结合得到实用性强的决策画像，也进而构建了完备的设备风控体系。

Description

一种设备风险控制方法、装置、设备及介质

技术领域

本发明涉及风险控制领域，尤其涉及一种设备风险控制方法、装置、设备及介质。

背景技术

现有技术中的风险控制主要以用户账号为控制主体，比如根据用户的信用历史及综合资料，利用一定的信用评分模型，得到不同等级的信用分数，基于信用分数预测用户账号的恶意程度，从而进行风险控制。基于信用评分进行用户账号的风险控制的方案已经广泛应用于信用借贷，信用风控等领域，但当前市场上针对设备的信用评分还没有实际可用的方案出现，而随着互联网及物联网的快速发展，联网设备数量已经超过80亿，设备数量已经超过用户的数量，因此，亟待构建以设备为风控主体的风险控制方案。

发明内容

为了解决现有技术中尚无切实可用的以设备为风控主体的风险控制方案的技术问题，本发明实施例提供一种设备风险控制方法、装置、设备及介质。

一方面，本发明提供了一种设备风险控制方法，所述方法包括：

为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；

获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；

构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；

获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；

根据所述决策画像进行风险控制。

另一方面，本发明提供了一种设备风险控制装置，所述装置包括；

设备指纹构建模块，用于为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；

设备基础数据获取模块，用于获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；

设备画像构建模块，用于构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；

决策引擎构建模块，用于获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；

决策模块，用于根据所述决策画像进行风险控制。

另一方面，本发明提供了一种设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现一种设备风险控制方法。

另一方面，本发明提供了一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行一种设备风险控制方法。

本发明提供了一种设备风险控制方法、装置、设备及介质。本发明通过设置设备指纹实现了跨平台的设备信息互通，从而得到设备相关的海量数据，根据对所述海量数据进行分析得到通用场景下的设备画像，并结合专用场景的风险预测模型得到决策模型，通过通用与专用的结合得到实用性强的决策画像，也进而构建了完备的设备信用及风险识别体系。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明提供的一种设备风险控制方法流程图；

图2是本发明提供的设备画像获取的体系示意图；

图3是本发明提供的构建设备画像流程图；

图4是本发明提供的根据所述多维度特征数据获取设备图谱维度的设备评分流程图；

图5是本发明提供的根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像流程图；

图6是本发明提供的一种设备风险控制方法的实施环境示意图；

图7是本发明提供的一种设备风险控制方法构建的设备信用及风险识别体系示意图；

图8是本发明提供的一种设备风险控制装置框图；

图9是本发明提供的设备画像构建模块框图；

图10是本发明提供的一种用于实现本发明实施例所提供的方法的设备的硬件结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了使本发明实施例公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明实施例，并不用于限定本发明实施例。为了对于本发明实施例中所述的技术方案进行清晰的阐述，本发明实施例首先对与其相关技术名词、技术背景和技术环境进行解释：

随着信息产业的发展，黑产活动逐渐猖獗，由此对联网设备的安全性提出了更为严峻的考验。黑产可以利用多台联网设备形成大规模联网设备网来对目标发起攻击，而目前尚未有有效的方法对这类攻击进行防范。原因主要在于目前现有技术中尚缺乏针对设备的风险预测方案，以用户账号为风险预测主体的方案在对联网设备进行篡改，或者联网设备冲突等场景中难以起效，在对联网设备进行篡改，或者联网设备冲突等场景中，设备标识动态变化，其与用户账号没有明确的对应关系，这导致基于现有的以用户账号为风险预测主体的预测方案难以被转用到设备预测之中，从而增大了以设备作为风险预测主体进行风险预测的难度。

有鉴于此，本发明实施例提供一种设备风险控制方法，如图1所示，所述方法包括：

S101.为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份。

有别于现有技术中不同平台中设备标识不同难以互通，本发明实施例中为每个设备构建唯一的设备指纹，所述设备指纹可以基于各个平台得到的设备核心分量构建，用于表征设备的唯一身份，根据所述设备指纹，可以实现跨平台的设备信息互通。所述设备指纹也可以作为后续步骤中构建设备画像和决策画像的构建基础。

S103.获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系。

具体地，所述设备基础数据可以以云端的大数据为数据来源，所述设备基础数据可以来源于存储在云端的登录信息、注册信息、设备信息、应用程序列表信息、认证信息、设备执行的动作信息、设备相关的社交信息、设备参与黑产动作信息等。

所述设备基础数据为与所述设备相关的数据，其可以从海量数据中提取而得到。所述基础数据包括静态数据和行为数据，所述静态数据可以包括设备属性和所述设备中的应用程序资料数据，所述行为数据可以包括社交行为数据，所述社交行为可以包括所述设备在其包括的应用程序中参与的注册、登录等社交行为。

在一个可行的实施例中，所述设备基础数据可以包括设备登录数据、设备社交行为数据、设备账号资料数据、设备属性数据、设备应用属性数据、设备的环境数据、设备相关的黑产数据以及其它扩展数据。

所述设备基础数据用于构建设备画像，设备基础数据的类型越多构建的设备画像越精准，因此，本发明实施例并不限定设备基础数据的具体内容。

S105.构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到，所述设备画像构建模型用于基于社交、安全、价值、基础信息和设备图谱五个核心维度构建设备画像。

请参考图2，其示出了设备画像获取的体系示意图。如图2所示，其可以从位于云端的基础数据仓库得到设备基础数据，所述设备基础数据也可以从社交、安全、价值、基础信息和设备图谱五个角度进行获取，所述设备基础数据包括了社交大数据、安全大数据、设备大数据、行为大数据和来自第三方库的价值大数据，其中社交大数据包括注册资料、登录流水、账号资料、群资料、活跃度等，所述安全大数据包括盗号库数据、养号库数据、打击数据、举报数据等，所述设备大数据包括应用列表数据、硬件信息数据、系统信息数据、关联图谱数据等，所述行为大数据包括传感器数据、操作轨迹数据、历史行为数据等，所述来自第三方库的价值大数据包括病毒库数据、合作黑库数据、机控库数据等。上百亿的日流水数据通过分析建模提取超过300维的特征数据，进而构建设备画像。

现有技术中只有设备作恶后才会被标记为黑设备，因此往往是在设备多次作恶后才能被风控系统所识别，具有明显的滞后性。本发明实施例中设备画像基于多个维度构建，从而能够用于全面评估设备的安全风险，提前发现设备的安全问题以免造成更大损失。

在一个可行的实施例中，所述构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到，所述设备画像构建模型用于基于社交、安全、价值、基础信息和设备相关的设备图谱五个核心维度构建设备画像，如图3所示，包括：

S1051.根据所述设备基础数据提取多维度特征数据。

本发明实施例中通过为设备基础数据深度提取多维度的设备有效特征数据来得到设备画像构建模型的输入源，所述多维度特征数据的具体内容本发明实施例不做具体限定，其可以包括:设备使用的应用程序，以及在各个应用程序的行为数据，所述行为数据包括活跃天数、作为黑产作恶时间、社交活跃度、使用天数、登录天数等核心基础特征，目前核心基础数据的维度可以达到200维以上，还根据实际的实施场景不断扩充，根据对设备大数据的完整分析。

S1053.获取社交子模型，根据所述社交子模型和所述多维度特征数据获取所述设备的社交维度的设备评分，所述社交子模型用于从多维度特征数据中提取社交特征集，根据所述社交特征集输出设备评分。

具体地，所述社交子模型用于挖掘设备关联的用户账号的行为信息以便于从社交角度评价设备的风险。所述社交特征集为所述多维度特征数据中，由设备相关的用户账号产生的行为数据，比如所述社交特征集至少指向所述多维度特征数据中的登录数据、注册数据、活跃度数据和消息行为数据。

所述社交子模型可以基于监督学习算法训练得到，所述监督学习算法包括但不限于逻辑回归法，随机森林法，梯度提升树法，深度学习法中的一种或多种的组合。

S1055.获取安全子模型，根据所述安全子模型和所述多维度特征数据获取设备的安全维度的设备评分，所述安全子模型用于从所述多维度特征数据中提取安全特征集，根据所述安全特征集输出所述设备的设备评分。

具体地，所述安全子模型用于挖掘设备关联的用户账号的作恶信息以便于从安全角度评价设备的风险。所述安全特征集为所述多维度特征数据中，由设备相关的用户账号在各个场景中作恶的相关记录，比如所述安全特征集可以指向某个或多个应用场景中的黑名单数据、白名单数据。

所述安全子模型可以基于监督学习算法训练得到，所述监督学习算法包括但不限于逻辑回归法，随机森林法，梯度提升树法，深度学习法中的一种或多种的组合。

S1057.获取价值子模型，根据所述价值子模型和所述多维度特征数据获取设备的价值维度的设备评分，所述价值子模型用于从所述多维度特征数据中提取价值特征集，根据所述价值特征集输出所述设备的设备评分。

具体地，所述价值子模型用于基于设备本身的价值属性来进行评分，比如设备本身的型号、品牌、出场时间，另行结合所述设备的支付数据来综合输出设备评分。

所述价值子模型可以基于监督学习算法训练得到，所述监督学习算法包括但不限于逻辑回归法，随机森林法，梯度提升树法，深度学习法中的一种或多种的组合。

S1059.获取基础子模型，根据所述基础子模型和所述多维度特征数据获取设备的基础维度的设备评分，所述基础子模型用于从所述多维度特征数据中提取静态数据集，根据所述静态数据集输出所述设备的设备评分。

具体地，所述基础子模型用于基于设备的静态数据来进行评分，比如，所述静态数据集中可以包括设备的软件硬件信息、设备使用地域信息等。

所述基础子模型可以基于监督学习算法训练得到，所述监督学习算法包括但不限于逻辑回归法，随机森林法，梯度提升树法，深度学习法中的一种或多种的组合。

S10511.根据所述多维度特征数据获取设备图谱维度的设备评分。

具体地，可以基于所述多维度特征数据构建设备图谱，以设备所在的设备图谱为传播路径，通过将设备图谱中设备相关的其它设备的设备图谱维度的设备评分基于双向传播模型传播而得到所述设备的设备评分。

所述双向传播模型通过将设备相关的其它设备的设备图谱维度的设备评分沿设备关联网进行传播可以使得设备维度的设备评分的生成过程可以参考其所处的设备间的设备关系，从而使得设备图谱维度的设备评分更加客观。具体地，所述双向传播模型可以得到这样一种技术效果：若优质用户使用了多个设备，但其中只有一个设备分高，则基于双向传播模型可以使得其他设备的设备维度的设备评分被拉高；黑产用户若使用多个设备，即使只有一个设备分低，基于双向传播模型可以使得其它设备的设备维度的设备评分也被拉低。

在一个可行的实施例中，所述根据所述多维度特征数据获取设备图谱维度的设备评分，如图4所示，包括：

S105111.根据所述多维度特征数据构建设备图谱，所述设备图谱用于表征有效设备之间的关联关系，所述有效设备包括所述设备和与所述设备存在关联关系的其它设备，所述设备图谱的点表征有效设备，所述设备图谱的边表征有效设备之间的关联程度。

具体地，所述设备图谱可以以用户行为为关联条件，基于用户的操作流水生成。比如某个某个操作流水涉及到所述设备和其它设备，则所述其它设备即可成为有效设备，所述设备和所述其它设备基于所述操作流水构建了关联关系。

在一个可行的实施例中，所述设备图谱可以使用G＝E(x_i,x_j,v_ij)表征，其中x_i,x_j,v_ij分别表示两个有效设备，和所述两个有效设备的关联程度，具体地，所述关联程度可以以所述两个有效设备具有共同操作的用户数表征。

S105112.根据所述设备图谱得到惩罚网络和奖励网络，所述惩罚网络用于对第一设备产生的评分进行传播，所述奖励网络用于对第二设备产生的评分进行传播，所述第一设备为所述有效设备中被判定为黑产用户使用的设备，所述第二设备为所述有效设备中被判定为优质用户使用的设备。

S105113.根据所述惩罚网络和所述奖励网络进行评分传播，以得到所述设备的设备图谱维度的设备评分。

在一个可行的实施例中，所述惩罚网络和所述奖励网络中评分传播可以基于下述公式进行

进行，其中S表示设备评分，t表示迭代次数，i,j均对应有效设备标号，N为传播阶数，本发明实施例中N可以取2。

S10513.根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像。

具体地，所述设备画像是以所述基础维度的设备评分为核心，社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、设备图谱维度的设备评分融合的结果。所述设备画像中还可以包括以所述基础维度的设备评分为核心，社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、设备图谱维度的设备评分融合得到的综合评分，所述综合评分可以使用评分卡方法得到。

不同于现有技术中粗暴的使用二值化标签对设备是否为黑产设备进行评价，本发明实施例中为每个设备构建设备画像，设备画像包括多个维度，并且在各个维度和综合维度上均可以为设备进行评分，从而充分对各个设备带来的安全风险进行区分，进而为使用者提供更为强大的风控能力。

在一个可行的实施例中，所述根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像，如图5所示，包括：

S10.获取均一化的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分。

在一个可行的实施例中，社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分均位于相同的值域之中，比如都为位于[0，100]的区间中的整数，则其直接就是一种均一化的分数。

在其它实施例中，若社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分位于不同值域之中，则需要对其进行均一化。

S30.根据加权平均法对均一化的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分进行加权求和，并以加权求和的结果作为所述设备的设备评分。

在可行的实施例中，均一化的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分可以存在一个或多个缺失，若存在缺失，可以使用缺省值补全。

具体地，每个维度的设备评分所对应的权值可以基于监督分类算法自动学习得到，并且可以根据实际的实施场景或经验进行微调。比如，所述权值可以历史积累的黑白样本建立的分类机器学习模型学习得到，应用于不同场景时进行不同的适应性调整，比如金融和社交是不同的场景，相应的，其对应的权值也可以有所不同。

S107.获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签。

本发明实施例中设备画像反应了设备的通用属性，其是与具体的实施场景无关的，而风险预测模型与实施场景相关，设备画像与设备风险模型的结合体现本发明实施例中通用模型和专用模型相结合的思路。

所述风险预测模型可以包括实施场景中的黑白名单，以及基于与所述实施场景相关的云数据训练得到的机器模型。所述机器模型包括但不限于随机森林模型、神经网络模型和梯度下降树模型。

在一个可行的实施例中，所述根据所述风险预测模型结合所述设备画像以得到决策引擎，主要采用分段融合方法实现，即主要针对高恶意和高可信两个区间的设备评分进行调整。若设备评分处于低评分端，且所述风险预测模型提示所述设备恶意程度较低，则对所述设备画像的设备评分做加分处理；若设备评分处于评分高端，且所述风险预测模型提示所述设备恶意程度较高，则对所述设备画像的设备评分做减分处理。

即根据公式

进行决策引擎的构建，其中F(x),D,e(x),Se,Sg分别表示当前设备评分，调节权值，风险预测模型输出的恶意程度，低评分端阈值和高评分端阈值。其中低评分端阈值Se和高评分端阈值Sg可以根据实施场景进行具体分析得到，而恶意程度判断阈值E可以取中间值0.5。D作为调节权值可以根据实际需要进行设定。

在一个可行的实施例中，所述权值可以根据具体使用的K-S评价方法反向迭代学习得到，所述K-S评价方法用于区分正常设备与恶意设备，对权值D进行调整并以最终的K-S结果的区分度最高为迭代终结条件。比如使得D设置在范围内:[0.1-0.6]，搜索最优解实现最终确定D值，即从0.1逐步搜寻到0.6，看K-S值大小变化，取K-S值最大时候对应的D值即可。

进一步地，所述决策画像可以包括基于多维度特征数据、设备画像中各个维度的设备评分以及风险预测模型而得到的各种标签，比如恶意设备标签、虚假设备标签、被盗异常标签、注册异常标签、低活跃异常标签、消息异常标签等。请参考表1，其示出了某个决策引擎输出的决策画像。

表1决策画像

S109.根据所述决策画像进行风险控制。

如图6所示，其示出本发明实施例中公开的一种设备风险控制方法的实施环境示意图。所述设实施环境包括数据服务器、识别引擎服务器、决策引擎服务器和业务服务器，其中：

数据服务器用于提供登录数据、社交行为数据、账号资料数据、设备属性数据、应用属性数据、环境数据、黑产数据、扩展数据等海量数据资料；

所述识别引擎基于所述数据服务器提供的海量数据为各个设备构建设备画像，以所述设备画像的各个维度信息以及设备评分对设备进行风险识别和身份追踪；

所述决策引擎基于所述识别引擎构建的设备画像得到决策画像，所述决策画像包括多个标签；

业务服务器基于所述决策引擎得到的决策画像运行相关业务，所述业务包括但不限于对注册保护、活动保护、消息判别、恶意拦截等。

本发明实施例中公开的一种设备风险控制方法中通过设置设备指纹实现了跨平台的设备信息互通，从而得到设备相关的海量数据，根据对所述海量数据进行分析得到通用场景下的设备画像，并结合专用场景的风险预测模型得到决策模型，通过通用与专用的结合得到实用性强的决策画像，也进而构建了完备的设备信用及风险识别体系。

请参考图7，其示出了本发明实施例中一种设备风险控制方法构建的设备信用及风险识别体系示意图。通过从社交、价值、安全、基础和设备图谱五个维度计算设备画像，从而可以基于评分卡模型为设备计算设备评分。在各个场景中基于风险预测模型对设备进行风险评估，结合设备画像得到设备决策画像，所述决策画像在包括设备通用场景的设备画像的信息的同时与具体的应用场景也具有强相关性，因此可以得到精准的决策结果。本发明实施例中对于决策画像的决策结果进行了验证，验证结果证实其可以有效黑产的批量恶意注册，也可以对误拦截进行有效放过，组合准确率都能达到99％，新增恶意拦截>10％，有效阻断黑产的大规模恶意攻击。此外，本发明实施例对于实施场景没有特殊限制，其可以广泛应用于业务风控、金融风控、信息推荐等多个场景之中。

本发明实施例还公开了一种设备风险控制装置，如图8所示，所述装置包括：

设备指纹构建模块201，用于为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；

设备基础数据获取模块203，用于获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；

设备画像构建模块205，用于构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；

决策引擎构建模块207，用于获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；

决策模块209，用于根据所述决策画像进行风险控制。

在一个可行的实施例中，所述设备画像构建模型用于基于社交、安全、价值、基础信息和设备图谱五个核心维度构建设备画像，所述设备画像构建模块，如图9所示，包括：

多维度特征数据提取单元2051，用于根据所述设备基础数据提取多维度特征数据；

社交子模型获取单元2053，用于获取社交子模型，根据所述社交子模型和所述多维度特征数据获取所述设备的社交维度的设备评分，所述社交子模型用于从多维度特征数据中提取社交特征集，根据所述社交特征集输出设备评分；

安全子模型获取单元2055，用于获取安全子模型，根据所述安全子模型和所述多维度特征数据获取设备的安全维度的设备评分，所述安全子模型用于从所述多维度特征数据中提取安全特征集，根据所述安全特征集输出所述设备的设备评分；

价值子模型获取单元2057，用于获取价值子模型，根据所述价值子模型和所述多维度特征数据获取设备的价值维度的设备评分，所述价值子模型用于从所述多维度特征数据中提取价值特征集，根据所述价值特征集输出所述设备的设备评分；

基础子模型获取单元2059，用于获取基础子模型，根据所述基础子模型和所述多维度特征数据获取设备的基础维度的设备评分，所述基础子模型用于从所述多维度特征数据中提取静态数据集，根据所述静态数据集输出所述设备的设备评分；

图谱维度的设备评分获取单元20511，用于根据所述多维度特征数据获取设备图谱维度的设备评分；

设备画像综合构建单元20513，用于根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像。

具体地，本发明实施例所述一种设备风险控制装置与方法实施例均基于相同发明构思，本发明实施例的一种设备风险控制装置的实现细节可以参考方法实施例，再此不再赘述。

本发明实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行本发明实施例所述的一种设备风险控制方法，所述方法至少包括下述步骤：

一种设备风险控制方法，所述方法包括：

为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；

获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；

构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；

获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；

根据所述决策画像进行风险控制。

在一个可行的实施例中，所述设备画像构建模型用于基于社交、安全、价值、基础信息和设备图谱五个核心维度构建设备画像，所述构建设备画像，包括：

根据所述设备基础数据提取多维度特征数据；

获取社交子模型，根据所述社交子模型和所述多维度特征数据获取所述设备的社交维度的设备评分，所述社交子模型用于从多维度特征数据中提取社交特征集，根据所述社交特征集输出设备评分；

获取安全子模型，根据所述安全子模型和所述多维度特征数据获取设备的安全维度的设备评分，所述安全子模型用于从所述多维度特征数据中提取安全特征集，根据所述安全特征集输出所述设备的设备评分；

获取价值子模型，根据所述价值子模型和所述多维度特征数据获取设备的价值维度的设备评分，所述价值子模型用于从所述多维度特征数据中提取价值特征集，根据所述价值特征集输出所述设备的设备评分；

获取基础子模型，根据所述基础子模型和所述多维度特征数据获取设备的基础维度的设备评分，所述基础子模型用于从所述多维度特征数据中提取静态数据集，根据所述静态数据集输出所述设备的设备评分；

根据所述多维度特征数据获取设备图谱维度的设备评分；

根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像。

在一个可行的实施例中，所述社交子模型、安全子模型、价值子模型和基础子模型基于监督学习算法训练得到，所述监督学习算法包括但不限于逻辑回归法，随机森林法，梯度提升树法，深度学习法中的一种或多种的组合。

在一个可行的实施例中，所述根据所述多维度特征数据获取设备图谱维度的设备评分，包括：

根据所述多维度特征数据构建设备图谱，所述设备图谱用于表征有效设备之间的关联关系，所述有效设备包括所述设备和与所述设备存在关联关系的其它设备，所述设备图谱的点表征有效设备，所述设备图谱的边表征有效设备之间的关联程度；

根据所述设备图谱得到惩罚网络和奖励网络，所述惩罚网络用于对第一设备产生的评分进行传播，所述奖励网络用于对第二设备产生的评分进行传播，所述第一设备为所述有效设备中被判定为黑产用户使用的设备，所述第二设备为所述有效设备中被判定为优质用户使用的设备；

根据所述惩罚网络和所述奖励网络进行评分传播，以得到所述设备的设备图谱维度的设备评分。

在一个可行的实施例中，所述根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像，包括：

获取均一化的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分；

根据加权平均法对均一化的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分进行加权求和，并以加权求和的结果作为所述设备的设备评分。

在一个可行的实施例中，所述根据所述风险预测模型结合所述设备画像以得到决策引擎，包括：

根据公式

进行决策引擎的构建，其中F(x),D,e(x),Se,Sg分别表示当前设备评分，调节权值，风险预测模型输出的恶意程度，低评分端阈值和高评分端阈值。

进一步地，图10示出了一种用于实现本发明实施例所提供的方法的设备的硬件结构示意图，所述设备可以参与构成或包含本发明实施例所提供的装置或系统。如图10所示，设备10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图10所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，设备10还可包括比图10中所示更多或者更少的组件，或者具有与图10所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中所述的方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种设备风险控制方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括设备10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(NetworkInterfaceController，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与设备10(或移动设备)的用户界面进行交互。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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，对于装置和服务器实施例而言，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。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种设备风险控制方法，其特征在于，所述方法包括：

为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；

获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；

构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；

获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；

根据所述决策画像进行风险控制。

2.根据权利要求1所述的方法，其特征在于，所述设备画像构建模型用于基于社交、安全、价值、基础信息和设备图谱五个核心维度构建设备画像，所述构建设备画像，包括：

根据所述设备基础数据提取多维度特征数据；

获取社交子模型，根据所述社交子模型和所述多维度特征数据获取所述设备的社交维度的设备评分，所述社交子模型用于从多维度特征数据中提取社交特征集，根据所述社交特征集输出设备评分；

获取安全子模型，根据所述安全子模型和所述多维度特征数据获取设备的安全维度的设备评分，所述安全子模型用于从所述多维度特征数据中提取安全特征集，根据所述安全特征集输出所述设备的设备评分；

获取价值子模型，根据所述价值子模型和所述多维度特征数据获取设备的价值维度的设备评分，所述价值子模型用于从所述多维度特征数据中提取价值特征集，根据所述价值特征集输出所述设备的设备评分；

获取基础子模型，根据所述基础子模型和所述多维度特征数据获取设备的基础维度的设备评分，所述基础子模型用于从所述多维度特征数据中提取静态数据集，根据所述静态数据集输出所述设备的设备评分；

根据所述多维度特征数据获取设备图谱维度的设备评分；

根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像。

3.根据权利要求2所述的方法，其特征在于：

所述社交子模型、安全子模型、价值子模型和基础子模型基于监督学习算法训练得到，所述监督学习算法包括但不限于逻辑回归法，随机森林法，梯度提升树法，深度学习法中的一种或多种的组合。

4.根据权利要求2所述的方法，其特征在于，所述根据所述多维度特征数据获取设备图谱维度的设备评分，包括：

根据所述多维度特征数据构建设备图谱，所述设备图谱用于表征有效设备之间的关联关系，所述有效设备包括所述设备和与所述设备存在关联关系的其它设备，所述设备图谱的点表征有效设备，所述设备图谱的边表征有效设备之间的关联程度；

根据所述设备图谱得到惩罚网络和奖励网络，所述惩罚网络用于对第一设备产生的评分进行传播，所述奖励网络用于对第二设备产生的评分进行传播，所述第一设备为所述有效设备中被判定为黑产用户使用的设备，所述第二设备为所述有效设备中被判定为优质用户使用的设备；

根据所述惩罚网络和所述奖励网络进行评分传播，以得到所述设备的设备图谱维度的设备评分。

5.根据权利要求2所述的方法，其特征在于，所述根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像，包括：

获取均一化的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分；

根据加权平均法对均一化的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分进行加权求和，并以加权求和的结果作为所述设备的设备评分。

6.根据权利要求1所述的方法，其特征在于，所述根据所述风险预测模型结合所述设备画像以得到决策引擎，包括：

根据公式

进行决策引擎的构建，其中F(x),D,e(x),Se,Sg分别表示当前设备评分，调节权值，风险预测模型输出的恶意程度，低评分端阈值和高评分端阈值。

7.一种设备风险控制装置，其特征在于，所述装置包括：

设备指纹构建模块，用于为各个设备构建设备指纹，所述设备指纹用于表征所述设备的唯一身份；

设备基础数据获取模块，用于获取设备相关的设备基础数据，以构建设备指纹与设备基础数据的映射关系；

设备画像构建模块，用于构建设备画像，所述设备画像通过将所述设备基础数据输入设备画像构建模型而得到；

决策引擎构建模块，用于获取所述设备的实施场景中的风险预测模型，根据所述风险预测模型结合所述设备画像以得到决策引擎，所述决策引擎用于根据所述风险预测模型对所述设备画像进行调整以得到决策画像，所述决策画像包括所述设备的设备评分和至少一种标签；

决策模块，用于根据所述决策画像进行风险控制。

8.根据权利要求7所述的装置，其特征在于，所述设备画像构建模型用于基于社交、安全、价值、基础信息和设备图谱五个核心维度构建设备画像，所述设备画像构建模块，包括：

多维度特征数据提取单元，用于根据所述设备基础数据提取多维度特征数据；

社交子模型获取单元，用于获取社交子模型，根据所述社交子模型和所述多维度特征数据获取所述设备的社交维度的设备评分，所述社交子模型用于从多维度特征数据中提取社交特征集，根据所述社交特征集输出设备评分；

安全子模型获取单元，用于获取安全子模型，根据所述安全子模型和所述多维度特征数据获取设备的安全维度的设备评分，所述安全子模型用于从所述多维度特征数据中提取安全特征集，根据所述安全特征集输出所述设备的设备评分；

价值子模型获取单元，用于获取价值子模型，根据所述价值子模型和所述多维度特征数据获取设备的价值维度的设备评分，所述价值子模型用于从所述多维度特征数据中提取价值特征集，根据所述价值特征集输出所述设备的设备评分；

基础子模型获取单元，用于获取基础子模型，根据所述基础子模型和所述多维度特征数据获取设备的基础维度的设备评分，所述基础子模型用于从所述多维度特征数据中提取静态数据集，根据所述静态数据集输出所述设备的设备评分；

图谱维度的设备评分获取单元，用于根据所述多维度特征数据获取设备图谱维度的设备评分；

设备画像综合构建单元，用于根据得到的社交维度的设备评分、安全维度的设备评分、价值维度的设备评分、基础维度的设备评分和设备图谱维度的设备评分，综合得到所述设备的设备画像。

9.一种设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-6任一项所述的一种设备风险控制方法。

10.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如权利要求1-6任一项所述的一种设备风险控制方法。

Images