CN114429177A - 设备指纹特征筛选方法、装置、电子设备及存储介质 - Google Patents

设备指纹特征筛选方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114429177A
CN114429177A CN202111619308.0A CN202111619308A CN114429177A CN 114429177 A CN114429177 A CN 114429177A CN 202111619308 A CN202111619308 A CN 202111619308A CN 114429177 A CN114429177 A CN 114429177A
Authority
CN
China
Prior art keywords
equipment
feature
determining
screening
pool
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.)
Pending
Application number
CN202111619308.0A
Other languages
English (en)
Inventor
林建明
黄恺睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Wuyu Technology Co ltd
Original Assignee
Shenzhen Wuyu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Wuyu Technology Co ltd filed Critical Shenzhen Wuyu Technology Co ltd
Priority to CN202111619308.0A priority Critical patent/CN114429177A/zh
Publication of CN114429177A publication Critical patent/CN114429177A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211Selection of the most significant subset of features
    • G06F18/2113Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明实施例提供了一种设备指纹特征筛选方法、装置、电子设备及存储介质,所述方法包括:获取目标设备的至少一个设备特征,由目标设备的至少一个设备特征组成设备特征池;针对设备特征池中任一设备特征,确定设备特征在不同评价维度下的特征指标;确定当前场景,根据当前场景与特征指标,确定设备特征的筛选倾向度;根据设备特征池中各设备特征各自对应的筛选倾向度,从设备特征池中筛选目标设备特征作为设备指纹特征。通过确定设备特征池中各设备特征的筛选倾向度,从而基于筛选倾向度对设备特征池中各设备特征进行筛选得到设备指纹特征,后续将设备指纹特征输入到匹配模型进行设备指纹匹配,可以有效提高匹配模型的设备指纹匹配成功率。

Description

设备指纹特征筛选方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及信息处理技术领域,尤其涉及一种设备指纹特征筛选方法、装置、电子设备及存储介质。
背景技术
随着移动互联网应用技术的发展和普及,设备指纹作为唯一标识一个设备的标识符,被广泛的应用在各种涉及互联网信息安全的行业。其中,生成设备指纹所使用到的各类设备特征是影响设备指纹匹配效果的重要因素,设备特征的质量决定了设备指纹技术的上限。
相关技术中,目前设备指纹技术大部分注重于匹配模型的建立,很少对设备特征选择部分展开深入研究,而设备特征选择却直接关系到匹配模型的性能。目前通常将采集到的设备特征输入到匹配模型进行设备指纹匹配,然而这样会忽略设备特征之间可能存在的冲突关系,导致匹配模型的设备指纹匹配成功率下降。
发明内容
为了解决上述目前通常将采集到的设备特征输入到匹配模型进行设备指纹匹配,然而这样会忽略设备特征之间可能存在的冲突关系,导致匹配模型的设备指纹匹配成功率下降的技术问题,本发明实施例提供了一种设备指纹特征筛选方法、装置、电子设备及存储介质。
在本发明实施例的第一方面,首先提供了一种设备指纹特征筛选方法,所述方法包括:
获取目标设备的至少一个设备特征,由所述目标设备的至少一个所述设备特征组成设备特征池;
针对所述设备特征池中任一所述设备特征,确定所述设备特征在不同评价维度下的特征指标;
确定当前场景,根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度;
根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征。
在一个可选的实施方式中,所述确定所述设备特征在不同评价维度下的特征指标,包括:
确定所述设备特征在第一评价维度下的目标信息熵;
确定所述设备特征在第二评价维度下的最大信息系数;
确定所述设备特征在第三评价维度下的类别数。
在一个可选的实施方式中,所述确定所述设备特征在第一评价维度下的目标信息熵,包括:
确定所述设备特征在同一设备之间第一信息熵,确定所述设备特征在不同设备之间的第二信息熵;
获取所述第二信息熵与所述第一信息熵之间的差值,确定所述差值为所述设备特征在第一评价维度下的目标信息熵。
在一个可选的实施方式中,所述确定所述设备特征在第三评价维度下的类别数,包括:
查找所述设备特征的特征值的总个数,确定所述特征值的总个数为所述设备特征在第三评价维度下的类别数。
在一个可选的实施方式中,所述根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度,包括:
查找所述目标信息熵、所述最大信息系数以及所述类别数在所述当前场景下各自对应的权重;
根据所述目标信息熵、所述最大信息系数以及所述类别数,以及各自对应的所述权重,确定所述设备特征的筛选倾向度。
在一个可选的实施方式中,所述根据所述目标信息熵、所述最大信息系数以及所述类别数,以及各自对应的所述权重,确定所述设备特征的筛选倾向度,包括:
获取所述目标信息熵、所述最大信息系数、所述类别数与各自对应的所述权重之间的加权和,得到所述设备特征的筛选倾向度。
在一个可选的实施方式中,所述根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征,包括:
根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,对所述设备特征池中各所述设备特征进行排序;
从对所述设备特征池中各所述设备特征的排序结果中,选取排名前N%的目标设备特征作为设备指纹特征。
在本发明实施例的第二方面,提供了一种设备指纹特征筛选装置,所述装置包括:
特征获取模块,用于获取目标设备的至少一个设备特征,由所述目标设备的至少一个所述设备特征组成设备特征池;
指标确定模块,用于针对所述设备特征池中任一所述设备特征,确定所述设备特征在不同评价维度下的特征指标;
倾向度确定模块,用于确定当前场景,根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度;
特征筛选模块,用于根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征。
在本发明实施例的第三方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面中所述的设备指纹特征筛选方法。
在本发明实施例的第四方面,还提供了一种存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面中所述的设备指纹特征筛选方法。
在本发明实施例的第五方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面中所述的设备指纹特征筛选方法。
本发明实施例提供的技术方案,获取目标设备的至少一个设备特征,由目标设备的至少一个设备特征组成设备特征池,针对设备特征池中任一设备特征,确定设备特征在不同评价维度下的特征指标,确定当前场景,根据当前场景与特征指标,确定设备特征的筛选倾向度,根据设备特征池中各设备特征各自对应的筛选倾向度,从设备特征池中筛选目标设备特征作为设备指纹特征。通过获取目标设备的至少一个设备特征,组成设备特征池,针对设备特征池中任一设备特征,确定该设备特征在不同评价维度下的特征指标,确定当前场景,根据当前场景与特征指标,确定该设备特征的筛选倾向度,从而基于筛选倾向度对设备特征池中各设备特征进行筛选得到设备指纹特征,后续将设备指纹特征输入到匹配模型进行设备指纹匹配,可以有效提高匹配模型的设备指纹匹配成功率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中示出的一种设备指纹特征筛选方法的实施流程示意图;
图2为本发明实施例中示出的一种设备特征在不同评价维度下的特征指标的确定方法的实施流程示意图;
图3为本发明实施例中示出的一种设备特征池中各设备特征各自对应的筛选倾向度的确定方法的实施流程示意图;
图4为本发明实施例中示出的一种设备指纹特征筛选装置的结构示意图;
图5为本发明实施例中示出的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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、产品或设备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。
如图1所示,为本发明实施例提供的一种设备指纹特征筛选方法的实施流程示意图,该方法应用于处理器,具体可以包括以下步骤:
S101,获取目标设备的至少一个设备特征,由所述目标设备的至少一个所述设备特征组成设备特征池。
在本发明实施例中,针对目标设备,获取该目标设备的至少一个设备特征,由此可以根据目标设备的至少一个设备特征组成设备特征池。这里设备特征可以是目标设备的各类设备特征,具体可以通过事件采集的方式获取目标设备的至少一个设备特征,本发明实施例对此不作限定。
例如,在本发明实施例中,对于目标设备A,通过事件采集的方式,获取到了目标设备A的设备特征,其中,每个设备特征的名称以及相应含义,如下表1所示,由此可以根据目标设备A的设备特征,组成一个设备特征池。
设备特征名称 设备特征含义
ip ip地址
tcpts tcp时间戳
session_id 会话标识
tcp_source_port tcp发送端端口
user_agent 用户代理
ip_geo 地理信息
device_model 设备型号
resolution 屏幕分辨率
tcp_initial_window tcp初始窗口大小
cr 运营商信息
appversion app版本号
accpet_encoding 接受编码
accpet_language 接受语言
ns 网络服务
表1
S102,针对所述设备特征池中任一所述设备特征,确定所述设备特征在不同评价维度下的特征指标。
S103,确定当前场景,根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度。
在本发明实施例中,针对设备特征池中任一设备特征,确定该设备特征在不同评价维度下的特征指标,确定当前场景,根据当前场景与该特征指标,确定该设备特征的筛选倾向度。如此对于设备特征池中各设备特征,均可以得到各自对应的筛选倾向度。
需要说明的是,对于本发明中涉及的场景,具体可以是H5、APP、微信小程序等场景中任一场景,或者可以是跨场景,例如跨越了H5、APP等,本发明实施例对此不作限定。
例如,在本发明实施例中,针对设备特征池中“ip”的设备特征,确定“ip”的设备特征在不同维度下的特征指标,确定当前场景,例如H5场景,根据当前场景与该特征指标,确定“ip”的设备特征的筛选倾向度。对于设备特征池中其余设备特征,处理与上述类似,本发明实施例在此不再一一赘述。如此对于设备特征池中各设备特征,均可以得到各自对应的筛选倾向度。
其中,设备指纹最终优劣的评判标准,一般是唯一性(准确率高,不同设备生成的设备指纹保证不会重复,确保设备指纹生成的唯一性)和稳定性(设备系统升级或少量参数变更,设备指纹不会发生变更),从唯一性和稳定性出发,本发明实施例基于三种在高分类匹配问题上常用的评价方法,去确定设备特征在不同评价维度下的特征指标。具体地,如图2所示,具体可以包括以下步骤:
S201,确定所述设备特征在第一评价维度下的目标信息熵。
在本发明实施例中,信息的平均不确定性应当为单个符号不确定性-logPi的统计平均值,可称为信息熵,即
Figure BDA0003437359080000071
另一种理解方法是:信息熵可以作为一个系统复杂程度的度量,如果系统越复杂,出现不同情况的种类越多,那么他的信息熵是比较大的。如果一个系统越简单,出现情况种类很少(极端情况为1种情况,那么对应概率为1,那么对应的信息熵为0),此时的信息熵较小。
对于设备指纹最终优劣的评判标准,即稳定性和一致性,对于同一设备本发明实施例所采集到的某一设备特征而言,最理想的情况下,本发明实施例希望这个设备特征在不同时间段、不同地点、不同网络环境下保持不变,即信息熵为零,对应着的,对于不同设备之间去看这一设备特征,本发明实施例希望这一设备特征能有明显差异,即信息熵越大越好。
基于此思想,在本发明实施例中,从信息熵(Information Entropy)维度去评价设备特征池中任一设备特征,即针对设备特征池中任一设备特征,确定该设备特征在同一设备(即目标设备)之间第一信息熵,确定该设备特征在不同设备(即目标设备以及其余设备)之间的第二信息熵,获取第二信息熵与第一信息熵之间的差值,确定差值为设备特征在第一评价维度(即信息熵维度)下的目标信息熵。如此对于设备特征池中各设备特征,均可以得到各自对应的目标信息熵。
例如,针对设备特征池中“ip”的设备特征,确定“ip”的设备特征在目标设备A与目标设备A之间的第一信息熵(H(U)同一设备间),确定“ip”的设备特征在目标设备A与设备B之间的第二信息熵(H(U)不同设备间),获取第二信息熵与第一信息熵之间的差值(informationEntropy),如下所示,确定差值为“ip”的设备特征在第一评价维度下的目标信息熵。对于设备特征池中其余设备特征,处理与上述类似,本发明实施例在此不再一一赘述。如此对于设备特征池中各设备特征,均可以得到各自对应的在第一评价维度下的目标信息熵,如下表2所示。
information Entropy=H(U)不同设备间-H(U)同一设备间
Figure BDA0003437359080000081
Figure BDA0003437359080000091
表2
S202,确定所述设备特征在第二评价维度下的最大信息系数。
在本发明实施例中,最大信息系数属于Maximal Information-basedNonparametric Exploration(MINE)最大的基于信息的非参数性探索,用于衡量两个变量X和Y之间的关联程度,线性或非线性的强度,常用于机器学习的特征选择。
最大信息系数可以帮助本发明实施例获取设备特征池内设备特征之间的相关性。本发明实施例希望设备特征池可以完整地反应目标设备的各类信息,包括网络信息、硬件信息、软件信息等等,因而本发明实施例希望某一设备特征与其他设备特征的相关性需要尽可能地低。
基于此思想,在本发明实施例中,从最大信息系数(Maximal InformationCoefficient)维度去评价设备特征池中任一设备特征,即针对设备特征池中任一设备特征,确定该设备特征在第二评价维度下的最大信息系数。其中,针对设备特征池中任一设备特征,具体可以通过以下公式计算该设备特征在第二评价维度下的最大信息系数。
Figure BDA0003437359080000101
S203,确定所述设备特征在第三评价维度下的类别数。
在本发明实施例中,从类别数(Number of Unique)维度去评价设备特征池中任一设备特征,即针对设备特征池中任一设备特征,确定该设备特征在第三评价维度下的类别数。其中,针对设备特征池中任一设备特征,查找该设备特征的特征值的总个数,确定特征值的总个数为设备特征在第三评价维度下的类别数。
例如,针对设备特征池中“ip”的设备特征,查找“ip”的设备特征的IP地址的总个数,即这里“ip”的设备特征的取值数量,比如为250635,由此可以确定“ip”的设备特征的取值数量为“ip”的设备特征在第三评价维度下的类别数。对于设备特征池中其余设备特征,处理与上述类似,本发明实施例在此不再一一赘述。如此对于设备特征池中各设备特征,均可以得到各自对应的在第三评价维度下的类别数,如下表3所示。
Figure BDA0003437359080000102
Figure BDA0003437359080000111
表3
如此经过上述步骤,针对设备特征池中任一设备特征,均可以得到各自对应的在第一评价维度下的目标信息熵、在第二评价维度下的最大信息系数、在第三评价维度下的类别数,作为各自对应的在不同评价维度下的特征指标。其中,对于信息熵、最大信息系数的计算,可以参考市面上比较成熟的算法,本发明实施例在此不再一一赘述。由此可以确定设备特征池中各设备特征各自对应的筛选倾向度,如图3所示,具体可以包括以下步骤:
S301,查找所述目标信息熵、所述最大信息系数以及所述类别数在所述当前场景下各自对应的权重。
S302,根据所述目标信息熵、所述最大信息系数以及所述类别数,以及各自对应的所述权重,确定所述设备特征的筛选倾向度。
在本发明实施例中,对于目标信息熵、最大信息系数以及类别数等,在不同场景下设置相应的不同权重,以便于根据不同场景的特点,调整目标信息熵、最大信息系数以及类别数等对最终筛选倾向度的影响权重,例如,如下表4所示,对于目标信息熵、最大信息系数以及类别数等,在不同场景下设置相应的不同权重。
Figure BDA0003437359080000112
Figure BDA0003437359080000121
表4
基于此,在本发明实施例中,针对设备特征池中任一设备特征各自对应的在不同评价维度下的特征指标,即在第一评价维度下的目标信息熵、在第二评价维度下的最大信息系数、在第三评价维度下的类别数,查找目标信息熵、最大信息系数以及类别数在当前场景下各自对应的权重,根据目标信息熵、最大信息系数以及类别数,以及各自对应的权重,确定设备特征的筛选倾向度。
例如,针对设备特征池中“ip”的设备特征对应的在第一评价维度下的目标信息熵、在第二评价维度下的最大信息系数、在第三评价维度下的类别数,查找目标信息熵、最大信息系数以及类别数在H5场景下各自对应的权重,如上述表4所示,即目标信息熵对应的权重W1=0.7、最大信息系数对应的权重W2=0.2、类别数对应的权重W3=0.1,根据目标信息熵、最大信息系数以及类别数,以及各自对应的权重,确定“ip”的设备特征的筛选倾向度。对于设备特征池中其余设备特征,处理与上述类似,本发明实施例在此不再一一赘述。如此对于设备特征池中各设备特征,均可以得到各自对应的筛选倾向度。
其中,在本发明实施例中,针对设备特征池中任一设备特征各自对应的在不同评价维度下的特征指标,即在第一评价维度下的目标信息熵、在第二评价维度下的最大信息系数、在第三评价维度下的类别数,获取目标信息熵、最大信息系数、类别数与各自对应的权重之间的加权和,得到该设备特征的筛选倾向度。这里筛选倾向度以具体分数(Score)的形式体现,本发明实施例对此不作限定。
例如,针对设备特征池中“ip”的设备特征对应的在第一评价维度下的目标信息熵、在第二评价维度下的最大信息系数、在第三评价维度下的类别数,获取目标信息熵、最大信息系数、类别数与各自对应的权重之间的加权和,即如下所示的MIU评价函数,将目标信息熵、最大信息系数、类别数与各自对应的权重之间的加权和代入到MIU评价函数,得到“ip”的设备特征的筛选倾向度(Score)。对于设备特征池中其余设备特征,处理与上述类似,本发明实施例在此不再一一赘述。如此对于设备特征池中各设备特征,均可以得到各自对应的筛选倾向度。
Score=W1*S(目标信息熵)+(-W2*S(最大信息系数))+W3*S(类别数)。
这里筛选倾向度具体可以是以分数的形式体现,其中S(*)函数为标准化函数,以防止某一特征指标过大影响整体。
S104,根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征。
在本发明实施例中,经过上述步骤,可以得到设备特征池中各设备特征各自对应的筛选倾向度,这里筛选倾向度具体可以以分数的形式体现,由此可以根据设备特征池中各设备特征各自对应的筛选倾向度,从设备特征池中筛选目标设备特征作为设备指纹特征。后续将设备指纹特征输入到匹配模型进行设备指纹匹配,可以有效提高匹配模型的设备指纹匹配成功率。
其中,在本发明实施例中,根据设备特征池中各设备特征各自对应的筛选倾向度,对设备特征池中各设备特征进行排序,从对设备特征池中各设备特征的排序结果中,选取排名前N%的目标设备特征作为设备指纹特征。后续将设备指纹特征输入到匹配模型进行设备指纹匹配,可以有效提高匹配模型的设备指纹匹配成功率。
例如,在本发明实施例中,根据设备特征池中各设备特征各自对应的筛选倾向度,对设备特征池中各设备特征进行排序,其中,在不同场景下,各设备特征的排序结果,如下表5所示,从对设备特征池中各设备特征的排序结果中,选取排名前80%(这里可以根据设备特征的整体效果水平以及具体的应用场景进行调整)的目标设备特征作为设备指纹特征,后续将设备指纹特征输入到匹配模型进行设备指纹匹配,可以有效提高匹配模型的设备指纹匹配成功率,例如提高大约10%~15%。
Figure BDA0003437359080000131
Figure BDA0003437359080000141
表5
通过上述对本发明实施例提供的技术方案的描述,获取目标设备的至少一个设备特征,由目标设备的至少一个设备特征组成设备特征池,针对设备特征池中任一设备特征,确定设备特征在不同评价维度下的特征指标,确定当前场景,根据当前场景与特征指标,确定设备特征的筛选倾向度,根据设备特征池中各设备特征各自对应的筛选倾向度,从设备特征池中筛选目标设备特征作为设备指纹特征。
通过获取目标设备的至少一个设备特征,组成设备特征池,针对设备特征池中任一设备特征,确定该设备特征在不同评价维度下的特征指标,确定当前场景,根据当前场景与特征指标,确定该设备特征的筛选倾向度,从而基于筛选倾向度对设备特征池中各设备特征进行筛选得到设备指纹特征,后续将设备指纹特征输入到匹配模型进行设备指纹匹配,可以有效提高匹配模型的设备指纹匹配成功率。
与上述方法实施例相对应,本发明实施例还提供了一种设备指纹特征筛选装置,如图4所示,该装置可以包括:特征获取模块410、指标确定模块420、倾向度确定模块430、特征筛选模块440。
特征获取模块410,用于获取目标设备的至少一个设备特征,由所述目标设备的至少一个所述设备特征组成设备特征池;
指标确定模块420,用于针对所述设备特征池中任一所述设备特征,确定所述设备特征在不同评价维度下的特征指标;
倾向度确定模块430,用于确定当前场景,根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度;
特征筛选模块440,用于根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器51、通信接口52、存储器53和通信总线54,其中,处理器51,通信接口52,存储器53通过通信总线54完成相互间的通信,
存储器53,用于存放计算机程序;
处理器51,用于执行存储器53上所存放的程序时,实现如下步骤:
获取目标设备的至少一个设备特征,由所述目标设备的至少一个所述设备特征组成设备特征池;针对所述设备特征池中任一所述设备特征,确定所述设备特征在不同评价维度下的特征指标;确定当前场景,根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度;根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种存储介质,该存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的设备指纹特征筛选方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的设备指纹特征筛选方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在存储介质中,或者从一个存储介质向另一个存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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,对于系统实施例而言,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。

Claims (10)

1.一种设备指纹特征筛选方法,其特征在于,所述方法包括:
获取目标设备的至少一个设备特征,由所述目标设备的至少一个所述设备特征组成设备特征池;
针对所述设备特征池中任一所述设备特征,确定所述设备特征在不同评价维度下的特征指标;
确定当前场景,根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度;
根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征。
2.根据权利要求1所述的方法,其特征在于,所述确定所述设备特征在不同评价维度下的特征指标,包括:
确定所述设备特征在第一评价维度下的目标信息熵;
确定所述设备特征在第二评价维度下的最大信息系数;
确定所述设备特征在第三评价维度下的类别数。
3.根据权利要求2所述的方法,其特征在于,所述确定所述设备特征在第一评价维度下的目标信息熵,包括:
确定所述设备特征在同一设备之间第一信息熵,确定所述设备特征在不同设备之间的第二信息熵;
获取所述第二信息熵与所述第一信息熵之间的差值,确定所述差值为所述设备特征在第一评价维度下的目标信息熵。
4.根据权利要求2所述的方法,其特征在于,所述确定所述设备特征在第三评价维度下的类别数,包括:
查找所述设备特征的特征值的总个数,确定所述特征值的总个数为所述设备特征在第三评价维度下的类别数。
5.根据权利要求2所述的方法,其特征在于,所述根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度,包括:
查找所述目标信息熵、所述最大信息系数以及所述类别数在所述当前场景下各自对应的权重;
根据所述目标信息熵、所述最大信息系数以及所述类别数,以及各自对应的所述权重,确定所述设备特征的筛选倾向度。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标信息熵、所述最大信息系数以及所述类别数,以及各自对应的所述权重,确定所述设备特征的筛选倾向度,包括:
获取所述目标信息熵、所述最大信息系数、所述类别数与各自对应的所述权重之间的加权和,得到所述设备特征的筛选倾向度。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征,包括:
根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,对所述设备特征池中各所述设备特征进行排序;
从对所述设备特征池中各所述设备特征的排序结果中,选取排名前N%的目标设备特征作为设备指纹特征。
8.一种设备指纹特征筛选装置,其特征在于,所述装置包括:
特征获取模块,用于获取目标设备的至少一个设备特征,由所述目标设备的至少一个所述设备特征组成设备特征池;
指标确定模块,用于针对所述设备特征池中任一所述设备特征,确定所述设备特征在不同评价维度下的特征指标;
倾向度确定模块,用于确定当前场景,根据所述当前场景与所述特征指标,确定所述设备特征的筛选倾向度;
特征筛选模块,用于根据所述设备特征池中各所述设备特征各自对应的所述筛选倾向度,从所述设备特征池中筛选目标设备特征作为设备指纹特征。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1至7中任一项所述的方法步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202111619308.0A 2021-12-27 2021-12-27 设备指纹特征筛选方法、装置、电子设备及存储介质 Pending CN114429177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111619308.0A CN114429177A (zh) 2021-12-27 2021-12-27 设备指纹特征筛选方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111619308.0A CN114429177A (zh) 2021-12-27 2021-12-27 设备指纹特征筛选方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114429177A true CN114429177A (zh) 2022-05-03

Family

ID=81311471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111619308.0A Pending CN114429177A (zh) 2021-12-27 2021-12-27 设备指纹特征筛选方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114429177A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117675755A (zh) * 2024-01-31 2024-03-08 浙江省电子信息产品检验研究院(浙江省信息化和工业化融合促进中心) 智能网联设备管理方法与装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117675755A (zh) * 2024-01-31 2024-03-08 浙江省电子信息产品检验研究院(浙江省信息化和工业化融合促进中心) 智能网联设备管理方法与装置
CN117675755B (zh) * 2024-01-31 2024-04-19 浙江省电子信息产品检验研究院(浙江省信息化和工业化融合促进中心) 智能网联设备管理方法与装置

Similar Documents

Publication Publication Date Title
CN106488493B (zh) 识别用户的网络热点类型的方法和装置及电子设备
CN110830445B (zh) 一种异常访问对象的识别方法及设备
CN111062013B (zh) 一种账号过滤方法、装置、电子设备及机器可读存储介质
US20140101124A1 (en) System and method for recursively traversing the internet and other sources to identify, gather, curate, adjudicate, and qualify business identity and related data
CN109165691B (zh) 用于识别作弊用户的模型的训练方法、装置及电子设备
CN107911397B (zh) 一种威胁评估方法及装置
CN111159563A (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
CN110807487A (zh) 一种基于域名系统流量记录数据识别用户的方法及装置
CN112839014A (zh) 建立识别异常访问者模型的方法、系统、设备及介质
CN116015842A (zh) 一种基于用户访问行为的网络攻击检测方法
CN114429177A (zh) 设备指纹特征筛选方法、装置、电子设备及存储介质
CN111858245A (zh) 一种异常数据的分析方法、装置、电子设备及存储介质
CN112995765B (zh) 一种网络资源显示方法及装置
CN110324352A (zh) 识别批量注册账号群的方法及装置
CN111311276B (zh) 一种异常用户团体的识别方法、识别装置及可读存储介质
CN110334019B (zh) 一种测试方法、装置及可读存储介质
CN115437965B (zh) 适用于测试管理平台的数据处理方法
CN109857816B (zh) 测试样本的选取方法及装置、存储介质、电子设备
CN111338958A (zh) 一种测试用例的参数生成方法、装置及终端设备
CN110020166B (zh) 一种数据分析方法及相关设备
CN111814051B (zh) 一种资源类型确定方法及装置
CN114048136A (zh) 测试类型确定方法、装置、服务器、介质及产品
CN113850523A (zh) 基于数据补全的esg指数确定方法及相关产品
CN111143644B (zh) 物联网设备的识别方法及装置
CN115412358B (zh) 网络安全风险评估方法、装置、电子设备及存储介质

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