CN115935344A - 一种异常设备的识别方法、装置及电子设备 - Google Patents
一种异常设备的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115935344A CN115935344A CN202211675933.1A CN202211675933A CN115935344A CN 115935344 A CN115935344 A CN 115935344A CN 202211675933 A CN202211675933 A CN 202211675933A CN 115935344 A CN115935344 A CN 115935344A
- Authority
- CN
- China
- Prior art keywords
- equipment
- abnormal
- parameters
- identified
- parameter
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000002372 labelling Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 119
- 238000004891 communication Methods 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012954 risk control Methods 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供了一种异常设备的识别方法、装置及电子设备，应用于风险控制技术领域，该方法包括：获取待识别设备的多个设备参数；基于所获取的各设备参数，确定待识别设备的特征信息；将待识别设备的特征信息输入预先训练的异常设备识别模型中，得到待识别设备的异常设备识别结果；其中，异常设备识别模型为利用样本设备的样本特征信息和样本设备的异常设备标注结果训练得到；样本特征信息为：基于样本设备的多个设备参数确定的特征信息；异常设备标注结果为：针对样本设备所标注的，是否为异常设备的结果；基于异常设备识别结果，确定待识别设备是否为异常设备。通过本方案，可以准确地识别异常设备。
Description
技术领域
本发明涉及风险控制技术领域，特别是涉及一种异常设备的识别方法、装置及电子设备。
背景技术
目前，在风险控制场景中，企业为了避免用户批量登录、批量注册等批量操作所带来的风险，会采取一定的风控措施，例如，可以限制同一台设备的可操作次数。但是，若用户通过将同一设备伪造成新设备的方式进行批量操作，则会绕过企业的风控措施。
相关技术中，一般通过设备指纹ID(Identification，身份标识号)来区分不同的设备，当多个设备的设备指纹ID相同，则将该多个设备确定为同一台设备，且将该多个设备识别为异常设备，进而对所识别的异常设备采取一定的风控措施。但由于设备指纹ID容易被修改，导致对异常设备的识别不准确。
因此，如何准确地识别异常设备是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种异常设备的识别方法、装置及电子设备，以实现准确地识别异常设备。具体技术方案如下：
在本发明实施的第一方面，首先提供了一种异常设备的识别方法，该方法包括：
获取待识别设备的多个设备参数；
基于所获取的各设备参数，确定所述待识别设备的特征信息；
将所述待识别设备的特征信息输入预先训练的异常设备识别模型中，得到所述待识别设备的异常设备识别结果；其中，所述异常设备识别模型为利用样本设备的样本特征信息和所述样本设备的异常设备标注结果训练得到；所述样本特征信息为：基于所述样本设备的多个设备参数确定的特征信息；所述异常设备标注结果为：针对所述样本设备所标注的，是否为异常设备的结果；
基于所述异常设备识别结果，确定所述待识别设备是否为异常设备。
可选地，所述基于所获取的各设备参数，确定所述待识别设备的特征信息，包括：
利用词嵌入模型将所获取的各设备参数转换为向量，作为所述待识别设备的特征信息；或者，
基于设备参数与向量之间预设的映射关系，确定所获取的各设备参数中每一设备参数所映射的向量，并将所述各设备参数所映射的向量合并，以将合并后的向量作为所述待识别设备的特征信息。
可选地，所述利用词嵌入模型将所获取的各设备参数转换为向量，作为所述待识别设备的特征信息，包括：
按照指定排序方式，对所获取的各设备参数进行排序；
针对每一设备参数，根据排序后所述各设备参数的排序位置，以及预设的所述各设备参数中每一设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据；
利用所述各设备参数中每一设备参数对应的训练数据，对所述词嵌入模型进行训练；
在所述词嵌入模型训练结束之后，基于训练后的所述词嵌入模型的模型参数，确定一向量，作为所述待识别设备的特征信息。
可选地，所述根据排序后所述各设备参数的排序位置，以及预设的所述各设备参数中每一设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据，包括：
根据排序后所述各设备参数的排序位置，确定该设备参数的邻近设备参数；其中，每一设备参数的邻近设备参数为：排序位置与该设备参数的排序位置相差小于第一预设阈值的设备参数；
基于预设的该设备参数的独热向量，以及预设的所述邻近设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据。
可选地，所述词嵌入模型包含隐藏层；
所述基于训练后的所述词嵌入模型的模型参数，确定一向量，作为所述待识别设备的特征信息，包括：
将所述词嵌入模型中隐藏层的模型参数，转换为一向量，作为所述待识别设备的特征信息。
可选地，所述按照指定排序方式，对所获取的各设备参数进行排序，包括：
针对所获取的各设备参数中的每一设备参数，基于设备参数与排序位置之间预设的对应关系，确定与该设备参数对应的排序位置，作为该设备参数的排序位置；
按照所述各设备参数的排序位置，对所述各设备参数进行排序。
可选地，所述异常设备识别结果包括：所述待识别设备属于异常设备的置信度；所述基于所述异常设备识别结果，确定所述待识别设备是否为异常设备，包括：
确定所述置信度是否大于预设置信度阈值；若所述置信度大于所述预设置信度阈值，则将所述待识别设备确定为异常设备；或者，
在所述待识别设备为多个的情况下，基于每一所述待识别设备的置信度，确定各所述待识别设备中是否存在置信度聚集的多个所述待识别设备；其中，所述置信度聚集的多个所述待识别设备中任意两个所述待识别设备的置信度之差小于第二预设阈值，且所述置信度聚集的多个所述待识别设备的设备数量大于第三预设阈值；若存在，则将所确定的置信度聚集的多个所述待识别设备确定为异常设备。
可选地，所述获取待识别设备的多个设备参数，包括：
根据设备类型与待获取信息之间预设的对应关系，确定与待识别设备所属的设备类型对应的待获取信息；其中，每一设备类型对应的待获取信息为：预先设置的、指示针对该设备类型的设备所要获取的多个设备参数的信息；
从所述待识别设备中，获取所确定的待获取信息所指示的多个设备参数。
可选地，在所述将所述待识别设备的特征信息输入预先训练的异常设备识别模型中，得到所述待识别设备的异常设备识别结果之前，所述方法还包括：
根据设备类型与识别模型之间预设的对应关系，确定与所述待识别设备所属的设备类型对应的识别模型，作为异常设备识别模型；其中，每一设备类型对应的识别模型为：基于属于该设备类型的设备的特征信息进行训练所得的、用于进行异常设备识别的识别模型。
在本发明实施的第二方面，还提供了一种异常设备的识别装置，所述装置包括：
参数获取模块，用于获取待识别设备的多个设备参数；
特征确定模块，拥有基于所获取的各设备参数，确定所述待识别设备的特征信息；
输入模块，用于将所述待识别设备的特征信息输入预先训练的异常设备识别模型中，得到所述待识别设备的异常设备识别结果；其中，所述异常设备识别模型为利用样本设备的样本特征信息和所述样本设备的异常设备标注结果训练得到；所述样本特征信息为：基于所述样本设备的多个设备参数确定的特征信息；所述异常设备标注结果为：针对所述样本设备所标注的，是否为异常设备的结果；
识别模块，用于基于所述异常设备识别结果，确定所述待识别设备是否为异常设备。
在本发明实施的又一方面，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，实现上述任一所述的异常设备的识别方法。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的异常设备的识别方法。
在本发明实施的又一方面，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任一所述的异常设备的识别方法。
本发明实施例提供的异常设备的识别方法，通过获取待识别设备的多个设备参数，进而基于所获取的各设备参数，确定待识别设备的特征信息，并将待识别设备的特征信息输入预先训练的异常设备识别模型中，得到待识别设备的异常设备识别结果，以及基于异常设备识别结果确定待识别设备是否为异常设备。可见，本方案中，可以通过多种类型的设备参数作为识别异常设备的基础，进而通过预先训练的异常设备识别模型对基于多个设备参数所确定的特征信息进行处理，由于异常设备识别模型在训练过程中可以学习到多个设备参数与设备是否异常之间的关系，从而实现了利用多个设备参数来确定待识别设备是否为异常设备，相比于单纯依靠设备指纹ID来识别异常设备的方式，本方案可以准确地识别异常设备。
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，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。
图1为本发明实施例中异常设备的识别方法的第一种流程图；
图2为本发明实施例中异常设备的识别方法的第二种流程图；
图3为本发明实施例中异常设备的识别方法的第三种流程图；
图4为本发明实施例中异常设备的识别方法的第四种流程图；
图5为本发明实施例中异常设备识别装置的结构示意图；
图6为本发明实施例中电子设备的结构示意图。
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描述。
目前，部分用户可能会利用设备进行批量注册、批量登录等行为，给企业带来风险，因此，企业会对同一设备设置可操作次数上限。而由于更换设备会带来较高的成本，该部分用户会通过利用改机、模拟器等手段修改设备参数，将同一设备伪造成不同设备，则会绕过企业的风险控制措施。
为了解决上述通过修改设备参数绕过风险控制措施的问题，相关技术中，一般是将几个核心的设备参数加工生成设备指纹ID，并通过判断设备指纹ID是否相同的方式，来判断多个设备实际上是否为同一台设备，当所判断的实际为同一台的设备进行批量操作时，则将该设备确定为异常设备，进而对异常设备执行一定的风险控制措施。但设备指纹ID往往与设备存在误关联性，给异常设备的识别造成误判，且由于设备指纹ID是根据设备的几个核心参数生成的，而设备的核心参数也往往容易被修改，使得所生成的设备指纹ID发生变更，此外，设备指纹ID只与几个核心参数相关，难以充分利用设备的其他参数进行判断。因此，相关技术识别异常设备的方式不够准确。
为了准确地识别异常设备，本发明实施例提供了一种异常设备的识别方法、装置及电子设备。在具体应用中，本发明实施例所提供的异常设备的识别方法可以应用于各类电子设备中，例如，个人电脑、服务器、手机以及其他具有数据处理能力的设备。并且，本发明实施例所提供的异常设备的识别方法可以通过软件、硬件或软硬件结合的方式实现。
下面首先对本发明实施例所提供的异常设备的识别方法进行介绍，该方法可以包括以下步骤：
获取待识别设备的多个设备参数；
基于所获取的各设备参数，确定待识别设备的特征信息；
将待识别设备的特征信息输入预先训练的异常设备识别模型中，得到待识别设备的异常设备识别结果；其中，异常设备识别模型为利用样本设备的样本特征信息和样本设备的异常设备标注结果训练得到；样本特征信息为：基于样本设备的多个设备参数确定的特征信息；异常设备标注结果为：针对样本设备所标注的，是否为异常设备的结果；
基于异常设备识别结果，确定待识别设备是否为异常设备。
本实施例中，通过获取待识别设备的多个设备参数，进而基于所获取的各设备参数，确定待识别设备的特征信息，并将待识别设备的特征信息输入预先训练的异常设备识别模型中，得到待识别设备的异常设备识别结果，以及基于异常设备识别结果确定待识别设备是否为异常设备。可见，本方案中，可以通过多种类型的设备参数作为识别异常设备的基础，进而通过预先训练的异常设备识别模型对基于多个设备参数所确定的特征信息进行处理，由于异常设备识别模型在训练过程中可以学习到多个设备参数与设备是否异常之间的关系，从而实现了利用多个设备参数，来确定待识别设备是否为异常设备，相比于单纯依靠设备指纹ID来识别异常设备的方式，本方案可以准确地识别异常设备。
下面结合附图对本发明实施例所提供的异常设备的识别方法进行示例性介绍。
如图1所示，本发明实施例所提供的异常设备的识别方法可以包括以下步骤：
S101，获取待识别设备的多个设备参数；
本步骤中，待识别设备可以为具备网络接入功能的任意电子设备，例如，计算机、智能手机等。
上述待识别设备的多个设备参数可以包括：基本属性类型的设备参数，例如：开机时间、品牌、制造商、操作系统版本、机型、倾斜角度、电量、设备语言、分辨率、亮度等中的至少一个参数；硬件属性类型的设备参数，例如：内存信息、电池信息、主板信息、屏幕分辨率、陀螺仪信息、CPU(Central Processing Unit，中央处理器)信息等中的至少一个参数；网络属性类型的设备参数，例如：WIFI(无线网络通信技术)名称、SIM(Subscriber IdentityModule，用户识别卡)卡信息、设备指纹SDK(Software Development Kit，软件开发工具包)版本等中的至少一个参数；其他类型的设备参数，例如：系统语言、设备名称、IDFA(Identifier For Advertising，广告标识符)等中的至少一个参数。可以理解的，当通过伪造新设备的方式进行批量操作时，设备的开机时间、屏幕分辨率等信息往往相同，电量、手机倾斜角度等信息往往接近，因此，在进行异常设备的识别时，这些信息可以被利用，并且，所获取的设备参数越多，所利用的信息就更加全面，识别的结果也会更加准确。
获取待识别设备的多个设备参数的方式可以为，在指定页面配置一个参数获取程序，当检测到有设备打开了该指定页面时，将该设备视为待识别设备，并由该参数获取程序自动地从该设备中读取。指定页面可以为用以实现任意功能的页面，例如，登录页面、产品购买、绑定手机号页面等。或者，获取待识别设备的多个设备参数的方式还可以为：向待识别设备发送获取多个设备参数的参数获取指令，以使待识别设备在接收到该参数获取指令后，将该参数获取指令所指示的设备参数发送至本发明的执行主体，从而接收该待识别设备所发送的设备参数。
此外，待识别设备的多个设备参数还可以预先存储在指定的存储区域，则获取待识别设备的多个设备参数的方式可以为，从指定的存储区域读取。
S102，基于所获取的各设备参数，确定待识别设备的特征信息；
在一种实现方式中，可以将所获取的各设备参数输入预先训练的特征提取模型中，利用该特征提取模型提取出待识别设备的特征信息。该特征信息可以是向量、矩阵、字符串等形式中的一种。
在另一种实现方式中，还可以基于预设的向量转换方式，将所获取的各设备参数转换为向量，作为待识别设备的特征信息。
其中，转换后所得到的向量可以为一个指定维度的向量，通过向量转换方式可以将多个设备参数映射为向量，作为待识别设备的特征信息，能够将定性的数据转化为可统计分析的量化数据，从而可以基于该特征信息对待识别设备进行异常设备的识别。由于所得到的特征信息是向量的形式，因此，特征信息的相似性还能够度量设备的相似性，也就是说还可以通过计算不同设备的特征信息的相似性，来确定不同设备是否实际为同一设备。
可选地，由于所获取的设备参数可以是文本的形式，任一设备参数中可能包括：字母、数字、符号等，因此，在一种实现方式中，在上述基于预设的向量转换方式，将所获取的各设备参数转换为向量，作为待识别设备的特征信息之前，还可以对所获取的各设备参数进行文本预处理；其中，文本预处理包括：格式转换、空格及特殊字符删除中的至少一种。
上述格式转换可以包括：将设备参数中出现的字母进行大小写统一转化。在将设备参数进行大小写统一转化的同时，还可以再将设备参数中的空格及特殊字符删除，从而将设备参数转换成为能够被程序处理的形式。
上述格式转换还可以包括：将设备参数转化为该键值对的形式，也就是将每一设备参数转化为该设备参数所对应的键值对，每一设备参数对应的键值对中，键可以为该设备参数的类别，值为该设备参数的参数内容。示例性的，一键值对可以为：[电量：90]、[倾斜角度：45]。通过将设备参数转化为该键值对的形式，能够便于对设备参数进行分类、存储、检索以及其他后续的处理操作。
S103，将待识别设备的特征信息输入预先训练的异常设备识别模型中，得到待识别设备的异常设备识别结果；其中，异常设备识别模型为利用样本设备的样本特征信息和样本设备的异常设备标注结果训练得到；样本特征信息为：基于样本设备的多个设备参数确定的特征信息；异常设备标注结果为：针对样本设备所标注的，是否为异常设备的结果；
上述异常设备识别模型可以为一个二分类模型，例如：Decision Tree(决策树)模型、Logistic(一种线性回归分析模型)模型、XGB(eXtreme Gradient Boosting，极度梯度提升算法)模型、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型等。
在得到待识别设备的特征信息后，可以将该特征信息输入预先训练的异常设备识别模型中，使得该异常设备识别模型输出待识别设备的异常设备识别结果。所得到异常设备识别结果可以直接为：待识别设备是异常设备，或者，待识别设备是正常设备。所得到异常设备识别结果还可以为，待识别设备属于异常设备的置信度。该置信度可以是0-1中的一个值，该置信度越接近1则表明该待识别设备越可能为异常设备，该置信度越接近0则表明该待识别设备越可能为正常设备。
上述样本设备可以为多个，预先可以确定多个样本特征信息和每一样本特征信息所属样本设备的异常设备标注结果作为样本集对异常设备模型进行训练。其中，异常设备标注结果即模型训练中的真值，每一样本特征信息所属样本设备的异常设备标注结果可以为：用于表征该样本特征信息所属样本设备是否为异常设备的结果。
在一种实现方式中，上述异常设备识别模型的训练方式可以包括：
步骤A1，从样本集中获取至少一样本特征信息，作为目标特征信息；
本步骤中，可以从已确定是否为异常设备的样本设备中，获取多个设备参数，作为该样本设备的样本参数，再利用上述步骤S102中的方式，基于该样本设备的样本参数，确定该样本设备的特征信息为样本特征信息。样本设备可以为多个，从而可以将多个样本特征信息和每一样本特征信息所属样本设备的异常设备标注结果作为样本集。
步骤A2，将目标特征信息，输入待训练的神经网络模型，得到目标特征信息所属样本设备的异常设备预测结果；
当需要训练时，可以从样本集中获取至少一样本特征信息，作为目标特征信息。再将目标特征信息，输入待训练的神经网络模型，得到目标特征信息所属样本设备的异常设备预测结果。
上述目标特征信息所属样本设备的异常设备预测结果可以为：0或1，其中，1表示该目标特征信息所属样本设备为异常设备，0表示该目标特征信息所属样本设备为正常设备。目标特征信息所属样本设备的异常设备预测结果还可以为0-1之间的值，从而表征目标特征信息所属样本设备的为异常设备的置信度。
步骤A3，基于异常设备预测结果和样本特征信息所属的样本设备的异常设备标注结果，确定待训练的神经网络模型的损失函数值；
步骤A4，利用损失函数值对待训练的神经网络模型的模型参数进行调整；
其中，损失函数值的确定方式可以为：将异常设备预测结果和样本特征信息所属的样本设备的异常设备标注结果带入预先设定的损失函数中，从而计算得到。之后可以利梯度下降法等模型调参方法，调整该神经网络模型的模型参数。
步骤A5，返回执行从样本集中获取至少一样本特征信息，作为目标特征信息的步骤。
重复执行步骤A1-步骤A5，从而调整模型参数，直到该神经网络模型收敛，最后将训练得到的神经网络模型作为异常设备识别模型。
S104，基于异常设备识别结果，确定待识别设备是否为异常设备。
本步骤中，在上述识别结果为：待识别设备为异常设备的情况下，则可以将该待识别设备确定为异常设备；在上述识别结果为：待识别设备为正常设备的情况下，则可以将该待识别设备确定为正常设备。在上述识别结果为：待识别设备属于异常设备的置信度的情况下，基于异常设备识别结果，确定待识别设备是否为异常设备的方式，至少可以包括以下两种方式中的一种：
第一种确定方式：确定置信度是否大于预设置信度阈值；若置信度大于预设置信度阈值，则将待识别设备确定为异常设备；
本实现方式中，由于针对待识别设备所得到的置信度越高，则说明该待识别设备越可能为异常设备，因此，可以预先设置一个置信度阈值，即预设置信度阈值，当针对该待识别设备所得到的置信度大于该预设置信度阈值时，则将该待识别设备确定为异常设备。
为了使得确定待识别设备是否为异常设备的结果更加准确，该预设置信度阈值可以为：基于异常设备识别模型训练过程中，异常设备识别模型的准确率和/或召回率所确定的置信度阈值。
第二种确定方式：在待识别设备为多个的情况下，基于每一待识别设备的置信度，确定各待识别设备中是否存在置信度聚集的多个待识别设备；其中，置信度聚集的多个待识别设备中任意两个待识别设备的置信度之差小于第二预设阈值，且置信度聚集的多个待识别设备的设备数量大于第三预设阈值；若存在，则将所确定的置信度聚集的多个待识别设备确定为异常设备。
可以理解的，针对不同待识别设备进行识别所得到的置信度值也往往不同，若两个待识别设备的置信度相同，或置信度比较接近，即置信度之差小于第二预设阈值，则该两个待识别设备实际上有可能为经过设备ID修改的同一设备，即异常设备，且在一定时间段内，检测到大量的待识别设备的置信度相同或接近，则这些待识别设备往往就是经过设备ID修改的同一设备，即这些待识别设备存在较高的风险。因此，可以先基于每一待识别设备的置信度，确定各待识别设备中是否存在置信度聚集的多个待识别设备，若存在，则可以将所确定的置信度聚集的多个待识别设备确定为异常设备。
置信度还可以作为一项指标，从而结合其他策略来确定该待识别设备是否为异常设备。当然，利用置信度确定待识别设备是否为异常设备的方式也可以不仅限于此。
在一种实现方式中，在基于异常设备识别结果，确定待识别设备是否为异常设备之后，方法还包括：
利用待识别设备的特征信息，和待识别设备是否为异常设备的结果，对异常设备识别模型进行训练，得到更新后的异常设备识别模型。
当已经确定了待识别设备是否为异常设备的结果后，还可以利用该待识别设备的特征信息，和待识别设备是否为异常设备的结果，反哺上述异常设备识别模型的训练，从而进一步提高异常设备识别模型的准确率。
本实施例中，可以通过多种类型的设备参数作为识别异常设备的基础，进而通过预先训练的异常设备识别模型对基于多个设备参数所确定的特征信息进行处理，由于异常设备识别模型在训练过程中可以学习到多个设备参数与设备是否异常之间的关系，从而实现了利用多个设备参数，来确定待识别设备是否为异常设备，相比于单纯依靠设备指纹ID来识别异常设备的方式，本方案可以准确地识别异常设备。
可选地，在本发明的另一实施例中，上述基于所获取的各设备参数，确定待识别设备的特征信息，至少可以包括以下两种方式中的一种：
第一种转换方式：利用词嵌入模型将所获取的各设备参数转换为向量，作为待识别设备的特征信息；
其中，词嵌入模型可以为任意将文本转化为向量的模型，例如，Word2vec(词到向量)模型、GloVe(Global Vector，全局向量)模型等。
在一种实现方式中，如图2所示，利用词嵌入模型将所获取的各设备参数转换为向量，作为待识别设备的特征信息，可以包括以下步骤：
S201，按照指定排序方式，对所获取的各设备参数进行排序；
在一种实现方式中，指定排序方式可以为随机排序。
在另一实现方式中，按照指定排序方式，对所获取的各设备参数进行排序，可以包括：
针对所获取的各设备参数中的每一设备参数，基于设备参数与排序位置之间预设的对应关系，确定与该设备参数对应的排序位置，作为该设备参数的排序位置；按照各设备参数的排序位置，对各设备参数进行排序。
本实现方式中，预先为每设备参数都指定一个排序位置，得到设备参数与排序位置之间预设的对应关系，再基于该设备参数与排序位置之间预设的对应关系确定每一设备参数的排序位置，从而进行排序。由于设备参数与排序位置之间预设的对应关系对于每一待识别设备都是固定的，能够使得将不同待识别设备的各设备参数转换为向量时所利用的设备参数的排序方式均相同。
S202，针对每一设备参数，根据排序后各设备参数的排序位置，以及预设的各设备参数中每一设备参数的独热向量，确定与该设备参数对应的、用于对词嵌入模型进行训练的训练数据；
其中，独热向量是指：只有一个维度为1，其他维度为零的多维向量。每一设备参数的独热向量均可以根据预设的独热编码的方式编码得到。
一种实现方式中，确定与该设备参数对应的、用于对词嵌入模型进行训练的训练数据的方式可以为：根据排序后各设备参数的排序位置，确定该设备参数的邻近设备参数；其中，每一设备参数的邻近设备参数为：排序位置与该设备参数的排序位置相差小于第一预设阈值的设备参数；再基于预设的该设备参数的独热向量，以及预设的邻近设备参数的独热向量，确定与该设备参数对应的、用于对词嵌入模型进行训练的训练数据。
本实现方式中，可以针对一设备参数，将预设的该设备参数的独热向量作为一训练样本，并将预设的邻近设备参数的独热向量作为该训练样本的标注结果，或者，将预设的邻近设备参数的独热向量作为一训练样本，并将预设的该设备参数的独热向量该训练样本的标注结果；再将该训练样本和该训练样本的标注结果，作为对词嵌入模型进行训练的训练数据。
S203，利用各设备参数中每一设备参数对应的训练数据，对词嵌入模型进行训练；
在训练过程中，针对每一设备参数，可以该设备参数的训练样本输入词嵌入模型中，得到该训练样本的预测结果，再利用该训练样本的预测结果与该训练样本的标注结果计算损失函数值，从而利用损失函数值对词嵌入模型的参数进行调整。
S204，在词嵌入模型训练结束之后，基于训练后的词嵌入模型的模型参数，确定一向量，作为待识别设备的特征信息。
在训练结束后，可以根据训练后的词嵌入模型的模型参数确定出一个向量，作为待识别设备的特征信息。示例性的，词嵌入模型的模型参数一般是参数矩阵的形式，因此，可以对该参数矩阵进行指定的计算处理，从而计算出一个向量，例如，指定的计算处理可以为将该参数矩阵的每一行进行求和，得到一个向量。
一种实现方式中，上述基于训练后的词嵌入模型的模型参数，确定一向量，作为待识别设备的特征信息，可以包括：
将词嵌入模型中隐藏层的模型参数，转换为一向量，作为待识别设备的特征信息。可以理解的，在词嵌入模型中，例如Word2vec模型，包含一个隐藏层，该隐藏层本身即一个多维向量，以Word2vec模型为例，该隐藏层的模型参数的确定方式可以为：将各训练样本与参数矩阵相乘，再将相乘的结果相加求平均得到隐藏层的参数向量。
第二种转换方式：基于设备参数与向量之间预设的映射关系，确定所获取的各设备参数中每一设备参数所映射的向量，并将各设备参数所映射的向量合并，以将合并后的向量作为待识别设备的特征信息。
该转换方式中，可以预先针对设备参数设定其所映射的向量，得到设备参数与向量之间预设的映射关系，从而在获取待识别设备的设备参数后，可以利用设备参数与向量之间预设的映射关系，确定该待识别设备的各设备参数所映射的向量，再将各设备参数所映射的向量合并，以将合并后的向量作为待识别设备的特征信息。合并的方式可以为，将各向量相加、求平均等方式。
在一种实现方式中，设备参数与向量之间的映射关系还可以利用上述词嵌入模型得到。例如，可以将多个设备的向量的训练样本输入词嵌入模型中，得到每一训练样本的预测结果，再利用该训练样本的预测结果与该训练样本的标注结果计算损失函数值，从而利用损失函数值对词嵌入模型的参数矩阵进行调整。最终，可以根据调整后的参数矩阵得到设备参数与向量之间的映射关系，每一设备参数与向量映射关系可以为指示设备参数与向量进行转换的指示信息，例如，映射关系可以指示该设备参数的独热向量与调整后的参数矩阵相乘，再将相乘的结果相加求平均，从而得到该设备参数所映射的向量。
本实施例中，可以准确地识别异常设备。进一步的，利用词嵌入模型将所获取的各设备参数转换为向量，作为待识别设备的特征信息；或者，基于设备参数与向量之间预设的映射关系，确定所获取的各设备参数中每一设备参数所映射的向量，并将各设备参数所映射的向量合并，以将合并后的向量作为待识别设备的特征信息，从而异常设备识别模型可以利用向量进行异常设备的识别，识别的过程更加高效。
可选地，在本发明的另一实施例中，如图3所示，该异常设备处理方法可以包括以下步骤：
S301，根据设备类型与待获取信息类型之间预设的对应关系，确定与待识别设备所属的设备类型对应的待获取信息；其中，每一设备类型对应的待获取信息为：预先设置的、指示针对该设备类型的设备所要获取的多个设备参数的信息；
由于在针对待识别设备进行设备参数的采集时，设备类型的不同，所能采集到的待识别设备的设备参数的类型也不同。该设备类型可以包括：使用android(安卓)系统的设备、使用IOS(iPhone Operation System，苹果操作系统)的设备、使用H5(第五代超文本标记语言)页面的设备、使用PCWeb(Personal Computer Website，个人电脑页面)的设备等中的至少一种。因此，可以预先针对各设备类型设置不同的待获取信息类型，从而在需要获取待识别设备的设备参数时，可以根据该对应关系，确定与待识别设备所属的设备类型相对应的待获取信息类型。
S302，从待识别设备中，获取所确定的待获取信息所指示的多个设备参数；
当确定待识别设备所属的设备类型相对应的待获取信息后，可以从待识别设备中一一获取待获取信息所指示的设备参数。获取的方式已在上文介绍，在此不再赘述。
S303，根据设备类型与识别模型之间预设的对应关系，确定与待识别设备所属的设备类型对应的识别模型，作为异常设备识别模型；其中，每一设备类型对应的识别模型为：基于属于该设备类型的设备的特征信息进行训练所得的、用于进行异常设备识别的识别模型；
由于本实施例中，针对不同设备类型的待识别设备所要获取的信息类型不同，根据不同设备类型的待识别设备所确定的待识别设备的特征信息也不同，因此，可以预先针对不同的设备类型，利用该设备类型的设备的特征信息训练出不同的识别模型，并建立设备类型与识别模型之间的对应关系，从而在需要利用异常设备识别模型确定异常设备识别结果时，根据该对应关系，确定与待识别设备所属的设备类型对应的识别模型，作为异常设备识别模型。
S304，将待识别设备的特征信息输入预先训练的异常设备识别模型中，得到待识别设备的异常设备识别结果；
本步骤与上述步骤S103类似，在此不再赘述。
S305，基于异常设备识别结果，确定待识别设备是否为异常设备。
本步骤与上述步骤S104类似，在此不再赘述。
本实施例中，可以准确地识别异常设备。进一步的，根据预先设置的设备类型与待获取信息类型之间的对应关系，确定与待识别设备所属的设备类型相对应的待获取信息，并根据设备类型与识别模型之间预设的对应关系，确定与待识别设备所属的设备类型对应的识别模型，作为异常设备识别模型，能够针对不同设备类型进行更加精细化的分析，从而进一步提高识别异常设备的准确度。
为了方便理解，下面结合附图4，对本发明实施例所提供的异常设备的识别方法进行示例性介绍。
如图4所示，在一实施例中，本发明实施例所提供的异常设备的识别方法，可以包括如下几个阶段：
设备信息采集阶段：可以在关键页面埋点采集设备信息，即当待识别设备打开该关键页面时，自动获取该待识别设备的设备参数；再将设备信息的数据下沉存入数据库。
文本分析阶段：对设备信息的数据进行预处理，即进行数据整理：大小写统一转化、特殊字符处理，并生成键值对，以及对各设备参数进行排序；再利用文本分析法，即词嵌入的方法，例如Word2vec，生成N维的embedding(嵌入)向量。
分类阶段：将所生成的嵌入向量输入异常设备识别模型，例如Logistic，输出该待识别设备的风险概率值，即该待识别设备为异常设备的置信度，作为该待识别设备的设备信誉评分，从而利用该评分判断该待识别设备是否为异常设备，若为异常设备，则对该设备采取风险控制措施，若是正常设备，则结束该流程。该设备信誉评分可以结合实时策略体系来对该待识别设备进行异常设备识别，实时策略体系即：对设备进行异常识别的方法体系，并且利用实时策略体系得到的待识别设备是否为异常设备的结果，还可以作为样本设备的风险标签，输入该异常设备识别模型，从而对异常设备识别模型进行进一步地优化，以提高该异常设备识别模型的识别精度。
本实施例中，可以通过多种类型的设备参数作为识别异常设备的基础，进而通过预先训练的异常设备识别模型对基于多个设备参数所确定的特征信息进行处理，由于异常设备识别模型在训练过程中可以学习到多个设备参数与设备是否异常之间的关系，从而实现了利用多个设备参数，来确定待识别设备是否为异常设备，相比于单纯依靠设备指纹ID来识别异常设备的方式，本方案可以准确地识别异常设备。
本发明实施例还提供了一种异常设备的识别装置，如图5所示，该装置包括：
参数获取模块501，用于获取待识别设备的多个设备参数；
特征确定模块502，拥有基于所获取的各设备参数，确定所述待识别设备的特征信息；
输入模块503，用于将所述待识别设备的特征信息输入预先训练的异常设备识别模型中，得到所述待识别设备的异常设备识别结果；其中，所述异常设备识别模型为利用样本设备的样本特征信息和所述样本设备的异常设备标注结果训练得到；所述样本特征信息为：基于所述样本设备的多个设备参数确定的特征信息；所述异常设备标注结果为：针对所述样本设备所标注的，是否为异常设备的结果；
识别模块504，用于基于所述异常设备识别结果，确定所述待识别设备是否为异常设备。
可选得，所述特征确定模块，具体用于：
基于预设的向量转换方式，将所获取的各设备参数转换为向量，作为所述待识别设备的特征信息。
可选地，所述特征确定模块，具体用于：
利用词嵌入模型将所获取的各设备参数转换为向量，作为所述待识别设备的特征信息；或者，基于设备参数与向量之间预设的映射关系，确定所获取的各设备参数中每一设备参数所映射的向量，并将所述各设备参数所映射的向量合并，以将合并后的向量作为所述待识别设备的特征信息。
可选地，所述特征确定模块基于预设的向量转换方式，将所获取的各设备参数转换为向量，作为所述待识别设备的特征信息，包括：
按照指定排序方式，对所获取的各设备参数进行排序；
针对每一设备参数，根据排序后所述各设备参数的排序位置，以及预设的所述各设备参数中每一设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据；
利用所述各设备参数中每一设备参数对应的训练数据，对所述词嵌入模型进行训练；
在所述词嵌入模型训练结束之后，基于训练后的所述词嵌入模型的模型参数，确定一向量，作为所述待识别设备的特征信息。
可选地，所述特征确定模块根据排序后所述各设备参数的排序位置，以及预设的所述各设备参数中每一设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据，包括：
根据排序后所述各设备参数的排序位置，确定该设备参数的邻近设备参数；其中，每一设备参数的邻近设备参数为：排序位置与该设备参数的排序位置相差小于第一预设阈值的设备参数；
基于预设的该设备参数的独热向量，以及预设的所述邻近设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据。
可选地，所述特征确定模块基于预设的该设备参数的独热向量，以及预设的所述邻近设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据，包括：
将预设的该设备参数的独热向量作为一训练样本，并将预设的所述邻近设备参数的独热向量作为该训练样本的标注结果；或者，将预设的所述邻近设备参数的独热向量作为一训练样本，并将预设的该设备参数的独热向量该训练样本的标注结果；
将该训练样本和该训练样本的标注结果，作为对所述词嵌入模型进行训练的训练数据。
可选地，所述词嵌入模型包含隐藏层；所述特征确定模块基于训练后的所述词嵌入模型的模型参数，确定一向量，作为所述待识别设备的特征信息，包括：
将所述词嵌入模型中隐藏层的模型参数，转换为一向量，作为所述待识别设备的特征信息。
可选地，所述特征确定模块按照指定排序方式，对所获取的各设备参数进行排序，包括：
针对所获取的各设备参数中的每一设备参数，基于设备参数与排序位置之间预设的对应关系，确定与该设备参数对应的排序位置，作为该设备参数的排序位置；
按照所述各设备参数的排序位置，对所述各设备参数进行排序。
可选地，所述装置还包括：预处理模块，用于在所述特征确定模块基于预设的向量转换方式，将所获取的各设备参数转换为向量，作为所述待识别设备的特征信息之前，对所获取的各设备参数进行文本预处理；其中，所述文本预处理包括：格式转换、空格及特殊字符删除中的至少一种。
可选地，所述异常设备识别结果包括：所述待识别设备属于异常设备的置信度。
可选地，所述识别模块，具体用于：
确定所述置信度是否大于预设置信度阈值；若所述置信度大于所述预设置信度阈值，则将所述待识别设备确定为异常设备；或者，在所述待识别设备为多个的情况下，基于每一所述待识别设备的置信度，确定各所述待识别设备中是否存在置信度聚集的多个所述待识别设备；其中，所述置信度聚集的多个所述待识别设备中任意两个所述待识别设备的置信度之差小于第二预设阈值，且所述置信度聚集的多个所述待识别设备的设备数量大于第三预设阈值；若存在，则将所确定的置信度聚集的多个所述待识别设备确定为异常设备。
可选地，所述预设置信度阈值为：基于所述异常设备识别模型训练过程中，所述异常设备识别模型的准确率和/或召回率所确定的置信度阈值。
可选地，所述参数获取模块，包括：
类型确定子模块，用于根据设备类型与待获取信息之间预设的对应关系，确定与待识别设备所属的设备类型对应的待获取信息；其中，每一设备类型对应的待获取信息为：预先设置的、指示针对该设备类型的设备所要获取的多个设备参数的信息；
参数获取子模块，用于从所述待识别设备中，获取所确定的待获取信息所指示的多个设备参数。
可选地，所述装置还包括：模型选择模块，用于在所述输入模块将所述待识别设备的特征信息输入预先训练的异常设备识别模型中，得到所述待识别设备的异常设备识别结果之前，根据设备类型与识别模型之间预设的对应关系，确定与所述待识别设备所属的设备类型对应的识别模型，作为异常设备识别模型；其中，每一设备类型对应的识别模型为：基于属于该设备类型的设备的特征信息进行训练所得的、用于进行异常设备识别的识别模型。
可选地，所述装置还包括：优化模块，用于在所述识别模块基于所述异常设备识别结果，确定所述待识别设备是否为异常设备之后，利用所述待识别设备的特征信息，和所述待识别设备是否为异常设备的结果，对所述异常设备识别模型进行训练，得到更新后的所述异常设备识别模型。
本发明实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现上述异常设备的识别方法的步骤。
上述终端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。
通信接口用于上述终端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 Processor，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，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一所述的异常设备的识别方法的步骤。
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异常设备的识别方法的步骤。
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计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，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。所述计算机可读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。
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 (12)
1.一种异常设备的识别方法，其特征在于，所述方法包括：
获取待识别设备的多个设备参数；
基于所获取的各设备参数，确定所述待识别设备的特征信息；
将所述待识别设备的特征信息输入预先训练的异常设备识别模型中，得到所述待识别设备的异常设备识别结果；其中，所述异常设备识别模型为利用样本设备的样本特征信息和所述样本设备的异常设备标注结果训练得到；所述样本特征信息为：基于所述样本设备的多个设备参数确定的特征信息；所述异常设备标注结果为：针对所述样本设备所标注的，是否为异常设备的结果；
基于所述异常设备识别结果，确定所述待识别设备是否为异常设备。
2.根据权利要求1所述的方法，其特征在于，所述基于所获取的各设备参数，确定所述待识别设备的特征信息，包括：
利用词嵌入模型将所获取的各设备参数转换为向量，作为所述待识别设备的特征信息；或者，
基于设备参数与向量之间预设的映射关系，确定所获取的各设备参数中每一设备参数所映射的向量，并将所述各设备参数所映射的向量合并，以将合并后的向量作为所述待识别设备的特征信息。
3.根据权利要求2所述的方法，其特征在于，所述利用词嵌入模型将所获取的各设备参数转换为向量，作为所述待识别设备的特征信息，包括：
按照指定排序方式，对所获取的各设备参数进行排序；
针对每一设备参数，根据排序后所述各设备参数的排序位置，以及预设的所述各设备参数中每一设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据；
利用所述各设备参数中每一设备参数对应的训练数据，对所述词嵌入模型进行训练；
在所述词嵌入模型训练结束之后，基于训练后的所述词嵌入模型的模型参数，确定一向量，作为所述待识别设备的特征信息。
4.根据权利要求3所述的方法，其特征在于，所述根据排序后所述各设备参数的排序位置，以及预设的所述各设备参数中每一设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据，包括：
根据排序后所述各设备参数的排序位置，确定该设备参数的邻近设备参数；其中，每一设备参数的邻近设备参数为：排序位置与该设备参数的排序位置相差小于第一预设阈值的设备参数；
基于预设的该设备参数的独热向量，以及预设的所述邻近设备参数的独热向量，确定与该设备参数对应的、用于对所述词嵌入模型进行训练的训练数据。
5.根据权利要求3所述的方法，其特征在于，所述词嵌入模型包含隐藏层；
所述基于训练后的所述词嵌入模型的模型参数，确定一向量，作为所述待识别设备的特征信息，包括：
将所述词嵌入模型中隐藏层的模型参数，转换为一向量，作为所述待识别设备的特征信息。
6.根据权利要求3所述的方法，其特征在于，所述按照指定排序方式，对所获取的各设备参数进行排序，包括：
针对所获取的各设备参数中的每一设备参数，基于设备参数与排序位置之间预设的对应关系，确定与该设备参数对应的排序位置，作为该设备参数的排序位置；
按照所述各设备参数的排序位置，对所述各设备参数进行排序。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述异常设备识别结果包括：所述待识别设备属于异常设备的置信度；所述基于所述异常设备识别结果，确定所述待识别设备是否为异常设备，包括：
确定所述置信度是否大于预设置信度阈值；若所述置信度大于所述预设置信度阈值，则将所述待识别设备确定为异常设备；或者，
在所述待识别设备为多个的情况下，基于每一所述待识别设备的置信度，确定各所述待识别设备中是否存在置信度聚集的多个所述待识别设备；其中，所述置信度聚集的多个所述待识别设备中任意两个所述待识别设备的置信度之差小于第二预设阈值，且所述置信度聚集的多个所述待识别设备的设备数量大于第三预设阈值；若存在，则将所确定的置信度聚集的多个所述待识别设备确定为异常设备。
8.根据权利要求1-6任一项所述的方法，其特征在于，所述获取待识别设备的多个设备参数，包括：
根据设备类型与待获取信息之间预设的对应关系，确定与待识别设备所属的设备类型对应的待获取信息；其中，每一设备类型对应的待获取信息为：预先设置的、指示针对该设备类型的设备所要获取的多个设备参数的信息；
从所述待识别设备中，获取所确定的待获取信息所指示的多个设备参数。
9.根据权利要求1-6任一项所述的方法，其特征在于，在所述将所述待识别设备的特征信息输入预先训练的异常设备识别模型中，得到所述待识别设备的异常设备识别结果之前，所述方法还包括：
根据设备类型与识别模型之间预设的对应关系，确定与所述待识别设备所属的设备类型对应的识别模型，作为异常设备识别模型；其中，每一设备类型对应的识别模型为：基于属于该设备类型的设备的特征信息进行训练所得的、用于进行异常设备识别的识别模型。
10.一种异常设备的识别装置，其特征在于，所述装置包括：
参数获取模块，用于获取待识别设备的多个设备参数；
特征确定模块，拥有基于所获取的各设备参数，确定所述待识别设备的特征信息；
输入模块，用于将所述待识别设备的特征信息输入预先训练的异常设备识别模型中，得到所述待识别设备的异常设备识别结果；其中，所述异常设备识别模型为利用样本设备的样本特征信息和所述样本设备的异常设备标注结果训练得到；所述样本特征信息为：基于所述样本设备的多个设备参数确定的特征信息；所述异常设备标注结果为：针对所述样本设备所标注的，是否为异常设备的结果；
识别模块，用于基于所述异常设备识别结果，确定所述待识别设备是否为异常设备。
11.一种电子设备，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1-9任一所述的方法步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-9任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211675933.1A CN115935344A (zh) | 2022-12-26 | 2022-12-26 | 一种异常设备的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211675933.1A CN115935344A (zh) | 2022-12-26 | 2022-12-26 | 一种异常设备的识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115935344A true CN115935344A (zh) | 2023-04-07 |
Family
ID=86700549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211675933.1A Pending CN115935344A (zh) | 2022-12-26 | 2022-12-26 | 一种异常设备的识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115935344A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167010A (zh) * | 2023-04-25 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 具有智能迁移学习能力的电力系统异常事件快速识别方法 |
| CN117176547A (zh) * | 2023-08-17 | 2023-12-05 | 鸿图百奥科技(广州)有限公司 | 一种通信设备的管控方法及系统 |
| CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
| CN117725402A (zh) * | 2023-12-21 | 2024-03-19 | 北京谛声科技有限责任公司 | 一种基于设备运行音频的设备异常状态确定方法及系统 |
-
2022
- 2022-12-26 CN CN202211675933.1A patent/CN115935344A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167010A (zh) * | 2023-04-25 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 具有智能迁移学习能力的电力系统异常事件快速识别方法 |
| CN116167010B (zh) * | 2023-04-25 | 2023-12-08 | 南方电网数字电网研究院有限公司 | 具有智能迁移学习能力的电力系统异常事件快速识别方法 |
| CN117176547A (zh) * | 2023-08-17 | 2023-12-05 | 鸿图百奥科技(广州)有限公司 | 一种通信设备的管控方法及系统 |
| CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
| CN117725402A (zh) * | 2023-12-21 | 2024-03-19 | 北京谛声科技有限责任公司 | 一种基于设备运行音频的设备异常状态确定方法及系统 |
| CN117725402B (zh) * | 2023-12-21 | 2024-05-28 | 北京谛声科技有限责任公司 | 一种基于设备运行音频的设备异常状态确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110502608B (zh) | 基于知识图谱的人机对话方法及人机对话装置 | |
| CN115935344A (zh) | 一种异常设备的识别方法、装置及电子设备 | |
| CN112214418B (zh) | 一种应用程序的合规检测方法、装置和电子设备 | |
| CN109872162B (zh) | 一种处理用户投诉信息的风控分类识别方法及系统 | |
| CN109902285B (zh) | 语料分类方法、装置、计算机设备及存储介质 | |
| CN113377936A (zh) | 智能问答方法、装置及设备 | |
| CN112181835B (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
| CN111797629A (zh) | 医疗文本数据的处理方法、装置、计算机设备和存储介质 | |
| CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
| CN113641794A (zh) | 简历文本的评估方法、装置及服务器 | |
| CN116663525A (zh) | 一种文档审核方法、装置、设备及存储介质 | |
| CN110532229B (zh) | 证据文件检索方法、装置、计算机设备和存储介质 | |
| CN110795942B (zh) | 基于语义识别的关键词确定方法、装置和存储介质 | |
| CN115374354A (zh) | 基于机器学习的科技服务推荐方法、装置、设备及介质 | |
| CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
| CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
| CN112017634B (zh) | 数据的处理方法、装置、设备以及存储介质 | |
| CN116776932A (zh) | 用户的电商行为识别方法及装置 | |
| CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
| CN114154480A (zh) | 信息提取方法、装置、设备和存储介质 | |
| CN114490993A (zh) | 小样本意图识别方法、系统、设备及存储介质 | |
| CN111488738B (zh) | 非法信息的识别方法、装置 | |
| CN113536788A (zh) | 信息处理方法、装置、存储介质及设备 | |
| CN112541357A (zh) | 实体识别方法、装置及智能设备 | |
| CN113111147A (zh) | 一种文本类型识别方法、装置及电子设备和存储介质 |
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 |