CN116245546A - 一种基于设备指纹的数据处理系统及方法 - Google Patents

一种基于设备指纹的数据处理系统及方法 Download PDF

Info

Publication number
CN116245546A
CN116245546A CN202310525439.5A CN202310525439A CN116245546A CN 116245546 A CN116245546 A CN 116245546A CN 202310525439 A CN202310525439 A CN 202310525439A CN 116245546 A CN116245546 A CN 116245546A
Authority
CN
China
Prior art keywords
user
information
commodity
data processing
suspicious
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.)
Granted
Application number
CN202310525439.5A
Other languages
English (en)
Other versions
CN116245546B (zh
Inventor
张德杨
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.)
Guangzhou Gru Information Technology Co ltd
Original Assignee
Guangzhou Gru Information 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 Guangzhou Gru Information Technology Co ltd filed Critical Guangzhou Gru Information Technology Co ltd
Priority to CN202310525439.5A priority Critical patent/CN116245546B/zh
Publication of CN116245546A publication Critical patent/CN116245546A/zh
Application granted granted Critical
Publication of CN116245546B publication Critical patent/CN116245546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，具体为一种基于设备指纹的数据处理系统及方法，包括：数据采集模块、数据分析模块、信息生成模块、数据处理模块和数据库；通过所述数据采集模块采集设备指纹和用户平台信息；通过所述数据分析模块分析用户目的是否存在可疑性；通过所述信息生成模块生成喜好趋向和欺诈风险的设备标签；通过所述数据处理模块根据设备标签的评分指数进行处理；通过所述数据库用于存储用户信息和用户的设备标签；通过利用设备指纹唯一性对用户身份和用户行为进行分析，建立可疑性指数，极大的规避了用户牟取暴利的行为发生。

Description

一种基于设备指纹的数据处理系统及方法
技术领域
本发明涉及数据处理技术领域，具体为一种基于设备指纹的数据处理系统及方法。
背景技术
电子商务通常是指在全球各地广泛的商业贸易活动中，在因特网开放的网络环境下，基于客户端/服务端应用方式，买卖双方不谋面地进行各种商贸活动，实现消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动的一种新型的商业运营模式。
所以，人们需要一种基于设备指纹的数据处理系统及方法来解决上述问题，通过利用设备指纹唯一性对用户身份和用户行为进行分析，建立可疑性指数，极大的规避了用户牟取暴利的行为发生。
发明内容
本发明的目的在于提供一种基于设备指纹的数据处理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于设备指纹的数据处理系统，所述系统包括：数据采集模块、数据分析模块、信息生成模块、数据处理模块和数据库；
所述数据采集模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述信息生成模块的输入端，所述信息生成模块的输出端连接所述数据处理模块和所述数据库的输入端，所述数据处理模块的输出端连接所述数据库的输入端；
通过所述数据采集模块采集设备指纹和用户平台信息；
通过所述数据分析模块分析用户目的是否存在可疑性；
通过所述信息生成模块生成喜好趋向和欺诈风险的设备标签；
通过所述数据处理模块根据设备标签的评分指数进行处理；
通过所述数据库用于存储用户信息和用户的设备标签。
进一步的，所述数据采集模块包括指纹采集单元、身份采集单元、用户采集单元和平台记录采集单元；
所述指纹采集单元用于利用混合数据采集方式采集用户设备指纹ID；所述身份采集单元用于采集用户身份信息；所述用户采集单元用于采集购买商品的所有用户记录；所述平台记录采集单元用于采集用户的所有购买记录；
所述指纹采集单元中的设备指纹ID通过应用层和底层分析，生成设备终身唯一标识，其中底层分析技术，对客户端发送的网络包进行深度报文分析（DPI），提取7层全部特征信息，并结合行为数据，根据特定的模型，计算出设备的唯一性。由于采集的是系统底层的协议特征信息，所以在同设备上可以跨APP、跨浏览器；同时，采取在Web（H5）部署JS代码采集设备静态信息，然后通过终端设备与后台服务器建立连接的过程中，从网络报文中提取协议层信息。将采集的参数加密传递到服务端，在服务端生成唯一的UAID。
进一步的，所述数据分析模块包括身份分析单元和目的分析单元；
所述身份分析单元用于分析用户的身份信息是否存在可疑性；所述目的分析单元用于分析用户的行为信息是否存在可疑性。
进一步的，所述信息生成模块包括信息评分单元和兴趣生成单元；
所述信息评分单元用于对用户目的进行信息评价，生成评价标签；分析评价指数，若评价指数低于阈值，则进入兴趣生成单元；所述兴趣生成单元用于分析用户感兴趣的商品信息，生成兴趣标签。
进一步的，所述数据处理模块包括信息推荐单元和行为处理单元；
所述信息推荐单元用于根据用户的兴趣标签选择性推荐商品信息；所述行为处理单元用于根据行为标签对用户数据进行处理，若用户评价指数高，则以短信发送的形式告知用户“由于用户当前评价指数较高，致使订单无法发货，请及时退款”。
进一步的，所述数据库用于存储用户信息和用户的设备标签，便于客户通过API调用设备标签，执行精准投放及业务反欺诈。
一种基于设备指纹的数据处理方法，包括以下步骤：
S1：采集设备指纹和用户平台信息；
S2：分析用户目的是否存在可疑性；
S3：生成喜好趋向和欺诈风险的设备标签；
S4：根据设备标签的评分指数进行处理；
S5：存储用户信息和用户的设备标签。
进一步的，在步骤S1中：采集设备指纹和用户平台信息，包括：
S101、采集用户登录平台的身份信息x；
S102、利用混合数据采集方式采集用户x的硬件指纹ID：y；
S103、根据硬件指纹ID调取用户x在平台的所有购买记录，形成历史集
Figure SMS_1
；
S104、识别用户x购买的商品信息a，采集商品信息a的所有用户记录，形成用户集X，
Figure SMS_2
；其中，所述商品信息包括商品数量，商品价值和时宜性。
进一步的，在步骤S2中：分析用户目的是否存在可疑性，具体步骤如下：
S201：分析用户的身份信息是否存在可疑性，步骤如下：
S201_1：获取商品信息a，分析是否属于限购商品，若属于，进入步骤S201_2；
S201_2：获取用户集X，识别用户集X中所有人的硬件指纹ID，形成指纹集
Figure SMS_3
，其中，
Figure SMS_4
；
S201_3：分析用户x的硬件指纹
Figure SMS_5
在指纹集Y中的数量/>
Figure SMS_6
：若/>
Figure SMS_7
，其中，/>
Figure SMS_8
表示数量阈值，则表示用户身份不存在可疑性，记录身份可疑指数/>
Figure SMS_9
，此时，进入步骤S202，反之，若/>
Figure SMS_10
，则表示用户表示使用多个身份信息购买商品，使身份存在可疑性，此时，进入步骤S201_4；
S201_4：记录身份可疑指数
Figure SMS_11
，其中，/>
Figure SMS_12
表示身份参数，由商品信息a的商品属性和用户实际购买数量决定；
S202：分析用户的行为信息是否存在可疑性，步骤如下：
S202_1：分析历史集
Figure SMS_13
的商品信息，进行分类：遍历历史集/>
Figure SMS_17
，根据公式：/>
Figure SMS_18
；若/>
Figure SMS_14
，其中，/>
Figure SMS_16
表示商品相似阈值，表示历史集中存在相似的商品信息，则相似的商品信息归为一类，形成同类集/>
Figure SMS_19
，其中，/>
Figure SMS_20
表示相似的一类商品信息集合，并利用统计算法记录同一类型下的商品数量，形成个数集：/>
Figure SMS_15
；其中，所述统计算法属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
S202_2：识别用户x购买的商品信息a与历史集
Figure SMS_21
的相关性：遍历历史集/>
Figure SMS_22
，根据公式：/>
Figure SMS_23
；当/>
Figure SMS_24
，表示商品信息a与历史集A不相关，说明用户从未购买过相关类型的商品，进入步骤S202_4，反之，若/>
Figure SMS_25
，表示商品信息a与历史集A相关，进入步骤S202_3；
其中，
Figure SMS_26
表示商品信息a在商品信息/>
Figure SMS_27
中的概率；
S202_3：当商品信息a与历史集A相关时，确认商品类型，分析用户行为可疑指数：提取商品信息
Figure SMS_28
，根据公式：/>
Figure SMS_29
，得到关键词为/>
Figure SMS_30
；
分析关键词
Figure SMS_32
属于哪一个商品信息集合/>
Figure SMS_34
：通过遍历同类集/>
Figure SMS_37
，得到/>
Figure SMS_33
，此时，确认商品信息a属于/>
Figure SMS_35
类商品，得到同类商品个数为/>
Figure SMS_36
；根据商品个数为/>
Figure SMS_38
得到行为可疑指数/>
Figure SMS_31
；
其中，
Figure SMS_39
表示词语/>
Figure SMS_40
在商品信息a中出现的次数，/>
Figure SMS_41
表示历史集/>
Figure SMS_42
中含有词语/>
Figure SMS_43
的商品数量，/>
Figure SMS_44
表示行为参数，由商品信息a的商品属性和用户实际购买数量决定；
S202_4：当商品信息a与历史集A不相关时，分析用户行为可疑指数：利用设备指纹获取用户x的商品a购买数量r和用户集X中
Figure SMS_45
个人的商品a购买数量集：
Figure SMS_46
；
同时利用定位技术将商品信息a进行标识锁定，通过构建二维平面坐标系，获取用户x的IP地址为
Figure SMS_47
，同时获取用户集X中所有用户的IP地址集：/>
Figure SMS_48
；其中，所述定位技术属于属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
分析用户相关性：根据公式：
Figure SMS_49
，当/>
Figure SMS_50
，其中，/>
Figure SMS_51
表示相关性阈值，记录/>
Figure SMS_52
的个数u，得到行为可疑指数
Figure SMS_53
。
进一步的，在步骤S3中：生成喜好趋向和欺诈风险的设备标签，具体步骤如下：
S301：对用户目的进行信息评价，生成评价标签：
Figure SMS_54
；其中，/>
Figure SMS_55
和/>
Figure SMS_56
表示评价参数；
S302：当
Figure SMS_57
时，用户目的的可疑性低，此时，根据用户x的商品购买同类集/>
Figure SMS_58
和个数集/>
Figure SMS_59
确定用户的兴趣喜好，生成兴趣标签。/>
进一步的，在步骤S4中：根据设备标签的评分指数进行处理，具体步骤如下：
S401：当
Figure SMS_60
时，根据用户的兴趣标签选择性推荐商品信息；
S402：当
Figure SMS_61
时，以短信发送的形式告知用户“订单无法发货，请及时退款”；
S403：当用户被告知时，可针对个人信息进行再次审核，同时对平台进行咨询申请。
进一步的，在步骤S5中：利用数据库存储用户的所有信息和用户的设备标签。
与现有技术相比，本发明所达到的有益效果是：
本发明通过利用设备指纹选择非侵入式的方式来获取，不需在用户端设备安装任何SDK及驻留程序，用户只需无感访问过一次网页，就会在后端打标唯一性ID，此后用户只要不更换硬件，在任何部署了硬件指纹的场景下都会被识别出来，覆盖市场广，应用场景丰富性；通过分析用户的身份信息是否存在可疑性，建立身份可疑指数，对用户目的可疑性做初步筛选，有利于后续对用户行为的分析；通过利用关联性对用户购买的商品信息进行分类，有利于对信息的归类和后续对购买商品和历史数据的关联性分析；通过分析用户购买的商品与历史购买记录的相关性，判断说明用户是否从未购买过相关类型的商品，有利于对用户行为的可疑性进行初步判断，有利于后续对评价指数的分析；通过分析用户购买商品的关键词，与分类后的记录进行比对，将商品进行归纳，有利于对行为指数的分析；通过根据商品数量和用户IP地址分析用户相关性，得到行为可疑指数，有利于对用户行为数据可疑性的分析；通过根据用户目的可疑性指数生成喜好趋向和欺诈风险的设备标签，并根据结果进行选择性处理，极大的规避了用户牟取暴利的行为发生。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于设备指纹的数据处理系统的结构图；
图2是本发明一种基于设备指纹的数据处理方法的流程图。
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。
请参阅图1-图2，本发明提供技术方案：一种基于设备指纹的数据处理系统，系统包括：数据采集模块、数据分析模块、信息生成模块、数据处理模块和数据库；
所述数据采集模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述信息生成模块的输入端，所述信息生成模块的输出端连接所述数据处理模块和所述数据库的输入端，所述数据处理模块的输出端连接所述数据库的输入端；
通过所述数据采集模块采集设备指纹和用户平台信息；
所述数据采集模块包括指纹采集单元、身份采集单元、用户采集单元和平台记录采集单元；
所述指纹采集单元用于利用混合数据采集方式采集用户设备指纹ID；所述身份采集单元用于采集用户身份信息；所述用户采集单元用于采集购买商品的所有用户记录；所述平台记录采集单元用于采集用户的所有购买记录；
所述指纹采集单元中的设备指纹ID通过应用层和底层分析，生成设备终身唯一标识，其中底层分析技术，对客户端发送的网络包进行深度报文分析（DPI），提取7层全部特征信息，并结合行为数据，根据特定的模型，计算出设备的唯一性。由于采集的是系统底层的协议特征信息，所以在同设备上可以跨APP、跨浏览器；同时，采取在Web（H5）部署JS代码采集设备静态信息，然后通过终端设备与后台服务器建立连接的过程中，从网络报文中提取协议层信息。将采集的参数加密传递到服务端，在服务端生成唯一的UAID；
用户只要不更换硬件，在任何部署了硬件指纹的场景下都会被识别出来，覆盖市场广，应用场景丰富性。
通过所述数据分析模块分析用户目的是否存在可疑性；
所述数据分析模块包括身份分析单元和目的分析单元；
所述身份分析单元用于分析用户的身份信息是否存在可疑性；所述目的分析单元用于分析用户的行为信息是否存在可疑性。
通过所述信息生成模块生成喜好趋向和欺诈风险的设备标签；
所述信息生成模块包括信息评分单元和兴趣生成单元；
所述信息评分单元用于对用户目的进行信息评价，生成评价标签；分析评价指数，若评价指数低于阈值，则进入兴趣生成单元；所述兴趣生成单元用于分析用户感兴趣的商品信息，生成兴趣标签。
通过所述数据处理模块根据设备标签的评分指数进行处理；
所述数据处理模块包括信息推荐单元和行为处理单元；
所述信息推荐单元用于根据用户的兴趣标签选择性推荐商品信息；所述行为处理单元用于根据行为标签对用户数据进行处理，若用户评价指数高，则以短信发送的形式告知用户“由于用户当前评价指数较高，致使订单无法发货，请及时退款”。
通过所述数据库用于存储用户信息和用户的设备标签。
所述数据库用于存储用户信息和用户的设备标签，便于客户通过API调用设备标签，执行精准投放及业务反欺诈。
一种基于设备指纹的数据处理方法，包括以下步骤：
S1：采集设备指纹和用户平台信息；
在步骤S1中：采集设备指纹和用户平台信息，包括：
S101、采集用户登录平台的身份信息x；
S102、利用混合数据采集方式采集用户x的硬件指纹ID：y；
S103、根据硬件指纹ID调取用户x在平台的所有购买记录，形成历史集
Figure SMS_62
；
S104、识别用户x购买的商品信息a，采集商品信息a的所有用户记录，形成用户集X，
Figure SMS_63
；其中，所述商品信息包括商品数量，商品价值和时宜性。
S2：分析用户目的是否存在可疑性；
在步骤S2中：分析用户目的是否存在可疑性，有利于后续对用户行为的分析，具体步骤如下：
S201：分析用户的身份信息是否存在可疑性，步骤如下：
S201_1：获取商品信息a，分析是否属于限购商品，若属于，进入步骤S201_2；
S201_2：获取用户集X，识别用户集X中所有人的硬件指纹ID，形成指纹集
Figure SMS_64
，其中，
Figure SMS_65
；
S201_3：分析用户x的硬件指纹
Figure SMS_66
在指纹集Y中的数量/>
Figure SMS_67
：若/>
Figure SMS_68
，其中，/>
Figure SMS_69
表示数量阈值，则表示用户身份不存在可疑性，记录身份可疑指数/>
Figure SMS_70
，此时，进入步骤S202，反之，若/>
Figure SMS_71
，则表示用户表示使用多个身份信息购买商品，使身份存在可疑性，此时，进入步骤S201_4；
S201_4：记录身份可疑指数
Figure SMS_72
，其中，/>
Figure SMS_73
表示身份参数，由商品信息a的商品属性和用户实际购买数量决定；
S202：分析用户的行为信息是否存在可疑性，步骤如下：
S202_1：分析历史集
Figure SMS_76
的商品信息，进行分类，有利于对信息的归类和后续对购买商品和历史数据的关联性分析：遍历历史集/>
Figure SMS_77
，根据公式：
Figure SMS_80
；若/>
Figure SMS_75
，其中，/>
Figure SMS_78
表示商品相似阈值，表示历史集中存在相似的商品信息，则相似的商品信息归为一类，形成同类集/>
Figure SMS_79
，其中，/>
Figure SMS_81
表示相似的一类商品信息集合，并利用统计算法记录同一类型下的商品数量，形成个数集：
Figure SMS_74
；其中，所述统计算法属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
S202_2：识别用户x购买的商品信息a与历史集
Figure SMS_82
的相关性，有利于对用户行为的可疑性进行初步判断，有利于后续对评价指数的分析：遍历历史集/>
Figure SMS_83
，根据公式：
Figure SMS_84
；当/>
Figure SMS_85
，表示商品信息a与历史集A不相关，说明用户从未购买过相关类型的商品，进入步骤S202_4，反之，若/>
Figure SMS_86
，表示商品信息a与历史集A相关，进入步骤S202_3；
其中，
Figure SMS_87
表示商品信息a在商品信息/>
Figure SMS_88
中的概率；所述指纹采集单元用于利用混合数据采集方式采集用户设备指纹ID
S202_3：当商品信息a与历史集A相关时，确认商品类型，分析用户行为可疑指数：提取商品信息
Figure SMS_89
，根据公式：/>
Figure SMS_90
，得到关键词为/>
Figure SMS_91
，将商品进行归纳，有利于对行为指数的分析；
分析关键词
Figure SMS_94
属于哪一个商品信息集合/>
Figure SMS_95
：通过遍历同类集/>
Figure SMS_98
，得到/>
Figure SMS_93
，此时，确认商品信息a属于/>
Figure SMS_96
类商品，得到同类商品个数为/>
Figure SMS_97
；根据商品个数为/>
Figure SMS_99
得到行为可疑指数/>
Figure SMS_92
；
其中，
Figure SMS_100
表示词语/>
Figure SMS_101
在商品信息a中出现的次数，/>
Figure SMS_102
表示历史集/>
Figure SMS_103
中含有词语/>
Figure SMS_104
的商品数量，/>
Figure SMS_105
表示行为参数，由商品信息a的商品属性和用户实际购买数量决定；
S202_4：当商品信息a与历史集A不相关时，分析用户行为可疑指数：利用设备指纹获取用户x的商品a购买数量r和用户集X中
Figure SMS_106
个人的商品a购买数量集：/>
Figure SMS_107
；
同时利用定位技术将商品信息a进行标识锁定，通过构建二维平面坐标系，获取用户x的IP地址为
Figure SMS_108
，同时获取用户集X中所有用户的IP地址集：/>
Figure SMS_109
；其中，所述定位技术属于属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
分析用户相关性：根据公式：
Figure SMS_110
，当/>
Figure SMS_111
，其中，/>
Figure SMS_112
表示相关性阈值，记录/>
Figure SMS_113
的个数u，得到行为可疑指数
Figure SMS_114
。
S3：生成喜好趋向和欺诈风险的设备标签，极大的规避了用户牟取暴利的行为发生；
在步骤S3中：生成喜好趋向和欺诈风险的设备标签，具体步骤如下：
S301：对用户目的进行信息评价，生成评价标签：
Figure SMS_115
；其中，/>
Figure SMS_116
和/>
Figure SMS_117
表示评价参数；
S302：当
Figure SMS_118
时，用户目的的可疑性低，此时，根据用户x的商品购买同类集/>
Figure SMS_119
和个数集/>
Figure SMS_120
确定用户的兴趣喜好，生成兴趣标签。
S4：根据设备标签的评分指数进行处理；
在步骤S4中：根据设备标签的评分指数进行处理，具体步骤如下：
S401：当
Figure SMS_121
时，根据用户的兴趣标签选择性推荐商品信息；
S402：当
Figure SMS_122
时，以短信发送的形式告知用户“由于用户当前评价指数较高，致使订单无法发货，请及时退款”；
S403：当用户被告知时，可针对个人信息进行再次审核，同时对平台进行咨询申请。
S5：存储用户信息和用户的设备标签。
在步骤S5中：利用数据库存储用户的所有信息和用户的设备标签。
例如：
在步骤S1中：采集设备指纹和用户平台信息，包括：
S101、采集用户登录平台的身份信息
Figure SMS_123
；
S102、利用混合数据采集方式采集用户x的硬件指纹ID：
Figure SMS_124
；
S103、根据硬件指纹ID调取用户x在平台的所有购买记录，形成历史集
Figure SMS_125
；
S104、识别用户x购买的商品信息
Figure SMS_126
，采集商品信息a的所有用户记录，形成用户集X，。
S2：分析用户目的是否存在可疑性；
在步骤S2中：分析用户目的是否存在可疑性，有利于后续对用户行为的分析，具体步骤如下：
S201：分析用户的身份信息是否存在可疑性，步骤如下：
S201_1：获取商品信息
Figure SMS_127
，分析属于限购商品，进入步骤S201_2；
S201_2：获取用户集X，识别用户集X中所有人的硬件指纹ID，形成指纹集
Figure SMS_128
；/>
S201_3：分析用户
Figure SMS_129
的硬件指纹/>
Figure SMS_130
在指纹集Y中的数量/>
Figure SMS_131
：/>
Figure SMS_132
，表示用户身份不存在可疑性，记录身份可疑指数/>
Figure SMS_133
，此时，进入步骤S202；
S202：分析用户的行为信息是否存在可疑性，步骤如下：
S202_1：分析历史集
Figure SMS_134
的商品信息，进行分类：遍历历史集
Figure SMS_135
，根据公式：/>
Figure SMS_136
；若/>
Figure SMS_137
，表示历史集中存在相似的商品信息，则相似的商品信息归为一类，形成同类集
Figure SMS_138
，其中，/>
Figure SMS_139
表示相似的一类商品信息集合，并利用统计算法记录同一类型下的商品数量，形成个数集：/>
Figure SMS_140
；
S202_2：识别用户
Figure SMS_143
购买的商品信息/>
Figure SMS_145
与历史集/>
Figure SMS_146
的相关性：遍历历史集/>
Figure SMS_142
，根据公式：/>
Figure SMS_144
；当/>
Figure SMS_147
，表示商品信息a与历史集A不相关，说明用户从未购买过相关类型的商品，进入步骤S202_4，其中，/>
Figure SMS_148
表示商品信息a在商品信息/>
Figure SMS_141
中的概率；
S202_4：当商品信息a与历史集A不相关时，分析用户行为可疑指数：利用设备指纹获取用户x的商品a购买数量
Figure SMS_149
和用户集X中/>
Figure SMS_150
个人的商品a购买数量集：
Figure SMS_151
；
同时利用定位技术将商品信息a进行标识锁定，通过构建二维平面坐标系，获取用户x的IP地址为
Figure SMS_152
，同时获取用户集X中所有用户的IP地址集：/>
Figure SMS_153
；
分析用户相关性：根据公式：
Figure SMS_154
，当/>
Figure SMS_155
，记录/>
Figure SMS_156
的个数u=9，得到行为可疑指数/>
Figure SMS_157
。
在步骤S3中：生成喜好趋向和欺诈风险的设备标签，具体步骤如下：
S301：对用户目的进行信息评价，生成评价标签：
Figure SMS_158
；其中，
Figure SMS_159
和/>
Figure SMS_160
表示评价参数；
在步骤S4中：根据设备标签的评分指数进行处理，具体步骤如下：
S402：当
Figure SMS_161
时，以短信发送的形式告知用户“由于用户当前评价指数较高，致使订单无法发货，请及时退款”；
S403：当用户被告知时，可针对个人信息进行再次审核，同时对平台进行咨询申请。
在步骤S5中：利用数据库存储用户的所有信息和用户的设备标签。
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。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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)

1.一种基于设备指纹的数据处理系统，其特征在于：所述系统包括：数据采集模块、数据分析模块、信息生成模块、数据处理模块和数据库；
所述数据采集模块的输出端连接所述数据分析模块的输入端，所述数据分析模块的输出端连接所述信息生成模块的输入端，所述信息生成模块的输出端连接所述数据处理模块的输入端，所述数据处理模块的输出端连接所述数据库的输入端；
通过所述数据采集模块采集设备指纹和用户平台信息；
通过所述数据分析模块分析用户目的是否存在可疑性；
通过所述信息生成模块生成喜好趋向和欺诈风险的设备标签；
通过所述数据处理模块根据设备标签的评分指数进行处理；
通过所述数据库用于存储用户信息和用户的设备标签。
2.根据权利要求1所述的一种基于设备指纹的数据处理系统，其特征在于：所述数据采集模块包括指纹采集单元、身份采集单元、用户采集单元和平台记录采集单元；
所述指纹采集单元用于利用混合数据采集方式采集用户设备指纹ID；所述身份采集单元用于采集用户身份信息；所述用户采集单元用于采集购买商品的所有用户记录；所述平台记录采集单元用于采集用户的所有购买记录。
3.根据权利要求1所述的一种基于设备指纹的数据处理系统，其特征在于：所述数据分析模块包括身份分析单元和目的分析单元；
所述身份分析单元用于分析用户的身份信息是否存在可疑性；所述目的分析单元用于分析用户的行为信息是否存在可疑性。
4.根据权利要求1所述的一种基于设备指纹的数据处理系统，其特征在于：所述信息生成模块包括信息评分单元和兴趣生成单元；
所述信息评分单元用于对用户目的进行信息评价，生成评价标签；所述兴趣生成单元用于分析用户感兴趣的商品信息，生成兴趣标签。
5.根据权利要求1所述的一种基于设备指纹的数据处理系统，其特征在于：所述数据处理模块包括信息推荐单元和行为处理单元；
所述信息推荐单元用于根据用户的兴趣标签选择性推荐商品信息；所述行为处理单元用于根据行为标签对用户数据进行处理。
6.一种基于设备指纹的数据处理方法，其特征在于：包括以下步骤：
S1：采集设备指纹和用户平台信息；
S2：分析用户目的是否存在可疑性；
S3：生成喜好趋向和欺诈风险的设备标签；
S4：根据设备标签的评分指数进行处理；
S5：存储用户信息和用户的设备标签。
7.根据权利要求6所述的一种基于设备指纹的数据处理方法，其特征在于：在步骤S1中：采集设备指纹和用户平台信息，包括：
S101、采集用户登录平台的身份信息x；
S102、利用混合数据采集方式采集用户x的硬件指纹ID：y；
S103、根据硬件指纹ID调取用户x在平台的所有购买记录，形成历史集
Figure QLYQS_1
；
S104、识别用户x购买的商品信息a，采集商品信息a的所有用户记录，形成用户集X，
Figure QLYQS_2
。
8.根据权利要求7所述的一种基于设备指纹的数据处理方法，其特征在于：在步骤S2中：分析用户目的是否存在可疑性，具体步骤如下：
S201：分析用户的身份信息是否存在可疑性，步骤如下：
S201_1：获取商品信息a，分析是否属于限购商品，若属于，进入步骤S201_2；
S201_2：获取用户集X，识别用户集X中所有人的硬件指纹ID，形成指纹集
Figure QLYQS_3
，其中，/>
Figure QLYQS_4
；
S201_3：分析用户x的硬件指纹
Figure QLYQS_5
在指纹集Y中的数量/>
Figure QLYQS_6
：若/>
Figure QLYQS_7
，其中，/>
Figure QLYQS_8
表示数量阈值，则表示用户身份不存在可疑性，记录身份可疑指数/>
Figure QLYQS_9
，此时，进入步骤S202，反之，若
Figure QLYQS_10
，则表示用户身份存在可疑性，此时，进入步骤S201_4；
S201_4：记录身份可疑指数
Figure QLYQS_11
，其中，/>
Figure QLYQS_12
表示身份参数，由商品信息a的商品属性和用户实际购买数量决定；
S202：分析用户的行为信息是否存在可疑性，步骤如下：
S202_1：分析历史集
Figure QLYQS_14
的商品信息，进行分类：遍历历史集/>
Figure QLYQS_16
，根据公式：/>
Figure QLYQS_18
；若/>
Figure QLYQS_15
，其中，/>
Figure QLYQS_17
表示商品相似阈值，表示历史集中存在相似的商品信息，则相似的商品信息归为一类，形成同类集/>
Figure QLYQS_19
，其中，
Figure QLYQS_20
表示相似的一类商品信息集合，并利用统计算法记录同一类型下的商品数量，形成个数集：/>
Figure QLYQS_13
；
S202_2：识别用户x购买的商品信息a与历史集
Figure QLYQS_21
的相关性：遍历历史集/>
Figure QLYQS_22
，根据公式：
Figure QLYQS_23
；当/>
Figure QLYQS_24
，表示商品信息a与历史集A不相关，进入步骤S202_4，反之，若/>
Figure QLYQS_25
，表示商品信息a与历史集A相关，进入步骤S202_3；
其中，
Figure QLYQS_26
表示商品信息a在商品信息/>
Figure QLYQS_27
中的概率；
S202_3：当商品信息a与历史集A相关时，确认商品类型，分析用户行为可疑指数：提取商品信息
Figure QLYQS_28
，根据公式：/>
Figure QLYQS_29
，得到关键词为/>
Figure QLYQS_30
；
分析关键词
Figure QLYQS_31
属于哪一个商品信息集合/>
Figure QLYQS_34
：通过遍历同类集/>
Figure QLYQS_37
，得到/>
Figure QLYQS_32
，此时，确认商品信息a属于/>
Figure QLYQS_35
类商品，得到同类商品个数为/>
Figure QLYQS_36
；根据商品个数为/>
Figure QLYQS_38
得到行为可疑指数/>
Figure QLYQS_33
；
其中，
Figure QLYQS_39
表示词语/>
Figure QLYQS_40
在商品信息a中出现的次数，/>
Figure QLYQS_41
表示历史集/>
Figure QLYQS_42
中含有词语/>
Figure QLYQS_43
的商品数量，/>
Figure QLYQS_44
表示行为参数，由商品信息a的商品属性和用户实际购买数量决定；
S202_4：当商品信息a与历史集A不相关时，分析用户行为可疑指数：利用设备指纹获取用户x的商品a购买数量r和用户集X中
Figure QLYQS_45
个人的商品a购买数量集：/>
Figure QLYQS_46
；
同时利用定位技术将商品信息a进行标识锁定，通过构建二维平面坐标系，获取用户x的IP地址为
Figure QLYQS_47
，同时获取用户集X中所有用户的IP地址集：/>
Figure QLYQS_48
；
分析用户相关性：根据公式：
Figure QLYQS_49
，当/>
Figure QLYQS_50
，其中，/>
Figure QLYQS_51
表示相关性阈值，记录/>
Figure QLYQS_52
的个数u，得到行为可疑指数/>
Figure QLYQS_53
。
9.根据权利要求8所述的一种基于设备指纹的数据处理方法，其特征在于：在步骤S3中：生成喜好趋向和欺诈风险的设备标签，具体步骤如下：
S301：对用户目的进行信息评价，生成评价标签：
Figure QLYQS_54
；其中，/>
Figure QLYQS_55
和/>
Figure QLYQS_56
表示评价参数；
S302：当
Figure QLYQS_57
时，用户目的的可疑性低，此时，根据用户x的商品购买同类集/>
Figure QLYQS_58
和个数集
Figure QLYQS_59
确定用户的兴趣喜好，生成兴趣标签。
10.根据权利要求9所述的一种基于设备指纹的数据处理方法，其特征在于：在步骤S4中：根据设备标签的评分指数进行处理，具体步骤如下：
S401：当
Figure QLYQS_60
时，根据用户的兴趣标签选择性推荐商品信息；
S402：当
Figure QLYQS_61
时，以短信发送的形式告知用户；
S403：当用户被告知时，针对个人信息进行再次审核，同时对平台进行咨询申请。
CN202310525439.5A 2023-05-11 2023-05-11 一种基于设备指纹的数据处理系统及方法 Active CN116245546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310525439.5A CN116245546B (zh) 2023-05-11 2023-05-11 一种基于设备指纹的数据处理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310525439.5A CN116245546B (zh) 2023-05-11 2023-05-11 一种基于设备指纹的数据处理系统及方法

Publications (2)

Publication Number Publication Date
CN116245546A true CN116245546A (zh) 2023-06-09
CN116245546B CN116245546B (zh) 2023-08-25

Family

ID=86628124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310525439.5A Active CN116245546B (zh) 2023-05-11 2023-05-11 一种基于设备指纹的数据处理系统及方法

Country Status (1)

Country Link
CN (1) CN116245546B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710770A (zh) * 2012-06-01 2012-10-03 汪德嘉 一种上网设备识别方法及其实现系统
US20130346311A1 (en) * 2012-06-25 2013-12-26 Visa International Service Association Method and System For Data Security Utilizing User Behavior and Device Identification
US20150046216A1 (en) * 2014-04-02 2015-02-12 Brighterion, Inc. Smart retail analytics and commercial messaging
CN107481019A (zh) * 2017-07-28 2017-12-15 上海携程商务有限公司 订单欺诈识别方法、系统、存储介质和电子设备
CN108596638A (zh) * 2018-04-27 2018-09-28 深圳市零度智控科技有限公司 基于大数据的反欺诈识别方法及系统、终端及存储介质
CN112991017A (zh) * 2021-03-26 2021-06-18 刘秀萍 基于用户评论解析的标签体系精准推荐方法
CN114359982A (zh) * 2022-03-19 2022-04-15 广州格鲁信息技术有限公司 一种基于大数据处理的反欺诈系统及方法
CN115134809A (zh) * 2022-06-24 2022-09-30 杭州安恒信息技术股份有限公司 一种信息识别方法、装置、设备及可读存储介质
CN115963973A (zh) * 2022-12-28 2023-04-14 深圳市鼎山科技有限公司 一种基于大数据的电子商务信息管理系统及方法
CN116049808A (zh) * 2023-03-31 2023-05-02 广州格鲁信息技术有限公司 一种基于大数据的设备指纹采集系统及方法
CN116091088A (zh) * 2023-01-31 2023-05-09 杭州首新网络科技有限公司 一种基于用户当前及历史行为的反欺诈实时分析系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710770A (zh) * 2012-06-01 2012-10-03 汪德嘉 一种上网设备识别方法及其实现系统
US20130346311A1 (en) * 2012-06-25 2013-12-26 Visa International Service Association Method and System For Data Security Utilizing User Behavior and Device Identification
US20150046216A1 (en) * 2014-04-02 2015-02-12 Brighterion, Inc. Smart retail analytics and commercial messaging
CN107481019A (zh) * 2017-07-28 2017-12-15 上海携程商务有限公司 订单欺诈识别方法、系统、存储介质和电子设备
CN108596638A (zh) * 2018-04-27 2018-09-28 深圳市零度智控科技有限公司 基于大数据的反欺诈识别方法及系统、终端及存储介质
CN112991017A (zh) * 2021-03-26 2021-06-18 刘秀萍 基于用户评论解析的标签体系精准推荐方法
CN114359982A (zh) * 2022-03-19 2022-04-15 广州格鲁信息技术有限公司 一种基于大数据处理的反欺诈系统及方法
CN115134809A (zh) * 2022-06-24 2022-09-30 杭州安恒信息技术股份有限公司 一种信息识别方法、装置、设备及可读存储介质
CN115963973A (zh) * 2022-12-28 2023-04-14 深圳市鼎山科技有限公司 一种基于大数据的电子商务信息管理系统及方法
CN116091088A (zh) * 2023-01-31 2023-05-09 杭州首新网络科技有限公司 一种基于用户当前及历史行为的反欺诈实时分析系统
CN116049808A (zh) * 2023-03-31 2023-05-02 广州格鲁信息技术有限公司 一种基于大数据的设备指纹采集系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乔岚;: "基于大数据技术的个性化推荐系统的设计与实现", 信息与电脑(理论版), no. 21, pages 70 - 72 *

Also Published As

Publication number Publication date
CN116245546B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
JP6913241B2 (ja) 信用力があると判定された消費者にローンを発行するシステムおよび方法
US11049109B1 (en) Reducing false positives using customer data and machine learning
US8055548B2 (en) System for collaborative internet competitive sales analysis
WO2021025926A1 (en) Digital content prioritization to accelerate hyper-targeting
US20020133365A1 (en) System and method for aggregating reputational information
CN105893526A (zh) 多源数据融合系统和方法
US20160217509A1 (en) Apparatus and method for management of electronic receipts and evaluation of the fair market value of goods based on free-form descriptions of goods and shoppers buying habits
AU2011240678A1 (en) Authentication process using search technology
JP2009193465A (ja) 情報処理装置、情報提供システム、情報処理方法、およびプログラム
Zhao et al. Extracting and reasoning about implicit behavioral evidences for detecting fraudulent online transactions in e-Commerce
CN108429776B (zh) 网络对象的推送方法、装置、客户端、交互设备以及系统
US20140365305A1 (en) Providing geospatial-temporal next-best-action decisions
Cherqi et al. Analysis of hacking related trade in the darkweb
CN112036986A (zh) 一种网上商城的多渠道电商运营平台
KR102343474B1 (ko) 실구매에 기반한 바이럴 마케팅을 이용한 쇼핑몰 서비스 제공 시스템
CN110634015A (zh) 一种基于计算机软件的消费习惯分析系统
CN112561565A (zh) 一种基于行为日志的用户需求识别方法
KR101959808B1 (ko) 온라인 통합 관리 시스템
CN112036985A (zh) 一种电商经营的营销系统
CN111429214B (zh) 一种基于交易数据的买卖双方匹配方法及装置
US20200184370A1 (en) System and method for automatic labeling of clusters created by unsupervised machine learing methods
US20230360051A1 (en) Detecting unauthorized online applications using machine learning
KR101813003B1 (ko) 온라인 통합 관리 시스템
CN116245546B (zh) 一种基于设备指纹的数据处理系统及方法
US20070276720A1 (en) Indexing of a focused data set through a comparison technique method and apparatus

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