CN116611585A - 一种移动设备管理方法、系统及电子设备 - Google Patents
一种移动设备管理方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116611585A CN116611585A CN202310882122.7A CN202310882122A CN116611585A CN 116611585 A CN116611585 A CN 116611585A CN 202310882122 A CN202310882122 A CN 202310882122A CN 116611585 A CN116611585 A CN 116611585A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- mobile equipment
- mobile device
- mobile
- 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
- 238000007726 management method Methods 0.000 title abstract description 87
- 230000006399 behavior Effects 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 53
- 238000003909 pattern recognition Methods 0.000 claims description 30
- 238000010801 machine learning Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 4
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000012550 audit Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Telephone Function (AREA)
Abstract
本说明书实施例公开了一种移动设备管理方法、系统及电子设备，对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
Description
技术领域
本说明书实施例涉及移动设备管理技术领域，尤其涉及一种移动设备管理方法、系统及电子设备。
背景技术
越来越多如手机、平板电脑等移动设备进入企业，即企业员工利用移动设备可访问企业内网资源。但利用移动设备访问企业内网资源会给企业的信息安全造成巨大威胁。由此，移动设备管理(Mobile Device Management，MDM)应运而生。MDM对移动设备的注册、激活、注销、丢失、淘汰各个环节进行统一管理。另外，基于MDM，还可以实现对用户设备配置管理和安全控制，是企业实施移动化战略过程中的一个基础支撑方案，其旨在对大量拥入企业的各种移动设备进行统一的安全管控。例如，基于MDM，企业可以实现对移动设备的设备系统升级和设备配置管控。
MDM 是一种解决方案，它使用软件作为组件来配置移动设备，同时保护组织的资产（如数据）。组织通过将软件、流程和安全策略应用至移动设备及其使用环境，用以执行MDM 方案。除了管理设备库存和配置之外，MDM解决方案还可以保护设备的应用程序、数据和内容。
发明内容
有鉴于此，本说明书实施例提供了一种移动设备管理方法、系统及电子设备，用于解决现有技术中MDM管理策略容易对用户的使用体验产生负面影响的问题。
本说明书实施例采用下述技术方案：
本说明书实施例提供一种移动设备管理方法，包括：
对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
优选的，对移动设备上采集的运行数据和用户数据进行处理和分析，包括：
对所述运行数据和所述用户数据进行预处理；
将预处理后的数据转换为机器学习算法可用的特征向量。
优选的，所述特征向量包括数值型特征、类别型特征和文本型特征。
优选的，对所述运行数据和所述用户数据进行预处理，包括：
对所述运行数据和所述用户数据依次进行数据清洗、特征选择和特征提取，得到预处理后的数据。
优选的，根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型，包括：
利用朴素贝叶斯算法和逻辑回归算法对所述特征向量进行训练，得到训练结果；
根据所述训练结果建立移动设备和用户行为的模式识别和推理模型。
优选的，在建立移动设备和用户行为的模式识别和推理模型后，还包括：
利用交叉验证方法对所述移动设备和用户行为的模式识别和推理模型进行评估。
优选的，利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，包括：
利用所述移动设备和用户行为的模式识别和推理模型对新采集的用户数据进行预测，以预测移动设备是否存在风险或者用户是否存在异常行为，确定风险设备或者异常用户。
优选的，根据所述分析结果建立个性化管理策略，包括：
根据所述风险设备或者所述异常用户制定不同的管理策略。
本说明书实施例还提供一种移动设备管理系统，包括：
数据处理模块，对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
模型建立模块，根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
分析模块，利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
策略建立模块，根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过对从移动上采集的运行数据和用户数据进行处理和分析，以根据数据处理结果建立移动设备和用户行为的模式识别和推理模型，再利用移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，根据分析结果建立个性化管理策略，以优化移动设备与所述用户之间的关系。
通过使用机器学习算法可以自动化地对移动设备和用户数据进行分析和预测，从而提高管理效率，减少人工干预，另外，通过建立个性化管理策略，可以有效提高策略的准确性和适用性。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本说明书的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种移动设备管理方法的流程示意图；
图2为本说明书实施例提供的一种移动设备管理系统的具体结构示意图；
图3为本说明书实施例提供的一种MDM策略管理系统的结构示意图；
图4为本说明书实施例提供的对应于图1的一种移动设备管理设备的结构示意图。
具体实施方式
一般情况下，MDM策略管理是通过定义、分配、执行和监控策略，来确保企业移动设备和应用程序的安全和合规。MDM平台提供了丰富的功能和可定制化的选项，可以根据企业的需求进行定制化，以满足不同的安全和合规要求。
尽管MDM策略管理可以帮助企业更好地管理移动设备和应用程序，并保护企业数据和隐私，但它也存在以下缺点：
1、对用户体验的影响：MDM策略管理通常需要对设备和应用程序进行限制和控制，这可能会对用户的使用体验产生负面影响。例如，设备锁定策略会使用户需要频繁输入密码来解锁设备，从而降低了用户的使用效率和体验。
2、对设备和应用程序的限制：MDM策略管理通常需要对设备和应用程序进行限制和控制，以保护企业数据和隐私。这可能会限制员工使用设备和应用程序的自由度，从而降低员工的生产力和工作满意度。
3、对隐私的影响：MDM策略管理需要对设备和应用程序进行监控和管理，这可能会涉及到用户的个人隐私问题。企业需要确保其MDM策略管理符合相关法规和标准，以保护员工的个人隐私。而隐私法规的发展也要求MDM的管理策略更为灵活和安全。
因此，本说明书实施例提供一种移动设备管理方法、系统及电子设备，通过对从移动上采集的运行数据和用户数据进行处理和分析，以根据数据处理结果建立移动设备和用户行为的模式识别和推理模型，再利用移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，根据分析结果建立个性化管理策略，以优化移动设备与所述用户之间的关系。
通过使用机器学习算法可以自动化地对移动设备和用户数据进行分析和预测，从而提高管理效率，减少人工干预，另外，通过建立个性化管理策略，可以有效提高策略的准确性和适用性。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
如图1所示，为本说明书实施例提供的一种移动设备管理方法的流程示意图。
S101：对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
S103：根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
S105：利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
S107：根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
在本说明书实施例中，所述移动设备具体可以是指手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、iPod Touches、如智能手表等可穿戴设备，以及蜂窝电话、个人数字助理(personal digital assistant，PDA)、增强现实(augmented reality，AR)设备、虚拟现实(virtual reality，VR)设备等设备，在此不做具体限定。
其中，移动设备上的运行数据具体可以是指应用程序访问记录、GPS数据、电池消耗情况等数据，在此不做具体限定。
在具体应用实施例中， 对于所述步骤S101，对移动设备上采集的运行数据和用户数据进行处理和分析，具体可以包括：
对所述运行数据和所述用户数据进行预处理；
将预处理后的数据转换为机器学习算法可用的特征向量。
在本说明书实施例中，所述特征向量具体可以包括数值型特征、类别型特征和文本型特征等，在此不做具体限定。
进一步的，对所述运行数据和所述用户数据进行预处理，具体可以包括：
对所述运行数据和所述用户数据依次进行数据清洗、特征选择和特征提取，得到预处理后的数据。
对于所述步骤S103，根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型，具体可以包括：
利用朴素贝叶斯算法和逻辑回归算法对所述特征向量进行训练，得到训练结果；
根据所述训练结果建立移动设备和用户行为的模式识别和推理模型。
本说明书实施例可以通过机器学习技术对移动设备和用户数据进行深度分析，例如按时间、使用情况、地点等进行创建模型训练。
在建立移动设备和用户行为的模式识别和推理模型后，可以利用该模型预测移动设备的使用模式和用户的使用偏好等。
进一步的，在建立移动设备和用户行为的模式识别和推理模型后，还可以包括：
利用交叉验证方法对所述移动设备和用户行为的模式识别和推理模型进行评估。
其中，评估内容具体可以包括预测准确率、召回率和F1值等。
进一步的，对于所述步骤S105，利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，具体可以包括：
利用所述移动设备和用户行为的模式识别和推理模型对新采集的用户数据进行预测。
对新采集的用户数据进行预测可以包括预测移动设备是否存在风险、用户是否存在异常行为等，从而可以确定风险设备或者异常用户。
进一步的，对于所述步骤S107，根据所述分析结果建立个性化管理策略，具体可以包括：
根据风险设备或者异常用户制定不同的管理策略，以提高管理策略的准确性和适用性。
通过分析数据中的模式和行为预测，可以实现个性化管理，从而提高策略的准确性和适用性。
在本说明书另外一个应用实施例中，通过持续优化和挖掘新的特征，自动优化策略配置，提高管理员效率，减少管理成本，还可以有效提升策略管理效率和精确度。
本说明书实施例还可以包括，对所述移动设备进行安全审计，其中，安全审计具体可以包括漏洞扫描、安全事件检测等，以保障移动设备的安全性和信息的隐私保护。
本说明书实施例提供的一种移动设备管理方法，通过对从移动上采集的运行数据和用户数据进行处理和分析，以根据数据处理结果建立移动设备和用户行为的模式识别和推理模型，再利用移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，根据分析结果建立个性化管理策略，以优化移动设备与所述用户之间的关系。
通过使用机器学习算法可以自动化地对移动设备和用户数据进行分析和预测，从而提高管理效率，减少人工干预，另外，通过建立个性化管理策略，可以有效提高策略的准确性和适用性。
需要说明的是，上述具体的移动设备管理方法仅仅是作为具体应用实施例，而不造成对本说明书实施例范围的限定，还可以包含其他具体实施例，在此不再一一赘述。
基于同样的发明思路，本说明书实施例还提供了上述方法对应的系统。图2为本说明书实施例提供的一种移动设备管理系统的具体结构示意图。
如图2所示，所述移动设备管理系统至少可以包括：
数据处理模块201，对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
模型建立模块202，根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
分析模块203，利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
策略建立模块204，根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
基于图 2 的系统，本说明书实施例还提供了该系统的一些具体实施方案，下面进行说明。
可选的，对移动设备上采集的运行数据和用户数据进行处理和分析，可以包括：
对所述运行数据和所述用户数据进行预处理；
将预处理后的数据转换为机器学习算法可用的特征向量。
可选的，所述特征向量具体可以包括数值型特征、类别型特征和文本型特征。
可选的，对所述运行数据和所述用户数据进行预处理，可以包括：
对所述运行数据和所述用户数据依次进行数据清洗、特征选择和特征提取，得到预处理后的数据。
可选的，根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型，可以包括：
利用朴素贝叶斯算法和逻辑回归算法对所述特征向量进行训练，得到训练结果；
根据所述训练结果建立移动设备和用户行为的模式识别和推理模型。
可选的，在建立移动设备和用户行为的模式识别和推理模型后，还可以包括：
利用交叉验证方法对所述移动设备和用户行为的模式识别和推理模型进行评估。
可选的，利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，可以包括：
利用所述移动设备和用户行为的模式识别和推理模型对新采集的用户数据进行预测，以预测移动设备是否存在风险或者用户是否存在异常行为，确定风险设备或者异常用户。
可选的，根据所述分析结果建立个性化管理策略，可以包括：
根据所述风险设备或者所述异常用户制定不同的管理策略。
本说明书实施例提供的一种移动设备管理系统，通过对从移动上采集的运行数据和用户数据进行处理和分析，以根据数据处理结果建立移动设备和用户行为的模式识别和推理模型，再利用移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，根据分析结果建立个性化管理策略，以优化移动设备与所述用户之间的关系。
通过使用机器学习算法可以自动化地对移动设备和用户数据进行分析和预测，从而提高管理效率，减少人工干预，另外，通过建立个性化管理策略，可以有效提高策略的准确性和适用性。
基于同样的发明思路，本说明书实施例还提供了上述方法在具体应用场景中的应用实施例。
如图3所示，为本说明书实施例提供的一种MDM策略管理系统的结构示意图。
其中，所述MDM策略管理系统可以包括移动设备管理模块301、安全扫描引擎302和AI算法引擎303。
具体的，所述移动设备管理模块301，可以提供多个MDM策略，包括设备监视、数据限制、应用限制和配置管理等，同时还能够自动扫描并监测所述移动设备的风险情况和安全状态；
所述安全扫描引擎302，可以扫描所述移动设备上的所有安全漏洞，并生成相应的漏洞报告，同时还能够自动修复所述移动设备中的漏洞，保证所述移动设备的安全性；
所述AI算法引擎303，可以根据所述移动设备的安全状态和使用行为进行智能化管理，对所述移动设备的安全威胁进行预测和处理，并提供相应的警报和解决方案，以提高所述移动设备的安全性和用户体验。
在实际应用过程中，所述移动设备管理模块301可以对采集的运行数据和用户数据进行数据预处理，数据预处理是机器学习算法的前置步骤，具体可以包括数据清洗、特征选择、特征提取等，对后续模型的性能和准确性具有重要影响。
在对采集的运行数据和用户数据进行数据预处理之后，进行特征工程，具体可以是将数据预处理之后的数据转换为机器学习算法可用的特征向量的过程，其中，特征向量具体可以包括数值型特征、类别型特征、文本型特征等，在此不做具体限定，需要结合具体应用场景来选择合适的特征向量。
进一步的，所述AI算法引擎303可以利用机器学习算法实现移动设备管理和审计自动化和智能化，所述机器学习算法具体可以包括朴素贝叶斯算法、逻辑回归算法、支持向量机算法、随机森林算法、神经网络算法和决策树算法等，在此不做具体限定，需要根据数据特点和应用场景选择合适的算法。
其中，对于所述支持向量机算法（SVM），SVM是一种常用的分类算法，可以用于移动设备管理和安全审计中的数据分析和预测，具有良好的泛化能力和准确性。
对于所述随机森林（Random Forest）算法，随机森林算法是一种集成学习算法，可以用于特征选择和分类，具有较好的性能和可解释性。
对于所述神经网络（Neural Networks）算法，神经网络算法是一种深度学习算法，可以学习和发现数据中的非线性关系，可以用于移动设备管理和安全审计中的数据分析和预测。
对于所述决策树（Decision Tree）算法，决策树算法是一种基于树结构的分类算法，可以用于移动设备管理和安全审计中的数据分析和预测，具有较好的可解释性和易于理解性。
综上所述，以上技术方案可以根据实际需求和数据特点选择不同的机器学习算法，例如支持向量机算法、随机森林算法、神经网络算法和决策树算法等，在此不做具体限定，以达到更好的数据分析和预测效果。
另外，在机器学习算法过程中，模型评估是机器学习算法的重要环节，具体可以包括交叉验证、ROC曲线、准确率、召回率、F1值等指标，需要评估模型的性能和泛化能力。
在本说明书实施例中，在建立个性化管理策略之后，需要进行策略优化，策略优化是通过持续优化和挖掘新的特征，自动优化策略配置，提高管理员效率，减少管理成本的过程，需要结合实际应用场景和数据特点进行优化，在此不做具体限定。
另外，所述安全扫描引擎302对移动设备进行安全检测和漏洞扫描的过程可以是安全审计的过程，需要结合具体应用场景和安全需求进行设计和实现，在此不做具体限定。
本说明书实施例提供的一种MDM策略管理系统，具有以下优点：
自动化和智能化：使用机器学习算法可以自动化地对移动设备和用户数据进行分析和预测，从而提高管理效率和数据安全性；
可扩展性：朴素贝叶斯和逻辑回归算法具有良好的可扩展性，可以处理大规模的数据集；
个性化管理：使用机器学习算法可以根据不同的用户和设备类型建立个性化管理策略，提高策略的准确性和适用性；
高效性：使用机器学习算法可以自动优化策略配置，提高管理员效率，减少管理成本；
提高数据安全性：使用机器学习算法可以对移动设备进行安全审计，包括漏洞扫描、安全事件检测等，保障设备安全性和信息的隐私保护；
降低管理成本：使用机器学习算法可以自动优化策略配置，提高管理员效率，减少管理成本；
及时发现异常情况：使用机器学习算法可以对移动设备和用户数据进行实时分析和预测，及时发现异常情况，减少潜在风险。
综上所述，以上技术实现可以提高管理效率和准确性，保障数据安全性，降低管理成本，及时发现异常情况等效果，从而为企业提供更好的移动设备管理和审计服务。
基于同样的发明思路，本说明书实施例还提供了上述方法对应的设备。
图4为本说明书实施例提供的对应于图1的一种移动设备管理设备的结构示意图。如图4所示，设备400可以包括：
至少一个处理器410；以及，
与所述至少一个处理器通信连接的存储器430；其中，
所述存储器430存储有可被所述至少一个处理器410执行的指令420，所述指令被所述至少一个处理器410执行，以使所述至少一个处理器410能够：
对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
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，对于图4所示的设备而言，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。
其中，处理器的其他功能还可以参见上述实施例中记载的内容，这里不再一一赘述。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（例如，对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如，现场可编程门阵列（Field ProgrammableGate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求保护范围之内。
Claims (10)
1.一种移动设备管理方法，其特征在于，所述方法包括：
对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
2.如权利要求1所述的方法，其特征在于，对移动设备上采集的运行数据和用户数据进行处理和分析，包括：
对所述运行数据和所述用户数据进行预处理；
将预处理后的数据转换为机器学习算法可用的特征向量。
3.如权利要求2所述的方法，其特征在于，所述特征向量包括数值型特征、类别型特征和文本型特征。
4.如权利要求2所述的方法，其特征在于，对所述运行数据和所述用户数据进行预处理，包括：
对所述运行数据和所述用户数据依次进行数据清洗、特征选择和特征提取，得到预处理后的数据。
5.如权利要求2所述的方法，其特征在于，根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型，包括：
利用朴素贝叶斯算法和逻辑回归算法对所述特征向量进行训练，得到训练结果；
根据所述训练结果建立移动设备和用户行为的模式识别和推理模型。
6.如权利要求5所述的方法，其特征在于，在建立移动设备和用户行为的模式识别和推理模型后，还包括：
利用交叉验证方法对所述移动设备和用户行为的模式识别和推理模型进行评估。
7.如权利要求1所述的方法，其特征在于，利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，包括：
利用所述移动设备和用户行为的模式识别和推理模型对新采集的用户数据进行预测，以预测移动设备是否存在风险或者用户是否存在异常行为，确定风险设备或者异常用户。
8.如权利要求7所述的方法，其特征在于，根据所述分析结果建立个性化管理策略，包括：
根据所述风险设备或者所述异常用户制定不同的管理策略。
9.一种移动设备管理系统，其特征在于，所述系统包括：
数据处理模块，对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
模型建立模块，根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
分析模块，利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
策略建立模块，根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
10.一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行以下步骤：
对移动设备上采集的运行数据和用户数据进行处理和分析，得到数据处理结果；
根据所述数据处理结果建立移动设备和用户行为的模式识别和推理模型；
利用所述移动设备和用户行为的模式识别和推理模型进行用户行为的分析与预测，得到分析结果；
根据所述分析结果建立个性化管理策略，以优化所述移动设备与所述用户之间的关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882122.7A CN116611585A (zh) | 2023-07-18 | 2023-07-18 | 一种移动设备管理方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882122.7A CN116611585A (zh) | 2023-07-18 | 2023-07-18 | 一种移动设备管理方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116611585A true CN116611585A (zh) | 2023-08-18 |
Family
ID=87678597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310882122.7A Pending CN116611585A (zh) | 2023-07-18 | 2023-07-18 | 一种移动设备管理方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116611585A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108847990A (zh) * | 2013-03-29 | 2018-11-20 | 思杰系统有限公司 | 提供移动设备管理功能 |
| CN108881238A (zh) * | 2018-06-26 | 2018-11-23 | 南通森雅商务服务有限公司 | 一种运行在移动设备上的安全移动框架的方法 |
| CN109521913A (zh) * | 2017-09-18 | 2019-03-26 | 西安富立叶微电子有限责任公司 | 一种企业级用户终端操作系统 |
| CN109946538A (zh) * | 2019-03-14 | 2019-06-28 | 上海交通大学 | 一种基于磁感应信号的移动设备监控方法及系统 |
| CN114270316A (zh) * | 2019-08-23 | 2022-04-01 | 微软技术许可有限责任公司 | 安全和私有的超个性化系统和方法 |
| CN116208662A (zh) * | 2023-01-07 | 2023-06-02 | 广州炫视智能科技有限公司 | 一种设备管理集控方法及其系统 |
-
2023
- 2023-07-18 CN CN202310882122.7A patent/CN116611585A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108847990A (zh) * | 2013-03-29 | 2018-11-20 | 思杰系统有限公司 | 提供移动设备管理功能 |
| CN109521913A (zh) * | 2017-09-18 | 2019-03-26 | 西安富立叶微电子有限责任公司 | 一种企业级用户终端操作系统 |
| CN108881238A (zh) * | 2018-06-26 | 2018-11-23 | 南通森雅商务服务有限公司 | 一种运行在移动设备上的安全移动框架的方法 |
| CN109946538A (zh) * | 2019-03-14 | 2019-06-28 | 上海交通大学 | 一种基于磁感应信号的移动设备监控方法及系统 |
| CN114270316A (zh) * | 2019-08-23 | 2022-04-01 | 微软技术许可有限责任公司 | 安全和私有的超个性化系统和方法 |
| CN116208662A (zh) * | 2023-01-07 | 2023-06-02 | 广州炫视智能科技有限公司 | 一种设备管理集控方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3485415B1 (en) | Devices and methods for classifying an execution session | |
| US9652362B2 (en) | Methods and systems of using application-specific and application-type-specific models for the efficient classification of mobile device behaviors | |
| KR102377817B1 (ko) | 모바일 디바이스 거동들에 대한 집성된 다중-애플리케이션 거동 분석을 위한 방법들 및 시스템들 | |
| US9721212B2 (en) | Efficient on-device binary analysis for auto-generated behavioral models | |
| US10176428B2 (en) | Behavioral analysis for securing peripheral devices | |
| US9686023B2 (en) | Methods and systems of dynamically generating and using device-specific and device-state-specific classifier models for the efficient classification of mobile device behaviors | |
| US9684787B2 (en) | Method and system for inferring application states by performing behavioral analysis operations in a mobile device | |
| US10104107B2 (en) | Methods and systems for behavior-specific actuation for real-time whitelisting | |
| US9787695B2 (en) | Methods and systems for identifying malware through differences in cloud vs. client behavior | |
| US9774614B2 (en) | Methods and systems for side channel analysis detection and protection | |
| US20180039779A1 (en) | Predictive Behavioral Analysis for Malware Detection | |
| US9158604B1 (en) | Lightweight data-flow tracker for realtime behavioral analysis using control flow | |
| US9519533B2 (en) | Data flow tracking via memory monitoring | |
| US20160379136A1 (en) | Methods and Systems for Automatic Extraction of Behavioral Features from Mobile Applications | |
| US20170024660A1 (en) | Methods and Systems for Using an Expectation-Maximization (EM) Machine Learning Framework for Behavior-Based Analysis of Device Behaviors | |
| US20170046510A1 (en) | Methods and Systems of Building Classifier Models in Computing Devices | |
| Rawassizadeh et al. | NoCloud: Exploring network disconnection through on-device data analysis | |
| KR20180054726A (ko) | 컴퓨팅 디바이스들에서 프로세스들에 대한 소프트웨어 공격들의 검출 | |
| CN111325444B (zh) | 一种风险防控决策方法、装置、系统及设备 | |
| Walshe et al. | Artificial intelligence as enabler for sustainable development | |
| CN114417411A (zh) | 一种端云开发系统、模型的处理方法、装置及设备 | |
| CN113221717B (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
| CN116611585A (zh) | 一种移动设备管理方法、系统及电子设备 | |
| Kalinaki et al. | A Review of Artificial Intelligence Techniques for Improved Cloud and IoT Security | |
| CN112230935A (zh) | 一种应用内的隐私风险检测方法、装置以及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230818 |
|
| RJ01 | Rejection of invention patent application after publication |