CN109086377A - 设备画像的生成方法、装置及计算设备 - Google Patents

Abstract

本发明公开了一种设备画像的生成方法、装置及计算设备。其中，方法包括：提取待预测设备的特征信息；从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息；根据待预测设备的各个维度的标签信息，生成待预测设备的设备画像。该方式充分利用待预测设备本身所具有的海量特征信息，通过从多个维度对特征信息进行分析，从而对待预测设备进行多个维度的描绘，使得生成设备画像更加全面、更加精准。

Description

设备画像的生成方法、装置及计算设备

技术领域

本发明涉及用户画像技术领域，具体涉及一种设备画像的生成方法、装置及计算设备。

背景技术

用户画像是指通过各个维度对用户特征属性的刻画，并对这些特征进行分析统计以及挖掘潜在价值信息，抽象出一个用户的信息全貌，用户画像由于其所具有的潜在价值在各领域得到了广泛的应用。现如今，智能手机、平板电脑、笔记本电脑等等各类移动设备已经得到了普及，并且每一个设备每天都会产生海量的数据，通过提取设备的各类特征数据并进行多维度的分析，从而间接地对使用该设备的用户进行特征描绘，得到用户画像的方式不失为一种能够生成用户画像的有效方法。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的设备画像的生成方法、装置及计算设备。

根据本发明的一个方面，提供了一种设备画像的生成方法，方法包括：

提取待预测设备的特征信息；

从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；

根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息；

根据待预测设备的各个维度的标签信息，生成待预测设备的设备画像。

可选地，待预测设备的特征信息包括：待预测设备的自有特征信息；

从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果进一步包括：

从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果；

根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息进一步包括：

根据各个维度的自有特征分析结果，得到待预测设备的各个维度的第一标签信息。

可选地，待预测设备的特征信息还包括：设备之间的关联特征信息；

从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果，根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息进一步包括：根据设备之间的关联特征信息，通过第一机器学习模型查找待预测设备的相似设备；

根据相似设备的标签信息，得到待预测设备的第二标签信息；

根据待预测设备的各个维度的标签信息，生成待预测设备的设备画像具体为：根据待预测设备的各个维度的第一标签信息以及第二标签信息，生成待预测设备的设备画像。

可选地，多个维度具体包括：

设备地理位置维度、应用安装情况维度、设备行为维度、和/或设备安全维度；

则从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果具体包括：

对待预测设备使用的IP地址的信息、待预测设备连接的无线网的信息以及待预测设备连接的基站的信息进行分析，得到地理位置维度的自有特征分析结果；

和/或，对待预测设备安装的应用进行分析，得到应用安装情况维度的自有特征分析结果；

和/或，对待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果；

和/或，通过第二机器学习模型对待预测设备是否安装不符合预设安全条件的应用的信息、待预测设备的开机时间信息、待预测设备是否越狱的信息、和/或待预测设备是否安装模拟器的信息进行分析，得到设备行为维度的自有特征分析结果。

可选地，对待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果进一步包括：

分别对待预测设备的IMEI信息、MAC地址信息、SIM卡的状态信息、电量信息、剩余磁盘空间信息、总磁盘空间信息、分辨率信息、和/或品牌与型号是否相匹配的信息进行分析，得到待预测设备的硬件参数是否被伪造的自有特征分析结果。

可选地，设备之间的关联特征信息包括以下信息的一种或多种：

设备使用的IP地址是否相同的信息、设备连接的无线网络是否相同的信息、设备连接的基站是否相同的信息、设备安装的应用是否符合预设应用相似条件的信息、设备的行为数据是否符合预设行为数据相似条件的信息、设备之间软件参数的对比结果以及设备之间硬件参数的对比结果。

可选地，上述方法进一步包括：

根据每个样本设备的设备行为维度的自有特征信息标记该样本设备的行为是否可疑，得到设备行为标记结果；

根据该样本设备的设备行为维度的自有特征信息以及设备行为标记结果对第二机器学习模型进行训练。

可选地，上述方法进一步包括：

根据每两个样本设备之间的关联特征信息标记该两个样本设备之间是否存在关联，得到关联设备标记结果；

根据该两个样本设备之间的关联特征信息以及关联设备标记结果对第一机器学习模型进行训练。

根据本发明的另一方面，提供了一种设备画像的生成装置，装置包括：

特征提取模块，适于提取待预测设备的特征信息；

分析模块，适于从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；

标签信息确定模块，适于根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息；

设备画像生成模块，适于根据待预测设备的各个维度的标签信息，生成待预测设备的设备画像。

可选地，待预测设备的特征信息包括：待预测设备的自有特征信息；

则分析模块进一步适于：

从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果；

标签信息确定模块进一步适于：根据各个维度的自有特征分析结果，得到待预测设备的各个维度的第一标签信息。

可选地，待预测设备的特征信息还包括：设备之间的关联特征信息；

分析模块进一步适于：根据设备之间的关联特征信息，通过第一机器学习模型查找待预测设备的相似设备；

标签信息确定模块进一步适于：根据相似设备的标签信息，得到待预测设备的第二标签信息；

则设备画像生成模块进一步适于：根据待预测设备的各个维度的第一标签信息以及第二标签信息，生成待预测设备的设备画像。

可选地，多个维度具体包括：

设备地理位置维度、应用安装情况维度、设备行为维度、和/或设备安全维度；

则分析模块进一步适于：

对待预测设备使用的IP地址的信息、待预测设备连接的无线网的信息以及待预测设备连接的基站的信息进行分析，得到地理位置维度的自有特征分析结果；

和/或，对待预测设备安装的应用进行分析，得到应用安装情况维度的自有特征分析结果；

和/或，对待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果；

和/或，通过第二机器学习模型对待预测设备是否安装不符合预设安全条件的应用的信息、待预测设备的开机时间信息、待预测设备是否越狱的信息、和/或待预测设备是否安装模拟器的信息进行分析，得到设备行为维度的自有特征分析结果。

可选地，分析模块进一步适于：

分别对待预测设备的IMEI信息、MAC地址信息、SIM卡的状态信息、电量信息、剩余磁盘空间信息、总磁盘空间信息、分辨率信息、和/或品牌与型号是否相匹配的信息进行分析，得到待预测设备的硬件参数是否被伪造的自有特征分析结果。

可选地，设备之间的关联特征信息包括以下信息的一种或多种：

设备使用的IP地址是否相同的信息、设备连接的无线网络是否相同的信息、设备连接的基站是否相同的信息、设备安装的应用是否符合预设应用相似条件的信息、设备的行为数据是否符合预设行为数据相似条件的信息、设备之间软件参数的对比结果以及设备之间硬件参数的对比结果。

可选地，装置进一步包括：

模型训练模块，适于根据每个样本设备的设备行为维度的自有特征信息标记该样本设备的行为是否可疑，得到设备行为标记结果；

根据该样本设备的设备行为维度的自有特征信息以及设备行为标记结果对第二机器学习模型进行训练。

可选地，模型训练模块进一步适于：

根据每两个样本设备之间的关联特征信息标记该两个样本设备之间是否存在关联，得到关联设备标记结果；

根据该两个样本设备之间的关联特征信息以及关联设备标记结果对第一机器学习模型进行训练。

根据本发明提供的设备画像的生成方法、装置及计算设备。其中，方法包括：提取待预测设备的特征信息；从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息；根据待预测设备的各个维度的标签信息，生成待预测设备的设备画像。该方式充分利用待预测设备本身所具有的海量特征信息，通过从多个维度对特征信息进行分析，从而对待预测设备进行多个维度的描绘，使得生成设备画像更加全面、更加精准。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的设备画像生成方法的流程示意图；

图2示出了根据本发明另一个实施例的设备画像生成方法的流程示意图；

图3示出了根据本发明又一个实施例的设备画像生成装置的功能模块图；

图4示出了根据本发明实施例的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的设备画像生成方法的流程示意图，如图1所示，该方法包括：

步骤S101，提取待预测设备的特征信息。

在本实施例中，生成待预测设备的设备画像也可以理解为生成使用该预测设备的用户的用户画像。

其中，待预测设备的特征信息是涉及多方面的，通过对待预测设备的每一种特征信息进行分析，都能够抽取出使用该待预测设备的用户的一种特点。例如，通过对待预测设备的应用安装信息进行分析，确定该待预测设备安装了多种***，则可以确定使用该待预测设备的用户为游戏达人。因此，本实施例的方法利用待预测设备的特征信息对待预测设备进行画像。

本发明对提取的待预测设备的特征信息的具体内涵不作限定，本领域技术人员可根据实际需要进行设置。

步骤S102，从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果。

从多个维度对提取出的待预测设备的特征信息进行分析，例如，分别从设备地理位置维度、应用安装情况维度、设备行为维度、设备安全维度和/或关联维度等多个维度对待预测设备的特征信息进行分析。需要说明的是，不同维度所要分析的特征信息之间往往不同，并且从不同维度对对应的特征信息进行分析所采取的技术手段也有可能不同。例如，通过对能够表征待预测设备的地理位置的特征信息进行分析，得到地理位置维度的特征分析结果；再如，利用机器学习模型对能够表征待预测设备与其他设备是否相似的特征信息进行分析，得到是否存在与该待预测设备相似的相似设备的特征分析结果。

本发明中，待预测设备的特征信息是涉及多方面的，并且，待预测设备的特征信息的分析维度也是涉及多方面的，本发明对此不作具体的限定。

步骤S103，根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息。

根据各个维度的特征分析结果，从各个维度给待预测设备贴标签。例如，从设备地理位置分析角度对待预测设备的特征信息进行分析，分析得到待预测设备在每周的周一到周五位于某写字楼区域，可以推断出该待预测设备的用户为上班族，则为该待预测设备贴上上班族的标签。

步骤S104，根据待预测设备的各个维度的标签信息，生成待预测设备的设备画像。

综合待预测设备各个维度的标签信息，并将各个维度的标签信息作为该待预测设备的设备画像。

根据本实施例所提供的设备画像的生成方法，首先，提取待预测设备的特征信息；其次，从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；然后，根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息；根据待预测设备的各个维度的标签信息，生成待预测设备的设备画像。该方式充分利用待预测设备本身所具有的海量特征信息，通过从多个维度对特征信息进行分析，从而对待预测设备进行多个维度的描绘，使得生成设备画像更加全面、更加精准。

图2示出了根据本发明一个实施例的设备画像生成方法的流程示意图，如图2所示，该方法包括：

步骤S201，提取待预测设备的自有特征信息以及设备之间的关联特征信息。

在本实施例中，生成待预测设备的设备画像也可以理解为生成使用该预测设备的用户的用户画像。

其中，待预测设备的自有特征信息包括以下信息的一种或多种：待预测设备使用的IP地址的信息、待预测设备连接的无线网的信息、待预测设备连接的基站的信息、待预测设备安装的应用、待预测设备的硬件参数信息、待预测设备是否安装不符合预设安全条件的应用的信息、待预测设备的开机时间信息、待预测设备是否越狱的信息和/或待预测设备是否安装模拟器的信息进行分析。其中，不符合预设安全条件的应用包括一些伪装类型的应用，例如WiFi连接伪装应用、型号伪装应用、伪装大师应用等等，本发明对不符合预设安全条件的应用不进行限定。

设备之间的关联特征信息包括以下信息的一种或多种：设备使用的IP地址是否相同的信息、设备连接的无线网络是否相同的信息、设备连接的基站是否相同的信息、设备安装的应用是否符合预设应用相似条件的信息、设备的行为数据是否符合预设行为数据相似条件的信息、设备之间软件参数的对比结果以及设备之间硬件参数的对比结果。其中，设备安装的应用是否符合预设应用相似条件的信息具体可以指：不同设备所安装的应用的类型分布相同或者相似，例如，设备A安装的购物类型的应用的数量与其安装的应用的总数量的比值为20％，而设备B安装的购物类型的应用的数量与其安装的应用的总数量的比值为20.5％。则认为设备A与设备B安装的应用符合预设应用相似条件，当然，本发明并不以此为限。设备的行为数据可以指设备线上行为数据，例如支付行为数据、访问网页行为数据等等，设备的行为数据是否符合预设行为数据相似条件具体可以指：不同设备的同一行为数据的产生时间之间的差值小于预设时间阈值，或者不同设备访问同一类型的网页的时间分布相似等等，当然，本发明并不以此为限。

步骤S202，从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果。

其中，多个维度具体包括：设备地理位置维度、应用安装情况维度、设备行为维度、和/或设备安全维度。不同维度所要分析的特征信息之间往往不同，并且从不同维度对对应的特征信息进行分析所采取的技术手段也有可能不同。

具体地，通过对待预测设备使用的IP地址的信息、待预测设备连接的无线网的信息和/或待预测设备连接的基站的信息，确定待预测设备的地理位置，得到地理位置维度的自有特征分析结果。

通过对待预测设备安装的应用进行分析，确定待预测设备安装的应用的类型、数量以及应用所属的行业领域，得到应用安装情况维度的自有特征分析结果。

通过对待预测设备的硬件参数信息进行分析，确定该待预测设备是否安全，得到安全维度的自有特征分析结果。具体地，分别对待预测设备的IMEI信息、MAC地址信息、SIM卡的状态信息、电量信息、剩余磁盘空间信息、总磁盘空间信息、分辨率信息、和/或品牌与型号是否相匹配的信息进行分析，确定该待预测设备的硬件参数是否被伪造，得到待预测设备的硬件参数是否被伪造的自有特征分析结果。

通过对待预测设备是否安装不符合预设安全条件的应用的信息、待预测设备的开机时间信息、待预测设备是否越狱的信息和/或待预测设备是否安装模拟器的信息，判断待预测设备是否存在可疑行为，得到设备行为维度的自有特征分析结果。

另外，由于设备的可疑行为会随着时间的推移而不断变化，因此，本实施例中，利用第二机器学习模型来分析该待预测设备的行为是否可疑。利用大数据对第一机器学习模型进行训练，具体地，根据每个样本设备的设备行为维度的自有特征信息标记该样本设备的行为是否可疑，得到设备行为标记结果；根据该样本设备的设备行为维度的自有特征信息以及设备行为标记结果对所述第二机器学习模型进行训练。针对每一个样本设备，将其设备行为维度的自有特征信息作为一条训练数据，根据该条训练数据标记该样本设备是否可疑，进一步根据训练数据以及标记结果对该第二机器学习模型进行训练，从而不断优化第二机器学习模型的参数，提升第二机器学习模型的预测结果的准确性。

其中，第二机器学习模型可以为：支持向量机、决策树、神经网络、随机森林、XGBoost、梯度提升树，或者上述多种模型的融合，本发明对此不作限定。

步骤S203，根据各个维度的自有特征分析结果，得到待预测设备的各个维度的第一标签信息。

各个维度的自有特征分析结果可以反映出使用该待预测设备的用户的身份、习惯、行为等等特征，因此，可以根据各个维度的自有特征分析结果为待预测设备(使用该待预测设备的用户)贴标签。

举例来说，根据地理位置维度的自有特征分析结果，可以确定待预测设备的地理位置的分布情况，例如，分析得到待预测设备在一天之内的地理位置分布在某学校区域以及某高档小区内，则根据该自有特征分析结果为该待预测设备添加的第一标签信息包括：学生、高档小区用户。

根据应用安装维度的自有特征分析结果，可以确定待预测设备安装的应用的类型、数量以及应用所属的行业领域，例如，分析得到待预测设备安装了多款游戏应用，则根据该自有特征分析结果为待预测设备添加的第一标签信息包括：游戏达人。

根据设备安全维度的自有特征分析结果，可以确定待预测设备的硬件参数是否被伪造，以及，根据设备行为维度的自有特征分析结果，可以确定待预测设备的行为是否可疑。因此，综合根据上述设备安全维度的自有特征分析结果以及设备行为维度的自有特征分析结果可以判断待预测设备的行为是否可疑，进而为该待预测设备添加是否存在可疑行为的第一标签信息。

步骤S204，根据设备之间的关联特征信息，通过第一机器学习模型查找待预测设备的相似设备。

其中，相似设备是指行为数据、软件参数以及硬件参数等等相同或者差别不大的不同设备，因此，相似设备的标签信息之间往往具有关联性，本实施例中，根据设备之间的关联特征信息，查找与待预测设备相关联的相似设备，利用相似设备的标签信息对根据待预测设备的自有特征信息确定的标签信息进行补充，能够更加全面地对待预测设备进行画像。

设备之间的关联特征信息具体可通过以下方式进行确定：将待预测设备以及样本设备使用的IP地址、连接的无线网、连接的基站、安装的应用、行为数据、软件参数和/或硬件参数分别进行比较，判断待预测设备是否与样本设备使用相同的IP地址、是否连接相同的无线网、是否连接相同的基站、安装的应用是否相似、行为数据是否相似、软件参数是否相似和/或硬件参数是否相似，从而得到设备之间的关联特征信息。

根据设备之间的关联特征信息，通过第一机器学习模型查找与待预测设备的相似设备，这种方式查找范围广，查找结果更加准确。利用大数据对第一机器学习模型进行训练，具体地，根据每两个样本设备之间的关联特征信息标记该两个样本设备之间是否存在关联，得到关联设备标记结果；根据该两个样本设备之间的关联特征信息以及关联设备标记结果对所述第一机器学习模型进行训练。将每两个样本设备之间的关联特征信息作为第一机器学习模型的一条训练数据，根据该条训练数据标记该两个样本设备是否存在关联关系，进一步根据训练数据以及关联标记结果对该第一机器学习模型进行训练，从而不断优化第一机器学习模型的参数，提升第一机器学习模型的预测结果的准确性。

其中，第一机器学习模型可以为：支持向量机、决策树、神经网络、随机森林、XGBoost或者梯度提升树，或者上述多种模型的融合，本发明对此不作限定。

步骤S205，根据相似设备的标签信息，得到待预测设备的第二标签信息。

具体地，可以将待预测设备的相似设备的所有标签信息作为待预测设备的第二标签信息，也可以仅将相似设备的与待预测设备不同的标签信息作为待预测设备的第二标签信息。本发明对此不作限定。

需要说明的是，本发明上述根据待预测设备的自有特征信息确定各个维度的第一标签信息的过程，以及根据设备之间的关联特征信息确定待预测设备的第二标签信息的过程之间的顺序并不作限定。

步骤S206，根据待预测设备的各个维度的第一标签信息以及第二标签信息，生成待预测设备的设备画像。

综合待预测设备的各个维度的第一标签信息以及第二标签信息，生成待预测设备的设备画像，也即，生成使用该待预测设备的用户的用户画像。

根据上述内容可以确定两种根据待预测设备的特征信息确定设备的画像的方式，具体如下：

方式一，从多个维度对待预测设备的自有特征信息进行分析，根据多个维度的自有特征分析结果确定第一标签信息，根据第一标签信息生成设备画像。

方式二，对待预测设备的关联特征信息进行分析，根据关联特征分析结果确定第二标签信息，根据第二标签信息生成设备画像。

实际应用中，可分别根据上述方式一或者方式二来生成待预测设备的设备画像，还可结合上述方式一以及方式二来生成待预测设备的设备画像，本发明对此不作限定。

综上可知，本实施例的方法通过以下三方面处理，第一：充分利用待预测设备本身所具有的海量特征信息，通过从多个维度对特征信息进行分析，从而对待预测设备进行多个维度的描绘；第二：结合机器学习模型与大数据来分析待预测设备是否存在可疑行为；第三：结合机器学习模型与大数据来分析设备之间是否具有关联关系，根据相似设备的标签信息来对待预测设备的标签信息进行补充，使得生成的设备画像更加全面，更加精准。

图3示出了根据本发明又一个实施例的设备画像生成装置的功能模块图，如图3所示，该装置包括：

特征提取模块31，适于提取待预测设备的特征信息；

分析模块32，适于从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；

标签信息确定模块33，适于根据各个维度的特征分析结果，得到待预测设备的各个维度的标签信息；

设备画像生成模块34，适于根据待预测设备的各个维度的标签信息，生成待预测设备的设备画像。

可选地，待预测设备的特征信息包括：待预测设备的自有特征信息；

则分析模块32进一步适于：

从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果；

标签信息确定模块33进一步适于：根据所述各个维度的自有特征分析结果，得到所述待预测设备的各个维度的第一标签信息。

可选地，待预测设备的特征信息还包括：设备之间的关联特征信息；

分析模块32进一步适于：根据设备之间的关联特征信息，通过第一机器学习模型查找待预测设备的相似设备；

标签信息确定模块33进一步适于：根据相似设备的标签信息，得到待预测设备的第二标签信息；

则设备画像生成模块34进一步适于：根据待预测设备的各个维度的第一标签信息以及第二标签信息，生成待预测设备的设备画像。

可选地，多个维度具体包括：

设备地理位置维度、应用安装情况维度、设备行为维度、和/或设备安全维度；

则分析模块32进一步适于：

对待预测设备使用的IP地址的信息、待预测设备连接的无线网的信息以及待预测设备连接的基站的信息进行分析，得到地理位置维度的自有特征分析结果；

和/或，对待预测设备安装的应用进行分析，得到应用安装情况维度的自有特征分析结果；

和/或，对待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果；

和/或，通过第二机器学习模型对待预测设备是否安装不符合预设安全条件的应用的信息、待预测设备的开机时间信息、待预测设备是否越狱的信息、和/或待预测设备是否安装模拟器的信息进行分析，得到设备行为维度的自有特征分析结果。

可选地，分析模块32进一步适于：

分别对待预测设备的IMEI信息、MAC地址信息、SIM卡的状态信息、电量信息、剩余磁盘空间信息、总磁盘空间信息、分辨率信息、和/或品牌与型号是否相匹配的信息进行分析，得到待预测设备的硬件参数是否被伪造的自有特征分析结果。

可选地，设备之间的关联特征信息包括以下信息的一种或多种：

设备使用的IP地址是否相同的信息、设备连接的无线网络是否相同的信息、设备连接的基站是否相同的信息、设备安装的应用是否符合预设应用相似条件的信息、设备的行为数据是否符合预设行为数据相似条件的信息、设备之间软件参数的对比结果以及设备之间硬件参数的对比结果。

可选地，装置进一步包括：

模型训练模块35，适于根据每个样本设备的设备行为维度的自有特征信息标记该样本设备的行为是否可疑，得到设备行为标记结果；

根据该样本设备的设备行为维度的自有特征信息以及设备行为标记结果对第二机器学习模型进行训练。

可选地，模型训练模块35进一步适于：

根据每两个样本设备之间的关联特征信息标记该两个样本设备之间是否存在关联，得到关联设备标记结果；

根据该两个样本设备之间的关联特征信息以及关联设备标记结果对第一机器学习模型进行训练。

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的设备画像的生成方法。

图4示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。

其中：

处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。

通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器402，用于执行程序410，具体可以执行上述设备画像的生成方法实施例中的相关步骤。

具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。

处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序410具体可以用于使得处理器402执行上述任意方法实施例中的设备画像的生成方法。程序410中各步骤的具体实现可以参见上述设备画像的生成方法实施例中的相应步骤和单元中对应的描述，在此不赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

本发明公开了：A1.一种设备画像的生成方法，其特征在于，所述方法包括：

提取待预测设备的特征信息；

从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；

根据各个维度的特征分析结果，得到所述待预测设备的各个维度的标签信息；

根据所述待预测设备的各个维度的标签信息，生成待预测设备的设备画像。

A2.根据A1所述的方法，其特征在于，所述待预测设备的特征信息包括：待预测设备的自有特征信息；

所述从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果进一步包括：

从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果；

所述根据各个维度的特征分析结果，得到所述待预测设备的各个维度的标签信息进一步包括：

根据所述各个维度的自有特征分析结果，得到所述待预测设备的各个维度的第一标签信息。

A3.根据A2所述的方法，其特征在于，所述待预测设备的特征信息还包括：设备之间的关联特征信息；

所述从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果，根据各个维度的特征分析结果，得到所述待预测设备的各个维度的标签信息进一步包括：

根据设备之间的关联特征信息，通过第一机器学习模型查找所述待预测设备的相似设备；

根据所述相似设备的标签信息，得到所述待预测设备的第二标签信息；

所述根据所述待预测设备的各个维度的标签信息，生成待预测设备的设备画像具体为：根据所述待预测设备的各个维度的第一标签信息以及所述第二标签信息，生成待预测设备的设备画像。

A4.根据A2所述的方法，其特征在于，所述多个维度具体包括：

设备地理位置维度、应用安装情况维度、设备行为维度、和/或设备安全维度；

则所述从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果具体包括：

对所述待预测设备使用的IP地址的信息、所述待预测设备连接的无线网的信息以及所述待预测设备连接的基站的信息进行分析，得到地理位置维度的自有特征分析结果；

和/或，对所述待预测设备安装的应用进行分析，得到应用安装情况维度的自有特征分析结果；

和/或，对所述待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果；

和/或，通过第二机器学习模型对所述待预测设备是否安装不符合预设安全条件的应用的信息、所述待预测设备的开机时间信息、所述待预测设备是否越狱的信息、和/或所述待预测设备是否安装模拟器的信息进行分析，得到设备行为维度的自有特征分析结果。

A5.根据A4所述的方法，其特征在于，对所述待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果进一步包括：

分别对所述待预测设备的IMEI信息、MAC地址信息、SIM卡的状态信息、电量信息、剩余磁盘空间信息、总磁盘空间信息、分辨率信息、和/或品牌与型号是否相匹配的信息进行分析，得到所述待预测设备的硬件参数是否被伪造的自有特征分析结果。

A6.根据A3所述的方法，其特征在于，所述设备之间的关联特征信息包括以下信息的一种或多种：

设备使用的IP地址是否相同的信息、设备连接的无线网络是否相同的信息、设备连接的基站是否相同的信息、设备安装的应用是否符合预设应用相似条件的信息、设备的行为数据是否符合预设行为数据相似条件的信息、设备之间软件参数的对比结果以及设备之间硬件参数的对比结果。

A7.根据A4所述的方法，其特征在于，所述方法进一步包括：

根据每个样本设备的设备行为维度的自有特征信息标记该样本设备的行为是否可疑，得到设备行为标记结果；

根据该样本设备的设备行为维度的自有特征信息以及所述设备行为标记结果对所述第二机器学习模型进行训练。

A8.根据A3所述的方法，其特征在于，所述方法进一步包括：

根据每两个样本设备之间的关联特征信息标记该两个样本设备之间是否存在关联，得到关联设备标记结果；

根据该两个样本设备之间的关联特征信息以及所述关联设备标记结果对所述第一机器学习模型进行训练。

B9.一种设备画像的生成装置，其特征在于，所述装置包括：

特征提取模块，适于提取待预测设备的特征信息；

分析模块，适于从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；

标签信息确定模块，适于根据各个维度的特征分析结果，得到所述待预测设备的各个维度的标签信息；

设备画像生成模块，适于根据所述待预测设备的各个维度的标签信息，生成待预测设备的设备画像。

B10.根据B9所述的装置，其特征在于，所述待预测设备的特征信息包括：待预测设备的自有特征信息；

则所述分析模块进一步适于：

从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果；

所述标签信息确定模块进一步适于：根据所述各个维度的自有特征分析结果，得到所述待预测设备的各个维度的第一标签信息。

B11.根据B10所述的装置，其特征在于，所述待预测设备的特征信息还包括：设备之间的关联特征信息；

所述分析模块进一步适于：

根据设备之间的关联特征信息，通过第一机器学习模型查找所述待预测设备的相似设备；

所述标签信息确定模块进一步适于：根据所述相似设备的标签信息，得到所述待预测设备的第二标签信息；

则所述设备画像生成模块进一步适于：根据所述待预测设备的各个维度的第一标签信息以及所述第二标签信息，生成待预测设备的设备画像。

B12.根据B10所述的装置，其特征在于，所述多个维度具体包括：

设备地理位置维度、应用安装情况维度、设备行为维度、和/或设备安全维度；

则所述分析模块进一步适于：

对所述待预测设备使用的IP地址的信息、所述待预测设备连接的无线网的信息以及所述待预测设备连接的基站的信息进行分析，得到地理位置维度的自有特征分析结果；

和/或，对所述待预测设备安装的应用进行分析，得到应用安装情况维度的自有特征分析结果；

和/或，对所述待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果；

和/或，通过第二机器学习模型对所述待预测设备是否安装不符合预设安全条件的应用的信息、所述待预测设备的开机时间信息、所述待预测设备是否越狱的信息、和/或所述待预测设备是否安装模拟器的信息进行分析，得到设备行为维度的自有特征分析结果。

B13.根据B12所述的装置，其特征在于，所述分析模块进一步适于：

分别对所述待预测设备的IMEI信息、MAC地址信息、SIM卡的状态信息、电量信息、剩余磁盘空间信息、总磁盘空间信息、分辨率信息、和/或品牌与型号是否相匹配的信息进行分析，得到所述待预测设备的硬件参数是否被伪造的自有特征分析结果。

B14.根据B11所述的装置，其特征在于，所述设备之间的关联特征信息包括以下信息的一种或多种：

设备使用的IP地址是否相同的信息、设备连接的无线网络是否相同的信息、设备连接的基站是否相同的信息、设备安装的应用是否符合预设应用相似条件的信息、设备的行为数据是否符合预设行为数据相似条件的信息、设备之间软件参数的对比结果以及设备之间硬件参数的对比结果。

B15.根据B12所述的装置，其特征在于，所述装置进一步包括：

模型训练模块，适于根据每个样本设备的设备行为维度的自有特征信息标记该样本设备的行为是否可疑，得到设备行为标记结果；

根据该样本设备的设备行为维度的自有特征信息以及所述设备行为标记结果对所述第二机器学习模型进行训练。

B16.根据B11所述的装置，其特征在于，所述模型训练模块进一步适于：

根据每两个样本设备之间的关联特征信息标记该两个样本设备之间是否存在关联，得到关联设备标记结果；

根据该两个样本设备之间的关联特征信息以及所述关联设备标记结果对所述第一机器学习模型进行训练。

C17.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如A1-A8任一项所述的设备画像的生成方法对应的操作。

D18.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如A1-A8任一项所述的设备画像的生成方法对应的操作。

Claims (10)

1.一种设备画像的生成方法，其特征在于，所述方法包括：

提取待预测设备的特征信息；

从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；

根据各个维度的特征分析结果，得到所述待预测设备的各个维度的标签信息；

根据所述待预测设备的各个维度的标签信息，生成待预测设备的设备画像。

2.根据权利要求1所述的方法，其特征在于，所述待预测设备的特征信息包括：待预测设备的自有特征信息；

所述从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果进一步包括：

从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果；

所述根据各个维度的特征分析结果，得到所述待预测设备的各个维度的标签信息进一步包括：

根据所述各个维度的自有特征分析结果，得到所述待预测设备的各个维度的第一标签信息。

3.根据权利要求2所述的方法，其特征在于，所述待预测设备的特征信息还包括：设备之间的关联特征信息；

所述从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果，根据各个维度的特征分析结果，得到所述待预测设备的各个维度的标签信息进一步包括：

根据设备之间的关联特征信息，通过第一机器学习模型查找所述待预测设备的相似设备；

根据所述相似设备的标签信息，得到所述待预测设备的第二标签信息；

所述根据所述待预测设备的各个维度的标签信息，生成待预测设备的设备画像具体为：根据所述待预测设备的各个维度的第一标签信息以及所述第二标签信息，生成待预测设备的设备画像。

4.根据权利要求2所述的方法，其特征在于，所述多个维度具体包括：

设备地理位置维度、应用安装情况维度、设备行为维度、和/或设备安全维度；

则所述从多个维度分别对待预测设备的自有特征信息进行分析，得到各个维度的自有特征分析结果具体包括：

对所述待预测设备使用的IP地址的信息、所述待预测设备连接的无线网的信息以及所述待预测设备连接的基站的信息进行分析，得到地理位置维度的自有特征分析结果；

和/或，对所述待预测设备安装的应用进行分析，得到应用安装情况维度的自有特征分析结果；

和/或，对所述待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果；

和/或，通过第二机器学习模型对所述待预测设备是否安装不符合预设安全条件的应用的信息、所述待预测设备的开机时间信息、所述待预测设备是否越狱的信息、和/或所述待预测设备是否安装模拟器的信息进行分析，得到设备行为维度的自有特征分析结果。

5.根据权利要求4所述的方法，其特征在于，对所述待预测设备的硬件参数信息进行分析，得到安全维度的自有特征分析结果进一步包括：

分别对所述待预测设备的IMEI信息、MAC地址信息、SIM卡的状态信息、电量信息、剩余磁盘空间信息、总磁盘空间信息、分辨率信息、和/或品牌与型号是否相匹配的信息进行分析，得到所述待预测设备的硬件参数是否被伪造的自有特征分析结果。

6.根据权利要求3所述的方法，其特征在于，所述设备之间的关联特征信息包括以下信息的一种或多种：

设备使用的IP地址是否相同的信息、设备连接的无线网络是否相同的信息、设备连接的基站是否相同的信息、设备安装的应用是否符合预设应用相似条件的信息、设备的行为数据是否符合预设行为数据相似条件的信息、设备之间软件参数的对比结果以及设备之间硬件参数的对比结果。

7.根据权利要求4所述的方法，其特征在于，所述方法进一步包括：

根据每个样本设备的设备行为维度的自有特征信息标记该样本设备的行为是否可疑，得到设备行为标记结果；

根据该样本设备的设备行为维度的自有特征信息以及所述设备行为标记结果对所述第二机器学习模型进行训练。

8.一种设备画像的生成装置，其特征在于，所述装置包括：

特征提取模块，适于提取待预测设备的特征信息；

分析模块，适于从多个维度分别对待预测设备的特征信息进行分析，得到各个维度的特征分析结果；

标签信息确定模块，适于根据各个维度的特征分析结果，得到所述待预测设备的各个维度的标签信息；

设备画像生成模块，适于根据所述待预测设备的各个维度的标签信息，生成待预测设备的设备画像。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任一项所述的设备画像的生成方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7任一项所述的设备画像的生成方法对应的操作。