CN114398521A - 设备类型确定方法和获取异常设备的数据处理*** - Google Patents

Abstract

本发明提出了一种设备类型确定方法和获取异常设备的数据处理***，其中，该方法包括：基于待测设备的第一特征信息，以及预定的第二特征信息，获取关联度；基于关联度和预定关联度阈值，向所述待测设备发送设备类型检测信息，以供所述待测设备基于所述设备类型检测信息生成实时反馈信息；若所述实时反馈信息与所述目标设备类型对应的预定反馈信息相匹配，确定所述待测设备的设备类型为所述目标设备类型，同时通过用户画信息和APP信息，获取到设备异常度，将用户和设备紧密结合，获取到准确的设备异常度，通过设备的异常性确定出用户的异常性，进而增加了对待测设备用户之分辨信息真实性能力的判定的准确性，有效提升了待测设备的安全性。

Description

设备类型确定方法和获取异常设备的数据处理***

【技术领域】

本发明涉及信息处理技术领域，尤其涉及一种设备类型确定方法和获取异常设备的数据处理***。

【背景技术】

随着科学技术的发展，人们所接触的信息量呈***式增长，在特定条件下，人们很难分辨一些信息真实可靠。对此，相关技术中提出可通过设备的用户画像确定设备之用户是否具有分辨信息真实性的能力，以用户年龄段为例，可认定年龄50岁以下的用户具有分辨信息真实性的能力。

然而，这种划分方式过于简单粗暴，其所得结果的可靠性很低，容易发生误判，以至为设备用户带来负面影响。

因此，如何准确判断设备用户是否具有分辨信息真实性的能力，成为目前亟待解决的技术问题。

【发明内容】

本发明实施例提供了一种设备类型确定方法和获取异常设备的数据处理***，旨在解决相关技术中判断设备用户是否具有分辨信息真实性的能力之方式可靠性过于低下的技术问题。

第一方面，本发明实施例提供了一种设备类型确定方法，包括：基于待测设备的第一特征信息，以及预定的第二特征信息，确定所述待测设备与目标设备类型的关联度，其中，所述第一特征信息用于表征所述待测设备之用户在多个特征维度上的特征分布情况，所述第二特征信息用于表征所述目标设备类型下的目标设备之用户在所述多个特征维度上的特征分布情况；在所述关联度大于或等于预定关联度阈值时，向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息，以供所述待测设备基于所述设备类型检测信息生成实时反馈信息；获取所述实时反馈信息；若所述实时反馈信息与所述目标设备类型对应的预定反馈信息相匹配，确定所述待测设备的设备类型为所述目标设备类型。

第二方面，本发明实施例提供了一种基于设备类型确定方法的获取异常设备的数据处理***，所述***包括：初始设备ID列表、处理器和存储有计算机程序的存储器，当所述计算机程序被处理器执行时，实现以下步骤：

S100、从初始设备列表中获取关键设备列表A＝{A₁，A₂，……，A_m}，其中，A_i是指第i个关键设备ID，i＝1……m，m为关键设备数量；

S200、根据A_i对应的所述第一特征信息，获取A_i对应的指定特征列表B_i＝{B_i1，B_i2，……，B_in}，其中，B_ij是指A_i对应的第j个指定特征值，j＝1……n，n为特征值数量；

S300、根据B_i，获取A_i对应的设备异常度F_i，其中，F_i符合如下条件：

F_i＝W₁×K_i1+W₂×K_i2+W₃×K_i3。

S400、根据F_i，获取F_i对应的关键设备的优先级T_x，其中，T_x是指[H_x-1，H_x)对应的设备优先级。

以上技术方案，增加对待测设备用户之分辨信息真实性能力的判定的准确性，有效提升了待测设备的安全性；

同时，通过用户画信息和APP信息，获取到设备异常度，将用户和设备紧密结合，获取到准确的设备异常度，通过设备的异常性确定出用户的异常性。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1示出了根据本发明的一个实施例的设备类型确定方法的流程图。

图2示出了根据本发明的一个实施例的获取异常设备的数据处理***的执行程序的流程图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

实施例一

图1示出了根据本发明的一个实施例的设备类型确定方法的流程图。

如图1所示，根据本发明的一个实施例的设备类型确定方法的流程包括：

步骤102，基于待测设备的第一特征信息，以及预定的第二特征信息，确定所述待测设备与目标设备类型的关联度。

待测设备指的是待判别是否具有分辨信息真实性能力的用户所使用的设备，所述第一特征信息用于表征所述待测设备之用户在多个特征维度上的特征分布情况，所述第二特征信息用于表征所述目标设备类型下的目标设备之用户在所述多个特征维度上的特征分布情况。

所述待测设备之用户在多个特征维度上的特征分布情况与所述目标设备类型下的目标设备之用户在所述多个特征维度上的特征分布情况，这两者间的差异即待测设备之用户与目标设备类型下的目标设备之用户的差异，该差异越小，待测设备之用户与目标设备类型下的目标设备之用户的行为模式相似度越高，待测设备属于目标设备类型的可能性也就越大。因此，基于待测设备的第一特征信息，以及预定的第二特征信息，可确定所述待测设备与目标设备类型的关联度，该关联度反映了待测设备属于目标设备类型的可能性。

其中，多个特征维度包括但不限于设备用户身份信息、设备用户账户登录态信息、设备用户发布信息和设备用户行为分布信息中的一项或多项。

设备用户身份信息包括但不限于设备用户的性别、年龄、职业、学历、个人爱好等设备用户公开的资料信息。设备用户账户登录态信息包括用户登录时依赖的硬件设备的硬件/操作***层面的信息以及登录时账户的基础信息，其中，硬件/操作***层面的信息包括但不限于电子设备型号、***版本号等，账户的基础信息包括但不限于用户代理、IP地址等。设备用户发布信息为设备用户发布的内容，包括但不限于文字、图像、音频、视频等任何类型的多媒体信息，比如，社交账号发布的头像、昵称或短视频。设备用户行为分布信息包括设备用户与设备和/设备内APP的多种交互行为以及每种交互行为出现的时间和次数，这反映了设备用户的行为模式和行为规律等。

多特征维度的特征信息可更加全面地反映该设备的实际情况，有助于在后续依据设备的特征信息确定设备用户是否具有分辨信息真实性能力时具有更高的可靠性。

步骤104，在所述关联度大于或等于预定关联度阈值时，向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息，以供所述待测设备基于所述设备类型检测信息生成实时反馈信息。

预定关联度阈值为待测设备具有属于目标设备类型的可能性时所需的、与目标设备类型的最低的关联度，因此，检测所述关联度是否大于或等于预定关联度阈值可作为首次检测，在检测到在所述关联度大于或等于预定关联度阈值时，认定待测设备具有属于目标设备类型的可能性，进而进入向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息这一再次检测的步骤。

响应于所述关联度大于或等于预定关联度阈值，启动再次检测，具体地，向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息。在本发明用于判别设备用户是否具有分辨信息真实性能力这一实际场景时，所述的设备类型可包括设备用户可分辨信息真实性对应的安全类和设备用户无法分辨信息真实性对应的非安全类。当然，本发明可使用的场景包括但不限于上述示例，还可以是符合实际需要的、以任何条件来划分设备类型的任何实际场景。

其中，设备类型检测信息是用于检测待测设备的设备类型是否为目标设备类型的，设备类型检测信息包括但不限于承载于网络通信的任何语音信息、文本信息、视频信息、音频信息、图像信息等，在向待测设备提供设备类型检测信息的同时，待测设备本身具有采集针对设备类型检测信息的实时反馈信息的信息采集功能。

实时反馈信息是待测设备的用户基于设备类型检测信息与待测设备进行交互所产生信息。比如，在设备类型检测信息为语音通话中的语音信息时，相应的实时反馈信息为待测设备采集的、待测设备用户基于该语音信息做出回应所产生的信息，该回应包括但不限于语音信息、在待测设备上进行任意手动操作产生的信息。再比如，在设备类型检测信息为电子邮件中的文本信息时，相应的实时反馈信息为待测设备采集的、待测设备用户基于该文本信息做出回应所产生的信息，该回应包括但不限于对该文本信息的编辑信息、对该邮件的回复信息等。当然，实时反馈信息包括但不限于上述实例，还可以是待测设备所采集或产生的任何其他信息。

步骤106，获取所述实时反馈信息。

步骤108，若所述实时反馈信息与所述目标设备类型对应的预定反馈信息相匹配，确定所述待测设备的设备类型为所述目标设备类型。

接着，获取待测设备提供的实时反馈信息。目标设备类型对应的预定反馈信息为目标设备类型下的目标设备针对与所述目标设备类型相关联的设备类型检测信息所生成的反馈信息，若待测设备生成的实时反馈信息与预定反馈信息相匹配，说明待测设备与目标设备相近或相同，故可认定待测设备属于目标设备类型下。

在本发明用于判别设备用户是否具有分辨信息真实性能力这一实际场景时，可设置目标设备类型为设备用户无法分辨信息真实性对应的非安全类，设置与所述目标设备类型相关联的设备类型检测信息为通过语音通话发送的第一语音信息，第一语音信息可为真实性为0的伪信息。相应地，待测设备的实时反馈信息为待测设备用户针对该第一语音信息所回复的第二语音信息，第二语音信息反映了待测设备用户对于第一语音信息的实时反映，用于作为判断待测设备用户是否识别出第一语音信息为伪信息的依据。

以上技术方案，通过对待测设备与目标设备类型的关联度和待测设备针针对与目标设备类型相关联的设备类型检测信息的实时反馈信息进行双重检测，从而自动、准确识别待测设备是否属于目标设备类型，在判别待测设备用户是否具有分辨信息真实性能力等实际场景中，既能够增加对待测设备用户之分辨信息真实性能力的判定的准确性，有效提升了待测设备的安全性，也使对大量待测设备并行自动检测成为可能，提升了对待测设备用户之分辨信息真实性能力判定的效率，节省了时间成本和人力成本。

实施例二

在实施例一的基础上，本发明的另一个实施例的设备类型确定方法的流程包括：

步骤202，基于待测设备之用户在多个特征维度中每个维度下的特征值，以及目标设备类型下的目标设备之用户在所述多个特征维度中每个维度下的特征值或特征值范围，确定所述待测设备与所述目标设备类型的关联度。

步骤204，在所述关联度大于或等于预定关联度阈值时，向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息，以供所述待测设备基于所述设备类型检测信息生成实时反馈信息。

步骤206，获取所述实时反馈信息。

步骤208，若所述实时反馈信息与所述目标设备类型对应的预定反馈信息相匹配，确定所述待测设备的设备类型为所述目标设备类型。

此时，第一特征信息为待测设备之用户在多个特征维度中每个维度下的特征值，第二特征信息为目标设备类型下的目标设备之用户在所述多个特征维度中每个维度下的特征值或特征值范围。

待测设备之用户在多个特征维度中每个维度下的特征值反映了待测设备之用户在每个特征维度上的特征水平，目标设备类型下的目标设备之用户在所述多个特征维度中每个维度下的特征值或特征值范围反映了目标设备类型下的目标设备之用户在每个特征维度上的特征水平，以特征值/特征值范围的方式进行体现，可便捷地计算待测设备与目标设备类型的关联度。

在计算待测设备与目标设备类型的关联度时，首先，需确定第一参数。

在一种可能的实现方式中，确定第一参数的方式包括：在所述多个特征维度中的每个特征维度下，基于所述目标设备类型下的目标设备之用户的特征值与所述待测设备之用户的特征值，确定所述特征维度对应的第一参数。

其中，可将目标设备类型下目标设备之用户的特征值与所述待测设备之用户的特征值的比值确定为特征维度对应的第一参数，该比值越接近1，待测设备之用户与目标设备类型下目标设备之用户的行为模式越接近。

在另一种可能的实现方式中，确定第一参数的方式包括：在所述多个特征维度中的每个特征维度下，基于所述目标设备类型下的目标设备之用户的特征值范围的上限值、下限值或中位值，以及所述待测设备之用户的特征值，确定所述特征维度对应的第一参数。

由于目标设备类型下所具有的目标设备多种多样，大量目标设备在任一特征维度下的特征值不可能完全相同，因此，为准确、可靠地表明目标设备类型下的用户的特征水平，可基于目标设备类型下所具有的大量目标设备之用户各自的特征值确定目标设备类型对应的特征值范围。在一特征维度下，待测设备之用户的特征值与目标设备类型下的目标设备之用户的特征值范围的上限值、下限值或中位值的比值越接近1，待测设备之用户与目标设备类型下目标设备之用户的行为模式越接近。

当然，确定第一参数的方式不限于上述求解比值的方式，还可使用任何计算方式对与目标设备类型下的目标设备之用户和待测设备之用户相关的特征值数据进行处理，从而将处理结果确定为第一参数。

接下来，基于该第一参数确定待测设备与目标设备类型的关联度。

在一种可能的实现方式中，可将所述多个特征维度各自对应的第一参数之均值确定为所述待测设备与所述目标设备类型的关联度。

一个特征维度对应的第一参数反映了该特征维度下待测设备之用户与目标设备类型下的目标设备之用户的行为模式相似程度，那么，多个特征维度各自对应的第一参数之最小值反映了待测设备之用户与目标设备类型下的目标设备之用户在多个特征维度的综合作用下行为模式的相似程度，该相似程度越高，待测设备属于目标设备类型的可能性越大。由此，该相似程度反映了待测设备与目标设备类型在多个特征维度综合作用下的关联度。

待测设备之用户因自身行为习惯的不可预测性，可能在某些特征维度下与全部的设备类型下的用户均不具备共性，那么，这样的特征维度对于检测待测设备是否属于目标设备类型不具有参考意义，甚至会对检测待测设备是否属于目标设备类型的结果产生干扰。为避免这样的特征维度带来的负面影响，可设置指定参数阈值，指定参数阈值用于反映待测设备之用户至少与一种设备类型下的设备用户具备共性时在各特征维度下对应的特征值与该种设备类型下的设备用户之特征值的最低比值。

也就是说，待测设备在一个特征维度的第一参数只有在大于或等于指定参数阈值时，才能够作为检测待测设备是否属于目标设备类型的依据。因此，在另一种可能的实现方式中，可在所述多个特征维度各自对应的第一参数中，确定大于或等于指定参数阈值的若干个目标第一参数。接下来，基于指定容错系数和所述若干个目标第一参数的方差，确定所述待测设备与所述目标设备类型的关联度。

比如，可以将若干个目标第一参数的方差与指定容错系数的差设置为待测设备与目标设备类型的关联度，或者，可以将若干个目标第一参数的方差与指定容错系数的乘积设置为待测设备与目标设备类型的关联度。

其中，该方差示出了若干个目标第一参数的数据分布情况，也就反映了待测设备之用户在多个特征维度上与目标设备类型下目标设备之用户的相似水平。而指定容错系数用于反映待测设备与目标设备类型的实际关联度与该方差的偏离水平，通过指定容错系数对该方差进行处理，其处理结果与实际关联度的差异相对于该方差与实际关联度的差异大大减小，从而获得了更为准确可靠的待测设备与目标设备类型的关联度。

以上技术方案，通过以多个特征维度下的特征值作为待测设备之用户的具象数据，可高效、准确地计算真实反映待测设备属于目标设备类型的可能性的关联度，在判别待测设备用户是否具有分辨信息真实性能力等实际场景中，能够增加对待测设备用户之分辨信息真实性能力的判定的准确性。

实施例三

在实施例一的基础上，本发明的再一个实施例的设备类型确定方法的流程包括：

步骤302，基于所述待测设备之用户在所述多个特征维度各自对应的特征向量，确定第一矩阵，并基于所述目标设备类型下的目标设备之用户在所述多个特征维度各自对应的特征向量，确定第二矩阵。

步骤304，基于所述第一矩阵和所述第二矩阵，确定所述待测设备与所述目标设备类型的关联度。

此时，第一特征信息为待测设备之用户在所述多个特征维度各自对应的特征向量，第二特征信息为目标设备类型下的目标设备之用户在所述多个特征维度各自对应的特征向量。

在本技术方案中，待测设备之用户在每个特征维度的特征向量反映了待测设备之用户在每个特征维度的特征水平，这些向量组成的第一矩阵反映了待测设备之用户在多个特征维度综合作用下的特征水平。同理，第二矩阵反映了目标设备类型下的目标设备之用户在多个特征维度综合作用下的特征水平。

在一种可能的设计中，可将第一矩阵和第二矩阵的乘积确定所述待测设备与所述目标设备类型的关联度。

在另一种可能的设计中，可确定第一矩阵的协方差矩阵与第二矩阵的协方差矩阵相减所得的差值矩阵，再将所述差值矩阵的秩确定为所述待测设备与所述目标设备类型的关联度。

以上技术方案，通过以多个特征维度的特征向量组成的矩阵作为待测设备之用户的具象数据，可高效、准确地计算真实反映待测设备属于目标设备类型的可能性的关联度，在判别待测设备用户是否具有分辨信息真实性能力等实际场景中，能够增加对待测设备用户之分辨信息真实性能力的判定的准确性。

步骤306，在所述关联度大于或等于预定关联度阈值时，向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息，以供所述待测设备基于所述设备类型检测信息生成实时反馈信息。

步骤308，获取所述实时反馈信息。

步骤310，若所述实时反馈信息与所述目标设备类型对应的预定反馈信息相匹配，确定所述待测设备的设备类型为所述目标设备类型。

在实施例一与实施例三的基础上，还包括：预设第二特征信息，具体地，基于第一设备集合、第二设备集合和特征提取模型，确定所述第二特征信息。

其中，所述第一样本集合包括设备类型为所述目标设备类型的多个所述目标设备，属于目标设备类型下的目标设备组成的正输入样本。所述第二设备集合包括在预定设备集合中随机选择的、设备类型未知的多个样本设备，这些样本设备并不具有目标设备类型下的目标设备所具有的共性，属于负输入样本。

进一步地，用于表征所述第一样本集合与所述第二样本集合的差异情况的所述特征提取模型，以所述第一样本集合为正输入样本，以所述第二样本集合为负输入样本，并输出第二特征信息，第二特征信息反映了所述目标设备类型下的目标设备之用户在所述多个特征维度上的特征分布情况。由此可知，特征提取模型通过自身所表征的正输入样本与负输入样本的差异，在对正输入样本与负输入样本进行学习后，输出真实、全面反映了正输入样本的共性的第二特征信息。

在实施例一与实施例三的基础上，与所述目标设备类型相关联的所述设备类型检测信息包括多个子信息，其中，每个所述子信息设置有反馈信息关联标识。则所述向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息，以及所述获取所述实时反馈信息，包括：向所述待测设备发送所述多个子信息中的第一子信息；获得所述待测设备针对所述第一子信息的实时反馈信息，且若所述多个子信息中，具有所述反馈信息关联标识与针对所述第一子信息的实时反馈信息相匹配的第二子信息，向所述待测设备发送所述第二子信息。

也就是说，可在与所述目标设备类型相关联的所述设备类型检测信息中设置多个具有反馈信息关联标识的子信息，并在每次向待测设备发送设备类型检测信息时仅发送一个子信息。具体地，首次发送子信息时，可随机选择一个子信息进行发送，也可结合实际场景在多个子信息中选择符合实际设备分类需求的一个子信息进行发送，还可预设用于首次发送的预定子信息，首次发送子信息时，将该预定子信息发送至待测设备。

相应地，待测设备每接收到一个子信息，即通过待测设备用户操作等方式产生与该子信息对应的实时反馈信息，并广播该实时反馈信息，以供检测待测设备是否属于目标设备类型的***接收到该实时反馈信息。接下来，基于该实时反馈信息确定下一个要发送至待测设备的子信息。具体地，可在多个子信息中查找其反馈信息关联标识与实时反馈信息相匹配的子信息，将该相匹配的子信息作为下一个要发送至待测设备的子信息，发送至待测设备。

循环上述发送子信息和获得相应的实时反馈信息的步骤，至所述多个子信息的所述反馈信息关联标识均与当次所得的实时反馈信息不匹配为止。

由此，可结合待测设备提供的多次实时反馈信息，多次选择对应的子信息作为检测待测设备所属设备类型的信息，而待测设备提供的多次实时反馈信息反映了待测设备用户的行为模式和操作习惯等，也就是说，本技术方案在检测过程中多次、全方位地顾及了待测设备用户的行为模式和操作习惯对检测结果的影响力度，从而可获得更准确可靠的检测结果，而更准确可靠的检测结果能够更真实地反映待测设备用户之分辨信息真实性的能力，这有效提升了待测设备的安全性。

在另一个具体的实施例中提供了一种基于实施例一的设备类型确定方法的获取异常设备的数据处理***，其中，所述***除执行程序实现实施例一的设备类型确定方法，所述***包括：初始设备列表、处理器和存储有计算机程序的存储器，当所述计算机程序被处理器执行时，实现以下步骤：

S100、从初始设备列表中获取关键设备列表A＝{A₁，A₂，……，A_m}，其中，A_i是指第i个关键设备ID，i＝1……m，m为关键设备数量。

具体地，所述关键设备ID是指表征关键设备的唯一身份标识，其中，关键设备为在初始设备列表中的待测设备，可以理解为：初始设备列表包括待测设备、异常设备和非异常设备，其中，所述异常设备是指已经确定为异常用户应用的电子设备，所述非异常设备是指已经确定为非异常用户应用的电子设备。

本发明的实施例中电子设备以多种形式存在，包括但不限于:

(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、***总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子装置。

S200、根据A_i对应的所述第一特征信息，获取A_i对应的指定特征列表B_i＝{B_i1，B_i2，……，B_in}，其中，B_ij是指A_i对应的第j个指定特征值，j＝1……n，n为特征值数量；所述指定特征值可以采取本领域技术人员知晓现有技术中任一方法通过特征提取获取，在此不再赘述。

具体地，所述第一特征信息包括：APP信息和用户画像信息，其中，APP信息是指APP安装量、APP活跃度等，用户画像信息包括用户的年龄、性别、职业等。

S300、根据B_i，获取A_i对应的设备异常度F_i，其中，F_i符合如下条件：

F_i＝W₁×K_i1+W₂×K_i2+W₃×K_i3。

优选地，W₁＝W₂＝W₃＝1。

具体地，在S300步骤中，还包括如下步骤获取K_i1：

S301、获取A_i对应的目标APP列表C_i＝{C_i1，C_i2，……，C_ipi}，其中C_iq是指第q个目标APP的优先级，q＝1……pi，pi是指第A_i对应的目标设备中目标APP数量。

具体地，所述目标APP是指关键设备中安装的APP。

具体地，所述目标APP的优先级用于表征APP的异常程度，即APP的异常程度越大，说明APP的风险越大。

S303、根据C_iq，获取A_i对应的目标APP数量列表D_i＝{D_i1，D_i2，……，D_is}，其中，D_ir是指第r个预设APP优先级对应的APP数量，r＝1……s，s为预设APP优先级列表中预设APP优先级数。

具体地，在S303步骤中还包括如下步骤获取D_ir：遍历C_i且当Ciq等于预设APP优先级列表中第r个APP优先级时，将第r个预设APP优先级对应的初始APP数量D₀的基础上加1，以使得获取D_ir，其中，D₀＝0。

优先地，s＝4，可以理解为：预设APP优先级列表包括第一预设APP优先级、第二预设APP优先级、第三预设APP优先级和第四预设APP优先等级，其中，第一预设APP优先级＞第二预设APP优先级＞第三预设APP优先级＞第四预设APP优先等级。

S305、基于D_ir，获取K_i1，其中，K_i1符合如下条件：

其中，W_ir是指D_ir对应的权重值且W_ir＞W_ir+1。

进一步地，在S300步骤中，还包括如下步骤获取K_i2：

K_i2符合如下条件：

其中，Q_i是指在C_i中指定APP的数量。

优先地，所述指定APP是指用于通讯的APP。

进一步地，在S300步骤中，还包括如下步骤获取K_i3：

K_i3符合如下条件：

其中，O_i是指在B_i中指定特征的数量。

优先地，所述指定特征是指在初始设备列表的任一初始设备对应的所有特征中IV值大于等于预设IV阈值的特征，本领域技术人员知晓通过初始设备列表中异常设备和非异常设备，获取特征的IV值，在此不再赘述；能够筛选出准确的特征，避免特征较多，对获取设备异常度进行干扰，导致无法获取准确的设备异常度。

S400、根据F_i，获取F_i对应的关键设备的优先级T_x，其中，T_x是指[H_x-1，H_x)对应的设备优先级。

具体地，在S400步骤中还包括如下步骤：

S401、获取预设异常阈值列表H＝{[H₁，H₂)，[H₂，H₃)，……，[H_z-1，H_z]}，其中，[H_x-1，H_x)是指第x个预设异常阈值区间，x＝2……z，z为预设异常阈值区间数量。

优选地，z＝4，即H₁＝100、H₂＝130，H₃＝200，H₄＝300，H＝{[100，130)，[130，200)，[200，300]}。

S403、当F_i处于[H_x-1，H_x)时，确定F_i对应的关键设备的优先级T_x，其中，T_x是指[H_x-1，H_x)对应的设备优先级。

具体地，在S401步骤中还包括如下步骤获取[H_x-1，H_x)：

S4011、获取中间设备列表和中间设备列表中任一设备对应的设备异常度。

具体地，S4011中设备异常度可以参照S100-S300进行获取，在此不再赘述。

S4013、遍历中间设备列表且获取第一设备比值T₁，T₁符合如下条件：

T₁＝L₁/L₂，L₁为在中间设备列表中等于异常设备的设备数量，L₂是指为在中间设备列表中不等于异常设备的设备数量。

S4015、遍历中间设备列表且获取第二设备比值T₂，T₂符合如下条件：

T₂＝L_3x/L₁，L_3x为在中间设备列表中设备异常度处于[H_x-1，H_x)内的异常设备数量。

S4017、遍历中间设备列表且获取第三设备比值T₃，T₃符合如下条件：

T₃＝L_3x/L_4x，L_4x为在中间设备列表中设备异常度处于[H_x-1，H_x)内的所有设备数量。

S4019、当T₁满足预设的第一比例阈值且T₂满足预设的第第二比例阈值且T₃满足预设的第三比例阈值时，保存[H_x-1，H_x)不变；否则，用

替代[H_x-1，H_x)，本领域技术人员知晓可以通过任一方法获取新的预设异常阈值区间

例如，重新划分预设异常阈值区间。

具体地，S4011-S4019步骤能够通过三个维度的比值，确定出准确的异常阈值区间，有利于准确通过设备异常度确定关键设备是否为异常设备，避免对异常设备的遗漏。

本实施例提供了一种获取异常设备的数据处理***，通过用户画信息和APP信息，获取到设备异常度，将用户和设备紧密结合，获取到准确的设备异常度，通过设备的异常性确定出用户的异常性。

以上结合附图详细说明了本发明的技术方案，通过本发明的技术方案，增加对待测设备用户之分辨信息真实性能力的判定的准确性，有效提升了待测设备的安全性。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述特征信息，但这些特征信息不应限于这些术语。这些术语仅用来将特征信息彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一特征信息也可以被称为第二特征信息，类似地，第二特征信息也可以被称为第一特征信息。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种设备类型确定方法，其特征在于，包括：

基于待测设备的第一特征信息，以及预定的第二特征信息，确定所述待测设备与目标设备类型的关联度，

其中，所述第一特征信息用于表征所述待测设备之用户在多个特征维度上的特征分布情况，所述第二特征信息用于表征所述目标设备类型下的目标设备之用户在所述多个特征维度上的特征分布情况；

在所述关联度大于或等于预定关联度阈值时，向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息，以供所述待测设备基于所述设备类型检测信息生成实时反馈信息；

获取所述实时反馈信息；

若所述实时反馈信息与所述目标设备类型对应的预定反馈信息相匹配，确定所述待测设备的设备类型为所述目标设备类型。

2.根据权利要求1所述的设备类型确定方法，其特征在于，所述基于待测设备的第一特征信息，以及预定的第二特征信息，确定所述待测设备与目标设备类型的关联度，包括：

基于所述待测设备之用户在所述多个特征维度中每个维度下的特征值，以及所述目标设备类型下的目标设备之用户在所述多个特征维度中每个维度下的特征值或特征值范围，确定所述待测设备与所述目标设备类型的关联度。

3.根据权利要求2所述的设备类型确定方法，其特征在于，所述基于待测设备的第一特征信息，以及预定的第二特征信息，确定所述待测设备与目标设备类型的关联度，包括：

在所述多个特征维度中的每个特征维度下，

基于所述目标设备类型下的目标设备之用户的特征值与所述待测设备之用户的特征值，确定所述特征维度对应的第一参数，或者

基于所述目标设备类型下的目标设备之用户的特征值范围的上限值、下限值或中位值，以及所述待测设备之用户的特征值，确定所述特征维度对应的第一参数；

将所述多个特征维度各自对应的第一参数之均值确定为所述待测设备与所述目标设备类型的关联度；

或者

在所述多个特征维度各自对应的第一参数中，确定大于或等于指定参数阈值的若干个目标第一参数；

基于指定容错系数和所述若干个目标第一参数的方差，确定所述待测设备与所述目标设备类型的关联度。

4.根据权利要求1所述的设备类型确定方法，其特征在于，所述基于待测设备的第一特征信息，以及预定的第二特征信息，确定所述待测设备与目标设备类型的关联度，包括：

基于所述待测设备之用户在所述多个特征维度各自对应的特征向量，确定第一矩阵；

基于所述目标设备类型下的目标设备之用户在所述多个特征维度各自对应的特征向量，确定第二矩阵；

基于所述第一矩阵和所述第二矩阵，确定所述待测设备与所述目标设备类型的关联度。

5.根据权利要求1至4中任一项所述的设备类型确定方法，其特征在于，还包括：

基于第一设备集合、第二设备集合和特征提取模型，确定所述第二特征信息，其中，

所述第一样本集合包括设备类型为所述目标设备类型的多个所述目标设备，所述第二设备集合包括在预定设备集合中随机选择的、设备类型未知的多个样本设备，所述特征提取模型以所述第一样本集合为正输入样本，以所述第二样本集合为负输入样本，以所述第二特征信息为输出，用于表征所述第一样本集合与所述第二样本集合的差异情况。

6.根据权利要求1至4中任一项所述的设备类型确定方法，其特征在于，与所述目标设备类型相关联的所述设备类型检测信息包括多个子信息，其中，每个所述子信息设置有反馈信息关联标识；

则所述向所述待测设备发送与所述目标设备类型相关联的设备类型检测信息，以及所述获取所述实时反馈信息，包括：

向所述待测设备发送所述多个子信息中的第一子信息；

获得所述待测设备针对所述第一子信息的实时反馈信息，且若所述多个子信息中，具有所述反馈信息关联标识与针对所述第一子信息的实时反馈信息相匹配的第二子信息，向所述待测设备发送所述第二子信息；

循环上一步骤，至所述多个子信息的所述反馈信息关联标识均与当次所得的实时反馈信息不匹配为止。

7.一种基于权利要求1-6项中任意一项所述的设备类型确定方法的获取异常设备的数据处理***，所述***包括：初始设备ID列表、处理器和存储有计算机程序的存储器，当所述计算机程序被处理器执行时，实现以下步骤：

S100、从初始设备列表中获取关键设备列表A＝{A₁，A₂，……，A_m}，其中，A_i是指第i个关键设备ID，i＝1……m，m为关键设备数量；

S200、根据A_i对应的所述第一特征信息，获取A_i对应的指定特征列表B_i＝{B_i1，B_i2，……，B_in}，其中，B_ij是指A_i对应的第j个指定特征值，j＝1……n，n为特征值数量；

S300、根据B_i，获取A_i对应的设备异常度F_i，其中，F_i符合如下条件：

F_i＝W₁×K_i1+W₂×K_i2+W₃×K_i3。

S400、根据F_i，获取F_i对应的关键设备的优先级T_x，其中，T_x是指[H_x-1，H_x)对应的设备优先级。

8.根据权利要求7所述的获取异常设备的数据处理***，其特征在于，在S300步骤中，还包括如下步骤获取K_i1：

S301、获取A_i对应的目标APP列表C_i＝{C_i1，C_i2，……，C_ipi}，其中C_iq是指第q个目标APP的优先级，q＝1……pi，pi是指第A_i对应的目标设备中目标APP数量；

S303、根据C_iq，获取A_i对应的目标APP数量列表D_i＝{D_i1，D_i2，……，D_is}，其中，D_ir是指第r个预设APP优先级对应的APP数量，r＝1……s，s为预设APP优先级列表中预设APP优先级数；

S305、基于D_ir，获取K_i1，其中，K_i1符合如下条件：

其中，W_ir是指D_ir对应的权重值且W_ir＞W_ir+1。

9.根据权利要求8所述的获取异常设备的数据处理***，其特征在于，在S300步骤中，还包括如下步骤获取K_i2：

K_i2符合如下条件：

其中，Q_i是指在C_i中指定APP的数量。

10.根据权利要求9所述的获取异常设备的数据处理***，其特征在于，在S300步骤中，还包括如下步骤获取K_i3：

K_i3符合如下条件：

其中，O_i是指在B_i中指定特征的数量。

Images