一種業務同設備識別方法、裝置、計算設備及存儲介質制造方法及圖紙

本發明專利技術提供了一種業務同設備識別方法、裝置、計算設備及存儲介質，其中，該方法包括：獲取作弊樣本數據和非作弊樣本數據，利用作弊樣本數據和非作弊樣本數據進行機器學習，建立評價模型；獲取兩個業務信息，根據評價模型，確定兩個業務信息是否來源于同一設備。本發明專利技術根據樣本數據建立了評價模型，通過該評價模型在線判斷兩個業務信息是否來源于同一個設備，避免依賴事后人工反查，提高了識別的準確性及效率。同時該評價模型可周期性進行更新，對偽裝設備的防御更加全面，惡意份子很難繞開評價模型的識別。

Service and device identification method, device, computing device and storage medium

The invention provides a service with equipment identification method and device, computing device and storage medium, wherein, the method comprises: acquiring sample data and non cheating cheating cheating in the sample data, using sample data for machine learning and non cheating sample data, establish the evaluation model; obtaining two business information, according to the evaluation model. To determine the two business information is derived from the same equipment. The invention establishes an evaluation model based on the sample data, the evaluation model of online judge two business information is derived from the same equipment, avoid dependence after artificial counter check, improve the accuracy and efficiency of recognition. At the same time, the evaluation model can be updated periodically, and the defense of camouflage equipment is more comprehensive. It is difficult for the malicious elements to bypass the identification of the evaluation model.

【技術實現步驟摘要】
一種業務同設備識別方法、裝置、計算設備及存儲介質
本專利技術涉及互聯網
，具體而言，涉及一種業務同設備識別方法、裝置、計算設備及存儲介質。
技術介紹
目前，惡意份子通過修改設備的設備信息或網絡環境信息，將設備偽裝成多個不同設備，發送大量的業務信息進行作弊以謀取利益。為了維護正常用戶的利益，需要識別不同的業務信息是否來源于同一設備，從而識破惡意份子的偽裝。當前，通常根據已確認的作弊案例，通過人工業務反查的方式來識別作弊業務信息。對于已確認的作弊案例，技術人員分析惡意份子偽裝的每個設備的設備信息、網絡環境信息和業務信息，從中找出偽裝的多個設備中均相同的不變量，將找出的不變量組合為一個新的變量。利用該新的變量來識別不同業務信息是否來自同一設備。上述依賴事后人工反查的方式確定一個變量，利用確定的變量來識別作弊業務信息，準確性很低，且確定的變量很難覆蓋偽裝出的所有設備，對于新出現的不變量往往無法防御。且易造成多個變量共同防御的情況，增加管理的時間成本，導致無法有效觀察不同變量的表現情況。
技術實現思路
有鑒于此，本專利技術實施例的目的在于提供一種業務同設備識別方法、裝置、計算設備及存儲介質，通過該評價模型在線判斷兩個業務信息是否來源于同一個設備，避免依賴事后人工反查，提高了識別的準確性及效率。同時該評價模型可周期性進行更新，對偽裝設備的防御更加全面，惡意份子很難繞開評價模型的識別。第一方面，本專利技術實施例提供了一種業務同設備識別方法，所述方法包括：獲取作弊樣本數據和非作弊樣本數據，利用所述作弊樣本數據和所述非作弊樣本數據進行機器學習，建立評價模型；獲取兩個業務信息，根據所述評價模型，確定所述兩個業務信息是否來源于同一設備。結合第一方面，本專利技術實施例提供了上述第一方面的第一種可能的實現方式，其中，所述利用所述作弊樣本數據和所述非作弊樣本數據進行機器學習，建立評價模型，包括：獲取所述作弊樣本數據對應的作弊關系對，及獲取所述非作弊樣本數據對應的非作弊關系對；獲取每個作弊關系對對應的特征向量，及獲取每個非作弊關系對對應的特征向量；利用所述每個作弊關系對、所述每個作弊關系對對應的特征向量、所述每個非作弊關系對及所述每個非作弊關系對對應的特征向量進行機器學習，獲得評價模型。結合第一方面的第一種可能的實現方式，本專利技術實施例提供了上述第一方面的第二種可能的實現方式，其中，所述獲取所述作弊樣本數據對應的作弊關系對，及獲取所述非作弊樣本數據對應的非作弊關系對，包括：將所述作弊樣本數據中屬于同一設備的業務信息兩兩組合為作弊關系對；將所述非作弊樣本數據中屬于不同設備的業務信息兩兩組合為非作弊關系對。結合第一方面的第一種可能的實現方式，本專利技術實施例提供了上述第一方面的第三種可能的實現方式，其中，所述獲取每個作弊關系對對應的特征向量，及獲取每個非作弊關系對對應的特征向量，包括：比對作弊關系對包括的兩個業務信息中同一特征的特征值是否相同；如果是，則將特征值相同的特征對應的向量元素值設置為第一預設數值；如果否，則將特征值不同的特征對應的向量元素值設置為第二預設數值；將所述作弊關系對對應的所有向量元素值構成所述作弊關系對對應的特征向量；比對非作弊關系對包括的兩個業務信息中同一特征的特征值是否相同；如果是，則將特征值相同的特征對應的向量元素值設置為第一預設數值；如果否，則將特征值不同的特征對應的向量元素值設置為第二預設數值；將所述非作弊關系對對應的所有向量元素值構成所述非作弊關系對對應的特征向量。結合第一方面，本專利技術實施例提供了上述第一方面的第四種可能的實現方式，其中，所述根據所述評價模型，確定所述兩個業務信息是否來源于同一設備，包括：根據獲取的兩個業務信息，獲取所述兩個業務信息對應的特征向量；根據所述兩個業務信息和所述特征向量，通過所述評價模型確定所述兩個業務信息是否來源于同一設備。結合第一方面的第四種可能的實現方式，本專利技術實施例提供了上述第一方面的第五種可能的實現方式，其中，所述根據所述兩個業務信息和所述特征向量，通過所述評價模型確定所述兩個業務信息是否來源于同一設備，包括：根據所述兩個業務信息和所述特征向量，通過所述評價模型對所述兩個業務信息進行打分，得到所述兩個業務信息對應的同源分數；根據所述同源分數和預設分值，確定所述兩個業務信息是否來源于同一設備。結合第一方面的第四種可能的實現方式，本專利技術實施例提供了上述第一方面的第六種可能的實現方式，其中，所述根據獲取的兩個業務信息，獲取所述兩個業務信息對應的特征向量，包括：比對所述兩個業務信息中同一特征的特征值是否相同；如果是，則在所述兩個業務信息對應的特征向量中，將特征值相同的特征對應的向量元素值設置為第一預設數值；如果否，則在所述兩個業務信息對應的特征向量中，將特征值不同的特征對應的向量元素值設置為第二預設數值；將所述兩個業務信息對應的所有所述向量元素值構成所述兩個業務信息對應的特征向量。結合第一方面的第一種可能的實現方式，本專利技術實施例提供了上述第一方面的第七種可能的實現方式，其中，所述獲取所述作弊樣本數據對應的作弊關系對，及獲取所述非作弊樣本數據對應的非作弊關系對，包括：將所述作弊樣本數據中屬于同一設備且預設特征一致的業務信息兩兩組合為作弊關系對；將所述非作弊樣本數據中屬于不同設備且所述預設特征一致的業務信息兩兩組合為非作弊關系對。結合第一方面的第七種可能的實現方式，本專利技術實施例提供了上述第一方面的第八種可能的實現方式，其中，所述獲取每個作弊關系對對應的特征向量，及獲取每個非作弊關系對對應的特征向量，包括：比對作弊關系對包括的兩個業務信息中除所述預設特征外的其他特征，獲得所述作弊關系對對應的特征向量；比對非作弊關系對包括的兩個業務信息中除所述預設特征外的其他特征，獲得所述非作弊關系對對應的特征向量。結合第一方面的第七種可能的實現方式，本專利技術實施例提供了上述第一方面的第九種可能的實現方式，其中，所述獲取兩個業務信息，根據所述評價模型，確定所述兩個業務信息是否來源于同一設備，包括：獲取所述預設特征一致的兩個業務信息；比對獲取的所述兩個業務信息中除所述預設特征外的其他特征，得到所述兩個業務信息對應的特征向量；根據所述兩個業務信息和所述特征向量，通過所述評價模型確定所述兩個業務信息是否來源于同一設備。結合第一方面及第一方面的第一至第九種實現方式中的任一種實現方式，本專利技術實施例提供了上述第一方面的第十種實現方式，其中，所述方法還包括：每隔預設時間段獲取過去離當前時間最近的所述預設時間段內的作弊樣本數據和非作弊樣本數據，根據所述預設時間段內的所述作弊樣本數據和所述非作弊樣本數據，更新所述評價模型。第二方面，本專利技術實施例提供了一種業務同設備識別裝置，所述裝置包括：模型建立模塊，用于獲取作弊樣本數據和非作弊樣本數據，利用所述作弊樣本數據和所述非作弊樣本數據進行機器學習，建立評價模型；獲取模塊，用于獲取兩個業務信息；確定模塊，用于根據所述評價模型，確定所述兩個業務信息是否來源于同一設備。結合第二方面，本專利技術實施例提供了上述第二方面的第一種可能的實現方式，其中，所述模型建立模塊包括：第一獲取單元，用于獲取所述作弊樣本數據對應的作弊關系對，及獲取所述非作弊樣本數據對應的非作弊關系對；獲取每個作弊關系對對應的本文檔來自技高網...

【技術保護點】
一種業務同設備識別方法，其特征在于，所述方法包括：獲取作弊樣本數據和非作弊樣本數據，利用所述作弊樣本數據和所述非作弊樣本數據進行機器學習，建立評價模型；獲取兩個業務信息，根據所述評價模型，確定所述兩個業務信息是否來源于同一設備。

【技術特征摘要】
2017.01.04 CN 20171000417491.一種業務同設備識別方法，其特征在于，所述方法包括：獲取作弊樣本數據和非作弊樣本數據，利用所述作弊樣本數據和所述非作弊樣本數據進行機器學習，建立評價模型；獲取兩個業務信息，根據所述評價模型，確定所述兩個業務信息是否來源于同一設備。2.根據權利要求1所述的方法，其特征在于，所述利用所述作弊樣本數據和所述非作弊樣本數據進行機器學習，建立評價模型，包括：獲取所述作弊樣本數據對應的作弊關系對，及獲取所述非作弊樣本數據對應的非作弊關系對；獲取每個作弊關系對對應的特征向量，及獲取每個非作弊關系對對應的特征向量；利用所述每個作弊關系對、所述每個作弊關系對對應的特征向量、所述每個非作弊關系對及所述每個非作弊關系對對應的特征向量進行機器學習，獲得評價模型。3.根據權利要求2所述的方法，其特征在于，所述獲取所述作弊樣本數據對應的作弊關系對，及獲取所述非作弊樣本數據對應的非作弊關系對，包括：將所述作弊樣本數據中屬于同一設備的業務信息兩兩組合為作弊關系對；將所述非作弊樣本數據中屬于不同設備的業務信息兩兩組合為非作弊關系對。4.根據權利要求2所述的方法，其特征在于，所述獲取每個作弊關系對對應的特征向量，及獲取每個非作弊關系對對應的特征向量，包括：比對作弊關系對包括的兩個業務信息中同一特征的特征值是否相同；如果是，則將特征值相同的特征對應的向量元素值設置為第一預設數值；如果否，則將特征值不同的特征對應的向量元素值設置為第二預設數值；將所述作弊關系對對應的所有向量元素值構成所述作弊關系對對應的特征向量；比對非作弊關系對包括的兩個業務信息中同一特征的特征值是否相同；如果是，則將特征值相同的特征對應的向量元素值設置為第一預設數值；如果否，則將特征值不同的特征對應的向量元素值設置為第二預設數值；將所述非作弊關系對對應的所有向量元素值構成所述非作弊關系對對應的特征向量。5.根據權利要求1所述的方法，其特征在于，所述根據所述評價模型，確定所述兩個業務信息是否來源于同一設備，包括：根據獲取的兩個業務信息，獲取所述兩個業務信息對應的特征向量；根據所述兩個業務信息和所述特征向量，通過所述評價模型確定所述兩個業務信息是否來源于同一設備。6.根據權利要求5所述的方法，其特征在于，所述根據所述兩個業務信息和所述特征向量，通過所述評價模型確定所述兩個業務信息是否來源于同一設備，包括：根據所述兩個業務信息和所述特征向量，通過所述評價模型對所述兩個業務信息進行打分，得到所述兩個業務信息對應的同源分數；根據所述同源分數和預設分值，確定所述兩個業務信息是否來源于同一設備。7.根據權利要求5所述的方法，其特征在于，所述根據獲取的兩個業務信息，獲取所述兩個業務信息對應的特征向量，包括：比對所述兩個業務信息中同一特征的特征值是否相同；如果是，則在所述兩個業務信息對應的特征向量中，將特征值相同的特征對應的向量元素值設置為第一預設數值；如果否，則在所述兩個業務信息對應的特征向量中，將特...

【專利技術屬性】
技術研發人員：汪浩然，邵紀東，沐廣武，周達，
申請(專利權)人：北京三快在線科技有限公司，
類型：發明
國別省市：北京,11