[發明專利]異常設備識別方法及裝置和電子設備

在審

• 申請號: 201711143907.3
• 申請日: 2017-11-17
• 公開（公告）號: CN108009058A
• 公開（公告）日: 2018-05-08
• 發明（設計）人: 任偲
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F11/22
• 分類號: G06F11/22
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 林祥

本說明書實施例提供一種異常設備識別方法及裝置和電子設備，通過接收客戶端上報的設備硬件數據；將所述設備硬件數據輸入到判別模型中，所述判別模型通過對抗生成網絡訓練得到；根據所述判別模型輸出結果，確定所述客戶端上報的設備是否是異常設備。

技術領域

本說明書實施例涉及互聯網技術領域，尤其涉及一種異常設備識別方法及裝置和電子設備。

背景技術

在一些需要限制用戶參與次數的網絡活動中，通常需要對用戶使用的設備進行記錄。并在同一設備記錄的次數達到上限后不允許用戶記錄參與。然而，在實際應用中，發現部分用戶通過修改使用設備的硬件數據的方式，使得同一設備實際參與次數超過上限后依然可以參與網絡活動。

需要提供更為高效地異常設備識別方案。

發明內容

本說明書實施例提供的一種異常設備識別方法及裝置和電子設備：

根據本說明書實施例的第一方面，提供一種異常設備識別方法，所述方法包括：

接收客戶端上報的設備硬件數據；

將所述設備硬件數據輸入到判別模型中，所述判別模型通過對抗生成網絡訓練得到；

根據所述判別模型輸出結果，確定所述客戶端上報的設備是否是異常設備。

可選的，所述判別模型，通過如下方式訓練得到：

初始化對抗網絡；所述對抗網絡包括生成模型和判別模型；

獲取真樣本集；所述真實樣本集包括歷史上報的正常設備的硬件數據；

將所述真樣本集輸入所述生成模型，得到所述生成模型輸出的假樣本集；所述假樣本集包括異常設備的硬件數據；

將所述真樣本集和假樣本集輸入到所述判別模型，得到所述判別模型輸出的全部樣本的判別結果；

判斷所述全部樣本的判別結果是否都正確；

在所述全部樣本的判別結果都正確的情況下，將所述判別模型確定為最終的判別模型。

可選的，所述判別模型包括：

深度學習網絡模型或者機器學習模型。

可選的，所述深度學習網絡模型包括：

卷積神經網絡模型、循環神經網絡模型或長短期記憶網絡模型。

可選的，所述機器學習模型包括：

支持向量機、決策樹或隨機森林。

可選的，所述根據所述判別模型輸出結果，確定所述上報的設備是否異常，具體包括：

在所述判別模型輸出結果為0的情況下，確定所述上報的設備異常；

或者，

在所述判別模型輸出結果為1的情況下，確定所述上報的設備正常。

可選的，所述在所述判別模型輸出結果為0的情況下，確定所述上報的設備異常之后，所述方法包括：

將該異常設備上登錄的用戶賬戶加入黑名單。

可選的，在所述獲取歷史上報設備的硬件數據以及判別數據之后，所述方法還包括：

將所述真樣本集中離散的硬件數據轉換為連續的硬件數據。

可選的，所述轉換的方式包括信息檢索數據挖掘的常用加權技術。

根據本說明書實施例的第二方面，提供一種異常設備識別裝置，所述裝置包括：

接收單元，接收客戶端上報的設備硬件數據；