设备机型验证方法、装置、设备及介质与流程

摘要: 本公开涉及计算机,更具体地,涉及一种设备机型验证方法、装置、设备及介质。背景技术:1、设备机型标识(devicemodelidentification)是一个静...
设备机型验证方法、装置、设备及介质与流程

本公开涉及计算机,更具体地,涉及一种设备机型验证方法、装置、设备及介质。

背景技术:

1、设备机型标识(device model identification)是一个静态字符串,用于标识设备的具体机型。该标识通常由设备制造商预先定义,并嵌入到设备的固件或软件中,制造商分配这些标识,可以区分各类不同的设备机型。设备机型标识作为设备机型的稳定引用点,对于某一设备机型而言是固定的,并在不同机型之间具有唯一性。

2、由于设备机型标识在系统识别和平台服务中的关键作用,所以一些不法行为也开始利用设备机型标识的静态可控的特性进行“机型篡改”。所谓机型篡改,是指通过修改设备中的系统配置文件、系统属性或底层接口等,伪造一个虚假的设备机型标识,从而使设备在操作系统或第三方平台中被识别为其他机型,以达到欺骗目的。

3、例如,机型篡改常被用于绕过平台的设备认证、欺骗按设备计费的分发策略,甚至在某些欺骗场景中用于模拟出海量虚假设备,进行虚假注册、冲量、数据造假等操作。为此,有关技术也提出了基于人工规则和基于分类算法的机型篡改检测方法,然而,这些方法在实际的检测场景中对设备机型篡改的检测准确性和效率均较差。

技术实现思路

1、本公开实施例提供一种设备机型验证方法、装置、设备及介质,能够有效提高设备机型验证的准确性和效率。

2、根据本公开的一方面,提供了一种设备机型验证方法,该方法包括:获取待验证设备对应的待验证设备信息和待验证设备机型标识;从已知设备聚类分布中选取与所述待验证设备机型标识匹配的已知设备聚类簇,作为目标设备聚类簇,所述已知设备聚类分布为基于多个已知设备特征聚类得到,每个所述已知设备特征由对应的已知设备信息经特征提取处理得到;对所述待验证设备信息进行特征提取处理,得到所述待验证设备对应的待验证设备特征;对所述待验证设备特征和所述目标设备聚类簇对应的质心设备特征进行距离计算处理,得到所述待验证设备特征和所述质心设备特征之间的目标特征距离;对所述目标特征距离和所述目标设备聚类簇对应的预设距离阈值进行距离比较处理,得到所述待验证设备对应的机型验证结果。

3、根据本公开的另一方面,提供了一种设备机型验证装置,该装置包括:信息获取模块,用于获取待验证设备对应的待验证设备信息和待验证设备机型标识;标识匹配模块,用于从已知设备聚类分布中选取与所述待验证设备机型标识匹配的已知设备聚类簇,作为目标设备聚类簇,所述已知设备聚类分布为基于多个已知设备特征聚类得到,每个所述已知设备特征由对应的已知设备信息经特征提取处理得到;特征提取模块,用于对所述待验证设备信息进行特征提取处理,得到所述待验证设备对应的待验证设备特征;距离计算模块,用于对所述待验证设备特征和所述目标设备聚类簇对应的质心设备特征进行距离计算处理,得到所述待验证设备特征和所述质心设备特征之间的目标特征距离;距离比较模块,用于对所述目标特征距离和所述目标设备聚类簇对应的预设距离阈值进行距离比较处理,得到所述待验证设备对应的机型验证结果。

4、可选地,距离比较模块可以包括:版本获取子模块、阈值更新子模块和距离比较子模块。版本获取子模块,用于基于所述目标设备聚类簇对应的已知设备机型标识,获取参考机型版本;阈值更新子模块,用于当检测到所述待验证设备对应的当前机型版本高于所述参考机型版本时,根据所述待验证设备信息和所述参考机型版本对应的参考设备信息之间的版本差异,对所述预设距离阈值进行增值调整处理,得到所述目标设备聚类簇对应的更新距离阈值;距离比较子模块,用于对所述目标特征距离和所述更新距离阈值进行距离比较处理,得到所述待验证设备对应的机型验证结果。

5、可选地,阈值更新子模块可以具体用于:获取所述参考机型版本对应的参考设备信息;对所述待验证设备信息和所述参考设备信息进行更改确定处理,得到至少一个更改设备信息;基于每个更改设备信息对应的预设更改权重进行版本差异计算,得到版本差异评分;根据所述版本差异评分确定距离调整值,并通过所述距离调整值对所述预设距离阈值进行增值调整处理,得到所述目标设备聚类簇对应的更新距离阈值。

6、可选地,标识匹配模块可以包括:分布获取子模块、标识匹配子模块和聚类确定子模块。分布获取子模块,用于获取已知设备聚类分布;标识匹配子模块,用于将所述已知设备聚类分布中每个已知设备聚类簇对应的已知设备机型标识,分别与所述待验证设备机型标识进行标识匹配处理;聚类确定子模块,用于当检测到已知设备聚类分布中,存在已知设备机型标识与所述待验证设备机型标识匹配的已知设备聚类簇时,将所述已知设备聚类簇确定为目标设备聚类簇。

7、可选地,分布获取子模块可以具体用于:获取已知设备集;针对所述已知设备集中的每个已知设备,通过特征提取模型对所述已知设备对应的已知设备信息进行特征提取处理,得到每个已知设备对应的已知设备特征;基于每个已知设备对应的已知设备特征进行聚类处理,得到已知设备聚类分布;其中,所述已知设备聚类分布包括的已知设备聚类簇的聚类簇数量等于所述已知设备集包含的机型类别数量。

8、可选地,标识匹配模块还可以包括:阈值计算子模块、标识获取子模块和关联存储子模块。阈值计算子模块,用于针对所述已知设备聚类分布中的每个已知设备聚类簇,基于所述已知设备聚类簇对应的质心设备特征和对应的每个非质心设备特征进行阈值计算处理,得到每个已知设备聚类簇对应的预设距离阈值;标识获取子模块,用于获取每个已知设备聚类簇的质心设备特征对应的质心设备机型标识;关联存储子模块,用于针对每个已知设备聚类簇,关联存储所述已知设备聚类簇对应的预设距离阈值、质心设备机型标识和质心设备特征。

9、可选地,标识匹配模块还可以包括:增量获取子模块、分布更新子模块和目标确定子模块。增量获取子模块,用于当检测到已知设备聚类分布中,不存在已知设备机型标识与所述待验证设备机型标识匹配的已知设备聚类簇时,获取增量设备集,所述增量设备集中每个增量设备对应的增量设备机型标识与所述待验证设备机型标识相同;分布更新子模块,用于基于所述增量设备集中每个增量设备对应的增量设备机型标识和增量设备信息,更新已知设备聚类分布;目标确定子模块,用于将更新后的已知设备聚类分布中,与所述待验证设备机型标识匹配的已知设备聚类簇,确定为目标设备聚类簇。

10、可选地,分布更新子模块可以包括:增量学习单元、特征提取单元和聚类更新单元。增量学习单元,用于基于所述增量设备集中每个增量设备对应的增量设备机型标识和增量设备信息,对特征提取模型进行类增量学习,以更新特征提取模型;特征提取单元,用于通过所述更新后的特征提取模型对所述增量设备集中每个增量设备对应的增量设备信息进行特征提取处理,得到每个增量设备对应的增量设备特征;聚类更新单元,用于根据每个增量设备特征对已知设备聚类分布进行聚类更新处理,得到更新后的已知设备聚类分布,所述更新后的已知设备聚类分布至少包括由每个增量设备特征聚成的已知设备聚类簇。

11、可选地,增量学习单元包括:模型获取子单元、信息获取子单元、关系构建子单元、分类处理子单元、损失确定子单元和迭代训练子单元。模型获取子单元,用于获取所述增量设备集对应的关系提取模型,所述关系提取模型包含的神经层数与所述特征提取模型包含的神经层数相同;信息获取子单元,用于从已知设备聚类分布中,获取每个已知设备聚类簇的质心设备特征对应质心设备的质心设备信息;关系构建子单元,用于基于每个增量设备对应的增量设备信息和每个质心设备对应的质心设备信息进行相似计算,并根据相似计算得到的每个设备和其他设备之间的相似度,构建设备关系图;分类处理子单元,用于将所述设备关系图输入所述关系提取模型,得到关系特征,以在所述特征提取模型对每个增量设备信息和每个质心设备信息进行特征提取处理时,融合所述关系特征进行设备分类处理,得到每个质心设备和每个增量设备各自对应的预测设备机型标识;损失确定子单元,用于根据每个预测设备机型标识和每个预测设备机型标识对应的标签设备机型标识之间的差异,确定增量损失值;迭代训练子单元,用于对所述关系提取模型和所述特征提取模型进行迭代训练,直至到达训练结束条件,得到类增量学习后的特征提取模型。

12、可选地,分类处理子单元可以具体用于:将所述设备关系图输入至所述关系提取模型,由所述关系提取模型的每个关系神经层对前序关系神经层的输出特征进行关系提取处理,得到所述关系提取模型中每个关系神经层输出的关系特征;将每个增量设备信息和每个质心设备信息输入至所述特征提取模型,由所述特征提取模型的每个设备神经层对前序设备神经层的输出特征进行特征提取处理,得到所述特征提取模型每个设备神经层输出的设备特征;针对所述关系提取模型中每个关系神经层,将所述关系神经层输出的关系特征,融合至所述特征提取模型中与所述关系神经层存在相同神经层顺序的目标设备神经层,以使得所述目标设备神经层对所述关系特征和所述设备特征融合后的融合特征进行设备分类处理,得到每个质心设备和每个增量设备各自对应的预测设备机型标识。

13、可选地,损失确定子单元可以包括:分类组件、特征组件、关系组件和加权组件。分类组件,用于基于每个预测设备机型标识和对应的标签设备机型标识之间的差异,确定设备分类损失值;特征组件,用于根据每个质心设备对应的质心设备特征和对应的质心融合特征之间的差异,确定设备特征损失值;关系组件,用于基于设备关系图对应的设备邻接矩阵和所述设备关系图中每个设备对应的融合特征,确定设备关系损失值;加权组件,用于通过所述设备分类损失值、所述设备特征损失值和所述设备关系损失值进行加权计算,得到增量损失值。

14、可选地,关系组件可以具体用于:基于设备关系图确定设备邻接矩阵;针对所述设备关系图中的每两个领接设备,对所述两个领接设备各自对应的融合特征进行特征差异计算,得到每两个领接设备之间的特征差异;针对所述设备关系图中的每两个领接设备,基于每两个领接设备之间的特征差异和对应所述设备邻接矩阵的边权重进行累加计算,得到设备关系损失值。

15、可选地,信息获取模块可以具体用于:根据初始设备信息,生成信息验证任务和信息验证任务对应的参考任务结果;将信息验证任务发送至待验验证设备,以使待验证设备执行信息验证任务,并读取验证任务结果;当检测测到验证任务结果与参考任务结果匹配时,将初始设备信息确定为待验证设备对应的待验证设备信息,并获取所述待验证设备对应的待验证设备机型标识。

16、根据本公开的另一方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,其中,在该计算机程序被处理器运行时执行上述的设备机型验证方法。

17、根据本公开的另一方面,提供了一种计算机设备,该计算机设备包括处理器以及存储器,存储器存储有计算机程序,该计算机程序被处理器调用时执行上述的设备机型验证方法。

18、根据本公开的另一方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序存储在存储介质中;计算机设备的处理器从存储介质读取该计算机程序,处理器执行该计算机程序,使得计算机设备执行上述设备机型验证方法。

19、为了判断设备是否存在机型篡改的风险,本公开实施例提出新的设备机型验证方法。首先,获取待验证设备对应的待验证设备信息和待验证设备机型标识,设备信息为待验证设备的软硬件配置相关的信息集合,待验证设备机型标识为待验证设备对应设备机型的唯一标识。进而,从已知设备聚类分布中,可以选取与待验证设备机型标识匹配的已知设备聚类簇,作为目标设备聚类簇,其中,已知设备聚类分布为基于多个已知设备特征聚类得到,每个已知设备特征由对应的已知设备信息经特征提取处理得到,而已知设备信息是正常的已知设备的设备信息。由于目标设备聚类簇对应的设备机型标识即为待验证设备机型标识,所以,如果待验证设备是没有经过机型篡改的正常设备,那么待验证设备的设备信息(即,待验证设备信息)与同机型的已知设备的设备信息(即,已知设备信息)之间应该存在相同或相近的相互关系。而这种相互关系可利用设备信息映射在特征空间的设备特征来度量。

20、因此,本公开实施例可以对待验证设备信息进行特征提取处理,得到待验证设备对应的待验证设备特征,并对待验证设备特征和目标设备聚类簇对应的质心设备特征进行距离计算处理,得到待验证设备特征和质心设备特征之间的目标特征距离,进一步地,对目标特征距离和目标设备聚类簇对应的预设距离阈值进行距离比较处理,得到待验证设备对应的机型验证结果。这样,通过在特征空间中计算出待验证设备特征到质心设备特征(即,与待验证设备具有同机型的已知设备的设备特征)的目标特征距离,就能根据目标特征距离是否超出预设距离阈值准确直观地反映出,待验证设备信息与同机型下正常的已知设备信息之间是否存在相同或相近的相互关系,从而确定出待验证设备是否存在机型篡改的异常情况,也即,若目标特征距离不超过预设距离阈值,则能够确定待验证设备的待验证设备机型是真实的,该待验证设备为正常设备,否则,确定待验证设备的待验证设备机型是篡改的,该待验证设备是篡改设备。

21、相比于有关技术利用深度学习模型对待验证设备进行设备二分类的方法,有关技术的方法直接基于设备信息将待验证设备分类为正常设备或篡改设备,忽略了设备真实的硬软件特征之间的多维差异,当出现多个不同机型声明相同标识、非法人员通过对抗方式构造出设备信息接近真实机型的伪装设备或者同机型存在微小的设备信息差异时,深度学习模型容易出现误分类。而本公开实施例通过采集待验证设备的软硬件信息,可以构建出稳定且细粒度的设备特征,在特征空间中,对待验证设备的待验设备特征和待验证设备声明的待验证设备机型对应的真实机型簇(也即,目标设备聚类簇)进行结构性的特征距离计算,进而,能够以待验证设备特征是否偏离真实机型簇的质心,来判定待验证设备是否存在机型篡改风险,由于真实机型簇是基于正常的已知设备的设备特征经无监督聚类形成的,所以,从数据分布层面真实地刻画了同机型的正常的设备特征的分布规律,避免了如现有技术高度依赖设备信息本身导致的误分类,从而提高设备机型验证的准确性。此外,相比于有关技术使用的二分类模型通常参数量大,且推理过程需经过复杂的非线性运算,本公开实施例针对特征距离的线性计算能够有效减少计算资源的消耗,进而提高计算机设备的计算效率。

22、本公开的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。