一种用户识别方法、装置、存储介质及终端设备与流程

1.本发明涉及通信技术领域，尤其涉及一种用户识别方法、装置、计算机可读存储介质及终端设备。


背景技术：

2.用户或终端的身份识别是网络安全、管理或信息统计等方面的必要前提。随着随机mac地址算法和数据包加密算法的推出，常用的识别方案是通过深度包检测，获取用户的设备信息或者分析用户的行为特征来实现用户识别。该识别方案主要对用户通信数据包进行解析，从中提取特征，并将提取到的特征与特征数据库中的特征进行匹配，以根据特征匹配结果识别用户。
3.但是，主流的基于深度包检测和特征匹配的识别算法存在失效的可能性，一方面，数据包协议解析需要占用一定时间，且无法对加密数据包进行深度解析；另一方面，对数据内容的提取可能涉及了用户的隐私数据，无法消除用户对隐私问题的担忧；此外，随着用户隐私意识的增强，上述基于协议内容解析的方式也无法为用户提供较好的隐私保护，从而导致无法安全、有效的对用户进行识别。


技术实现要素：

4.本发明实施例所要解决的技术问题在于，提供一种用户识别方法、装置、计算机可读存储介质及终端设备，无需对数据包进行深度解析，也不涉及用户的隐私数据，能够安全、有效的对用户进行识别。
5.为了解决上述技术问题，本发明实施例提供了一种用户识别方法，包括：
6.根据预设的识别时长采集待识别用户的用户数据流；
7.根据预设的时间间隔对所述用户数据流进行预处理，获得分布特征和统计特征，其中，所述分布特征包括流时长分布、报文长度分布、报文达到时间分布和字节数分布，所述统计特征包括平均时间间隔和概率最大的报文长度；
8.将所述分布特征和所述统计特征输入训练好的指纹特征模型中，获得所述待识别用户的用户指纹；
9.根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果。
10.进一步地，所述指纹特征库中包括至少一个用户及其对应的指纹特征；则，所述根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果，具体包括：
11.根据所述用户指纹和所述指纹特征库中的每一个指纹特征，获取所述待识别用户与所述指纹特征库中的每一个用户的相似度，其中，所述相似度为所述用户指纹与每一个指纹特征的指纹距离，且指纹距离越小，相似度越大；
12.当最小的指纹距离小于预设的识别阈值时，识别所述待识别用户为最小的指纹距离对应的指纹特征在所述指纹特征库中对应的目标用户。
13.进一步地，在所述识别所述待识别用户为最小的指纹距离对应的指纹特征在所述
指纹特征库中对应的目标用户之后，所述方法还包括：
14.对所述用户指纹和所述目标用户对应的指纹特征进行加权平滑处理，获得更新后的指纹特征；
15.根据所述更新后的指纹特征对所述指纹特征库中的所述目标用户对应的指纹特征进行更新。
16.进一步地，所述根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果，还包括：
17.当最小的指纹距离不小于所述识别阈值时，识别所述待识别用户为新增用户。
18.进一步地，在所述识别所述待识别用户为新增用户之后，所述方法还包括：
19.将所述新增用户及其对应的所述用户指纹添加到所述指纹特征库中。
20.进一步地，所述指纹特征模型预先通过以下步骤获得：
21.设置m组模型参数，基于每一组模型参数，根据预设的训练集对构建的网络模型进行训练，对应获得m个训练后的网络模型，其中，所述模型参数包括识别时长、时间间隔和加权平滑因子，m＞1；
22.基于每一个训练后的网络模型，对n个测试用户进行识别，获得n个所述测试用户的识别结果，其中，n＞1；
23.根据n个所述测试用户的识别结果，计算获得每一个训练后的网络模型对应的识别准确率；
24.确定m个识别准确率中的最大准确率，将所述最大准确率对应的训练后的网络模型作为所述指纹特征模型。
25.进一步地，所述识别阈值预先通过以下步骤获得：
26.根据x个测试用户对应的x个测试用户数据流和所述指纹特征模型，获取每一个所述测试用户的测试用户指纹，其中，所述测试用户为所述指纹特征库中的用户，x＞1；
27.设置y个初始识别阈值，基于每一个初始识别阈值，分别根据x个所述测试用户指纹查询所述指纹特征库，获得x个所述测试用户的识别结果，其中，y＞1；
28.根据x个所述测试用户的识别结果，计算获得每一个初始识别阈值对应的识别准确率；
29.确定y个识别准确率中的最大准确率，将所述最大准确率对应的初始识别阈值作为所述识别阈值。
30.为了解决上述技术问题，本发明实施例还提供了一种用户识别装置，包括：
31.数据流获取模块，用于根据预设的识别时长采集待识别用户的用户数据流；
32.数据流处理模块，用于根据预设的时间间隔对所述用户数据流进行预处理，获得分布特征和统计特征，其中，所述分布特征包括流时长分布、报文长度分布、报文达到时间分布和字节数分布，所述统计特征包括平均时间间隔和概率最大的报文长度；
33.用户指纹获取模块，用于将所述分布特征和所述统计特征输入训练好的指纹特征模型中，获得所述待识别用户的用户指纹；
34.用户识别模块，用于根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果。
35.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括
存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的用户识别方法。
36.本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的用户识别方法。
37.与现有技术相比，本发明实施例提供了一种用户识别方法、装置、计算机可读存储介质及终端设备，根据预设的识别时长采集待识别用户的用户数据流；根据预设的时间间隔对所述用户数据流进行预处理，获得分布特征和统计特征，其中，所述分布特征包括流时长分布、报文长度分布、报文达到时间分布和字节数分布，所述统计特征包括平均时间间隔和概率最大的报文长度；将所述分布特征和所述统计特征输入训练好的指纹特征模型中，获得所述待识别用户的用户指纹；根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果。采用本发明的技术方案无需对数据包进行深度解析，也不涉及用户的隐私数据，能够安全、有效的对用户进行识别。
附图说明
38.图1是本发明提供的一种用户识别方法的一个优选实施例的流程图；
39.图2是本发明提供的一种用户识别装置的一个优选实施例的结构框图；
40.图3是本发明提供的一种终端设备的一个优选实施例的结构框图。
具体实施方式
41.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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，本技术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他实施例，都属于本发明保护的范围。
42.本发明实施例提供了一种用户识别方法，参见图1所示，是本发明提供的一种用户识别方法的一个优选实施例的流程图，所述方法包括步骤s11至步骤s14：
43.步骤s11、根据预设的识别时长采集待识别用户的用户数据流。
44.具体的，待识别用户通过用户终端接入网络后，需要采集一定时间段内待识别用户所使用的用户终端的相关数据流，即，根据预先设置的识别时长采集待识别用户所对应的用户数据流，其中，识别时长具体是指每一次采集用户数据流所需的总时长。
45.可以理解的，识别时长设置的越大，采集到的用户数据流越多，最终获得的识别结果的准确率会越高，但识别效率会相应降低。在实际应用中，可以根据具体的应用场景对识别准确率和识别效率进行综合权衡来给出合适的识别时长，即识别时长可以根据实际需要进行设置。
46.步骤s12、根据预设的时间间隔对所述用户数据流进行预处理，获得分布特征和统计特征，其中，所述分布特征包括流时长分布、报文长度分布、报文达到时间分布和字节数分布，所述统计特征包括平均时间间隔和概率最大的报文长度。
47.具体的，在通过步骤s11采集获得用户数据流之后，在对应的识别时长内，根据预先设置的时间间隔对采集获得的用户数据流进行分布统计处理，相应获得每一个时间间隔
内用户数据流所对应的分布特征和整个识别时长内用户数据流所对应的统计特征，其中，分布特征主要包括流时长分布、报文长度分布、报文达到时间分布和字节数分布，统计特征主要包括平均时间间隔和概率最大的报文长度。
48.示例性的，为了获取用户数据流在时间轴上的分布特征，可以对识别时长进行划分，在识别时长内，每隔一定的时间间隔便对该流处理间隔内的用户数据流进行分布统计，假设设置识别时长为5min，时间间隔为1min，则每隔1min统计一次这1min内的用户数据流的分布特征，在整个识别时长内，最终可以获得5个流处理间隔所对应的5组分布特征，以及5min内的用户数据流的统计特征。
49.需要说明的是，在用户数据流的预处理过程中，按照流处理间隔可以获得若干个分布特征和若干个统计特征，以获取第i个分布特征为例，其处理流程具体如下：(1)根据协议或实际采集的实验数据获取第i个分布的大致取值范围为在这个取值范围内，选取合适的分布间隔δσi，以将这个取值范围分
50.割成若干个间隔，若共设置n个分布间隔，则其中，在训练阶
51.段可以先设置多个不同的分布间隔取值，以获得不同的分布间隔取值所对应的实验性能，再根据实验性能及其效率按需选取合适的分布间隔；(2)在每个流处理间隔时间内，统计第i个特征落在第j个分布间隔内的概率作为其特征分布，其中，然后统计整个识别时长内的特征分布，相应获得第i个分布特征。
52.可以理解的，流处理间隔(即时间间隔)并非越小越好，因为用户终端每次接入的数据流会有小范围的浮动，短间隔内的分布浮动较大，在实际应用中，可以根据大量实验数据的测试结果，从中选取合适的时间间隔。
53.步骤s13、将所述分布特征和所述统计特征输入训练好的指纹特征模型中，获得所述待识别用户的用户指纹。
54.具体的，在通过步骤s12获得用户数据流的分布特征和统计特征之后，将分布特征和统计特征输入到预先训练好的指纹特征模型中，经过指纹特征模型的处理，相应获得待识别用户的用户指纹。
55.步骤s14、根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果。
56.具体的，在通过步骤s13获得待识别用户的用户指纹之后，根据用户指纹查询预先设置的指纹特征库，将用户指纹与指纹特征库中存储的指纹特征进行匹配，即可获得待识别用户的识别结果。
57.可以理解的，指纹特征库中存储有至少一个用户以及每一个用户所对应的指纹特征，以便将待识别用户的用户指纹与指纹特征库中存储的指纹特征进行比对，从而根据比对结果对应获得待识别用户的识别结果。
58.需要说明的是，指纹特征库中存储的指纹特征同样可以采用预先训练好的指纹特征模型进行获取，如果初始指纹特征库中没有存储任何一个用户的指纹特征，可以将第一个待识别用户的用户指纹作为指纹特征库的第一个指纹特征，以便下一次用户识别时使用。
59.本发明实施例所提供的一种用户识别方法，根据预设的识别时长采集待识别用户的用户数据流；根据预设的时间间隔对所述用户数据流进行预处理，获得分布特征和统计特征，其中，所述分布特征包括流时长分布、报文长度分布、报文达到时间分布和字节数分布，所述统计特征包括平均时间间隔和概率最大的报文长度；将所述分布特征和所述统计特征输入训练好的指纹特征模型中，获得所述待识别用户的用户指纹；根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果。采用本发明的技术方案能够通过对用户数据流本身的一些固有特征进行学习、统计和建模，无需对数据包进行深度解析，从而实现对用户的重识别，并且能够在不影响设备性能，也不涉及用户的隐私数据的前提下，安全、有效的对用户进行识别。
60.在另一个优选实施例中，所述指纹特征库中包括至少一个用户及其对应的指纹特征；则，所述根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果，具体包括：
61.根据所述用户指纹和所述指纹特征库中的每一个指纹特征，获取所述待识别用户与所述指纹特征库中的每一个用户的相似度，其中，所述相似度为所述用户指纹与每一个指纹特征的指纹距离，且指纹距离越小，相似度越大；
62.当最小的指纹距离小于预设的识别阈值时，识别所述待识别用户为最小的指纹距离对应的指纹特征在所述指纹特征库中对应的目标用户。
63.具体的，结合上述实施例，指纹特征库中存储有至少一个用户以及每一个用户所对应的指纹特征，在根据待识别用户的用户指纹查询预先设置的指纹特征库时，可以先根据用户指纹和指纹特征库中的每一个指纹特征，分别计算用户指纹与指纹特征库中的每一个指纹特征之间的指纹距离，对应作为待识别用户与指纹特征库中的每一个用户之间的相似度，其中，指纹距离可以采用欧几里得距离计算方式进行计算获得，指纹距离越小，待识别用户与指纹特征库中存储的用户之间的相似度越大；之后，再从计算获得的所有的指纹距离中获取最小的指纹距离，并将最小的指纹距离与预先设置的识别阈值进行比较，判断最小的指纹距离是否小于预先设置的识别阈值，当判定最小的指纹距离小于预先设置的识别阈值时，先确定计算获得最小的指纹距离时所使用的指纹特征，并将确定的指纹特征作为目标指纹特征，再根据目标指纹特征从指纹特征库中找到该目标指纹特征所对应的用户，并将找到的用户作为目标用户，则可以识别出待识别用户即为该目标用户。
64.在又一个优选实施例中，在所述识别所述待识别用户为最小的指纹距离对应的指纹特征在所述指纹特征库中对应的目标用户之后，所述方法还包括：
65.对所述用户指纹和所述目标用户对应的指纹特征进行加权平滑处理，获得更新后的指纹特征；
66.根据所述更新后的指纹特征对所述指纹特征库中的所述目标用户对应的指纹特征进行更新。
67.具体的，结合上述实施例，在确定待识别用户为上述目标用户之后，对待识别用户的用户指纹和上述目标用户在指纹特征库中所对应的指纹特征(即上述目标指纹特征)进行加权平滑处理，相应获得更新后的指纹特征，并将上述目标指纹特征对应替换为更新后的指纹特征，从而完成对指纹特征库的更新，相应的，在更新后的指纹特征库中，上述目标用户所对应的指纹特征即为更新后的指纹特征。
68.在又一个优选实施例中，所述根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果，还包括：
69.当最小的指纹距离不小于所述识别阈值时，识别所述待识别用户为新增用户。
70.具体的，结合上述实施例，在将最小的指纹距离与预先设置的识别阈值进行比较之后，当判定最小的指纹距离大于或等于预先设置的识别阈值时，认为指纹特征库中不存在待识别用户，则将待识别用户作为新增用户。
71.在又一个优选实施例中，在所述识别所述待识别用户为新增用户之后，所述方法还包括：
72.将所述新增用户及其对应的所述用户指纹添加到所述指纹特征库中。
73.具体的，结合上述实施例，在确定待识别用户为新增用户之后，可以直接将待识别用户以及待识别用户所对应的用户特征添加到指纹特征库中，从而完成对指纹特征库的更新。
74.在又一个优选实施例中，所述指纹特征模型预先通过以下步骤获得：
75.设置m组模型参数，基于每一组模型参数，根据预设的训练集对构建的网络模型进行训练，对应获得m个训练后的网络模型，其中，所述模型参数包括识别时长、时间间隔和加权平滑因子，m＞1；
76.基于每一个训练后的网络模型，对n个测试用户进行识别，获得n个所述测试用户的识别结果，其中，n＞1；
77.根据n个所述测试用户的识别结果，计算获得每一个训练后的网络模型对应的识别准确率；
78.确定m个识别准确率中的最大准确率，将所述最大准确率对应的训练后的网络模型作为所述指纹特征模型。
79.具体的，结合上述实施例，在生成待识别用户的用户指纹时所使用的训练好的指纹特征模型可以预先通过以下方式训练获得：
80.构建待训练的网络模型，并对应设置m组(m＞1)模型参数，模型参数主要包括识别时长、时间间隔和加权平滑因子；基于每一组模型参数，根据预先设置的训练集对构建好的网络模型进行训练，对应获得m个训练后的网络模型；其中，网络模型训练时的目标是最大化同一个用户的指纹特征的相似度(即最小化同一个用户的指纹距离)，以及最小化不同用户的指纹特征的相似度(即最大化不同用户的指纹距离)，设d
ij
表示用户i和用户j之间的指纹距离，d
ij
越小，用户i和用户j之间的相似度越大，针对用户i，其训练指标为si＝d
ij-∑
i≠jdij
，则总的训练指标可表示为s＝min(∑isi)，
81.基于每一个训练后的网络模型，分别对n个(n＞1)测试用户进行识别，其中，每一个测试用户对应的分布特征、统计特征和用户指纹已知，将每一个测试用户对应的分布特征、统计特征输入到训练后的网络模型中，对应输出每一个测试用户的用户指纹，根据每一个测试用户的已知的用户指纹和由训练后的网络模型输出的用户指纹，判断每一个测试用户是否识别成功，相应获得n个测试用户的识别结果。
82.基于每一个训练后的网络模型，根据对应获得的n个测试用户的识别结果，分别计算获得每一个训练后的网络模型所对应的识别准确率，m个训练后的网络模型则对应m个识别准确率；获取m个识别准确率中的最大准确率，将最大准确率所对应的训练后的网络模型
作为最终的指纹特征模型。
83.需要说明的是，在确定指纹特征模型之后，可以通过使用指纹特征模型获得不同用户的用户指纹，从而构建指纹特征库。
84.示例性的，以模型参数中的时间间隔参数为例，假设时间间隔设置了a1、a2和a3这三个参数，将a1代入构建好的网络模型中，并进行训练，对应获得训练后的网络模型b1，基于b1对n个测试用户进行识别，对应获得识别准确率c1；同理，将a2代入构建好的网络模型中，并进行训练，对应获得训练后的网络模型b2，基于b2对n个测试用户进行识别，对应获得识别准确率c2；将a3代入构建好的网络模型中，并进行训练，对应获得训练后的网络模型b3，基于b3对n个测试用户进行识别，对应获得识别准确率c3；比较c1、c2和c3的大小，假设c2最大，则将c2所对应的训练后的网络模型b2作为用户识别时所使用的指纹特征模型，相应的，a2也可以作为用户识别时所设置的时间间隔。
85.可以理解的，通过设置不同的模型参数代入构建好的网络模型中进行训练，从中选取训练结果最优的参数组合所对应的网络模型作为指纹特征模型，能够提高用户识别结果的准确性。
86.在又一个优选实施例中，所述识别阈值预先通过以下步骤获得：
87.根据x个测试用户对应的x个测试用户数据流和所述指纹特征模型，获取每一个所述测试用户的测试用户指纹，其中，所述测试用户为所述指纹特征库中的用户，x＞1；
88.设置y个初始识别阈值，基于每一个初始识别阈值，分别根据x个所述测试用户指纹查询所述指纹特征库，获得x个所述测试用户的识别结果，其中，y＞1；
89.根据x个所述测试用户的识别结果，计算获得每一个初始识别阈值对应的识别准确率；
90.确定y个识别准确率中的最大准确率，将所述最大准确率对应的初始识别阈值作为所述识别阈值。
91.具体的，结合上述实施例，在对待识别用户进行识别时，所使用的识别阈值可以预先通过以下方式获得：可以从指纹特征库中选择x个(x＞1)测试用户，则每一个测试用户的指纹特征已知，根据采集获得的x个测试用户所对应的x个测试用户数据流，对应获得x个测试用户所对应的分别特征和统计特征，将每一个测试用户所对应的分别特征和统计特征输入到指纹特征模型中，对应获得每一个测试用户的测试用户指纹；预先设置y个(y＞1)初始识别阈值，基于每一个初始识别阈值，分别根据获得的x个测试用户指纹查询指纹特征库，采用上述实施例中相同的识别方案，对应获得x个测试用户的识别结果，并根据x个测试用户的识别结果，分别计算获得每一个初始识别阈值所对应的识别准确率，y个初始识别阈值则对应y个识别准确率；获取y个识别准确率中的最大准确率，将最大准确率所对应的初始识别阈值作为最终的识别阈值。
92.可以理解的，通过设置不同的初始识别阈值进行用户识别，从中选取识别准确率最大时的初始识别阈值作为最终的识别阈值，能够进一步提高用户识别结果的准确性。
93.本发明实施例还提供了一种用户识别装置，参见图2所示，是本发明提供的一种用户识别装置的一个优选实施例的结构框图，所述装置包括：
94.数据流获取模块11，用于根据预设的识别时长采集待识别用户的用户数据流；
95.数据流处理模块12，用于根据预设的时间间隔对所述用户数据流进行预处理，获
得分布特征和统计特征，其中，所述分布特征包括流时长分布、报文长度分布、报文达到时间分布和字节数分布，所述统计特征包括平均时间间隔和概率最大的报文长度；
96.用户指纹获取模块13，用于将所述分布特征和所述统计特征输入训练好的指纹特征模型中，获得所述待识别用户的用户指纹；
97.用户识别模块14，用于根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果。
98.优选地，所述指纹特征库中包括至少一个用户及其对应的指纹特征；则，所述用户识别模块14具体包括：
99.相似度获取单元，用于根据所述用户指纹和所述指纹特征库中的每一个指纹特征，获取所述待识别用户与所述指纹特征库中的每一个用户的相似度，其中，所述相似度为所述用户指纹与每一个指纹特征的指纹距离，且指纹距离越小，相似度越大；
100.第一用户识别单元，用于当最小的指纹距离小于预设的识别阈值时，识别所述待识别用户为最小的指纹距离对应的指纹特征在所述指纹特征库中对应的目标用户。
101.优选地，在所述第一用户识别单元识别所述待识别用户为最小的指纹距离对应的指纹特征在所述指纹特征库中对应的目标用户之后，所述装置还包括：
102.第一指纹库更新模块，用于：对所述用户指纹和所述目标用户对应的指纹特征进行加权平滑处理，获得更新后的指纹特征；根据所述更新后的指纹特征对所述指纹特征库中的所述目标用户对应的指纹特征进行更新。
103.优选地，所述用户识别模块14还包括：
104.第二用户识别单元，用于当最小的指纹距离不小于所述识别阈值时，识别所述待识别用户为新增用户。
105.优选地，在所述第二用户识别单元识别所述待识别用户为新增用户之后，所述装置还包括：
106.第二指纹库更新模块，用于将所述新增用户及其对应的所述用户指纹添加到所述指纹特征库中。
107.优选地，所述装置还包括指纹特征模型获取模块，用于：
108.设置m组模型参数，基于每一组模型参数，根据预设的训练集对构建的网络模型进行训练，对应获得m个训练后的网络模型，其中，所述模型参数包括识别时长、时间间隔和加权平滑因子，m＞1；
109.基于每一个训练后的网络模型，对n个测试用户进行识别，获得n个所述测试用户的识别结果，其中，n＞1；
110.根据n个所述测试用户的识别结果，计算获得每一个训练后的网络模型对应的识别准确率；
111.确定m个识别准确率中的最大准确率，将所述最大准确率对应的训练后的网络模型作为所述指纹特征模型。
112.优选地，所述装置还包括识别阈值获取模块，用于：
113.根据x个测试用户对应的x个测试用户数据流和所述指纹特征模型，获取每一个所述测试用户的测试用户指纹，其中，所述测试用户为所述指纹特征库中的用户，x＞1；
114.设置y个初始识别阈值，基于每一个初始识别阈值，分别根据x个所述测试用户指
纹查询所述指纹特征库，获得x个所述测试用户的识别结果，其中，y＞1；
115.根据x个所述测试用户的识别结果，计算获得每一个初始识别阈值对应的识别准确率；
116.确定y个识别准确率中的最大准确率，将所述最大准确率对应的初始识别阈值作为所述识别阈值。
117.需要说明的是，本发明实施例所提供的一种用户识别装置，能够实现上述任一实施例所述的用户识别方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的用户识别方法的作用以及实现的技术效果对应相同，这里不再赘述。
118.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的用户识别方法。
119.本发明实施例还提供了一种终端设备，参见图3所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的用户识别方法。
120.优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、
······
)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
121.所述处理器10可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
122.所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡和闪存卡(flash card)等，或所述存储器20也可以是其他易失性固态存储器件。
123.需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构框图仅仅是上述终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
124.综上，本发明实施例所提供的一种用户识别方法、装置、计算机可读存储介质及终端设备，根据预设的识别时长采集待识别用户的用户数据流；根据预设的时间间隔对所述用户数据流进行预处理，获得分布特征和统计特征，其中，所述分布特征包括流时长分布、
报文长度分布、报文达到时间分布和字节数分布，所述统计特征包括平均时间间隔和概率最大的报文长度；将所述分布特征和所述统计特征输入训练好的指纹特征模型中，获得所述待识别用户的用户指纹；根据所述用户指纹查询预设的指纹特征库，获得所述待识别用户的识别结果。本发明实施例能够通过对用户数据流本身的一些固有特征进行学习、统计和建模，无需对数据包进行深度解析，从而实现对用户的重识别，并且识别准确率不受加密数据的影响；同时，只在数据流层面上进行检测，不涉及数据包的精确解读，能够在不影响设备性能，也不涉及用户的隐私数据的前提下，为用户提供较好的隐私保护，从而安全、有效的对用户进行识别。
125.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。