[发明专利]异常设备识别方法及装置和电子设备

说明书

本说明书实施例提供一种异常设备识别方法及装置和电子设备，通过接收客户端上报的设备硬件数据；将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

技术领域

本说明书实施例涉及互联网技术领域，尤其涉及一种异常设备识别方法及装置和电子设备。

背景技术

在一些需要限制用户参与次数的网络活动中，通常需要对用户使用的设备进行记录。并在同一设备记录的次数达到上限后不允许用户记录参与。然而，在实际应用中，发现部分用户通过修改使用设备的硬件数据的方式，使得同一设备实际参与次数超过上限后依然可以参与网络活动。

需要提供更为高效地异常设备识别方案。

发明内容

本说明书实施例提供的一种异常设备识别方法及装置和电子设备：

根据本说明书实施例的第一方面，提供一种异常设备识别方法，所述方法包括：

接收客户端上报的设备硬件数据；

将所述设备硬件数据输入到判别模型中，所述判别模型通过对抗生成网络训练得到；

根据所述判别模型输出结果，确定所述客户端上报的设备是否是异常设备。

可选的，所述判别模型，通过如下方式训练得到：

初始化对抗网络；所述对抗网络包括生成模型和判别模型；

获取真样本集；所述真实样本集包括历史上报的正常设备的硬件数据；

将所述真样本集输入所述生成模型，得到所述生成模型输出的假样本集；所述假样本集包括异常设备的硬件数据；

将所述真样本集和假样本集输入到所述判别模型，得到所述判别模型输出的全部样本的判别结果；

判断所述全部样本的判别结果是否都正确；

在所述全部样本的判别结果都正确的情况下，将所述判别模型确定为最终的判别模型。

可选的，所述判别模型包括：

深度学习网络模型或者机器学习模型。

可选的，所述深度学习网络模型包括：

卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

可选的，所述机器学习模型包括：

支持向量机、决策树或随机森林。

可选的，所述根据所述判别模型输出结果，确定所述上报的设备是否异常，具体包括：

在所述判别模型输出结果为0的情况下，确定所述上报的设备异常；

或者，

在所述判别模型输出结果为1的情况下，确定所述上报的设备正常。

可选的，所述在所述判别模型输出结果为0的情况下，确定所述上报的设备异常之后，所述方法包括：

将该异常设备上登录的用户账户加入黑名单。

可选的，在所述获取历史上报设备的硬件数据以及判别数据之后，所述方法还包括：

将所述真样本集中离散的硬件数据转换为连续的硬件数据。

可选的，所述转换的方式包括信息检索数据挖掘的常用加权技术。

根据本说明书实施例的第二方面，提供一种异常设备识别装置，所述装置包括：

接收单元，接收客户端上报的设备硬件数据；