[发明专利]基于机器学习分析指纹相似度的跨浏览器设备识别方法

说明书

本发明提供了一种基于机器学习分析指纹相似度的跨浏览器设备识别方法，包括步骤：采集设备指纹特征信息，将设备指纹特征信息上传到服务端；在数据库中查找是否存在相同的设备指纹，若存在，判断为回访设备；否则，将设备指纹特征信息存储到数据库中；服务端对设备指纹特征信息进行分类；服务端对不同分类中的每种特征信息使用特征距离函数计算特征距离，再使用指纹组距离函数计算指纹组距离；采用机器学习模型判断设备指纹特征信息是否为回访设备的指纹特征信息，如果是，则判定为回防设备，否则为新设备。通过利用多种指纹特征信息形成指纹特征，并且采用更加合理的机器学习的方法来分析指纹特征信息的相似度，达到跨浏览器设备识别的效果。

技术领域

本发明涉及设备识别技术领域，尤其涉及一种基于机器学习分析指纹相似度的跨浏览器设备识别方法。

背景技术

2010年，Eckersley，Peter等人提出使用收集设备指纹信息的方法来识别设备，但是对设备指纹特征的处理非常简单，仅仅是将设备指纹特征进行哈希运算，并且只能做到单个浏览器的识别，无法做到同一设备跨浏览器识别。

2017年Cao，Yinzhi等人提出使用复合图片变换作为设备特征，如此做到了跨浏览器设备识别，但是该方法跨浏览器识别的准确度比较低，仅仅有83.24％，并且执行操作非常耗时，在15秒-25秒之间，基本无法实际应用，对设备指纹特征的处理也不够科学，无法准确计算出相似度。

发明内容

为了克服现有技术的不足，本发明提供了一种基于机器学习分析指纹相似度的跨浏览器设备识别方法，通过利用多种指纹特征信息形成指纹特征，并且采用更加合理的机器学习的方法来分析指纹特征信息的相似度，达到跨浏览器设备识别的效果。具体采用的技术方案如下：

一种基于机器学习分析指纹相似度的跨浏览器设备识别方法，包括以下步骤：

采集设备指纹特征信息，并将所述设备指纹特征信息上传到服务端；

在数据库中查找是否存在相同的设备指纹，若存在，则判断为回访设备；否则，将所述设备指纹特征信息存储到所述数据库中；

所述服务端对所述设备指纹特征信息进行分类；

所述服务端对不同分类中的每种特征信息使用特征距离函数计算特征距离，然后再使用指纹组距离函数计算指纹组距离；

采用机器学习模型判断所述设备指纹特征信息是否为回访设备的指纹特征信息，如果是，则判定为回防设备，否则为新设备。

优选的，所述采集设备指纹特征信息，并将所述设备指纹特征信息上传到服务端为，通过Web站点加载Javascript，采集21种设备指纹特征信息，并将所述所述设备指纹特征信息通过Ajax上传到服务端。

优选的，所述21种设备指纹特征信息为屏幕分辨率、时区、CPU类型、平台、触感屏特征、像素比、IP组，核心数、GPU硬件信息、声卡硬件信息、字体、浏览器用户代理、语言、插件、GPU渲染图片透明度alpha＝0.2、GPU渲染图片透明度alpha＝0.4、GPU渲染图片透明度alpha＝0.6、GPU渲染图片透明度alpha＝0.8、GPU渲染图片纹理值、GPU渲染图片光照、音频指纹。

优选的，所述服务端对所述设备指纹特征信息进行分类为，对所述21种设备指纹特征信息进行分类，分类类别包括标称特征、二元特征和列表特征，其中，所述二元特征为触感屏特征；所述标称特征为屏幕分辨率、时区、CPU类型、平台、像素比、IP组，核心数、GPU硬件信息、声卡硬件信息、字体、浏览器用户代理、语言、插件；所述列表特征为GPU渲染图片透明度alpha＝0.2、GPU渲染图片透明度alpha＝0.4、GPU渲染图片透明度alpha＝0.6、GPU渲染图片透明度alpha＝0.8、GPU渲染图片纹理值、GPU渲染图片光照、音频指纹。

优选的，所述标称特征对应的标称特征距离函数为，