[发明专利]设备信息处理方法及装置

权利要求书

1.一种设备信息处理方法，其特征在于，所述方法包括：

获取访问设备的设备信息，并对所述设备信息进行归一化处理以生成归一化设备信息，所述设备信息包括：设备属性信息和用户操作行为信息；

根据反欺诈模型中的最优超参数确定与所述归一化设备信息相关的多个测试数据；

根据所述归一化设备信息与多个测试数据之间的相关程度、以及所述多个测试数据的历史风险类别确定所述设备信息的风险类别；

其中，根据所述反欺诈模型中的最优超参数确定与所述归一化设备信息相关的多个测试数据包括：运用最优超参数K，应用马氏距离和相似度距离进行KNN算法计算归一化设备信息与各测试数据之间的距离，当马氏距离和相似度距离计算结果一致时，则记录对应的测试数据，之后对记录的测试数据按照距离的从小到大依次排序，获取排在前K位的K个测试数据作为所述多个测试数据，

其中，马氏距离算法为：假设有m个样本向量X₁～X_m，协方差矩阵S，均值记为μ，则样本向量X_i与X_j之间的马氏距离定义为

相似度度量算法为：采用样本之间相关程度来衡量样本之间的关系，样本向量X_i与X_j之间的相关系数为当相关系数取1时为正相关，-1时为负相关，其中，i，j，m为正整数；

其中，所述反欺诈模型基于分类算法根据所述设备属性信息和用户操作行为信息预测所述访问设备的风险类别；

根据所述访问设备的风险类别对相应的用户操作行为进行干预处理。

2.根据权利要求1所述的方法，其特征在于，所述反欺诈模型基于KNN算法，通过如下方式训练所述反欺诈模型：

获取多个历史设备信息，并将所述多个历史设备信息划分为训练数据集和测试数据集，所述历史设备信息包括：历史设备属性信息、历史用户操作行为信息和历史风险类别；

将各训练数据中的历史设备属性信息和历史用户操作行为信息进行归一化处理后输入至所述反欺诈模型以预测风险类别，并根据各训练数据中的历史风险类别和预测的风险类别对所述反欺诈模型进行训练；

响应于各测试数据输入至所述反欺诈模型，预测的风险类别的准确性达到预定值，则所述反欺诈模型训练完成，其中，训练完成的反欺诈模型具有最优超参数。

3.根据权利要求2所述的方法，其特征在于，通过如下方式确定最优超参数：

根据预定规则设置初始超参数、超参数阈值和风险类别预测阈值；

将各训练数据循环遍历输入所述反欺诈模型，并根据所述预测的风险类别的准确性调整所述初始超参数到所述最优超参数，以使所述预测的风险类别的准确性达到所述风险类别预测阈值，其中，所述最优超参数位于所述超参数阈值的预定位置。

4.根据权利要求1所述的方法，其特征在于，所述相关程度通过距离信息表示，根据所述归一化设备信息与多个测试数据之间的相关程度、以及所述多个测试数据的历史风险类别确定所述设备信息的风险类别包括：

根据所述归一化设备信息与各测试数据之间的距离信息设置所述归一化设备信息与各测试数据之间的权重；

根据所述归一化设备信息与各测试数据之间的权重、以及各测试数据的历史风险类别确定所述设备信息的风险类别。

5.根据权利要求1至4中任一项所述的方法，其特征在于，生成归一化设备信息之后，所述方法还包括：对所述归一化设备信息中的多个特征变量进行变量聚类处理，以生成新的特征变量。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

根据生成的新特征变量和预测的风险类别为所述访问设备进行设备画像操作。

7.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：

根据各访问设备的设备标识和风险类别建立设备名单库。