[发明专利]基于浅层自学习算法拒绝推断的设备认证方法及系统、电子设备

说明书

一种基于浅层自学习算法拒绝推断的设备认证方法及系统、电子设备。所述方法包括：采用无监督的异常数据识别算法，剔除极端数据，以及信息增益过少的无标签数据，保证自学习的稳定性；通过迭代阈值分位数，给无标签样本进行打标；结合确定标签的无标签样本和有标签的通过样本，重新训练整理模型，以达到修正模型打分分布的作用。本发明以机器学习的算法，最大限度避免了人为的主观臆测，给出了一种新的评价标准来为拒绝推断的有效性进行评估，使设备认证的鲁棒性和精确性都得到很大的提高。

技术领域

本发明涉及互联网平台的设备认证技术领域，更具体的涉及一种基于浅层自学习算法的拒绝推断的设备认证方法及系统、电子设备和计算机存储介质。

背景技术

对于基于互联网平台的移动应用，用户若要办理具体的网络业务，往往需要对接入的设备进行认证，只有认证后的设备才资格申请相关业务。为了避免风险，平台往往需要对新设备进行预先评估，只有通过评估的设备才被允许进行后续的业务申请。例如，对于基于互联网平台的出行业务(打车、共享单车、导航)，外送业务(叫快递、点外卖)、金融业务(理财、借款、保险)、购物(在线商志愿、团购、拼单等)，都需要对接入的设备及与该设备关联的信息(设备信息、用户信息、地域信息等)进行预先处理，以对明显具有不良记录的设备拒绝接入。为了应对海量的接入请求，现有技术往往通过机器学习技术来进行处理设备认证问题。

随着网络和人工智能的发展，机器学习技术亦随之水涨船高。在机器学习技术中，需要设置标签并进行不断地迭代。而在有一类机器迭代中，由于不断的策略迭代，使得只有通过某些条件的数据才能取得标签值，从而评分模型只能建立在通过条件的接受样本中，与实际运用在全体样本(拒绝+通过)分布不同，从而造成了样本偏差问题。

解决这一类样本偏差问题的方法通常叫作拒绝推断方法，传统的拒绝推断方法例如包括借助阈值、比例进行推断的硬截断法，以及外包法等，但是这些方法或多或少都存在一些不足，比如太机械，或者太过于偏向主观臆测，迫切需要研究开发一种更加精确的拒绝推断方法。

发明内容

有鉴于此，本发明的主要目的在于提出一种基于浅层自学习算法的拒绝推断的设备认证方法及系统、电子设备和计算机存储介质，以期至少部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的第一方面，提供了一种基于自学习算法拒绝推断的设备认证方法，包括如下步骤：

采集首次认证后被拒绝的设备数据，采用无监督的异常数据识别算法，对输入的首次认证后被拒绝的设备数据剔除无效数据，其中，首次认证是采用机器自学习的模型进行的；通过迭代阈值分位数，给无标签样本进行打标；结合确定标签的无标签样本和有标签的通过样本，重新训练整理所述模型，以达到修正模型打分分布的作用；采用修正好的模型对新设备进行设备认证。

根据本发明的一种实施方式，所述剔除无效数据包括：剔除所述模型输入样本的特征空间中与X^a特征空间差异较大的样本；其中，定义总体样本X中包含接受样本，即X^a为接受样本。

根据本发明的一种实施方式，所述剔除无效数据包括：剔除所述模型输入样本中的特征空间与X^a最为接近的一部分拒绝样本。

根据本发明的一种实施方式，所述剔除的步骤采用孤立森林算法实现。

根据本发明的一种实施方式，所述剔除步骤具体包括：

子步骤1，用X^a训练孤立森林模型记为g(x)；

子步骤2，使用g(x)为X^r样本进行打分；

子步骤3，根据事先定义的阈值上下限[δ₁,δ₂]，小于阈值和大于阈值部分的样本剔除；得到用于继续打标的拒绝样本X^r*；