一种确定设备指纹同源性的方法、装置及计算机设备与流程

1.本技术涉及通信技术领域，特别是涉及一种确定设备指纹同源性的方法、装置及计算机设备。


背景技术：

2.随着互联网技术的不断发展，越来越多的交易从线下转移到了线上。由于互联网交易双方的身份具有隐蔽性，欺诈团伙看到了其中的“商机”，他们通过分析各大互联网公司的业务和技术漏洞来实施各种欺诈或者攻击行为。例如，同一用户或者大量用户使用同一个设备向服务端发送大量请求，称为“设备聚集性”。
3.批量注册，撞库登录，批量下单等行为都会有出现这种集中使用同一个设备的情况。理论上如果能够给每个设备分配一个唯一的设备id，那么可以通过设备id发现这种聚集性异常。但是现实中黑产会通过改机软件或模拟器修改设备参数、定位、ip等信息，目的是直接破坏设备指纹生成的稳定性，让我们无法追踪黑产用户，达到伪装成新用户突破风控防线实施欺诈。即黑产通过改变设备指纹的方式，以躲避风控防线的监测，如此一来，传统的聚类分析方法就无法确定设备指纹的同源性。
4.因此，急需一种准确率高、稳定性强的设备指纹同源性判定方法。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够稳定、准确、高效区别真实有价值用户、恶意用户及欺诈团伙的确定设备指纹同源性方法、装置及计算机设备。
6.一方面，一种确定设备指纹同源性的方法，包括以下步骤：获取设备指纹的设备指纹字段；基于预设的特征类别，将所述设备指纹字段分类，获得设备指纹特征字段；基于所述特征类别，计算所述设备指纹特征字段的相似度；最终确定所述设备指纹同源性；其中：所述设备指纹数量至少为二。
7.进一步地，所述设备指纹字段包括：软硬件信息、网络和地理位置信息、关联会员账号信息、综合行为信息及交易信息。
8.进一步地，所述预设的特征类别包括：数值型特征类别、集合型特征类别、带时间戳特征类别；所述设备指纹特征字段包括设备指纹数值型特征字段、设备指纹集合型特征字段、设备指纹带时间戳特征字段。
9.进一步地，若所述设备指纹特征字段为设备指纹数值型特征字段，则通过求解两设备指纹的差值、差值绝对值、平方差值及比值的方法，确定所述设备指纹的同源性。
10.进一步地，若所述设备指纹特征字段为设备指纹集合型特征字段，则基于相似性算法确定所述设备指纹的同源性；
11.其中：所述相似性算法包括：jaccard相似性算法、取值比例相似性算法、welch’s t-test相似性算法、mann whiteny u-test相似性算法、user agent序列相似性算法、ip地址相似性算法、screen resolution相似性算法和/或文本相似性算法。
12.进一步地，若所述设备指纹特征字段为设备指纹带时间戳特征字段，则依据时间规律相似度及事件连续性确定所述设备指纹的同源性。
13.进一步地，所述方法还包括：基于时间模式相似度算法确定所述设备指纹的时间规律相似度的最大值、最小值及均值。
14.进一步地，若两所述设备指纹的差值、差值绝对值和/或平方差值为0时，则剔除该设备指纹数值型特征字段。
15.另一方面，一种确定设备指纹同源性的装置，所述装置包括：数据获取模块：以用于获取设备指纹的设备指纹字段；数据分类模块：基于预设的特征类别，以用于分类所述设备指纹字段，获取得到设备指纹特征字段；数据相似度计算模块：依据不同类别的设备指纹特征字段，以用于计算设备指纹特征字段的相似度；同源性确定模块：基于设备指纹特征字段的相似度，确定设备指纹同源性。
16.再一方面，一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述确定设备指纹同源性的方法的步骤。
17.上述确定设备指纹同源性的方法、装置及计算机设备，通过提取设备指纹的设备指纹字段，然后按照数值型特征字段、集合型特征字段和带时间戳特征字段将获取的到的设备指纹字段进行划分得到不同类别的设备指纹特征字段，分类别的获取设备指纹特征字段的相似度，最终确定设备指纹同源性。本技术通过全面性的考量设备指纹字段的相似度，最终达到了确定设备指纹同源性准确率高和稳定性强的有益效果。
附图说明
18.图1为一个实施例中确定设备指纹同源性的方法的应用环境图；
19.图2为一个实施例中确定设备指纹同源性的方法的流程示意图；
20.图3为一个实施例中确定设备指纹同源性的装置的结构示意图；
21.图4为一个实施例中计算机设备的结构示意图。
具体实施方式
22.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
23.本技术提供的确定设备指纹同源性的方法，可以应用于如图1所示的应用环境。其中，终端102通过网络与服务器104通过网络进行通信。需要理解的是，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
24.具体地，根据本技术实施例提供的确定设备指纹同源性的方法对设备指纹的同源性进行分析挖掘的过程包括：
25.s10、获取设备指纹的设备指纹字段；
26.即为设备指纹的相关信息，其中可以包括但是不限于软硬件信息、网络和地理位置信息、关联会员账号信息、综合行为信息和/或交易信息。应当理解的是，技术人员可以根
据实际情况，选择合适的设备指纹的相关信息的种类和数据量。
27.s11、基于预设的特征类别，将所述设备指纹字段分类，获得设备指纹特征字段；其中：特征类别可以包括数值型特征类别，集合型特征类别、带时间戳特征类别。即针将任一种或任几种设备指纹字段按照特征类别进行更进一步地细致的划分。其中：数值型特征类别即为设备指纹id活跃的时间点的数目、产生行为的数目；集合型特征类别即为所有与设备指纹相关的历史信息而组成的庞大的数据集；带时间戳特征类别即为通过时间进行表征的、与设备指纹相关的历史信息构成的庞大的数据集。
28.在一个具体的实施例中，分别提取综合行为信息、交易信息、网络和地理位置及关联会员账号信息的数值型特征字段；具体地，上述设备指纹字段包括但不限于以下设备指纹数值型特征字段：
29.综合行为信息：各事件参与记录数目、全天内不同时段的活跃记录数目；其中，全天内不同时段可以包括：上午、中午、下午、晚上、午夜；
30.关联会员账号信息：关联网银账户数目、会员数目、登陆名数目、关联身份证数目；
31.交易信息：订单完成数目、商品购买数目、商品购买种类数目、有购买记录的商家数目；
32.网络和地理信息：ip解析数目、ip解析国家数目、ip解析省份数目、ip解析城市数目。
33.同样地，按照集合型特征类别、带时间戳特征类别分别提取设备指纹字段的集合型特征字段及带时间戳特征字段。具体地，上述设备指纹的字段包括但不限于以下设备指纹集合型特征字段：
34.软硬件信息：终端集合、mac地址集合、user agent集合、操作系统集合及浏览器集合；
35.网络和地址信息：ip地址集合、ip解析国家集合、ip解析经纬度集合；
36.关联苏宁会员：关联网银账户集合、关联购物账号集合、关联登陆名集合、关联手机号集合、关联交易手机号集合、关联身份证号集合、深度关联网银账户账号集合；
37.综合行为信息：事件集合、活跃时间集合、当前页面停留时间集合、当前访问pv个数集合；
38.交易信息：支付订单集合、商品类别集合、支付渠道集合、支付结果集合。
39.同样地，上述设备指纹的字段包括但不限于以下设备指纹带时间戳特征字段：
40.软硬件信息：终端和活跃时间集合、操作系统和活跃时间集合等；
41.网络和地理位置：ip地址和活跃时间集合、ip解析经纬度和时间集合；
42.关联苏宁会员：关联网银账户和活跃时间集合、关联购物账号和活跃时间集合、关联登陆名和活跃时间集合、关联手机号和活跃时间集合；
43.综合行为信息：事件和活跃时间点集合、事件和活跃时长集合；
44.交易相关信息：支付订单和时间点集合。
45.s12、基于所述特征类别，计算所述设备指纹特征字段的相似度；
46.其中，所述设备指纹数量至少为二。
47.在一个具体的实施例中，通过对设备指纹的设备指纹特征字段进行两两对比计算，确定设备指纹的同源性。若设备指纹的字段为设备指纹数值型特征字段，则通过计算两
设备指纹的差值、差值绝对值、平方差值及比值设备指纹的同源性进行判断。具体地，两设备指纹的差值、差值绝对值、平方插值以及两设备的比值可以通过下式计算：
48.差值：d(xi,xj)＝x
i-xj；
49.差值绝对值：d(xi,xj)＝|x
i-xj|
50.平方差：d(xi,xj)＝(x
i-xj)251.比例：
52.其中：xi、xj分别表示两个设备指纹的数值型特征字段。
53.当计算出两设备指纹数值型特征字段的差值等于0或者无限接近于0的时候，则判定两设备指纹无效，将两设备指纹剔除；其原因在于：在对设备指纹数值型特征字段进行计算时，在对其网络和地理位置这一设备指纹字段进行判定时，若两设备指纹的差值为0或无限接近于0时，极有可能是因为两设备指纹的ip地址信息丢失而导致两设备指纹的差值为0，如果不将两设备指纹进行剔除，则极导致设备指纹同源性判定有误。
54.若设备指纹的字段为设备指纹集合型特征字段，即两设备指纹的集合型特征字段可以表示为：
[0055][0056]
其中：xi、xj分别表示两个设备集合型指纹特征字段的集合；
[0057]
xi、xj分别表示两个设备指纹集合型特征字段。
[0058]
若所述设备指纹特征字段的特征类别为集合型特征变量时，则依据相似性算法确定所述设备指纹的同源性；所述相似性算法包括：jaccard相似性算法、取值比例相似性算法、welch’s t-test相似性算法、mann whiteny u-test相似性算法、user agent序列相似性算法、ip地址相似性算法、screen resolution相似性算法和/或文本相似性算法。
[0059]
其中：jaccard相似性算法适用于度量设备指纹集合型特征字段的值存在差异时的相似度判断，比如：设备使用操作系统的种类、分辨率差异等；即通过判定两个设备重合的指纹集合型特征字段占两个设备所有的设备指纹集合型特征字段的比例，可依据下式判定：
[0060][0061]
其中：jaccard index(x,y)即为jaccard相似性算法；
[0062]
xi、xj分别表示两个设备集合型指纹特征字段的集合。
[0063]
取值比例相似性算法适用于度量集合特征中取值和取值频率的差异性，比如：设备进行某些行为比例差异、设备购买商品种类和频次差异。可依据下式判定：
[0064][0065][0066]
其中：occsimilarity(x,y)即为取值比例相似性求解模型；
[0067]
occi、occj分别表示两个设备指纹集合型特征字段的集合内各元素出现的比例集
合；
[0068]oik1
、o
ik2
、o
ik3
…oikn
分别表示k1、k2、k3…kn
元素在集合xi内出现次数占据集合内所有元素的比例；
[0069]ojk1
、o
jk2
、o
jk3
…ojkn
分别表示k1、k2、k3…kn
元素在集合xj内出现次数占据集合内所有元素的比例；
[0070]
welch’s t-test相似性算法适用于度量集合特征中取值分布差异性，如想要考察设备每日活跃时段差异、购买商品金额差异。即在两个设备指纹集合型特征字段的集合内的元素不想等和方差未知的情况下，就需要通过welch’s t-test相似性算法来验证两个设备指纹集合型特征字段的均值是否相等。当通过welch’s t-test相似性算法计算得到的均值越接近于0的时候，则在很大程度上表明均值相等的原假设为假，即认为两个设备指纹的设备指纹集合型特征字段的相似性越低；反之，若通过welch’s t-test相似性算法计算得到的均值越接近于1的时候，则在很大程度上表明均值相等的原假设为真，即认为两个设备指纹的设备指纹集合型特征字段的相似性越高。
[0071]
mann whiteny u-test相似性算法的思想是：假设两个样本分别来自除了总体均值以外完全相同的两个总体，以便于检验这两个总体的均值是否有显著的差别。与此同时，mann whiteny u-test相似性算法相对于welch’s t-test相似性算法而言，不存在对试验样本的正态分布的假设。
[0072]
user agent序列相似性算法的思想是：获得分别将两个集合内的元素进行对比之后得到的相似性分数之和的平均值，即将两个设备指纹集合型特征字段集合内包含的集合型字段对应进行对比求得相似性分数之后，将求得的每一个相似性分数相加求和，最后求得两设备指纹集合型特征字段集合的平均值。具体地，可依据下式：
[0073][0074]
xi＝{ua
i1
，ua
i2
，...，ua
in
}，xj＝{ua
j1
，ua
j2
，...，ua
jm
}
[0075]
其中：user agent(x，y)即为求解两集合内对应元素的相似性算法；
[0076]
xi、xj分别表示两个设备集合型指纹特征字段的集合；
[0077]uai1
、u
ai2
、u
ai3
...u
ain
和u
aj1
、u
aj2
、u
aj3
...u
ajn
分别表示xi、xj内的元素，即xi、xj内的设备指纹集合型特征字段。
[0078]
ip地址相似性即为判断两个设备指纹的ip的相似性，通常地，设备指纹ip通常分为四段，因此，ip地址相似性即为判断两个设备指纹ip对应的每一段的相似性。例如：以“113.247.22.180”ip地址为例，将ip地址进行划分，第一段即为113、第二段即为247、第三段即为22、第四端即为180；简而言之的将，就是以点为基础，将ip地址进行分段划分。具体地，可依据下式判定两设备指纹ip地址的相似性：
[0079]
d(xi，xj)＝(ipsimilarity1，ipsimilarity2，ipsimilarity3，ipsimilarity4)
[0080]
其中：ipsimilarityi表示第i段ip地址的取值相似性，i的取值范围为1-4。
[0081]
screen resolution相似性算法即为屏幕分辨率的相似性，一般地，屏幕分辨率常常分别求取屏幕高度分辨率和屏幕宽度分辨率的相似性，从而确定两设备指纹的屏幕分辨率的相似性。具体地，可以依据下式确定两设备指纹的screen resolution相似性：
[0082]
d(xi，xj)＝(heightsimilarityi，widthsimilarityi)
[0083]
其中：heightsimilarity表示屏幕高度分辨率；
[0084]
widthsimilarity表示屏幕高度分辨率。
[0085]
文本相似性是指将文本集合中的每个词语看作一个以字为单位的序列，即为将前文所述的两个设备指纹的取值比例相似性作为参数输入，求取前文所述的两个设备指纹的取值比例相似性的平均值。具体地，可以依据下式求取两设备指纹的文本相似性：
[0086][0087]
其中：
[0088]
m、n分别表示两设备指纹集合型特征字段的集合内的元素数目。
[0089]
若设备指纹的字段为设备指纹带时间戳特征字段，即两设备指纹的带时间戳特征字段可以表示为：
[0090]
xi＝(valueandtime
i1
，valueandtime
i2
，...，valueandtime
in
)
[0091]
xj＝(valueandtime
j1
，valueandtime
j2
，...，valueandtime
jm
)
[0092]
具体地，两个设备指纹带时间戳特征字段的相似性即求得两设备指纹的时间规律和连续事件的相似性。其中：设备指纹带时间戳特征字段的时间规律相似性是指：以一天/一段时间为考察点，考察两个设备指纹的使用规律是否一致。比如：用户习惯于在早上使用手机浏览商品信息，下午使用个人电脑浏览商品信息，收集对应的设备指纹和个人电脑对应的设备指纹是不同的，因此就要考虑这两个设备指纹的相似性。具体地，可以依据下式进行判断：
[0093]dmax
(xi，xj)＝max(test(t
i1
，t
j1
)，test(t
i2
，t
j2
)，test(t
i3
，t
j3
)，...，test(t
in
，t
jn
))
[0094]dmin
(xi，xj)＝min(test(t
i1
，t
j1
)，test(t
i2
，t
j2
)，test(t
i3
，t
j3
)，...，test(t
in
，t
jn
))
[0095]davg
(xi，xj)＝avg(test(t
i1
，t
j1
)，test(t
i2
，t
j2
)，test(t
i3
，t
j3
)，...，test(t
in
，t
jn
))
[0096]
其中：t
in
和t
jn
分别表示两设备指纹带时间戳特征字段。
[0097]
设备指纹带时间戳特征字段的连续事件相似性是指：两设备指纹各自处理的事件是否具体连续性，即两设备指纹是否在相对较短的时间内是否发生了连续性的事件。比如：用户在上午十点十分使用了设备指纹id1登陆了某平台浏览了某商品，紧接着在上午十点是十一分使用了设备指纹id2下单了此商品，则倾向于判定设备指纹id1和设备指纹id2属于统一设备。连续事件的具体计算方式可以为：首先确定连续时间的限定阈值，比如：设定两时间的前后连续时间为1小时；以其一事件为节点，以连续时间为依据，确定与该事件处于1小时内的后续事件或前续事件，具体可以下表为参考：
[0098]
事件节点后续事件集合e0411login_post,e0125,e0120,e0111,e0118login_poste0125,e0120,e0111,e0118e0125e0120,e0111,e0118
e0120e0111,e0118e0111e0118,e0120
[0099]
需要理解的是，上述例子中所述的连续事件的连续时间限定阈值仅仅为一个举例性说明，具体地，本领域的技术人员可以根据实际情况设定连续事件的连续时间限定阈值。
[0100]
步骤s12、最终确定所述设备指纹同源性。
[0101]
步骤s11按照设备指纹数值型特征字段、设备指纹集合型特征字段和设备指纹带时间戳特征字段的类别计算设备指纹的同源性。按照步骤s11中计算得到的设备指纹的不同类别的同源性，当两设备指纹的任一类别的特征字段的相似度高于第一阈值时，则认定两设备指纹属于同源性设备指纹。其中，本领域的技术人员可以根据实际需要及实际情况选择合适的第一阈值。本实施例中，确定第一阈值为90％，即当两设备指纹的任一类别的设备指纹特征字段的相似度超过90％时，则确定两设备指纹属于同源设备指纹。需要理解的是，本领域的技术人员可以根据实际情况对设备同源性的结果的判定条件做出限定，比如：本技术说明当两设备指纹的任一类别的特征字段的相似度高于第一阈值时，则认定两设备指纹属于同源性设备指纹。也可以是当两设备指纹的所有类别的特征字段的相似度均高于第一阈值时，则认定两设备指纹属于同源性设备指纹。
[0102]
在一个具体的实施例中，为了验证本技术所述的确定设备指纹同源性方法的准确性，特选取了数组数据对本技术所述的确定设备指纹同源性方法的准确性进行验证，数据清单如下表所示：
[0103]
表1数据清单
[0104]
[0105]
[0106][0107]
其中：版本列为该训练数据、测试数据组合在本问中会使用的引用名称；特征相似性分数个数列为实际输入监督学习模型的特征个数；训练数据名列为实际训练数据存储在集群中名字；训练样本数列中，第一行为总的样本数，标签1样本数为该训练数据中标签为同一设备的设备指纹对，标签0样本数为该训练数据中标签为不同设备的设备指纹对；测试1数据名列为实际测试数据存储在集群中名字(区别表明不同训练数据可能使用同一测试1数据)；测试1数据样本数为测试1数据中样本总数。
[0108]
将上述数据作为输入参数采用本技术所述的方法对设备指纹之间的同源性进行预测，即将数组数据作为输入参数求解输出数据，即得到设备指纹之间的同源性。得到的预测结果如下：
[0109]
表2设备指纹同源性预测结果表
[0110][0111][0112]
其中：真1表示两设备指纹为同源性设备指纹；真0表示两设备指纹为非同源性设备指纹。
[0113]
采用本技术所述的确定设备指纹同源性的方法，误差率最低可以达到0.08，说明本技术所述的确定设备指纹同源性的方法的准确率和稳定性是极高的，具有很高的实用性。
[0114]
实施例二
[0115]
一种确定设备指纹同源性的方法，如图2所示，所述方法包括以下步骤：获取设备指纹的设备指纹字段；基于预设的特征类别，将所述设备指纹字段分类，获得设备指纹特征字段；基于所述特征类别，计算所述设备指纹特征字段的相似度；最终确定所述设备指纹同源性；其中：所述设备指纹数量至少为二。
[0116]
本实施例中，所述设备指纹字段包括：软硬件信息、网络和地理位置信息、关联会员账号信息、综合行为信息及交易信息。
[0117]
本实施例中，所述预设的特征类别包括：数值型特征类别、集合型特征类别、带时间戳特征类别；所述设备指纹特征字段包括设备指纹数值型特征字段、设备指纹集合型特征字段、设备指纹带时间戳特征字段。
[0118]
本实施例中，若所述设备指纹特征字段为设备指纹数值型特征字段，则通过求解两设备指纹的差值、差值绝对值、平方差值及比值的方法，确定所述设备指纹的同源性。
[0119]
本实施例中，若所述设备指纹特征字段为设备指纹集合型特征字段，则基于相似性算法确定所述设备指纹的同源性；
[0120]
其中：所述相似性算法包括：jaccard相似性算法、取值比例相似性算法、welch’s t-test相似性算法、mann whiteny u-test相似性算法、user agent序列相似性算法、ip地址相似性算法、screen resolution相似性算法和/或文本相似性算法。
[0121]
本实施例中，若所述设备指纹特征字段为设备指纹带时间戳特征字段，则依据时间规律相似度及事件连续性确定所述设备指纹的同源性。
[0122]
本实施例中，所述方法还包括：基于时间模式相似度算法确定所述设备指纹的时间规律相似度的最大值、最小值及均值。
[0123]
本实施例中，若两所述设备指纹的差值、差值绝对值和/或平方差值为0时，则剔除该设备指纹数值型特征字段。
[0124]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0125]
实施例三
[0126]
一种确定设备指纹同源性的装置，如图3所示。所述装置包括：数据获取模块：以用于获取设备指纹的设备指纹字段；数据分类模块：基于预设的特征类别，以用于分类所述设备指纹字段，获取得到设备指纹特征字段；其中所述特征类别包括：数值型特征类别、集合型特征类别、带时间戳特征类别；所述设备指纹特征字段包括：设备指纹数值型特征字段、设备指纹集合型特征字段、设备指纹带时间戳特征字段。数据相似度计算模块：依据不同类别的设备指纹特征字段，以用于计算设备指纹特征字段的相似度；具体地，若所述设备指纹
特征字段为设备指纹数值型特征字段，则通过求解两设备指纹的差值、差值绝对值、平方差值及比值的方法，确定所述设备指纹的同源性；若所述设备指纹特征字段为设备指纹集合型特征字段，则基于相似性算法确定所述设备指纹的同源性；其中：所述相似性算法包括：jaccard相似性算法、取值比例相似性算法、welch’s t-test相似性算法、mann whiteny u-test相似性算法、user agent序列相似性算法、ip地址相似性算法、screen resolution相似性算法和/或文本相似性算法；若所述设备指纹特征字段为设备指纹带时间戳特征字段，则依据时间规律相似度及事件连续性确定所述设备指纹的同源性。同源性确定模块：基于设备指纹特征字段的相似度，确定设备指纹同源性；即若两个设备指纹的任一设备指纹特征字段的相似度超过阈值，则判定两设备指纹为同源性设备指纹。
[0127]
关于确定设备指纹同源性的装置的具体限定可以参见上文中对于确定设备指纹同源性的方法的限定，在此不再赘述。上述确定设备指纹同源性的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0128]
实施例四
[0129]
一种计算机设备，如图4所示，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0130]
获取设备指纹的设备指纹字段；基于预设的特征类别，将所述设备指纹字段分类，获得设备指纹特征字段；基于所述特征类别，计算所述设备指纹特征字段的相似度；最终确定所述设备指纹同源性；其中：所述设备指纹数量至少为二。
[0131]
需要理解的是，该计算机设备可以是服务器，如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储设备指纹数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种确定设备指纹同源性的方法。
[0132]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0133]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram
(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0134]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0135]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。