(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111632441.X (22)申请日 2021.12.2 9 (71)申请人 北京淇瑀信息科技有限公司 地址 100012 北京市朝阳区双营路1 1号院3 号楼2层4单元207 (72)发明人 王垚炜　沈赟　 (74)专利代理 机构 北京清诚知识产权代理有限 公司 11691 代理人 宋红艳 (51)Int.Cl. G06F 21/44(2013.01) G06F 21/31(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于APP特征提取的用户设备认证方法 及装置 (57)摘要 本发明公开了一种基于APP特征提取的用户 设备认证方法及装置， 所述方法包括： 将APP数据 中的每个APP作为节点， 对出现在同一个设备样 本的APP数据中的节点建立连接作为边， 构建图 结构， 根据所述图结构采集设备属性信息； 通过 所述设备属性信息训练图神经网络模 型； 从训练 好的图神经网络模型输出的聚合特征中提取设 备特征； 基于提取的设备特征对申请互联网服务 的用户设备进行认证。 本发明能够快速的提取基 于APP数据的设备特征， 从而在业务流程的前端 位置对申请互联网服务的用户设备进行认证， 保 证业务后续流程的安全性。 权利要求书3页 说明书11页 附图3页 CN 114329428 A 2022.04.12 CN 114329428 A 1.一种基于AP P特征提取的用户设备认证方法， 其特 征在于， 所述方法包括： 将APP数据中的每个APP作为节点， 对出现在同一个设备样本的APP数据中的节点建立 连接作为 边， 构建图结构； 根据所述图结构采集设备属性信息； 通过所述设备属性信息训练图神经网络模型； 从训练好的图神经网络模型输出的聚合特 征中提取设备 特征； 基于提取的设备 特征对申请互联网服 务的用户设备进行认证。 2.根据权利要求1所述的方法， 其特征在于， 所述设备属性信息包括： 图结构中各个节 点的属性特征和各个边的属性特征， 以及各个设备在所述图结构中对应的属性特征和标 签； 所述根据所述图结构采集设备属性信息包括： 采集节点的AP P属性信息作为该节点的属性特 征； 根据同一条边中两个AP P出现在相同设备样本的AP P数据的次数确定该边的属性特 征； 根据同一设备样本的APP数据在图结构中获取每个设备对应的子图； 根据设备信息确 定各个子图对应的属性特 征和标签。 3.根据权利要求1或2所述的方法， 其特征在于， 所述图神经网络模型为图卷积网络模 型， 所述图卷积网络模型包括： 多个图卷积网络层和与所述多个图卷积网络层一一对应的 多个聚合 函数； 其中： 第k图卷积网络层将第k ‑1图卷积网络层中节点v的属性特征、 节点v邻居节点的属性特 征、 以及节 点v与其邻居节点之间边的属性特征进 行聚合， 得到节 点v在第k图卷积网络层的 聚合特征； 第k图卷积网络层的聚合函数将子 图中各个节点在第k图卷积网络层的聚合特征及子 图对应的属性特 征进行聚合， 得到 子图在第k图卷积网络层的聚合特 征。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述图结构训练图神经网络模型 包括： 根据各个子图对应的标签创建所述图卷积网络模型的损失函数； 将图结构中各个节点的属性特征和各个边的属性特征输入第 k图卷积网络层中进行聚 合， 得到第各个节点在第k图卷积网络层的聚合特 征； 将子图中各个节点在第k图卷积网络层的聚合特征及子 图对应的属性特征输入第k图 卷积网络层的聚合 函数进行聚合， 得到 子图在第k图卷积网络层的聚合特 征； 基于所述损失函数及各个子图在每个图卷积网络层的聚合特征对所述图卷积网络模 型进行优化。 5.根据权利要求1 ‑4任一项所述的方法， 其特征在于， 所述从训练好的图神经网络模型 输出的聚合特 征中提取设备 特征包括： 将各个图卷积网络层输出的节点聚合特征， 和/或， 各个聚合函数输出的子图在第各个 图卷积网络层的聚合特 征作为图神经网络模型输出的聚合特 征； 将同一标签下的各个聚合特 征组合成特 征集； 在同一特 征集中， 根据各个聚合特 征的预定指标选取设备 特征。 6.根据权利要求1所述的方法， 其特征在于， 所述设备属性信息包括： 图结构中各个节 点的属性特 征和各个边的属性特 征， 所述根据所述图结构采集设备属性信息包括：权　利　要　求　书 1/3 页 2 CN 114329428 A 2采集节点的AP P属性信息作为该节点的属性特 征和标签； 根据同一条边中两个AP P出现在相同设备样本的AP P数据的次数确定该边的属性特 征。 7.一种基于AP P特征提取的用户设备认证装置， 其特 征在于， 所述装置包括： 构建模块， 用于将APP数据中的每个APP作 为节点， 对出现在同一个设备样本的APP数据 中的节点建立连接作为 边， 构建图结构； 采集模块， 用于根据所述图结构采集设备属性信息； 训练模块， 用于通过 所述设备属性信息训练图神经网络模型； 提取模块， 用于从训练好的图神经网络模型输出的聚合特 征中提取设备 特征； 认证模块， 用于基于提取的设备 特征对申请互联网服 务的用户设备进行认证。 8.根据权利要求7所述的装置， 其特征在于， 所述设备属性信息包括： 图结构中各个节 点的属性特征和各个边的属性特征， 以及各个设备在所述图结构中对应的属性特征和标 签； 所述采集模块包括： 第一采集模块， 用于采集节点的AP P属性信息作为该节点的属性特 征； 第一确定模块， 用于根据同一条边中两个APP出现在相同设备样本的APP数据的次数确 定该边的属性特 征； 第二确定模块， 用于根据同一设备样本的APP数据在图结构中获取每个设备对应的子 图； 根据设备信息确定各个子图对应的属性特 征和标签。 9.根据权利要求7或8所述的装置， 其特征在于， 所述图神经网络模型为图卷积网络模 型， 所述图卷积网络模型包括： 多个图卷积网络层和与所述多个图卷积网络层一一对应的 多个聚合 函数； 其中： 第k图卷积网络层将第k ‑1图卷积网络层中节点v的属性特征、 节点v邻居节点的属性特 征、 以及节 点v与其邻居节点之间边的属性特征进 行聚合， 得到节 点v在第k图卷积网络层的 聚合特征； 第k图卷积网络层的聚合函数将子 图中各个节点在第k图卷积网络层的聚合特征及子 图对应的属性特 征进行聚合， 得到 子图在第k图卷积网络层的聚合特 征。 10.根据权利要求9所述的装置， 其特 征在于， 所述训练模块包括： 子构建模块， 用于根据各个子图对应的标签构建所述图卷积网络模型的损失函数； 第一输入模块， 用于将图结构中各个节点的属性特征和各个边的属性特征输入第k图 卷积网络层中进行聚合， 得到第各个节点在第k图卷积网络层的聚合特 征； 第二输入模块， 用于将子 图中各个节点在第k图卷积网络层的聚合特征及子 图对应的 属性特征输入第k图卷积网络层的聚合函数进行聚合， 得到子图在第k图卷积网络层的聚合 特征； 优化模块， 用于基于所述损失函数及各个子图在每个图卷积网络层的聚合特征对所述 图卷积网络模型进行优化。 11.根据权利要求7 ‑10任一项所述的装置， 其特 征在于， 所述 提取模块包括： 子提取模块， 用于将各个 图卷积网络层输出的节点聚合特征， 和/或， 各个聚合函数输 出的子图在第各个图卷积网络层的聚合特 征作为图神经网络模型输出的聚合特 征； 组合模块， 用于将同一标签下的各个聚合特 征组合成特 征集； 选取模块， 用于在同一特 征集中， 根据各个聚合特 征的预定指标选取设备 特征。权　利　要　求　书 2/3 页 3 CN 114329428 A 3