用于客户端-云行为分析器的架构的利记博彩app
【专利说明】用于客户端-云行为分析器的架构
[0001] 相关申请
[000引 本申请要求享受于2013年1月2日提交的、题目为"Architec1:ure for Client-Cloud Behavior Analyzer"的美国临时专利申请 61/748, 220、2012 年 5 月 14 日 提交的、题目为"System, Apparatus and Method for Adaptive Observation of Mobile Device Behavior"的美国临时专利申请No. 61/646,590 W及于2012年8月15日提交的、 题目为"System, Apparatus and Method for Adaptive Observation of Mobile Device Behavior"的美国临时专利申请61/683, 274的优先权的权益，故出于所有的目的W引用方 式将该两个临时申请的全部内容并入本申请。
【背景技术】
[0003] 在过去的若干年里，蜂窝和无线通信技术已爆炸性增长。该种增长由更好的通信、 硬件、更大的网络、W及更可靠的协议来推动。无线服务提供商现在能够向其客户提供不断 扩展的一系列特征和服务，并向用户提供对信息、资源W及通信的前所未有的接入水平。为 了与该些服务增强俱进，移动电子设备（例如，蜂窝电话、平板电脑、膝上型电脑等）已经变 得比W往更强大和复杂。该复杂性已经为恶意软件、软件冲突、硬件错误、W及其它类似的 错误或现象不利地影响移动设备的长期W及持续的性能和功率利用水平创造了新的机会。 因此，对可能不利地影响移动设备的长期W及持续的性能和功率利用级别的条件和/或移 动设备行为进行识别和校正对消费者而言是有益的。
【发明内容】
[0004] 各个方面包括在客户端-云通信系统中生成数据模型的方法，其可W包括应用机 器学习技术W生成描述行为向量的云语料库的第一族的分类器模型，确定在所述第一族的 分类器模型中哪些因素具有使移动设备能够决定性地确定移动设备行为是恶意的还是良 性的较高可能性，基于所确定的因素生成将数量缩减的因素和数据点标识为与使所述移动 设备能够决定性地确定所述移动设备行为是恶意的还是良性的有关的第二族的分类器模 型，W及基于所述第二族的分类器模型生成移动设备分类器模块。
[0005] 在一方面，应用机器学习技术W生成描述行为向量的云语料库的第一族的分类器 模型可W包括在云网络的服务器中的深度分类器中生成所述第一族的分类器模型。在另外 的方面，生成第二族的分类器模型可W包括在网络服务器中的精简分类器中生成所述第二 族的分类器模型。在另外的方面，生成第二族的分类器模型可W包括在所述移动设备网络 中的精简分类器中生成所述第二族的分类器模型。在另外的方面，生成将数量缩减的因素 和数据点标识为与使所述移动设备能够决定性地确定所述移动设备行为是恶意的还是良 性的有关的第二族的分类器模型包括通过将所确定的因素应用到所述行为向量的云语料 库来生成所述第二族的分类器模型。
[0006] 另外的方面包括一种服务器计算设备，其具有用于应用机器学习技术W生成描述 行为向量的云语料库的第一族的分类器模型的单元，用于确定在所述第一族的分类器模型 中哪些因素具有使移动设备能够决定性地确定移动设备行为是恶意的还是良性的较高可 能性的单元，用于基于所确定的因素生成将数量缩减的因素和数据点标识为与使所述移动 设备能够决定性地确定所述移动设备行为是恶意的还是良性的有关的第二族的分类器模 型的单元，W及用于基于所述第二族的分类器模型生成移动设备分类器模块的单元。
[0007] 在一方面，用于应用机器学习技术W生成描述行为向量的云语料库的第一族的分 类器模型的单元可W包括用于在深度分类器中生成所述第一族的分类器模型的单元。在 另外的方面，用于生成第二族的分类器模型的单元可W包括用于在精简分类器中生成所述 第二族的分类器模型的单元。在另外的方面，用于生成第二族的分类器模型的单元可W包 括用于向所述移动设备发送所述第一族的分类器模型和所确定的因素的单元。在另外的方 面，用于生成将数量缩减的因素和数据点标识为与使所述移动设备能够决定性地确定所述 移动设备行为是恶意的还是良性的有关的第二族的分类器模型的单元包括用于通过将所 确定的因素应用到所述行为向量的云语料库来生成所述第二族的分类器模型的单元。
[000引另外的方面包括一种服务器计算设备，其具有处理器，该处理器配置具有用于执 行操作的处理器可执行指令，所述操作可W包括应用机器学习技术W生成描述行为向量的 云语料库的第一族的分类器模型，确定在所述第一族的分类器模型中哪些因素具有使移动 设备能够决定性地确定移动设备行为是恶意的还是良性的较高可能性，基于所确定的因素 生成将数量缩减的因素和数据点标识为与使所述移动设备能够决定性地确定所述移动设 备行为是恶意的还是良性的有关的第二族的分类器模型，W及基于所述第二族的分类器模 型生成移动设备分类器模块。
[0009] 在一方面，处理器可W配置具有处理器可执行指令使得应用机器学习技术W生成 描述行为向量的云语料库的第一族的分类器模型可W包括在深度分类器中生成所述第一 族的分类器模型。在另外的方面，处理器可W配置具有处理器可执行指令使得生成第二族 的分类器模型可W包括在精简分类器中生成所述第二族的分类器模型。在另外的方面，处 理器可W配置具有处理器可执行指令使得生成第二族的分类器模型可W包括向所述移动 设备发送所述第一族的分类器模型和所确定的因素。在另外的方面，处理器可W配置具有 处理器可执行指令使得生成将数量缩减的因素和数据点标识为与使所述移动设备能够决 定性地确定所述移动设备行为是恶意的还是良性的有关的第二族的分类器模型可W包括 通过将所确定的因素应用到所述行为向量的云语料库来生成所述第二族的分类器模型。
[0010] 另外的方面包括一种非暂时性计算机可读存储介质，其上存储有服务器可执行软 件指令，所述软件指令配置成使服务器处理器执行用于在客户端-云通信系统中生成数据 模型的操作。在一方面，所述操作可W包括应用机器学习技术W生成描述行为向量的云语 料库的第一族的分类器模型，确定在所述第一族的分类器模型中哪些因素具有使移动设备 能够决定性地确定移动设备行为是恶意的还是良性的较高可能性，基于所确定的因素生成 将数量缩减的因素和数据点标识为与使所述移动设备能够决定性地确定所述移动设备行 为是恶意的还是良性的有关的第二族的分类器模型，基于所述第二族的分类器模型生成移 动设备分类器模块。
[0011] 在一方面，所存储的服务器可执行软件指令可W配置成使服务器处理器执行操作 使得应用机器学习技术W生成描述行为向量的云语料库的第一族的分类器模型可W包括 在云网络的服务器中的深度分类器中生成所述第一族的分类器模型。在另外的方面，所存 储的服务器可执行软件指令可w配置成使服务器处理器执行操作使得生成第二族的分类 器模型可W包括在网络服务器中的精简分类器中生成所述第二族的分类器模型。在另外的 方面，所存储的服务器可执行软件指令可W配置成使服务器处理器执行操作使得生成第二 族的分类器模型可W包括向所述移动设备发送所述第一族的分类器模型和所确定的因素。 在另外的方面，所存储的服务器可执行软件指令可W配置成使服务器处理器执行操作使得 生成将数量缩减的因素和数据点标识为与使所述移动设备能够决定性地确定所述移动设 备行为是恶意的还是良性的有关的第二族的分类器模型可W包括通过将所确定的因素应 用到所述行为向量的云语料库来生成所述第二族的分类器模型。
[0012] 另外的方面包括一种客户端-云通信系统，其包括移动设备和服务器计算设备。 服务器处理器可W配置具有服务器可执行指令W执行操作，所述操作包括应用机器学习技 术W生成描述行为向量的云语料库的第一族的分类器模型，确定在所述第一族的分类器模 型中哪些因素具有使移动设备能够决定性地确定移动设备行为是恶意的还是良性的较高 可能性，W及向所述移动设备发送所述第一族的分类器模型和所确定的因素。移动设备处 理器可W配置具有处理器可执行指令W执行操作，所述操作包括基于所确定的因素生成将 数量缩减的因素和数据点标识为与使所述移动设备能够决定性地确定所述移动设备行为 是恶意的还是良性的有关的第二族的分类器模型，W及基于所述第二族的分类器模型生成 移动设备分类器模块。
[0013] 另外的方面包括用于分阶段评估移动设备行为的方法，包括监测移动设备行为W 生成观测结果，将所述观测结果应用到初始的缩减的特征集模型，W确定所述移动设备行 为是使性能降级的、良性的、还是可疑的，当确定所述移动设备行为是可疑的时，监测另外 的或不同的移动设备行为W生成细化的观测结果，W及将所述细化的观测结果应用到随后 的缩减的特征集模型，W确定所述移动设备行为是使性能降级的、使性能降级的还是良性 的。
[0014] 另外的方面包括一种移动计算设备，其具有用于监测移动设备行为W生成观测结 果的单元，用于将所述观测结果应用到初始的缩减的特征集模型，W确定所述移动设备行 为是使性能降级的、良性的、还是可疑的单元，用于当确定所述移动设备行为是可疑的时， 监测另外的或不同的移动设备行为W生成细化的观测结果的单元，W及用于将所述细化的 观测结果应用到随后的缩减的特征集模型，W确定所述移动设备行为是使性能降级的、使 性能降级的还是良性的单元。
[0015] 另外的方面包括一种移动计算设备，其具有配置具有处理器可执行指令的处理器 W执行操作，所述操作包括监测移动设备行为W生成观测结果，将所述观测结果应用到初 始的缩减的特征集模型，W确定所述移动设备行为是使性能降级的、良性的、还是可疑的， 当确定所述移动设备行为是可疑的时，监测另外的或不同的移动设备行为W生成细化的观 测结果，W及将所述细化的观测结果应用到随后的缩减的特征集模型，W确定所述移动设 备行为是使性能降级的、使性能降级的还是良性的。
[0016] 另外的方面包括一种非暂时性计算机可读存储介质，其上存储有处理器可执行软 件指令，所述软件指令配置成使处理器执行用于分阶段评估移动设备行为的操作。所述操 作可W包括监测移动设备行为W生成观测结果，将所述观测结果应用到初始的缩减的特征 集模型，W确定所述移动设备行为是使性能降级的、良性的、还是可疑的；当确定所述移动 设备行为是可疑的时，监测另外的或不同的移动设备行为w生成细化的观测结果；w及将 所述细化的观测结果应用到随后的缩减的特征集模型，W确定所述移动设备行为是使性能 降级的、使性能降级的还是良性的。
[0017] 另外的方面包括从多个移动设备接收观测信息，基于从所述多个移动设备接收的 所述观测信息，更新在云网络的服务器中的行为分类的全局模型，基于所述全局模型，执行 机器学习操作W生成第一族的分类器，确定针对所生成的第一族的分类器是否存在足够的 变化W保证生成新的模型，当确定针对所述第一族的分类器存在足够的变化时，确定在所 生成的第一族的分类器中哪些特征是使移动设备处理器能够决定性地确定移动设备行为 是恶意的还是良性的最佳特征，基于所述最佳特征生成第二族的分类器，确定针对所生成 的第二族的分类器是否存在足够的变化W保证生成另外的新模型，当确定针对所述第二族 的分类器存在足够的变化时，生成另外的分类器模型，W及向所述移动设备处理器发送所 生成的另外的分类器模型的方法。
[0018] 另外的方面包括一种服务器计算设备，其可W包括用于从多个移动设备接收观测 信息的单元，用于基于从所述多个移动设备接收的所述观测信息，更新行为分类的全局模 型的单元，用于基于所述全局模型，执行机器学习操作W生成第一族的分类器的单元，用于 确定针对所生成的第一族的分类器是否存在足够的变化W保证生成新的模型的单元，用于 当确定针对所述第一族的分类器存在足够的变化时，确定在所生成的第一族的分类器中哪 些特征是使移动设备处理器能够决定性地确定移动设备行为是恶意的还是良性的最佳特 征的单元，用于基于所述最佳特征生成第二族的分类器的单元，用于确定针对所生成的第 二族的分类器是否存在足够的变化W保证生成另外的新模型的单元，用于当确定针对所述 第二族的分类器存在足够的变化时，生成另外的分类器模型的单元，W及用于向所述移动 设备处理器发送所生成的另外的分类器模型的单元。
[0019] 另外的方面包括一种服务器计算设备，其可W包括配置具有处理器可执行指令的 处理器W执行操作，所述操作可W包括；从多个移动设备接收观测信息；基于从所述多个 移动设备接收的所述观测信息，更新行为分类的全局模型；基于所述全局模型，执行机器学 习操作W生成第一族的分类器；确定针对所生成的第一族的分类器是否存在足够的变化W 保证生成新的模型；当确定针对所述第一族的分类器存在足够的变化时，确定在所生成的 第一族的分类器中哪些特征是使移动设备处理器能够决定性地确定移动设备行为是恶意 的还是良性的最佳特征；基于所述最佳特征生成第二族的分类器；确定针对所生成的第二 族的分类器是否存在足够的变化W保证生成另外的新模型；当确定针对所述第二族的分类 器存在足够的变化时，生成另外的分类器模型；W及向所述移动设备处理器发送所生成的 另外的分类器模型。
[0020] 另外的方面包括一种非暂时性服务器可读存储介质，其上存储有处理器可执行软 件指令，所述软件指令配置成使服务器计算设备执行操作，所述操作可W包括；从多个移动 设备接收观测信息；基于从所述多个移动设备接收的所述观测信息，更新在云网络的服务 器中的行为分类的全局模型；基于所述全局模型，执行机器学习操作W生成第一族的分类 器；确定针对所生成的第一族的分类器是否存在足够的变化W保证生成新的模型；当确定 针对所述第一族的分类器存在足够的变化时，确定在所生成的第一族的分类器中哪些特征 是使移动设备处理器能够决定性地确定移动设备行为是恶意的还是良性的最佳特征；基于 所述最佳特征生成第二族的分类器；确定针对所生成的第二族的分类器是否存在足够的变 化W保证生成另外的新模型；当确定针对所述第二族的分类器存在足够的变化时，生成另 外的分类器模型；W及向所述移动设备处理器发送所生成的另外的分类器模型。
[0021] 另外的方面包括一种客户端-云通信系统，其包括移动设备和服务器。该服务器 处理器可W配置具有服务器可执行指令，W执行操作，所述操作包括；从多个移动设备接收 观测信息；基于从所述多个移动设备接收的所述观测信息，更新行为分类的全局模型；基 于所述全局模型，执行机器学习操作W生成第一族的分类器；确定针对所生成的第一族的 分类器是否存在足够的变化W保证生成新的模型；当确定针对所述第一族的分类器存在足 够的变化时，确定在所生成的第一族的分类器中哪些特征是使移动设备处理器能够决定性 地确定移动设备行为是恶意的还是良性的最佳特征；基于所述最佳特征生成第二族的分类 器；确定针对所生成的第二族的分类器是否存在足够的变化W保证生成另外的新模型；当 确定针对所述第二族的分类器存在足够的变化时，生成另外的分类器模型；W及向所述移 动设备处理器发送所生成的另外的分类器模型作为初始的缩减的特征集模型。
[0022] 移动设备处理器可W配置具有处理器可执行指令，W执行操作，所述操作包括：从 所述服务器接收所述初始的缩减的特征集模型；监测移动设备行为W生成观测结果；将所 述观测结果应用到初始的缩减的特征集模型，W确定所述移动设备行为是使性能降级的、 良性的、还是可疑的；当确定所述移动设备行为是可疑的时，监测另外的或不同的移动设备 行为W生成细化的观测结果；将所述细化的观测结果应用到随后的缩减的特征集模型，W 确定所述移动设备行为是使性能降级的、使性能降级的还是良性的；W及向所述服务器发 送所述细化的观测结果和应用所述细化的观测结果的结果作为观测信息。
【附图说明】
[0023] 附图描绘了本发明的示例性方面，其被并入本申请中并构成该说明书的一部分， 且其与上文给