用于客戶端-云行為分析器的架構的制作方法
【專利說明】用于客戶端-云行為分析器的架構
[0001] 相關申請
[000引 本申請要求享受于2013年1月2日提交的、題目為"Architec1:ure for Client-Cloud Behavior Analyzer"的美國臨時專利申請 61/748, 220、2012 年 5 月 14 日 提交的、題目為"System, Apparatus and Method for Adaptive Observation of Mobile Device Behavior"的美國臨時專利申請No. 61/646,590 W及于2012年8月15日提交的、 題目為"System, Apparatus and Method for Adaptive Observation of Mobile Device Behavior"的美國臨時專利申請61/683, 274的優(yōu)先權的權益，故出于所有的目的W引用方 式將該兩個臨時申請的全部內容并入本申請。
【背景技術】
[0003] 在過去的若干年里，蜂窩和無線通信技術已爆炸性增長。該種增長由更好的通信、 硬件、更大的網絡、W及更可靠的協議來推動。無線服務提供商現在能夠向其客戶提供不斷 擴展的一系列特征和服務，并向用戶提供對信息、資源W及通信的前所未有的接入水平。為 了與該些服務增強俱進，移動電子設備（例如，蜂窩電話、平板電腦、膝上型電腦等）已經變 得比W往更強大和復雜。該復雜性已經為惡意軟件、軟件沖突、硬件錯誤、W及其它類似的 錯誤或現象不利地影響移動設備的長期W及持續(xù)的性能和功率利用水平創(chuàng)造了新的機會。 因此，對可能不利地影響移動設備的長期W及持續(xù)的性能和功率利用級別的條件和/或移 動設備行為進行識別和校正對消費者而言是有益的。

【發(fā)明內容】

[0004] 各個方面包括在客戶端-云通信系統中生成數據模型的方法，其可W包括應用機 器學習技術W生成描述行為向量的云語料庫的第一族的分類器模型，確定在所述第一族的 分類器模型中哪些因素具有使移動設備能夠決定性地確定移動設備行為是惡意的還是良 性的較高可能性，基于所確定的因素生成將數量縮減的因素和數據點標識為與使所述移動 設備能夠決定性地確定所述移動設備行為是惡意的還是良性的有關的第二族的分類器模 型，W及基于所述第二族的分類器模型生成移動設備分類器模塊。
[0005] 在一方面，應用機器學習技術W生成描述行為向量的云語料庫的第一族的分類器 模型可W包括在云網絡的服務器中的深度分類器中生成所述第一族的分類器模型。在另外 的方面，生成第二族的分類器模型可W包括在網絡服務器中的精簡分類器中生成所述第二 族的分類器模型。在另外的方面，生成第二族的分類器模型可W包括在所述移動設備網絡 中的精簡分類器中生成所述第二族的分類器模型。在另外的方面，生成將數量縮減的因素 和數據點標識為與使所述移動設備能夠決定性地確定所述移動設備行為是惡意的還是良 性的有關的第二族的分類器模型包括通過將所確定的因素應用到所述行為向量的云語料 庫來生成所述第二族的分類器模型。
[0006] 另外的方面包括一種服務器計算設備，其具有用于應用機器學習技術W生成描述 行為向量的云語料庫的第一族的分類器模型的單元，用于確定在所述第一族的分類器模型 中哪些因素具有使移動設備能夠決定性地確定移動設備行為是惡意的還是良性的較高可 能性的單元，用于基于所確定的因素生成將數量縮減的因素和數據點標識為與使所述移動 設備能夠決定性地確定所述移動設備行為是惡意的還是良性的有關的第二族的分類器模 型的單元，W及用于基于所述第二族的分類器模型生成移動設備分類器模塊的單元。
[0007] 在一方面，用于應用機器學習技術W生成描述行為向量的云語料庫的第一族的分 類器模型的單元可W包括用于在深度分類器中生成所述第一族的分類器模型的單元。在 另外的方面，用于生成第二族的分類器模型的單元可W包括用于在精簡分類器中生成所述 第二族的分類器模型的單元。在另外的方面，用于生成第二族的分類器模型的單元可W包 括用于向所述移動設備發(fā)送所述第一族的分類器模型和所確定的因素的單元。在另外的方 面，用于生成將數量縮減的因素和數據點標識為與使所述移動設備能夠決定性地確定所述 移動設備行為是惡意的還是良性的有關的第二族的分類器模型的單元包括用于通過將所 確定的因素應用到所述行為向量的云語料庫來生成所述第二族的分類器模型的單元。
[000引另外的方面包括一種服務器計算設備，其具有處理器，該處理器配置具有用于執(zhí) 行操作的處理器可執(zhí)行指令，所述操作可W包括應用機器學習技術W生成描述行為向量的 云語料庫的第一族的分類器模型，確定在所述第一族的分類器模型中哪些因素具有使移動 設備能夠決定性地確定移動設備行為是惡意的還是良性的較高可能性，基于所確定的因素 生成將數量縮減的因素和數據點標識為與使所述移動設備能夠決定性地確定所述移動設 備行為是惡意的還是良性的有關的第二族的分類器模型，W及基于所述第二族的分類器模 型生成移動設備分類器模塊。
[0009] 在一方面，處理器可W配置具有處理器可執(zhí)行指令使得應用機器學習技術W生成 描述行為向量的云語料庫的第一族的分類器模型可W包括在深度分類器中生成所述第一 族的分類器模型。在另外的方面，處理器可W配置具有處理器可執(zhí)行指令使得生成第二族 的分類器模型可W包括在精簡分類器中生成所述第二族的分類器模型。在另外的方面，處 理器可W配置具有處理器可執(zhí)行指令使得生成第二族的分類器模型可W包括向所述移動 設備發(fā)送所述第一族的分類器模型和所確定的因素。在另外的方面，處理器可W配置具有 處理器可執(zhí)行指令使得生成將數量縮減的因素和數據點標識為與使所述移動設備能夠決 定性地確定所述移動設備行為是惡意的還是良性的有關的第二族的分類器模型可W包括 通過將所確定的因素應用到所述行為向量的云語料庫來生成所述第二族的分類器模型。
[0010] 另外的方面包括一種非暫時性計算機可讀存儲介質，其上存儲有服務器可執(zhí)行軟 件指令，所述軟件指令配置成使服務器處理器執(zhí)行用于在客戶端-云通信系統中生成數據 模型的操作。在一方面，所述操作可W包括應用機器學習技術W生成描述行為向量的云語 料庫的第一族的分類器模型，確定在所述第一族的分類器模型中哪些因素具有使移動設備 能夠決定性地確定移動設備行為是惡意的還是良性的較高可能性，基于所確定的因素生成 將數量縮減的因素和數據點標識為與使所述移動設備能夠決定性地確定所述移動設備行 為是惡意的還是良性的有關的第二族的分類器模型，基于所述第二族的分類器模型生成移 動設備分類器模塊。
[0011] 在一方面，所存儲的服務器可執(zhí)行軟件指令可W配置成使服務器處理器執(zhí)行操作 使得應用機器學習技術W生成描述行為向量的云語料庫的第一族的分類器模型可W包括 在云網絡的服務器中的深度分類器中生成所述第一族的分類器模型。在另外的方面，所存 儲的服務器可執(zhí)行軟件指令可w配置成使服務器處理器執(zhí)行操作使得生成第二族的分類 器模型可W包括在網絡服務器中的精簡分類器中生成所述第二族的分類器模型。在另外的 方面，所存儲的服務器可執(zhí)行軟件指令可W配置成使服務器處理器執(zhí)行操作使得生成第二 族的分類器模型可W包括向所述移動設備發(fā)送所述第一族的分類器模型和所確定的因素。 在另外的方面，所存儲的服務器可執(zhí)行軟件指令可W配置成使服務器處理器執(zhí)行操作使得 生成將數量縮減的因素和數據點標識為與使所述移動設備能夠決定性地確定所述移動設 備行為是惡意的還是良性的有關的第二族的分類器模型可W包括通過將所確定的因素應 用到所述行為向量的云語料庫來生成所述第二族的分類器模型。
[0012] 另外的方面包括一種客戶端-云通信系統，其包括移動設備和服務器計算設備。 服務器處理器可W配置具有服務器可執(zhí)行指令W執(zhí)行操作，所述操作包括應用機器學習技 術W生成描述行為向量的云語料庫的第一族的分類器模型，確定在所述第一族的分類器模 型中哪些因素具有使移動設備能夠決定性地確定移動設備行為是惡意的還是良性的較高 可能性，W及向所述移動設備發(fā)送所述第一族的分類器模型和所確定的因素。移動設備處 理器可W配置具有處理器可執(zhí)行指令W執(zhí)行操作，所述操作包括基于所確定的因素生成將 數量縮減的因素和數據點標識為與使所述移動設備能夠決定性地確定所述移動設備行為 是惡意的還是良性的有關的第二族的分類器模型，W及基于所述第二族的分類器模型生成 移動設備分類器模塊。
[0013] 另外的方面包括用于分階段評估移動設備行為的方法，包括監(jiān)測移動設備行為W 生成觀測結果，將所述觀測結果應用到初始的縮減的特征集模型，W確定所述移動設備行 為是使性能降級的、良性的、還是可疑的，當確定所述移動設備行為是可疑的時，監(jiān)測另外 的或不同的移動設備行為W生成細化的觀測結果，W及將所述細化的觀測結果應用到隨后 的縮減的特征集模型，W確定所述移動設備行為是使性能降級的、使性能降級的還是良性 的。
[0014] 另外的方面包括一種移動計算設備，其具有用于監(jiān)測移動設備行為W生成觀測結 果的單元，用于將所述觀測結果應用到初始的縮減的特征集模型，W確定所述移動設備行 為是使性能降級的、良性的、還是可疑的單元，用于當確定所述移動設備行為是可疑的時， 監(jiān)測另外的或不同的移動設備行為W生成細化的觀測結果的單元，W及用于將所述細化的 觀測結果應用到隨后的縮減的特征集模型，W確定所述移動設備行為是使性能降級的、使 性能降級的還是良性的單元。
[0015] 另外的方面包括一種移動計算設備，其具有配置具有處理器可執(zhí)行指令的處理器 W執(zhí)行操作，所述操作包括監(jiān)測移動設備行為W生成觀測結果，將所述觀測結果應用到初 始的縮減的特征集模型，W確定所述移動設備行為是使性能降級的、良性的、還是可疑的， 當確定所述移動設備行為是可疑的時，監(jiān)測另外的或不同的移動設備行為W生成細化的觀 測結果，W及將所述細化的觀測結果應用到隨后的縮減的特征集模型，W確定所述移動設 備行為是使性能降級的、使性能降級的還是良性的。
[0016] 另外的方面包括一種非暫時性計算機可讀存儲介質，其上存儲有處理器可執(zhí)行軟 件指令，所述軟件指令配置成使處理器執(zhí)行用于分階段評估移動設備行為的操作。所述操 作可W包括監(jiān)測移動設備行為W生成觀測結果，將所述觀測結果應用到初始的縮減的特征 集模型，W確定所述移動設備行為是使性能降級的、良性的、還是可疑的；當確定所述移動 設備行為是可疑的時，監(jiān)測另外的或不同的移動設備行為w生成細化的觀測結果；w及將 所述細化的觀測結果應用到隨后的縮減的特征集模型，W確定所述移動設備行為是使性能 降級的、使性能降級的還是良性的。
[0017] 另外的方面包括從多個移動設備接收觀測信息，基于從所述多個移動設備接收的 所述觀測信息，更新在云網絡的服務器中的行為分類的全局模型，基于所述全局模型，執(zhí)行 機器學習操作W生成第一族的分類器，確定針對所生成的第一族的分類器是否存在足夠的 變化W保證生成新的模型，當確定針對所述第一族的分類器存在足夠的變化時，確定在所 生成的第一族的分類器中哪些特征是使移動設備處理器能夠決定性地確定移動設備行為 是惡意的還是良性的最佳特征，基于所述最佳特征生成第二族的分類器，確定針對所生成 的第二族的分類器是否存在足夠的變化W保證生成另外的新模型，當確定針對所述第二族 的分類器存在足夠的變化時，生成另外的分類器模型，W及向所述移動設備處理器發(fā)送所 生成的另外的分類器模型的方法。
[0018] 另外的方面包括一種服務器計算設備，其可W包括用于從多個移動設備接收觀測 信息的單元，用于基于從所述多個移動設備接收的所述觀測信息，更新行為分類的全局模 型的單元，用于基于所述全局模型，執(zhí)行機器學習操作W生成第一族的分類器的單元，用于 確定針對所生成的第一族的分類器是否存在足夠的變化W保證生成新的模型的單元，用于 當確定針對所述第一族的分類器存在足夠的變化時，確定在所生成的第一族的分類器中哪 些特征是使移動設備處理器能夠決定性地確定移動設備行為是惡意的還是良性的最佳特 征的單元，用于基于所述最佳特征生成第二族的分類器的單元，用于確定針對所生成的第 二族的分類器是否存在足夠的變化W保證生成另外的新模型的單元，用于當確定針對所述 第二族的分類器存在足夠的變化時，生成另外的分類器模型的單元，W及用于向所述移動 設備處理器發(fā)送所生成的另外的分類器模型的單元。
[0019] 另外的方面包括一種服務器計算設備，其可W包括配置具有處理器可執(zhí)行指令的 處理器W執(zhí)行操作，所述操作可W包括；從多個移動設備接收觀測信息；基于從所述多個 移動設備接收的所述觀測信息，更新行為分類的全局模型；基于所述全局模型，執(zhí)行機器學 習操作W生成第一族的分類器；確定針對所生成的第一族的分類器是否存在足夠的變化W 保證生成新的模型；當確定針對所述第一族的分類器存在足夠的變化時，確定在所生成的 第一族的分類器中哪些特征是使移動設備處理器能夠決定性地確定移動設備行為是惡意 的還是良性的最佳特征；基于所述最佳特征生成第二族的分類器；確定針對所生成的第二 族的分類器是否存在足夠的變化W保證生成另外的新模型；當確定針對所述第二族的分類 器存在足夠的變化時，生成另外的分類器模型；W及向所述移動設備處理器發(fā)送所生成的 另外的分類器模型。
[0020] 另外的方面包括一種非暫時性服務器可讀存儲介質，其上存儲有處理器可執(zhí)行軟 件指令，所述軟件指令配置成使服務器計算設備執(zhí)行操作，所述操作可W包括；從多個移動 設備接收觀測信息；基于從所述多個移動設備接收的所述觀測信息，更新在云網絡的服務 器中的行為分類的全局模型；基于所述全局模型，執(zhí)行機器學習操作W生成第一族的分類 器；確定針對所生成的第一族的分類器是否存在足夠的變化W保證生成新的模型；當確定 針對所述第一族的分類器存在足夠的變化時，確定在所生成的第一族的分類器中哪些特征 是使移動設備處理器能夠決定性地確定移動設備行為是惡意的還是良性的最佳特征；基于 所述最佳特征生成第二族的分類器；確定針對所生成的第二族的分類器是否存在足夠的變 化W保證生成另外的新模型；當確定針對所述第二族的分類器存在足夠的變化時，生成另 外的分類器模型；W及向所述移動設備處理器發(fā)送所生成的另外的分類器模型。
[0021] 另外的方面包括一種客戶端-云通信系統，其包括移動設備和服務器。該服務器 處理器可W配置具有服務器可執(zhí)行指令，W執(zhí)行操作，所述操作包括；從多個移動設備接收 觀測信息；基于從所述多個移動設備接收的所述觀測信息，更新行為分類的全局模型；基 于所述全局模型，執(zhí)行機器學習操作W生成第一族的分類器；確定針對所生成的第一族的 分類器是否存在足夠的變化W保證生成新的模型；當確定針對所述第一族的分類器存在足 夠的變化時，確定在所生成的第一族的分類器中哪些特征是使移動設備處理器能夠決定性 地確定移動設備行為是惡意的還是良性的最佳特征；基于所述最佳特征生成第二族的分類 器；確定針對所生成的第二族的分類器是否存在足夠的變化W保證生成另外的新模型；當 確定針對所述第二族的分類器存在足夠的變化時，生成另外的分類器模型；W及向所述移 動設備處理器發(fā)送所生成的另外的分類器模型作為初始的縮減的特征集模型。
[0022] 移動設備處理器可W配置具有處理器可執(zhí)行指令，W執(zhí)行操作，所述操作包括：從 所述服務器接收所述初始的縮減的特征集模型；監(jiān)測移動設備行為W生成觀測結果；將所 述觀測結果應用到初始的縮減的特征集模型，W確定所述移動設備行為是使性能降級的、 良性的、還是可疑的；當確定所述移動設備行為是可疑的時，監(jiān)測另外的或不同的移動設備 行為W生成細化的觀測結果；將所述細化的觀測結果應用到隨后的縮減的特征集模型，W 確定所述移動設備行為是使性能降級的、使性能降級的還是良性的；W及向所述服務器發(fā) 送所述細化的觀測結果和應用所述細化的觀測結果的結果作為觀測信息。
【附圖說明】
[0023] 附圖描繪了本發(fā)明的示例性方面，其被并入本申請中并構成該說明書的一部分， 且其與上文給