显示安全事件分析、威胁感知分析、环境感知分析相关统计和详情数据。

识别ios和Android调试状态，防止在高权限下的注入攻击。

检测Android手机是否root。 检测iOS是否已被越狱。

检测用户网络环境状态，是否采用VPN或其他代理方式，保障通信安全。

应用层特征信息， 浏览器内核特征， 操作系统kernel特征， 终端硬件型号标识， 音视频处理能力特征， CPU计算能力特征 ……

协议栈信息， HTTP协议信息， 时钟偏移特征， 字符集特征， 语言编码特征， 缓存数据特征 ……

基于有监督、无监督机器学习技术，对海量样本设备信息进行大数据分析和学习建模，自动发现和学习设备指纹生成模型，形成动态设备指纹。

设备指纹按照手机系统堆栈的层次可分为四个层次。以Android为例，采用最高层“系统指纹”进行设备绑定和验证，易在系统层被hook和拦截，通过设备改串号软件即可轻易修改和攻击。

通过构造运算获取的计算能力特征，不同型号的同类硬件模块，计算能力不可能相同； 相同型号、相同批次的硬件模块，也会由于制造过程中不可避免的工艺偏差，导致计算能力存在偏差。 相对静态特征而言，对硬件计算能力的评估不容易被攻击程序篡改，但难度也指数级上升。

设备指纹被动式特征获取，丝毫不依赖终端SDK，仅通过服务端OSI七层解析，提取操作系统、协议栈和网络状态相关的特征，并结合机器学习算法的多维信息交叉对比，标识和跟踪具体的设备。

关联设备硬件、软件、网络、行为等信息，通过有监督、无监督机器学习算法，实时生成动态设备指纹： 实时大数据多维度计算， 主动式多维信息交叉对比， 相似度模型算法， 特征匹配标识算法， 差异化设备指纹算法， 海量设备机型特征库。 基于深度学习训练后的模型，可以很好适应系统升级、系统复位、应用权限变化等场景带来的设备特征变化。通过深度学习，可以自动发现和学习设备指纹生成模型，极大提高设备指纹的准确性，抑制冲突率和漂移率。

即使设备遭到黑客全方位的攻击，篡改硬件，修改底层固件，变更应用特征，仍可保证设备指纹的稳定不变。

通过对称及非对称秘钥体系，保证数据内容和通信通道双重加密认证。 通过终端侧白盒算法，保证终端侧SDK静态代码安全及动态运行安全。