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。

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。

终端安全防护控件SSE (Software Secure Element)实现了终端安全环境的建立，并实时监测终端所面临的环境风险，安全的存储和使用保存在SSE下的各类密钥文件。

SSE以静态库或动态库形式提供给其他产品进行功能集成

芯盾指纹登录是一个金融级安全的基于生物识别技术的可信身份认证服务，可应用于如下典型应用场景：