随着移动互联网的快速发展,各类线上交易兴起的同时也催生了许多黑色产业。为了打击诸如垃圾注册、刷单、薅羊毛等黑产的行为,提高恶意欺诈及骗贷等作案成本,移动设备指纹技术应运而生。目前移动设备指纹研究多针对移动设备的运动传感器数据,依靠人工提取特征然后结合传统机器学习算法对设备进行分类识别。然而此类方法只适用于静止场景,在运动场景下对人类活动等噪声高度敏感而难以适用。此外,通过运动传感器数据可以推断出用户年龄、当下的运动状态等用户信息,对这些个人信息的泄漏会严重威胁到用户的隐私安全,阻碍设备指纹技术的应用。而目前已有的隐私保护方法应用在设备指纹场景中会严重降低设备指纹识别准确率,甚至导致指纹不可用。因此本文针对运动和静止场景下利用运动传感器数据的设备指纹识别准确率低和识别过程中存在的隐私泄漏问题,基于运动传感器数据进行了面向隐私保护的移动设备指纹识别技术研究。本文提出了适用于运动和静止场景的移动设备指纹识别模型。针对移动设备运动传感器数据的时序性特点,使用一维卷积神经网络来提取短期的局部时间特征,结合长短期记忆网络提取长期的时间依赖关系,并引入了自注意力机制,使得模型能够区分设备特征在不同运动模式下各时刻的重要性。实验结果表明,本文方法与其他方法相比提升了识别准确率,并且在不同场景下取得了较好的实验结果,证明了本文方法的有效性。本文提出了面向隐私保护的移动设备指纹识别模型。针对移动设备运动传感器数据泄漏用户隐私的问题,设计了隐私对抗训练算法和最大化可用性算法,并利用对抗训练的思想结合上述算法模拟隐私攻击和防御过程。通过生成隐私性与可用性兼备的中间数据代替原始传感器数据进行传输,达到既能保护用户数据隐私又能最大限度地维持设备指纹识别准确率的目标。实验结果显示,本方法在仅牺牲4%的设备指纹识别准确率的情况下,能够降低57%的隐私泄漏率,显著优于其他隐私保护方法。