CN109325335A - ***安全方法、装置、计算机设备及存储介质 - Google Patents
***安全方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109325335A CN109325335A CN201811198452.XA CN201811198452A CN109325335A CN 109325335 A CN109325335 A CN 109325335A CN 201811198452 A CN201811198452 A CN 201811198452A CN 109325335 A CN109325335 A CN 109325335A
- Authority
- CN
- China
- Prior art keywords
- user
- network model
- information
- classification results
- payment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 210000005036 nerve Anatomy 0.000 claims abstract description 66
- 238000012512 characterization method Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 62
- 230000001815 facial effect Effects 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 46
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 10
- 230000006854 communication Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 208000001613 Gambling Diseases 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010012335 Dependence Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004602 germ cell Anatomy 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例公开了一种***安全方法、装置、计算机设备及存储介质，包括下述步骤：获取显示区域显示画面的画面截图；将所述画面截图输入到预设的第一神经网络模型中，并获取所述第一神经网络模型输出的画面截图的第一分类结果；将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令。由于分类结果为画面截图表征的用户行为信息，即用户正在用计算机设备进行何种操作。通过比对用户在使用计算机时设定的行为规划信息与分类结果是否一致，即能够确定用户是否使用计算机在进行规划中的行为操作，而非使用计算机在进行其他操作内容，实现帮助用户戒除不当使用计算机的任务。
Description
技术领域
本发明实施例涉及网络安全领域，尤其是一种***安全方法、装置、计算机设备及存储介质。
背景技术
伴随着计算机设备在人们生活中的普及，使用计算机的人群正在迅速的扩大，而青少年人群正是计算机新使用人群主流人群，并且随着计算机普及速度的加快，青少年使用计算机的年龄正在逐年降低。由于，青少年人群缺乏自制能力，过渡上网使用计算机会导致青少年患上“网瘾”，进而使其对学习和生活中其他事项缺乏兴趣，对青少年的成长造成不良影响。
现有技术中，为防止青少年上网一般采用的方式为：在上网之前检查其身份信息，若确认其为青少年则禁止其上网。
但是本发明创造的发明人在研究中发现，计算机作为现今社会最重要的信息工具之一，完全禁止使用计算机对于青少年的成长不利。而合理的引导用户使用计算机，对青少年的学习和成长均具有帮助。
发明内容
本发明实施例提供一种能够引导用户正确使用计算机设备的***安全方法、装置、计算机设备及存储介质。
为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种***安全方法，包括下述步骤：
获取显示区域显示画面的画面截图；
将所述画面截图输入到预设的第一神经网络模型中，并获取所述第一神经网络模型输出的画面截图的第一分类结果，其中，所述第一分类结果为所述画面截图表征的用户行为信息；
将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令。
可选地，所述获取显示区域显示画面的画面截图的步骤之前，还包括下述步骤：
采集所述用户的人脸图像；
将所述人脸图像和预设的所述用户的证件图像输入到预设的第二神经网络模型中，并获取所述第二神经网络模型输出的第一判断结果，其中，所述第二神经网络模型为训练至收敛状态用于判断图像相似度的神经网络模型；
当所述第一判断结果表征的内容为所述人脸图像和证件图像不一致时，禁止所述用户的登陆请求。
可选地，所述采集所述用户的人脸图像的步骤之后，还包括下述步骤：
将所述人脸图像输入到预设的第三神经网络模型中，并获取所述第三神经网络模型输出的第二分类结果，其中，所述第三神经网络模型为训练至收敛状态用于判断人脸图像偏转方向及偏转角度的神经网络模型；
将所述第二分类结果与预设的指令信息进行比对，当所述第二分类结果与所述指令信息不一致时，禁止所述用户的登陆请求。
可选地，所述将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令的步骤之后，还包括下述步骤：
获取所述用户的用户行为的持续时长；
将所述持续时长与预设的时间阈值进行比对；
当所述持续时长大于所述时间阈值时，禁止响应所述用户的用户指令。
可选地，当所述用户行为信息表征的用户行为支付行为时；所述将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令的步骤之后，还包括下述步骤：
识别所述画面截图中的支付金额；
将所述支付金额与预设的金额阈值进行比对；
当所述支付金额大于所述金额阈值时，禁止响应所述用户的用户指令。
可选地，所述当所述支付金额大于所述金额阈值时，禁止响应所述用户的用户指令的步骤之后，还包括下述步骤：
向预设的关联终端发送警示信息，其中，所述警示信息包括是否同意支付的问询信息；
接收所述关联终端回复所述警示信息的回复信息；
当所述回复信息表征的回复内容为同意支付时，执行所述用户的支付指令。
可选地，所述向预设的关联终端发送警示信息的步骤之前，还包括下述步骤：
获取所述支付行为使用的支付账号；
根据所述支付账号获取与所述支付账号绑定的支付终端号码；
确定所述支付终端号码表征的终端为所述关联终端。
为解决上述技术问题，本发明实施例还提供一种***安全装置，包括：
获取模块，用于获取显示区域显示画面的画面截图；
处理模块，用于将所述画面截图输入到预设的第一神经网络模型中，并获取所述第一神经网络模型输出的画面截图的第一分类结果，其中，所述第一分类结果为所述画面截图表征的用户行为信息；
执行模块，用于将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令。
可选地，所述***安全装置还包括：
第一获取子模块，用于采集所述用户的人脸图像；
第一处理子模块，用于将所述人脸图像和预设的所述用户的证件图像输入到预设的第二神经网络模型中，并获取所述第二神经网络模型输出的第一判断结果，其中，所述第二神经网络模型为训练至收敛状态用于判断图像相似度的神经网络模型；
第一执行子模块，用于当所述第一判断结果表征的内容为所述人脸图像和证件图像不一致时，禁止所述用户的登陆请求。
可选地，所述***安全装置还包括：
第二处理子模块，用于将所述人脸图像输入到预设的第三神经网络模型中，并获取所述第三神经网络模型输出的第二分类结果，其中，所述第三神经网络模型为训练至收敛状态用于判断人脸图像偏转方向及偏转角度的神经网络模型；
第二执行子模块，用于将所述第二分类结果与预设的指令信息进行比对，当所述第二分类结果与所述指令信息不一致时，禁止所述用户的登陆请求。
可选地，所述***安全装置还包括：
第二获取子模块，用于获取所述用户的用户行为的持续时长；
第三处理子模块，用于将所述持续时长与预设的时间阈值进行比对；
第三执行子模块，用于当所述持续时长大于所述时间阈值时，禁止响应所述用户的用户指令。
可选地，当所述用户行为信息表征的用户行为支付行为时；所述***安全装置还包括：
第一识别子模块，用于识别所述画面截图中的支付金额；
第四处理子模块，用于将所述支付金额与预设的金额阈值进行比对；
第四执行子模块，用于当所述支付金额大于所述金额阈值时，禁止响应所述用户的用户指令。
可选地，所述***安全装置还包括：
第一发送子模块，用于向预设的关联终端发送警示信息，其中，所述警示信息包括是否同意支付的问询信息；
第一接受子模块，用于接收所述关联终端回复所述警示信息的回复信息；
第五执行子模块，用于当所述回复信息表征的回复内容为同意支付时，执行所述用户的支付指令。
可选地，所述***安全装置还包括：
第三获取子模块，用于获取所述支付行为使用的支付账号；
第五处理子模块，用于根据所述支付账号获取与所述支付账号绑定的支付终端号码；
第六执行子模块，用于确定所述支付终端号码表征的终端为所述关联终端。
为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述***安全方法的步骤。
为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述***安全方法的步骤。
本发明实施例的有益效果是：在用户使用计算机时提示用户填写使用规划，该使用规划中包括用户使用计算机进行的操作内容。当用户正式操作计算机时，获取计算机屏幕显示内容的画面截图，将画面截图输入到预设的第一神经网络模型中，并获取分类结果。由于分类结果为画面截图表征的用户行为信息，即用户正在用计算机设备进行何种操作。通过比对用户在使用计算机时设定的行为规划信息与分类结果是否一致，即能够确定用户是否使用计算机在进行规划中的行为操作，而非使用计算机在进行其他操作内容。当用户计算机在进行其他操作内容时，禁止响应用户的操作指令，迫使用户按规划操作计算机进行响应的工作，达到引导用户正确使用计算机的目的，实现帮助用户戒除不当使用计算机的任务。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中***安全方法的基本流程示意图；
图2为本发明实施例验证用户身份信息的流程示意图；
图3为本发明实施例用户活体验证的流程示意图；
图4为本发明实施例限定用户使用时长的流程示意图；
图5为本发明实施例限制用户线上支付的流程示意图；
图6为本发明实施例验证超额支付的流程示意图；
图7为本发明实施例获取关联终端的流程示意图；
图8为本发明实施例***安全装置的基本结构框图；
图9为本发明实施例计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信***)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位***)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
请参阅图1，图1为本实施例中***安全方法的基本流程示意图。
如图1所示，一种***安全方法，包括下述步骤：
S1100、获取显示区域显示画面的画面截图；
用户在使用计算机设备时，通过发送***截图指令，获取计算机设备当前显示画面的画面截图。但不限于此，根据具体应用场景的不同，截图画面的获取不局限于此，在一些选择性实施例中，计算机设备具有独立的显卡设备，计算机设备在工作时只需读取显卡设备空间内的渲染图就能得到画面截图。
本实施方式中，画面截图的获取是定时获取的，例如，每隔3分钟获取一次，但不限于此，画面截图的获取时长能够是设定的任一时间长度。在一些选择性实施例中，画面截图的获取还能够是实时进行的。
S1200、将所述画面截图输入到预设的第一神经网络模型中，并获取所述第一神经网络模型输出的画面截图的第一分类结果，其中，所述第一分类结果为所述画面截图表征的用户行为信息；
将截取得到的画面截图输入到预设的第一神经网络模型中。其中，所述第一神经网络模型能够是卷积神经网络模型(CNN)，但是第一神经网络模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
本实施方式中，第一神经网络模型被预先训练至收敛，用于通过对画面截图进行特征提取和分类得到，画面截图所表征的用户行为信息。用户行为信息包括使用计算机进行(不限于)：打游戏、听音乐、做作业和浏览网页等等。在一些选择性实施例中，用户行为信息还能够是用户使用计算机设备进行的不良行为(不限于)网络赌博、观看不健康影视作品或者进行超出其能力范围的转账支付等行为。
本实施例中，第一神经网络模型的训练过程为：
通过网络爬虫或者现有的图像数据库获取本实施例的训练样本集。训练样本集中包括不同种类的计算机截图画面。
本实施方式中神经网络模型在训练时，采用若干个训练样本集(例如100万张)，其中，每个训练样本集包括一张计算机设备的画面截图。在对画面截图进行训练之前，需要对每个训练样本集中的图像表征的用户行为进行预判，预判能够是人工进行的，例如画面截图中的内容为游戏画面时，则标定预判结果为“打游戏”，通过上述的方式能够得所有训练样本集的预判结果。并定义预判结果为该画面截图的分类判断信息。
将训练样本集依次输入到第一神经网络模型中，画面截图依次经过第一神经网络模型的卷积层、全连接层和分类层。分类层输出的结果即为第一神经网络模型激励输出的画面截图分类结果。本实施方式中，第一神经网络模型的分类结果即为模型判断的用户行为信息。定义激励输出的结果为分类参照信息。
模型分类参照信息是第一神经网络模型根据输入的画面截图而输出的激励数据，在第一神经网络模型未被训练至收敛之前，分类参照信息为离散性较大的数值，当第一神经网络模型未被训练至收敛之后，分类参照信息为相对稳定的数据。
通过第一神经网络模型的损失函数判断分类参照信息与分类判断信息是否一致。损失函数是被配置为检测第一神经网络模型中模型分类参照信息，与人们期望的分类判断信息是否具有一致性的检测函数。当第一神经网络模型的输出结果与分类判断信息的期望结果不一致时，需要通过反向算法对第一神经网络模型中的权重进行校正，以使第一神经网络模型的输出结果与分类判断信息的期望结果相同。
当第一神经网络模型的分类输出输出结果与分类判断信息的期望结果不一致时，需要对第一神经网络模型中的权重进行校正，以使第一神经网络模型的输出结果与分类判断信息的期望结果相同。训练时采用多张训练样本进行训练(例如100万张画面截图)，通过反复的训练与校正，当第一神经网络模型输出分类数据与各训练样本的分类参照信息比对正确率达到(不限于)99.9％时，训练结束。此时，第一神经网络模型训练结束，第一神经网络模型被训练至收敛，能够对截图画面表征的用户行为信息进行准确的判断。
S1300、将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令。
将训练至收敛状态的第一神经网络模型输出的第一分类结果(即用户行为信息)与行为规划信息进行比对。比对一致时则允许用户继续使用计算机，比对不一致时则禁止执行用户指令。
行为规划信息是用户使用计算机设备进入到操作界面时，出现使用计算机规划书，用户需要根据自生需要将使用计算机的实际情况填写在规划书中，其格式为XX时刻-XX时刻使用计算机进行“网上作业撰写”，等等将使用计算机的时间与事项进行一一列明。用户填写的使用计算机规划书被定义为行为规划信息。
在一些选择性实施例中，需要对用户的行为规划信息进行审核，例如规划书中使用计算机设备进行娱乐的时间长度不得超过1个小时，或者不能在行为规划信息中填写诸如，看***或者赌博等不健康的信息。
当第一分类结果与行为规划信息不一致时，则表明用户使用计算机设备进行的事项与其填写的规划使用行为不同，此时，计算机设备停止响应用户的操作指令。在一些选择性实施例中，禁止执行用户指令后，将显示画面切换至用户行为规划信息表征的画面中，或者启动行为规划信息表征的表征的应用程序，然后，继续执行用户的新指令。以达到引导用户正确使用计算机设备的目的。
上述实施方式在用户使用计算机时提示用户填写使用规划，该使用规划中包括用户使用计算机进行的操作内容。当用户正式操作计算机时，获取计算机屏幕显示内容的画面截图，将画面截图输入到预设的第一神经网络模型中，并获取分类结果。由于分类结果为画面截图表征的用户行为信息，即用户正在用计算机设备进行何种操作。通过比对用户在使用计算机时设定的行为规划信息与分类结果是否一致，即能够确定用户是否使用计算机在进行规划中的行为操作，而非使用计算机在进行其他操作内容。当用户计算机在进行其他操作内容时，禁止响应用户的操作指令，迫使用户按规划操作计算机进行响应的工作，达到引导用户正确使用计算机的目的，实现帮助用户戒除不当使用计算机的任务。
在一些选择性实施例中，为防止未满足上网年龄的青少年上网，通过验证其身份证件(身份证、户口本或者护照等)的方式限制其上网。但是。部分青少年通过冒用他人身份信息进行上网的事件却屡禁不止，因此，需要对青少年冒用身份进行上网的行为进行限制。请参阅图2，图2为本实施例验证用户身份信息的流程示意图。
如图2所示，步骤S1100之前还包括下述步骤：
S1011、采集所述用户的人脸图像；
用户在使用计算机时，开启计算机设备的电源，在用户进入到操作***界面时，需要对用户的身份进行验证，验证的第一步是通过计算机设备集成的摄像头或者外设设备的摄像头进行用户的人脸图像采集。
S1012、将所述人脸图像和预设的所述用户的证件图像输入到预设的第二神经网络模型中，并获取所述第二神经网络模型输出的第一判断结果，其中，所述第二神经网络模型为训练至收敛状态用于判断图像相似度的神经网络模型；
将采集得到的人脸图像输入到第二神经网络模型中，第二神经网络模型是训练至收敛状态用于判断图像相似度的神经网络模型。将人脸图像输入到第二神经网络模型后，第二神经网络模型输出第一判断结果。第一判断结果是第二神经网络模型对人脸图像和预存储的证件照片相似度的比较结果，或者对人脸图像和预存储的注册用户账号时保留的注册头像相似度的比较结果。
其中，所述第二神经网络模型能够是卷积神经网络模型(CNN)，但是第二神经网络模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
本实施例中，第二神经网络模型的训练过程为：
通过网络爬虫或者现有的图像数据库获取本实施例的训练样本集。训练样本集中包括不同种类的人脸图像。
本实施方式中神经网络模型在训练时，采用若干个训练样本集(例如100万个)，其中，每个训练样本集包括一个人脸图像数据对，包括一张人脸图像，以及与该人脸图像进行比对的比对图像，其中比对图像也是人脸图像，且同一个训练样本集中，人脸图像与比对图像能够相同也能够不同。在对画面截图进行训练之前，需要对每个训练样本集中的图像表征的用户行为进行预判，预判能够是人工进行的，例如训练样本集中的两张图片均为同一个人不同时期或者空间内的人脸图像时，判断两张图像相同，通过上述的方式能够得所有训练样本集的预判结果。并定义预判结果为该画面截图的分类判断信息。
将训练样本集依次输入到第二神经网络模型中，画面截图依次经过第二神经网络模型的卷积层、全连接层和分类层。分类层输出的结果即为第二神经网络模型激励输出的比对分类结果。本实施方式中，第二神经网络模型的分类结果即为模型判断的用户行为信息。定义激励输出的结果为分类参照信息。分类参照信息是第二神经网络模型提取的人脸图像和比对图像的特征向量的比较结果。
模型分类参照信息是第二神经网络模型根据输入的画面截图而输出的激励数据，在第二神经网络模型未被训练至收敛之前，分类参照信息为离散性较大的数值，当第二神经网络模型未被训练至收敛之后，分类参照信息为相对稳定的数据。
通过第二神经网络模型的损失函数判断分类参照信息与分类判断信息是否一致。损失函数是被配置为检测第二神经网络模型中模型分类参照信息，与人们期望的分类判断信息是否具有一致性的检测函数。当第二神经网络模型的输出结果与分类判断信息的期望结果不一致时，需要通过反向算法对第二神经网络模型中的权重进行校正，以使第二神经网络模型的输出结果与分类判断信息的期望结果相同。
当第二神经网络模型的分类输出输出结果与分类判断信息的期望结果不一致时，需要对第二神经网络模型中的权重进行校正，以使第二神经网络模型的输出结果与分类判断信息的期望结果相同。训练时采用多张训练样本进行训练(例如100个训练样本集反复训练)，通过反复的训练与校正，当第二神经网络模型输出分类数据与各训练样本的分类参照信息比对正确率达到(不限于)99.9％时，训练结束。此时，第二神经网络模型训练结束，第二神经网络模型被训练至收敛，能够对人脸图像表征的用户行为信息进行准确的判断。
S1013、当所述第一判断结果表征的内容为所述人脸图像和证件图像不一致时，禁止所述用户的登陆请求。
当第一判断结果表征的内容为所述人脸图像和证件图像不一致时，即判定人脸图像与用户的证件的证件照或者留存的用户图像之间的相似度低，验证结果不一致，此时，计算机设备禁止执行用户的登陆请求，用户无法登陆操作***界面，控制计算机设备。
通过用户图像验证，能够识别用户是否具有合法的使用计算机设备上网的权利。同时，也能够加强计算机设备的使用安全。
在一些实施方式中，为防止用户采用他人的人脸图像照片对计算机进行欺骗，成功解锁登陆操作***界面，需要在用户登陆时，识别用户是否为活体。请参阅图3，图3为本实施例用户活体验证的流程示意图。
如图3所示，步骤S1011之后还包括：
S1021、将所述人脸图像输入到预设的第三神经网络模型中，并获取所述第三神经网络模型输出的第二分类结果，其中，所述第三神经网络模型为训练至收敛状态用于判断人脸图像偏转方向及偏转角度的神经网络模型；
在采集用户人脸图像时，计算机设备通过内置的印象设备或者外设音响向用户发送指令，指令内容为控制用户人脸在摄像头视界内的角度，例如，向左偏转30度、向上抬起45度或者向右偏转60度等命令。在语音命令发布后，计算机设备采集用户的人脸图像。并将该人脸图像输入到第三神经网络模型中。
第三神经网络模型为训练至收敛状态用于判断人脸图像偏转方向及偏转角度的神经网络模型。其中，所述第三神经网络模型能够是卷积神经网络模型(CNN)，但是第三神经网络模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
本实实施方式中，第三神经网络模型与第一神经网络模型的训练方式相同，但是训练的样本集由画面截图更改为人脸图像，分类结果由用户行为信息变化为人体头部的偏转方向及偏转角度。通过大量的训练样本集的第三神经网络模型能够准确的判断用户的人体头部的偏转方向及偏转角度。
S1022、将所述第二分类结果与预设的指令信息进行比对，当所述第二分类结果与所述指令信息不一致时，禁止所述用户的登陆请求。
将第三神经网络模型的输出的第二分类结果与设定的指令信息进行比对，指令信息及计算机设备通过音响控制用户脸部转动的信息指令。例如，指令信息为“向右转动30°”，第三神经网络模型判断得到的人脸偏转角度为“向右偏转30度”，二者完全吻合，则判断结果一直。若第三神经网络模型判断得到的人脸偏转角度为“偏转0°”则表明用户未跟随执行进行旋转，此时，比对结果不一致，计算机设备禁止响应用户的登陆请求。
通过对人脸图像进行活体检测，能够有效的避免非法用户或者不适宜上网的用户通过照片方式欺瞒计算机进行登陆的问题。
在一些选择性实施例中，为控制用户使用计算机设备的时间，通过统计用户使用计算机的时长，并将其与设定的时长阈值进行比对，当超过预设时长时，计算机设备禁止响应用户的任何操作指令，以引导用户正确使用计算机设备。
请参阅图图4，图4为本实施例限定用户使用时长的流程示意图。
如图4所示，步骤S1300之后还包括下述步骤：
S1311、获取所述用户的用户行为的持续时长；
计算机设备通过内置计时器记录计算机设备的启动时长，然后通过定时获取的方式查看计时器内的使用时长，该使用时长为用户的用户行为的持续时长。
S1312、将所述持续时长与预设的时间阈值进行比对；
将获取的持续时长与设定的时间阈值进行比对，根据用户行为的不同，不同的用户行为的时间阈值也不同。例如，用户行为为打游戏时的时间阈值为1个小时，用户行为为学习的时间阈值为2小时，而用户总的上网时间不得超过3个小时。
根据不同的用户行为的持续时长或者用户使用计算机设备的总时长，与对应的用户行为或者总使用阈值进行比对。
S1313、当所述持续时长大于所述时间阈值时，禁止响应所述用户的用户指令。
当比对结果持续时长大于时间阈值时，计算机设备禁止响应用户发出的操作指令，以迫使用户停止使用计算机设备，达到控制用户使用计算机设备超时的问题。
在一些实施方式中，部分未成年的用户在使用计算机设备时，经常使用家长的***、储蓄卡或者电子账户进行线上消费或者充值。因此，需要额外对未成年用户在线上的消费进行控制。请参阅图5，图5为本实施例限制用户线上支付的流程示意图。
如图5所示，步骤S1300之后还包括：
S1321、识别所述画面截图中的支付金额；
用户在使用计算机设备进行支付时，计算机设备通过获取画面截图，并将该截图输入至第一神经网络模型中，由于第一神经网络模型中的分类结果中设有的分类结果包含支付行为，因此，通过第一神经网络模型的分类结果能够判断用户是否在支付。
确认用户在进行支付后，通过文字提取技术将画面截图中的支付金额进行提取，例如采用OCR对图像文字进行辨识，提取画面截图中的支付金额。
S1322、将所述支付金额与预设的金额阈值进行比对；
将读取到的支付金额与预设的金额阈值进行比对，金额阈值为家长设定的未成年最大的消费金额，能够由家长根据自身消费能力或者对孩子消费管制的额度进行设置。
S1323、当所述支付金额大于所述金额阈值时，禁止响应所述用户的用户指令。
当支付金额大于金额阈值时，计算机设备禁止响应所述用户的用户指令。通过控制用户交易金额的上限值，能够控制将用户的消费能力控制在限定的范围内，不会因为用户的冲动给家人带来不必要的麻烦。
在一些实施方式中，为避免用户通过多次支付的方式躲避上述技术方案的监控，通过对设定时间段(例如，一天)内用户的消费记录，当消费记录的累加之和大于金额阈值时，禁止响应所述用户的用户指令。
在一些实施方式中，当用户进行超额支付时，要得到家长或者监护人的认可后才能够进行执行。请参阅图6，图6为本实施例验证超额支付的流程示意图。
如图6所示，步骤S1323之后还包括下述步骤：
S1411、向预设的关联终端发送警示信息，其中，所述警示信息包括是否同意支付的问询信息；
当检测到用户在进行支付行为，且支付的金额大于设定的金额阈值时，向关联的终端发送警示信息，警示信息中包括问询信息。例如，用户XX在XX平台上支付5000元整，是否同意支付的警示信息。
其中关联终端为通过管理员权限注册时预留的电话号码、邮箱号码或者其他即时通讯账号等。在一些实施方式中，关联终端是指用户使用的支付账号或者支付银行卡在注册时预留的电话号码。
S1412、接收所述关联终端回复所述警示信息的回复信息；
获取到关联终端发送的回复警示信息的回复信息，回复信息的内容为是否同意用户进行支付。
S1413、当所述回复信息表征的回复内容为同意支付时，执行所述用户的支付指令。
当回复信息的内容表征的回复内容为同意支付时，计算机设备执行用户的支付指令，将用户的支付信息发送至对应的服务器端，实现支付。若回复信息表征的内容为不同意支付时，则禁止执行用户的支付操作。
在一些实施方式中，为更加准确的将用户的支付行为发送对应的监护人或者账户持有者。在用户进行支付时，需要查找关联终端。请参阅图7，图7为本实施例获取关联终端的流程示意图。
如图7所示，步骤S1411之前还包括下述步骤：
S1401、获取所述支付行为使用的支付账号；
获取用户进行支付行为时所使用的支付***或者支付使用的电子账号。同时，读取用户使用的支付***以及电子账户的支付账号。
S1402、根据所述支付账号获取与所述支付账号绑定的支付终端号码；
本实施方式中，当管理员(家长)进行注册时，会收集家中能够提供的所有支付***以及电子账户的信息但不包括密码，以及支付***以及电子账户对应的支付终端号码。通过电子账户的信息能够直接获取到与支付账号绑定的支付终端号码。
在一些实施方式中，在获取到支付账号后，识别该支付账号的类型及开户行或者平台。上述识别均能够通过各银行***辨识规则进行识别，然后向注册的机构所在的服务器***发送请求信息，请求获取支付账户绑定的支付终端号码。
S1403、确定所述支付终端号码表征的终端为所述关联终端。
当获取到支付账户绑定的支付终端号码后，确定支付终端号码表征的终端为关联终端。通过关联终端的确认，能够将警示信息发送至最相关的用户终端，最大限度的保护了支付账户所有人的直接利益。
为解决上述技术问题，本发明实施例还提供一种***安全装置。
请参阅图8，图8为本实施例***安全装置的基本结构框图。
如图8所示，一种***安全装置，包括：获取模块2100、处理模块2200和处理模块2300。其中，获取模块2100用于获取显示区域显示画面的画面截图；处理模块2200用于将画面截图输入到预设的第一神经网络模型中，并获取第一神经网络模型输出的画面截图的第一分类结果，其中，第一分类结果为画面截图表征的用户行为信息；执行模块2300用于将第一分类结果与预设的行为规划信息进行比对，当第一分类结果与行为规划信息不一致时，禁止响应用户的用户指令。
***安全装置在用户使用计算机时提示用户填写使用规划，该使用规划中包括用户使用计算机进行的操作内容。当用户正式操作计算机时，获取计算机屏幕显示内容的画面截图，将画面截图输入到预设的第一神经网络模型中，并获取分类结果。由于分类结果为画面截图表征的用户行为信息，即用户正在用计算机设备进行何种操作。通过比对用户在使用计算机时设定的行为规划信息与分类结果是否一致，即能够确定用户是否使用计算机在进行规划中的行为操作，而非使用计算机在进行其他操作内容。当用户计算机在进行其他操作内容时，禁止响应用户的操作指令，迫使用户按规划操作计算机进行响应的工作，达到引导用户正确使用计算机的目的，实现帮助用户戒除不当使用计算机的任务。
在一些选择性实施例中，***安全装置还包括：第一获取子模块、第一处理子模块和第一执行子模块。其中，第一获取子模块用于采集用户的人脸图像；第一处理子模块用于将人脸图像和预设的用户的证件图像输入到预设的第二神经网络模型中，并获取第二神经网络模型输出的第一判断结果，其中，第二神经网络模型为训练至收敛状态用于判断图像相似度的神经网络模型；第一执行子模块用于当第一判断结果表征的内容为人脸图像和证件图像不一致时，禁止用户的登陆请求。
在一些选择性实施例中，***安全装置还包括：第二处理子模块和第二执行子模块。其中，第二处理子模块用于将人脸图像输入到预设的第三神经网络模型中，并获取第三神经网络模型输出的第二分类结果，其中，第三神经网络模型为训练至收敛状态用于判断人脸图像偏转方向及偏转角度的神经网络模型；第二执行子模块用于将第二分类结果与预设的指令信息进行比对，当第二分类结果与指令信息不一致时，禁止用户的登陆请求。
在一些选择性实施例中，***安全装置还包括：第二获取子模块、第三处理子模块和第三执行子模块。其中，第二获取子模块用于获取用户的用户行为的持续时长；第三处理子模块用于将持续时长与预设的时间阈值进行比对；第三执行子模块用于当持续时长大于时间阈值时，禁止响应用户的用户指令。
在一些选择性实施例中，当用户行为信息表征的用户行为支付行为时；***安全装置还包括：第一识别子模块、第四处理子模块和第四执行子模块。其中，第一识别子模块用于识别画面截图中的支付金额；第四处理子模块用于将支付金额与预设的金额阈值进行比对；第四执行子模块用于当支付金额大于金额阈值时，禁止响应用户的用户指令。
在一些选择性实施例中，***安全装置还包括：第一发送子模块、第一接受子模块第五执行子模块。其中，第一发送子模块用于向预设的关联终端发送警示信息，其中，警示信息包括是否同意支付的问询信息；第一接受子模块用于接收关联终端回复警示信息的回复信息；第五执行子模块用于当回复信息表征的回复内容为同意支付时，执行用户的支付指令。
在一些选择性实施例中，***安全装置还包括：第三获取子模块、第三获取子模块和第五处理子模块。其中，第三获取子模块用于获取支付行为使用的支付账号；第五处理子模块用于根据支付账号获取与支付账号绑定的支付终端号码；第六执行子模块用于确定支付终端号码表征的终端为关联终端。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
如图9所示，计算机设备的内部结构示意图。该计算机设备包括通过***总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作***、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种***安全方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种***安全方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图8中获取模块2100、处理模块2200和执行模块2300的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有人脸图像关键点检测装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备在用户使用计算机时提示用户填写使用规划，该使用规划中包括用户使用计算机进行的操作内容。当用户正式操作计算机时，获取计算机屏幕显示内容的画面截图，将画面截图输入到预设的第一神经网络模型中，并获取分类结果。由于分类结果为画面截图表征的用户行为信息，即用户正在用计算机设备进行何种操作。通过比对用户在使用计算机时设定的行为规划信息与分类结果是否一致，即能够确定用户是否使用计算机在进行规划中的行为操作，而非使用计算机在进行其他操作内容。当用户计算机在进行其他操作内容时，禁止响应用户的操作指令，迫使用户按规划操作计算机进行响应的工作，达到引导用户正确使用计算机的目的，实现帮助用户戒除不当使用计算机的任务。
本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述***安全方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
Claims (10)
1.一种***安全方法，其特征在于，包括下述步骤：
获取显示区域显示画面的画面截图；
将所述画面截图输入到预设的第一神经网络模型中，并获取所述第一神经网络模型输出的画面截图的第一分类结果，其中，所述第一分类结果为所述画面截图表征的用户行为信息；
将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令。
2.根据权利要求1所述的***安全方法，其特征在于，所述获取显示区域显示画面的画面截图的步骤之前，还包括下述步骤：
采集所述用户的人脸图像；
将所述人脸图像和预设的所述用户的证件图像输入到预设的第二神经网络模型中，并获取所述第二神经网络模型输出的第一判断结果，其中，所述第二神经网络模型为训练至收敛状态用于判断图像相似度的神经网络模型；
当所述第一判断结果表征的内容为所述人脸图像和证件图像不一致时，禁止所述用户的登陆请求。
3.根据权利要求2所述的***安全方法，其特征在于，所述采集所述用户的人脸图像的步骤之后，还包括下述步骤：
将所述人脸图像输入到预设的第三神经网络模型中，并获取所述第三神经网络模型输出的第二分类结果，其中，所述第三神经网络模型为训练至收敛状态用于判断人脸图像偏转方向及偏转角度的神经网络模型；
将所述第二分类结果与预设的指令信息进行比对，当所述第二分类结果与所述指令信息不一致时，禁止所述用户的登陆请求。
4.根据权利要求1所述的***安全方法，其特征在于，所述将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令的步骤之后，还包括下述步骤：
获取所述用户的用户行为的持续时长；
将所述持续时长与预设的时间阈值进行比对；
当所述持续时长大于所述时间阈值时，禁止响应所述用户的用户指令。
5.根据权利要求1所述的***安全方法，其特征在于，当所述用户行为信息表征的用户行为支付行为时；所述将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令的步骤之后，还包括下述步骤：
识别所述画面截图中的支付金额；
将所述支付金额与预设的金额阈值进行比对；
当所述支付金额大于所述金额阈值时，禁止响应所述用户的用户指令。
6.根据权利要求5所述的***安全方法，其特征在于，
所述当所述支付金额大于所述金额阈值时，禁止响应所述用户的用户指令的步骤之后，还包括下述步骤：
向预设的关联终端发送警示信息，其中，所述警示信息包括是否同意支付的问询信息；
接收所述关联终端回复所述警示信息的回复信息；
当所述回复信息表征的回复内容为同意支付时，执行所述用户的支付指令。
7.根据权利要求6所述的***安全方法，其特征在于，所述向预设的关联终端发送警示信息的步骤之前，还包括下述步骤：
获取所述支付行为使用的支付账号；
根据所述支付账号获取与所述支付账号绑定的支付终端号码；
确定所述支付终端号码表征的终端为所述关联终端。
8.一种***安全装置，其特征在于，包括：
获取模块，用于获取显示区域显示画面的画面截图；
处理模块，用于将所述画面截图输入到预设的第一神经网络模型中，并获取所述第一神经网络模型输出的画面截图的第一分类结果，其中，所述第一分类结果为所述画面截图表征的用户行为信息；
执行模块，用于将所述第一分类结果与预设的行为规划信息进行比对，当所述第一分类结果与所述行为规划信息一致时，响应所述用户的用户指令。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述***安全方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述***安全方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811198452.XA CN109325335A (zh) | 2018-10-15 | 2018-10-15 | ***安全方法、装置、计算机设备及存储介质 |
| PCT/CN2019/070374 WO2020077890A1 (zh) | 2018-10-15 | 2019-01-04 | ***安全方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811198452.XA CN109325335A (zh) | 2018-10-15 | 2018-10-15 | ***安全方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109325335A true CN109325335A (zh) | 2019-02-12 |
Family
ID=65262656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811198452.XA Pending CN109325335A (zh) | 2018-10-15 | 2018-10-15 | ***安全方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109325335A (zh) |
| WO (1) | WO2020077890A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116305049A (zh) * | 2023-05-11 | 2023-06-23 | 深圳市欧度利方科技有限公司 | 一种平板电脑可视化控制***与方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573479A (zh) * | 2014-12-18 | 2015-04-29 | 百度在线网络技术（北京）有限公司 | 一种用户设备的使用控制方法及装置 |
| CN104700231A (zh) * | 2015-03-27 | 2015-06-10 | 福州大学 | 基于用户行为的桌面屏幕审计方法 |
| WO2017071147A1 (zh) * | 2015-10-30 | 2017-05-04 | 宇龙计算机通信科技(深圳)有限公司 | 移动支付的监控方法、***及智能终端 |
| CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及*** |
-
2018
- 2018-10-15 CN CN201811198452.XA patent/CN109325335A/zh active Pending
-
2019
- 2019-01-04 WO PCT/CN2019/070374 patent/WO2020077890A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573479A (zh) * | 2014-12-18 | 2015-04-29 | 百度在线网络技术（北京）有限公司 | 一种用户设备的使用控制方法及装置 |
| CN104700231A (zh) * | 2015-03-27 | 2015-06-10 | 福州大学 | 基于用户行为的桌面屏幕审计方法 |
| WO2017071147A1 (zh) * | 2015-10-30 | 2017-05-04 | 宇龙计算机通信科技(深圳)有限公司 | 移动支付的监控方法、***及智能终端 |
| CN106780048A (zh) * | 2016-11-28 | 2017-05-31 | 中国平安财产保险股份有限公司 | 一种智能车险的自助理赔方法、自助理赔装置及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116305049A (zh) * | 2023-05-11 | 2023-06-23 | 深圳市欧度利方科技有限公司 | 一种平板电脑可视化控制***与方法 |
| CN116305049B (zh) * | 2023-05-11 | 2023-09-08 | 深圳市欧度利方科技有限公司 | 一种平板电脑可视化控制***与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020077890A1 (zh) | 2020-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8881251B1 (en) | Electronic authentication using pictures and images | |
| CN109064175A (zh) | 一种账户盗用风险防控方法及装置 | |
| Soewito et al. | Attendance system on Android smartphone | |
| CN109120605A (zh) | 身份验证及账户信息变更方法和装置 | |
| CN105893465A (zh) | 自动问答方法和装置 | |
| CN107800672A (zh) | 一种信息验证方法、电子设备、服务器及信息验证*** | |
| EP2027557A1 (en) | Media identification | |
| CN109214914A (zh) | 一种基于通信开放平台的借贷信息审核方法及装置 | |
| CN109858230A (zh) | 滑块验证方法、装置、计算机设备及存储介质 | |
| EP3745345A1 (en) | Ticketing management system and program | |
| CN109727350A (zh) | 一种基于人脸识别的门禁控制方法及装置 | |
| EP3869395A1 (en) | Identity and liveness verification | |
| CN110288755A (zh) | 基于文本识别的***检验方法、服务器及存储介质 | |
| CN107025397A (zh) | 身份信息的获取方法和装置 | |
| Yang et al. | An automated student attendance tracking system based on voiceprint and location | |
| CN106327206A (zh) | 正品认证工具及正品认证*** | |
| CN109145590A (zh) | 一种函数hook检测方法、检测设备及计算机可读介质 | |
| CN107818434A (zh) | 取件验证方法、服务器、取件验证设备和取件验证*** | |
| IL263820A (en) | Ticket management system and software | |
| CN107392614A (zh) | 线下交易的实现方法和装置 | |
| CN105205367B (zh) | 信息处理方法以及电子设备 | |
| CN109523271A (zh) | 人脸支付***以及方法 | |
| Sharma et al. | Multi-Modality Biometric Assisted Smart Card Based Ration Distribution System | |
| CA3220453A1 (en) | Methods and systems for facilitating secure authentication of users based on known data | |
| CN110177224A (zh) | 一种基于可穿戴设备的信息关联方法及可穿戴设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40002809 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190212 |