CN110852427B - 取证环境验证方法和装置、电子设备 - Google Patents
取证环境验证方法和装置、电子设备 Download PDFInfo
- Publication number
- CN110852427B CN110852427B CN202010039269.6A CN202010039269A CN110852427B CN 110852427 B CN110852427 B CN 110852427B CN 202010039269 A CN202010039269 A CN 202010039269A CN 110852427 B CN110852427 B CN 110852427B
- Authority
- CN
- China
- Prior art keywords
- sequence
- evidence obtaining
- forensics
- data
- evidence
- 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.)
- Active
Links
- 238000012795 verification Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 162
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 25
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- Fuzzy Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书一个或多个实施例提供一种取证环境验证方法和装置、电子设备,应用于取证终端,包括:获取在验证时间段内由取证终端搭载的传感器采集到的传感数据,并基于传感数据生成按照采集时刻排序的传感序列数据;将传感序列数据输入至基于若干被标注了用户行为的传感序列数据样本训练出的时间序列模型进行计算,以得到取证人员在验证时间段内的用户行为,并基于用户行为生成按照发生时刻排序的第一序列;将第一序列发送至服务端,以由服务端将第一序列与通过对取证终端获取到的取证人员在验证时间段内的取证环境记录信息进行数据分析得到的取证人员的第二序列进行匹配,并在第一序列与第二序列匹配时,确定取证人员的取证环境验证通过。
Description
技术领域
本说明书一个或多个实施例涉及计算机应用技术领域,尤其涉及一种取证环境验证方法和装置、电子设备。
背景技术
在司法取证工作中,经常会出现需要由取证人员前往取证环境进行现场取证的情况,例如:对于犯罪案件,需要由取证人员前往作为取证环境的犯罪现场进行现场取证。在这种情况下,如何对取证环境进行验证,以保证取证人员前往的是正确的取证环境,从而保证司法取证工作的真实性和可靠性,也就成为亟待解决的问题。
发明内容
本说明书提出一种取证环境验证方法,所述方法应用于取证终端;所述方法包括:
获取在验证时间段内由所述取证终端搭载的传感器采集到的传感数据,并基于所述传感数据生成按照采集时刻排序的传感序列数据;
将所述传感序列数据输入至时间序列模型进行计算,以得到取证人员在所述验证时间段内的用户行为,并基于所述用户行为生成按照发生时刻排序的第一用户行为序列;其中,所述时间序列模型为基于若干被标注了用户行为的传感序列数据样本训练出的机器学习模型;
将所述第一用户行为序列发送至服务端,以由所述服务端将所述第一用户行为序列与通过对所述取证终端获取到的所述取证人员在所述验证时间段内的取证环境记录信息进行数据分析得到的所述取证人员的第二用户行为序列进行匹配,并在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过。
可选地,所述验证时间段包括所述取证人员前往取证环境的过程中的预设时间段。
可选地,所述预设时间段包括开始取证的时刻与上传采集到的证据的时刻之间的时间段。
可选地,所述传感器包括:加速度传感器、陀螺仪,以及气压计。
可选地,所述机器学习模型为长短期记忆LSTM模型或者门控循环单元GRU模型。
可选地,所述将所述传感序列数据输入至时间序列模型进行计算,包括:
将所述传感序列数据输入至本地部署的时间序列模型进行计算;或者,
将所述传感序列数据输入至部署在所述服务端的时间序列模型进行计算。
可选地,所述取证环境记录为由所述取证终端采集到的视频数据、图片数据、音频数据、文本数据中的任意一种数据。
可选地,所述在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,包括:
在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,并将所述取证终端发送的在所述取证环境中采集到的证据发布至区块链进行存证。
本说明书还提出一种取证环境验证装置,所述装置应用于取证终端;所述装置包括:
获取模块,获取在验证时间段内由所述取证终端搭载的传感器采集到的传感数据,并基于所述传感数据生成按照采集时刻排序的传感序列数据;
生成模块,将所述传感序列数据输入至时间序列模型进行计算,以得到取证人员在所述验证时间段内的用户行为,并基于所述用户行为生成按照发生时刻排序的第一用户行为序列;其中,所述时间序列模型为基于若干被标注了用户行为的传感序列数据样本训练出的机器学习模型;
验证模块,将所述第一用户行为序列发送至服务端,以由所述服务端将所述第一用户行为序列与通过对所述取证终端获取到的所述取证人员在所述验证时间段内的取证环境记录信息进行数据分析得到的所述取证人员的第二用户行为序列进行匹配,并在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过。
可选地,所述验证时间段包括所述取证人员前往取证环境的过程中的预设时间段。
可选地,所述预设时间段包括开始取证的时刻与上传采集到的证据的时刻之间的时间段。
可选地,所述传感器包括:加速度传感器、陀螺仪,以及气压计。
可选地,所述机器学习模型为长短期记忆LSTM模型或者门控循环单元GRU模型。
可选地,所述生成模块:
将所述传感序列数据输入至本地部署的时间序列模型进行计算;或者,
将所述传感序列数据输入至部署在所述服务端的时间序列模型进行计算。
可选地,所述取证环境记录为由所述取证终端采集到的视频数据、图片数据、音频数据、文本数据中的任意一种数据。
可选地,所述在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,包括:
在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,并将所述取证终端发送的在所述取证环境中采集到的证据发布至区块链进行存证。
本说明书还提出一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现上述方法的步骤。
本说明书还提出一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述方法的步骤。
在上述技术方案中,可以通过由取证人员持有的取证终端搭载的传感器采集到的传感数据,确定该取证人员的第一用户行为,并将该第一用户行为与通过该取证终端获取到的取证环境记录信息确定的该取证人员的第二用户行为进行匹配,以在该第一用户行为与该第二用户行为匹配时,确定该取证人员的取证环境验证通过。也即,可以实现对取证环境的验证,以保证取证人员前往的是正确的取证环境,从而保证司法取证工作的真实性和可靠性。
附图说明
图1是本说明书一示例性实施例示出的一种取证环境验证***的示意图;
图2是本说明书一示例性实施例示出的一种取证环境验证方法的流程图;
图3是本说明书一示例性实施例示出的一种取证界面的示意图;
图4是本说明书一示例性实施例示出的一种验证界面的示意图;
图5是本说明书一示例性实施例示出的一种取证环境验证装置所在电子设备的硬件结构图;
图6是本说明书一示例性实施例示出的一种取证环境验证装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请旨在提供一种通过由取证人员持有的取证终端搭载的传感器采集到的传感数据,确定该取证人员的第一用户行为,并将该第一用户行为与通过该取证终端获取到的取证环境记录信息确定的该取证人员的第二用户行为进行匹配,以对该取证人员的取证环境进行验证的技术方案。
在具体实现时,可以由取证终端获取在验证时间段内由该取证终端搭载的传感器采集到的传感数据,并按照采集时刻对该传感数据进行排序,以得到按照采集时刻排序的传感序列数据。
后续,该取证终端可以将该传感序列数据输入至部署在该取证终端中的、基于若干被标注了用户行为的传感序列数据样本训练出的时间序列模型进行计算,以得到取证人员在该验证时间段内的用户行为,并按照发生时刻对该用户行为进行排序,以得到按照发生时刻排序的第一用户行为序列,再将该第一用户行为序列发送至服务端。该服务端可以预先对该取证终端获取到的该取证人员在该验证时间段内的取证环境记录信息进行数据分析,以得到该取证人员的、按照发生时刻排序的第二用户行为序列。该服务端可以进一步将该第一用户行为序列与该第二用户行为序列进行匹配,以在该第一用户行为与该第二用户行为匹配时,确定该取证人员的取证环境验证通过。
或者,可以将该时间序列模型部署在服务端中。在这种情况下,该取证终端可以将该传感序列数据发送给服务端,由服务端将该传感序列数据输入至部署在该服务端中的该时间序列模型进行计算,以得到取证人员在该验证时间段内的用户行为,并按照发生时刻对该用户行为进行排序,以得到按照发生时刻排序的第一用户行为序列。该服务端可以预先对该取证终端获取到的该取证人员在该验证时间段内的取证环境记录信息进行数据分析,以得到该取证人员的、按照发生时刻排序的第二用户行为序列。该服务端可以进一步将该第一用户行为序列与该第二用户行为序列进行匹配,以在该第一用户行为与该第二用户行为匹配时,确定该取证人员的取证环境验证通过。
在上述技术方案中,可以通过由取证人员持有的取证终端搭载的传感器采集到的传感数据,确定该取证人员的第一用户行为,并将该第一用户行为与通过该取证终端获取到的取证环境记录信息确定的该取证人员的第二用户行为进行匹配,以在该第一用户行为与该第二用户行为匹配时,确定该取证人员的取证环境验证通过。也即,可以实现对取证环境的验证,以保证取证人员前往的是正确的取证环境,从而保证司法取证工作的真实性和可靠性。
请参考图1,图1是本说明书一示例性实施例示出的一种取证环境验证***的示意图。
在司法取证工作中,经常会出现需要由取证人员前往取证环境进行现场取证的情况,例如:对于犯罪案件,需要由取证人员前往作为取证环境的犯罪现场进行现场取证。在实际应用中,取证人员通常会手持摄像机、手机、平板设备或掌上电脑(PDAs,PersonalDigital Assistants)等电子设备前往取证环境,以便于对在取证环境中采集到的证据进行记录。
在如图1所示的取证环境验证***中,取证终端可以是取证人员前往取证环境时手持的电子设备。该取证终端可以在该取证人员前往该取证环境的过程中获取用于取证环境验证的数据,并与服务端协作,基于获取到的该数据完成对该取证环境的验证;其中,该服务端可以运行在该取证终端以外的服务器或计算机等电子设备中。
请参考图2,图2是本说明书一示例性实施例示出的一种取证环境验证方法的流程图。
该取证环境验证方法可以应用于图1所示的取证终端,包括以下步骤:
步骤202,获取在验证时间段内由所述取证终端搭载的传感器采集到的传感数据,并基于所述传感数据生成按照采集时刻排序的传感序列数据;
步骤204,将所述传感序列数据输入至时间序列模型进行计算,以得到取证人员在所述验证时间段内的用户行为,并基于所述用户行为生成按照发生时刻排序的第一用户行为序列;其中,所述时间序列模型为基于若干被标注了用户行为的传感序列数据样本训练出的机器学习模型;
步骤206,将所述第一用户行为序列发送至服务端,以由所述服务端将所述第一用户行为序列与通过对所述取证终端获取到的所述取证人员在所述验证时间段内的取证环境记录信息进行数据分析得到的所述取证人员的第二用户行为序列进行匹配,并在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过。
在本实施例中,上述取证终端搭载的传感器可以实时采集传感数据,并将采集到的传感数据上传至该取证终端的CPU(Central Processing Unit,中央处理器),以由该取证终端对该取证终端搭载的传感器采集到的传感数据进行记录。在这种情况下,该取证终端可以获取在验证时间段内由该取证终端搭载的传感器采集到的传感数据。
在示出的一种实施方式中,上述传感器可以包括:加速度传感器、陀螺仪,以及气压计。也即,该取证终端可以获取在该验证时间段内,由该取证终端搭载的加速度传感器采集到的加速度数据,由该取证终端搭载的陀螺仪采集到的角运动数据,以及由该取证终端搭载的气压计采集到的气压数据。
在实际应用中,可以根据加速度数据确定用户的运动速度,根据角运动数据确定用户的运动方向,以及根据气压数据确定用户的运动高度(例如:用户所处的海报或者楼层)。也即,根据该取证终端搭载的加速度传感器和、陀螺仪和气压计采集到的传感器数据,可以确定上述取证人员在前往取证环境时的用户行为;其中,该用户行为可以是步行、乘车、步行上楼、乘电梯等。
需要说明的是,该取证终端还可以根据实际的业务需求,获取在该验证时间段内,由该取证终端搭载的除了加速度传感器、陀螺仪和气压计之外的其他传感器采集到的传感器数据,本说明书对此不作限制。
在示出的一种实施方式中,上述验证时间段可以包括上述取证人员前往取证环境的过程中的预设时间段;其中,该预设时间段可以是由技术人员预先设置的一个时间段。
具体地,上述预设时间段可以包括开始取证的时刻与上传采集到的证据的时刻之间的完整时间段,或者可以包括从该完整时间段中截取的一个时间段;其中,该开始取证的时刻可以是该取证人员开启该取证终端的时刻(在实际应用中,取证人员通常会在出发以前往取证环境时开启取证终端),该上传采集到的证据的时刻可以是该取证人员完成取证并通过该取证终端上传采集到的证据的时刻。
举例来说,该取证终端可以向该取证人员展示如图3所示的取证界面。该取证人员可以通过该取证界面添加或删除采集到的证据(例如:视频数据、图片数据、音频数据或文本数据等作为证据的数据),并在完成证据的输入时,对该取证界面中的“上传”按钮执行点击操作。该取证终端在检测到该点击操作时,可以将该取证人员输入的证据上传至服务端,以由服务端基于该证据进行后续的业务处理。在这种情况下,该取证终端可以获取从该取证终端开启的时刻(即开始取证的时刻)开始,到该取证终端检测到该点击操作的时刻(即上传采集到的证据的时刻)为止的这一完整时间段内,该取证终端搭载的传感器采集到的传感器数据。
在另一个例子中,可以由技术人员预先设置一个合适的时长,作为该预设时间段的时长。该取证终端可以获取在上传采集到的证据的时刻之前、时长为由该技术人员预先设置的该时长的时间段内,该取证终端搭载的传感器采集到的传感器数据。例如,假设该技术人员预先设置的时长为30分钟,该上传采集到的证据的时刻为18时40分,则该取证终端可以获取在18时10分至18时40分这一时间段内,该取证终端搭载的传感器采集到的传感器数据。
在再一个例子中,该技术人员可以在服务端接收到由该取证人员通过该取证终端上传的采集到的证据时,通过该服务端预先设置一个合适的时间段,作为该预设时间段,并由该服务端将由该技术人员预先设置的该时间段发送至该取证终端。该取证终端可以获取在由该技术人员预先设置的该时间段内,该取证终端搭载的传感器采集到的传感器数据。例如,假设该上传采集到的证据的时刻为18时40分,则该技术人员可以将18时10分至18时40分这一时间段设置为该预设时间段,从而使该取证终端可以获取在18时10分至18时40分这一时间段内,该取证终端搭载的传感器采集到的传感器数据。
在本实施例中,上述取证终端在获取到在上述验证时间段内由该取证终端搭载的传感器采集到的传感数据的情况下,可以基于该传感数据生成传感序列数据。
在实际应用中,该取证终端在对该取证终端搭载的传感器采集到的某个传感数据进行记录时,通常会同时记录该传感数据的采集时刻(可以将该取证终端的CPU接收到该传感数据的时刻视为该传感数据的采集时刻)。也即,该取证终端可以对该取证终端搭载的传感器采集到的传感数据与采集时刻之间的对应关系。
在上述情况下,该取证终端可以按照采集时刻,对获取到的在上述验证时间段内由该取证终端搭载的传感器采集到的传感数据进行排序,并将排序后的该传感数据作为传感序列数据。
举例来说,假设该验证时间段为18时10分至18时40分这一时间段,进一步假设该取证终端获取到的在该验证时间段内,由该取证终端搭载的加速度传感器采集到的加速度数据如下表1所示,由该取证终端搭载的陀螺仪采集到的角运动数据如下表2所示:
在这种情况下,该取证终端基于该加速度数据和该角运动数据生成的按照采集时刻排序的传感序列数据可以如下表3所示:
在本实施例中,上述取证终端在生成了上述按照采集时刻排序的传感序列数据的情况下,可以该传感序列数据输入至预先训练得到的时间序列模型进行计算,以由该时间序列模型计算得到上述取证人员在上述验证时间段内的用户行为,并基于得到的用户行为生成按照发生时刻排序的第一用户行为序列。
需要说明的是,该时间序列模型可以是基于若干被标注了用户行为的传感序列数据样本训练出的机器学习模型。
在实际应用中,一方面,该时间序列模型可以是LSTM(Long Short-Term Memory,长短期记忆)模型,或者可以是GRU(Gated Recurrent Unit,门控循环单元)模型;另一方面,该用户行为可以是步行、乘车、步行上楼、乘电梯上楼等取证人员在前往取证环境时的用户行为。
举例来说,该时间序列模型可以按照一定的时间粒度,将该传感序列数据中的传感数据分为多组,并分别基于每组传感数据进行计算,得到与每组传感数据对应的用户行为;其中,该时间粒度的数值可以是由技术人员针对该时间序列模型设置的数值,或者可以是由该时间序列模型默认的缺省值,本说明书对此不作限制。后续,该取证终端可以对得到的与每组传感数据对应的用户行为进行整合,生成按照发生时刻排序的第一用户行为序列。
假设该验证时间段为18时10分至18时40分这一时间段,进一步假设该时间粒度为1分钟。在这种情况下,该时间序列模型可以基于该传感序列数据中的18时10分至18时11分这一时间段内的传感数据进行计算,得到该时间段内的用户行为(假设为步行);基于该传感序列数据中的18时11分至18时12分这一时间段内的传感数据进行计算,得到该时间段内的用户行为(假设为步行);基于该传感序列数据中的18时12分至18时13分这一时间段内的传感数据进行计算,得到该时间段内的用户行为(假设为乘车);基于该传感序列数据中的18时13分至18时14分这一时间段内的传感数据进行计算,得到该时间段内的用户行为(假设为乘车);以此类推。也即,由该时间序列模型计算得到的用户行为如下表4所示:
后续,该取证终端可以对由该时间序列模型计算得到的用户行为进行整合,生成按照发生时刻排序的第一用户行为序列,该第一用户行为序列可以如下表5所示:
在本实施例中,上述取证终端在生成了上述按照发生时刻排序的第一用户行为序列的情况下,可以将该第一用户行为序列发送至服务端,以由该服务端基于该第一用户行为序列执行取证环境验证。
需要说明的是,上述时间序列模型可以部署在上述取证终端本地,即由该取证终端将上述传感序列数据直接输入至该时间序列模型进行计算,并基于由该时间序列模型计算得到的用户行为生成上述第一用户行为序列,再将该第一用户行为序列发送至上述服务端,以由该服务端基于该第一用户行为序列执行取证环境验证。
或者,上述时间序列模型可以部署在上述服务端,即上述取证终端可以将上述传感序列数据发送至该服务端,以由该服务端将该传感序列数据输入至该时间序列模型进行计算,并基于由该时间序列模型计算得到的用户行为生成上述第一用户行为序列,再基于该第一用户行为序列执行取证环境验证。
在本实施例中,上述服务端具体可以将该第一用户行为序列,与通过对该取证终端获取到的上述取证人员在上述验证时间段内的取证环境记录信息进行数据分析得到的该取证人员的第二用户行为序列进行匹配。
在示出的一种实施方式中,上述取证环境记录可以是由所述取证终端采集到的视频数据、图片数据、音频数据、文本数据中的任意一种数据。
在实际应用中,该服务端可以将该取证环境记录展示给验证人员,以由该验证人员自行对该取证环境记录进行分析,确定该取证人员在该验证时间段内的每个用户行为,以及每个用户行为的发生时刻,并通过该服务端提供的验证界面,输入确定的该取证人员的用户行为和用户行为的发生时刻。该服务端可以进一步基于该验证人员输入的用户行为和用户行为的发生时刻,生成用户行为序列,作为该取证人员的第二用户行为序列。
举例来说,该服务端可以向该验证人员展示如图4所示的验证界面。该验证人员可以通过该验证界面输入对该取证环境记录进行分析确定的用户行为和用户行为的发生时刻,并在输入完成时,对该验证界面中的“确认”按钮执行点击操作。该服务端在检测到该点击操作时,可以基于该验证人员输入的用户行为和用户行为的发生时刻,生成如下表6所示的第二用户行为序列:
或者,可以由该服务端对该取证环境记录进行数据分析,例如:基于机器学习算法对该取证环境记录进行数据分析,以得到该取证人员在该验证时间段内的用户行为,并基于得到的用户行为生成按照发生时刻排序的第二用户行为序列。
举例来说,假设该取证环境记录为图片序列数据,则可以利用基于若干被标注了用户行为的图片序列数据样本训练出的时间序列模型,由该时间序列模型基于该取证环境记录进行计算,得到该取证人员在该验证时间段内的用户行为,并基于得到的用户行为生成按照发生时刻排序的第二用户行为序列。
在本实施例中,如果上述第一用户行为与上述第二用户行为序列匹配,则可以确定上述取证人员的取证环境验证通过。
以如上表5所示的第一用户行为序列,以及如上表6所示的第二用户行为序列为例,由于该第一用户行为序列与该第二用户行为序列均为:18:10:00,步行;18:12:00,乘车;……,因此在这种情况下,可以确定该第一用户行为与该第二用户行为匹配,从而可以确定该取证人员的取证环境验证通过。
在示出的一种实施方式中,上述服务端在确定上述取证人员的取证环境验证通过的情况下,可以将所述取证终端发送的在所述取证环境中采集到的证据(例如:视频数据、图片数据、音频数据或文本数据等作为证据的数据)发布至区块链进行存证,以避免证据被篡改,保证证据的数据安全性。
在上述技术方案中,可以通过由取证人员持有的取证终端搭载的传感器采集到的传感数据,确定该取证人员的第一用户行为,并将该第一用户行为与通过该取证终端获取到的取证环境记录信息确定的该取证人员的第二用户行为进行匹配,以在该第一用户行为与该第二用户行为匹配时,确定该取证人员的取证环境验证通过。也即,可以实现对取证环境的验证,以保证取证人员前往的是正确的取证环境,从而保证司法取证工作的真实性和可靠性。
与前述取证环境验证方法的实施例相对应,本说明书还提供了取证环境验证装置的实施例。
本说明书取证环境验证装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图5所示,为本说明书取证环境验证装置所在电子设备的一种硬件结构图,除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该取证环境验证的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图6,图6是本说明书一示例性实施例示出的一种取证环境验证装置的框图。该取证环境验证装置60可以应用于图5所示的作为取证终端的电子设备,包括:
获取模块601,获取在验证时间段内由所述取证终端搭载的传感器采集到的传感数据,并基于所述传感数据生成按照采集时刻排序的传感序列数据;
生成模块602,将所述传感序列数据输入至时间序列模型进行计算,以得到取证人员在所述验证时间段内的用户行为,并基于所述用户行为生成按照发生时刻排序的第一用户行为序列;其中,所述时间序列模型为基于若干被标注了用户行为的传感序列数据样本训练出的机器学习模型;
验证模块603,将所述第一用户行为序列发送至服务端,以由所述服务端将所述第一用户行为序列与通过对所述取证终端获取到的所述取证人员在所述验证时间段内的取证环境记录信息进行数据分析得到的所述取证人员的第二用户行为序列进行匹配,并在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过。
在本实施例中,所述验证时间段包括所述取证人员前往取证环境的过程中的预设时间段。
在本实施例中,所述预设时间段包括开始取证的时刻与上传采集到的证据的时刻之间的时间段。
在本实施例中,所述传感器包括:加速度传感器、陀螺仪,以及气压计。
在本实施例中,所述机器学习模型为长短期记忆LSTM模型或者门控循环单元GRU模型。
在本实施例中,所述生成模块602:
将所述传感序列数据输入至本地部署的时间序列模型进行计算;或者,
将所述传感序列数据输入至部署在所述服务端的时间序列模型进行计算。
在本实施例中,所述取证环境记录为由所述取证终端采集到的视频数据、图片数据、音频数据、文本数据中的任意一种数据。
在本实施例中,所述在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,包括:
在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,并将所述取证终端发送的在所述取证环境中采集到的证据发布至区块链进行存证。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (16)
1.一种取证环境验证方法,所述方法应用于取证终端;所述方法包括:
获取在验证时间段内由所述取证终端搭载的传感器采集到的传感数据,并基于所述传感数据生成按照采集时刻排序的传感序列数据;
将所述传感序列数据输入至时间序列模型进行计算,以得到取证人员在所述验证时间段内的用户行为,并基于所述用户行为生成按照发生时刻排序的第一用户行为序列;其中,所述时间序列模型为基于若干被标注了用户行为的传感序列数据样本训练出的机器学习模型;
将所述第一用户行为序列发送至服务端,以由所述服务端将所述第一用户行为序列与通过对所述取证终端获取到的所述取证人员在所述验证时间段内的取证环境记录信息进行数据分析得到的所述取证人员的第二用户行为序列进行匹配,并在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过;
其中,所述验证时间段包括所述取证人员前往取证环境的过程中的预设时间段。
2.根据权利要求1所述的方法,所述预设时间段包括开始取证的时刻与上传采集到的证据的时刻之间的时间段。
3.根据权利要求1所述的方法,所述传感器包括:加速度传感器、陀螺仪,以及气压计。
4.根据权利要求1所述的方法,所述机器学习模型为长短期记忆LSTM模型或者门控循环单元GRU模型。
5.根据权利要求1所述的方法,所述将所述传感序列数据输入至时间序列模型进行计算,包括:
将所述传感序列数据输入至本地部署的时间序列模型进行计算;或者,
将所述传感序列数据输入至部署在所述服务端的时间序列模型进行计算。
6.根据权利要求1所述的方法,所述取证环境记录为由所述取证终端采集到的视频数据、图片数据、音频数据、文本数据中的任意一种数据。
7.根据权利要求1所述的方法,所述在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,包括:
在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,并将所述取证终端发送的在所述取证环境中采集到的证据发布至区块链进行存证。
8.一种取证环境验证装置,所述装置应用于取证终端;所述装置包括:
获取模块,获取在验证时间段内由所述取证终端搭载的传感器采集到的传感数据,并基于所述传感数据生成按照采集时刻排序的传感序列数据;
生成模块,将所述传感序列数据输入至时间序列模型进行计算,以得到取证人员在所述验证时间段内的用户行为,并基于所述用户行为生成按照发生时刻排序的第一用户行为序列;其中,所述时间序列模型为基于若干被标注了用户行为的传感序列数据样本训练出的机器学习模型;
验证模块,将所述第一用户行为序列发送至服务端,以由所述服务端将所述第一用户行为序列与通过对所述取证终端获取到的所述取证人员在所述验证时间段内的取证环境记录信息进行数据分析得到的所述取证人员的第二用户行为序列进行匹配,并在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过;
其中,所述验证时间段包括所述取证人员前往取证环境的过程中的预设时间段。
9.根据权利要求8所述的装置,所述预设时间段包括开始取证的时刻与上传采集到的证据的时刻之间的时间段。
10.根据权利要求8所述的装置,所述传感器包括:加速度传感器、陀螺仪,以及气压计。
11.根据权利要求8所述的装置,所述机器学习模型为长短期记忆LSTM模型或者门控循环单元GRU模型。
12.根据权利要求8所述的装置,所述生成模块:
将所述传感序列数据输入至本地部署的时间序列模型进行计算;或者,
将所述传感序列数据输入至部署在所述服务端的时间序列模型进行计算。
13.根据权利要求8所述的装置,所述取证环境记录为由所述取证终端采集到的视频数据、图片数据、音频数据、文本数据中的任意一种数据。
14.根据权利要求8所述的装置,所述在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,包括:
在所述第一用户行为序列与所述第二用户行为序列匹配时,确定所述取证人员的取证环境验证通过,并将所述取证终端发送的在所述取证环境中采集到的证据发布至区块链进行存证。
15.一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1至7中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010039269.6A CN110852427B (zh) | 2020-01-15 | 2020-01-15 | 取证环境验证方法和装置、电子设备 |
PCT/CN2020/139410 WO2021143489A1 (zh) | 2020-01-15 | 2020-12-25 | 取证环境验证方法和装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010039269.6A CN110852427B (zh) | 2020-01-15 | 2020-01-15 | 取证环境验证方法和装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852427A CN110852427A (zh) | 2020-02-28 |
CN110852427B true CN110852427B (zh) | 2021-04-02 |
Family
ID=69610708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010039269.6A Active CN110852427B (zh) | 2020-01-15 | 2020-01-15 | 取证环境验证方法和装置、电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110852427B (zh) |
WO (1) | WO2021143489A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852427B (zh) * | 2020-01-15 | 2021-04-02 | 支付宝(杭州)信息技术有限公司 | 取证环境验证方法和装置、电子设备 |
CN111986166A (zh) * | 2020-08-03 | 2020-11-24 | 支付宝(杭州)信息技术有限公司 | 一种针对多媒体证据内容的有效性识别方法及*** |
CN113468492A (zh) * | 2021-07-13 | 2021-10-01 | 京东科技控股股份有限公司 | 验证信息的校验方法、装置和可读存储介质 |
CN117218745B (zh) * | 2023-11-07 | 2024-02-02 | 深圳市联特通讯有限公司 | 基于记录仪的证据采集方法、终端设备及存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130297785A1 (en) * | 2012-05-04 | 2013-11-07 | Electronics And Telecommunications Research Institute | User status analyzing method and apparatus using activity history |
CN107241623B (zh) * | 2017-05-26 | 2019-08-02 | 中国传媒大学 | 广播电视用户收视行为预测方法及*** |
CN108965609A (zh) * | 2018-08-31 | 2018-12-07 | 南京宽塔信息技术有限公司 | 移动终端应用场景的识别方法和装置 |
CN109769213B (zh) * | 2019-01-25 | 2022-01-14 | 努比亚技术有限公司 | 用户行为轨迹记录的方法、移动终端及计算机存储介质 |
CN110022355B (zh) * | 2019-03-04 | 2021-08-03 | 创新先进技术有限公司 | 特定场景下环境数据的存储方法、验真方法和设备 |
CN110058699B (zh) * | 2019-04-28 | 2021-04-27 | 电子科技大学 | 一种基于智能移动设备传感器的用户行为识别方法 |
CN112199738B (zh) * | 2019-05-17 | 2024-03-08 | 创新先进技术有限公司 | 一种基于区块链的侵权存证方法、装置及电子设备 |
CN110232749B (zh) * | 2019-06-17 | 2021-07-09 | 创新先进技术有限公司 | 基于区块链的巡检存证方法、装置和电子设备 |
CN110490545A (zh) * | 2019-07-26 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种基于区块链的公益记录方法及相关装置 |
CN110688678B (zh) * | 2019-09-27 | 2021-07-30 | 支付宝(杭州)信息技术有限公司 | 一种应用于区块链的数据处理方法、装置及设备 |
CN110852427B (zh) * | 2020-01-15 | 2021-04-02 | 支付宝(杭州)信息技术有限公司 | 取证环境验证方法和装置、电子设备 |
-
2020
- 2020-01-15 CN CN202010039269.6A patent/CN110852427B/zh active Active
- 2020-12-25 WO PCT/CN2020/139410 patent/WO2021143489A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2021143489A1 (zh) | 2021-07-22 |
CN110852427A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852427B (zh) | 取证环境验证方法和装置、电子设备 | |
CN106650662B (zh) | 目标对象遮挡检测方法及装置 | |
EP3109797B1 (fr) | Procédé de reconnaissance d'écriture manuscrite sur une surface physique | |
CN108573268A (zh) | 图像识别方法和装置、图像处理方法和装置及存储介质 | |
CN111797858A (zh) | 模型训练方法、行为预测方法、装置、存储介质及设备 | |
JP5142883B2 (ja) | 本人識別装置 | |
CN110031697B (zh) | 目标识别设备的测试方法、装置、***和计算机可读介质 | |
US11789542B2 (en) | Sensor agnostic gesture detection | |
CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN111324883B (zh) | 基于互联网的电商平台入侵检测方法及计算机设备 | |
CN110490058B (zh) | 行人检测模型的训练方法、装置、***和计算机可读介质 | |
CN110874570A (zh) | 面部识别方法、装置、设备及计算机可读存储介质 | |
CN110795980A (zh) | 基于网络视频的逃犯识别方法、设备、存储介质及装置 | |
CN113850160A (zh) | 重复动作的计数方法及装置 | |
US10154080B2 (en) | Enhancing digital content provided from devices | |
CN107563257B (zh) | 视频理解方法及装置 | |
CN116503357A (zh) | 图像处理方法及装置 | |
FR3051931A1 (fr) | Determination d'un contexte de mobilite d'un utilisateur porteur d'un equipement muni de capteurs inertiels | |
US20220067480A1 (en) | Recognizer training device, recognition device, data processing system, data processing method, and storage medium | |
US20240095321A1 (en) | Data integrity management in a computer network, including system that enables robust point-in time digital evidence generation | |
CN115314239A (zh) | 基于多模型融合的隐匿恶意行为的分析方法和相关设备 | |
CN108875770B (zh) | 行人检测误报数据的标注方法、装置、***和存储介质 | |
CN113988483B (zh) | 风险操作行为的管控及其模型的训练方法及电子设备 | |
CN111898529A (zh) | 脸部检测方法、装置、电子设备和计算机可读介质 | |
Dogan et al. | Mobile device identification via user behavior analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |