CN112766292A - 身份认证的方法、装置、设备及存储介质 - Google Patents
身份认证的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112766292A CN112766292A CN201911064225.2A CN201911064225A CN112766292A CN 112766292 A CN112766292 A CN 112766292A CN 201911064225 A CN201911064225 A CN 201911064225A CN 112766292 A CN112766292 A CN 112766292A
- Authority
- CN
- China
- Prior art keywords
- identity recognition
- recognition model
- error value
- user
- preset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000006399 behavior Effects 0.000 claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000003062 neural network model Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 102000053602 DNA Human genes 0.000 description 2
- 108020004414 DNA Proteins 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000003915 cell function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000035985 Body Odor Diseases 0.000 description 1
- 206010040904 Skin odour abnormal Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例公开了一种用户身份认证的方法、装置、设备及存储介质。该方法包括:根据用户行为数据,构造卷积神经网络CNN+长短期记忆网络LSTM的神经网络模型,计算前向传播loss值大小及运算速率,采用反向传播算法和自适应矩估计Adam优化算法,根据loss值,迭代更新每一层网络的权重,训练神经网络模型;将采集到的预登录用户的行为数据输入训练后的神经网络模型,将输出的预登录用户的特征向量进行比对计算获得比对结果;若比对结果小于预设阈值,则匹配成功,身份验证通过。本发明实施例通过训练神经网络模型,识别用户的行为数据,以验证用户身份的真实性。
Description
技术领域
本发明涉及身份识别领域,尤其涉及一种身份认证的方法、装置、设备及存储介质。
背景技术
身份认证技术是在计算机网络中确认操作者身份的过程而产生的有效解决方法。
身份认证方式可以分为三种:(1)基于信息秘密的身份认证;(2)基于信任物体的身份认证;(3)基于生物特征的身份认证。
随着技术的发展和成熟,生物行为特征的身份认证方式(又称为生物识别)正在逐渐被人们在多个领域进行应用,生物特征又分为身体特征和行为特征两类。
身体特征包括:声纹、指纹、掌型、视网膜、虹膜、人体气味、脸型、手的血管和脱氧核糖核酸(deoxyribonucleic acid,DNA)等;行为特征包括:签名、语音、行走步态等。
常见的生物特征识别技术主要包含有人脸识别技术、指纹识别技术、虹膜识别和静脉识别,但是现有技术中的人脸识别,指纹识别,虹膜识别对于识别环境,识别设备都有所要求,而且识别过程中也容易出现不准确或被非法人员登录的情况,安全性与便利性不高。
发明内容
本发明实施例提供一种用户身份认证的方法、装置、设备及存储介质,通过训练神经网络模型,识别用户的行为数据,验证用户身份的真实性。
第一方面,本发明实施例提供了一种身份识别模型的优化方法,其特征在于,方法包括:
将用户行为数据输入到初始身份识别模型,得到用户身份识别结果信息;
根据初始身份识别模型和用户身份识别结果信息,确定初始身份识别模型的第一速率误差值;
根据第一速率误差值调整初始身份识别模型的参数;
根据用户行为数据和调整参数后的初始身份识别模型,确定速率误差值,以使调整参数后的初始身份识别模型基于用户行为数据确定的第二速率误差值满足预设阈值;
将满足预设阈值的第二速率误差值对应的调整参数后的初始身份识别模型作为优化后的身份识别模型。
第二方面,本发明实施例提供了一种身份认证的方法,其特征在于,方法包括:
获取预登录用户的用户行为数据;
将预登录用户的用户行为数据输入身份识别模型,其中,身份识别模型基于身份识别模型的优化方法得到;
提取用户行为数据的特征向量;
将特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到比对结果;
若比对结果小于预设阈值,则身份识别通过;
若比对结果不小于预设阈值,则身份识别未通过。
第三方面,本发明实施例提供了一种身份识别模型的优化装置,其特征在于,装置包括:
获取模块,用于根据输入至初始身份识别模型的用户行为数据,获取用户身份识别结果信息;
确定模块,用于根据初始身份识别模型和用户身份识别结果信息,确定初始身份识别模型的第一速率误差值;
调整模块,用于根据第一速率误差值调整初始身份识别模型的参数;
确定模块,还用于根据用户行为数据和调整参数后的初始身份识别模型,确定速率误差值,以使调整参数后的初始身份识别模型基于用户行为数据确定的第二速率误差值满足预设阈值;
确定模块,还用于将满足预设阈值的第二速率误差值对应的调整参数后的初始身份识别模型确定为优化后的身份识别模型。
第四方面,本发明实施例提供了一种身份认证的装置,其特征在于,装置包括:
获取模块,用于获取预登录用户的用户行为数据;
输入模块,用于将预登录用户的用户行为数据输入身份识别模型,其中,身份识别模型基于第一方面的身份识别模型的优化方法得到;
提取模块,用于提取用户行为数据的特征向量;
计算模块,用于将特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到比对结果;
判断模块,用于判断是否满足通过条件,若比对结果小于预设阈值,则身份识别通过;
若比对结果不小于预设阈值,则身份识别未通过。
第五方面,本发明实施例提供了一种设备,其特征在于,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机指令时实现身份识别模型的优化方法,或者,处理器执行计算机指令时实现身份认证方法。
第六方面,本发明实施例提供了一种计算机存储介质,其特征在于,计算机存储介质上存储有计算机指令,计算机指令被处理器执行时实现身份识别模型的优化方法,或者,计算机指令被处理器执行时实现身份认证方法。
本发明实施例的身份认证的方法、装置、设备及存储介质,通过用户行为数据,对身份识别模型进行优化,将预登录用户的行为数据输入优化的身份识别模型,以实现用户的身份识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,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示出了本发明实施例提供的身份识别模型的优化方法的流程示意图;
图2示出了本发明实施例提供的身份认证的方法的流程示意图;
图3示出了本发明实施例提供的身份识别模型的优化装置的结构示意图;
图4示出了本发明实施例提供的身份认证的装置的结构示意图;
图5示出了本发明实施例提供的一种设备的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
常见的生物特征识别技术主要包含有人脸识别技术、指纹识别技术、虹膜识别和静脉识别,但是现有技术中的人脸识别,指纹识别,虹膜识别对于识别环境,识别设备都有所要求,而且识别过程中也容易出现不准确或被非法人员登录的情况,安全性与便利性不高。
本发明为解决上述问题,对身份识别模型进行优化,将预登录用户的行为数据输入优化的身份识别模型,身份识别模型输出的用户特征数据与数据库中该用户的特征数据进行比对,以实现用户的身份识别。
如图1所示,图1示出了本发明实施例提供的一种身份识别模型的优化方法的流程示意图。
身份识别模型的优化方法可以包括:
S101:将用户行为数据输入到初始身份识别模型,得到用户身份识别结果信息。
S102:根据初始身份识别模型和用户身份识别结果信息,确定初始身份识别模型的第一速率误差值。
S103:根据第一速率误差值调整初始身份识别模型的参数。
S104:根据用户行为数据和调整参数后的初始身份识别模型,确定速率误差值,以使调整参数后的初始身份识别模型基于用户行为数据确定的第二速率误差值满足预设阈值。
S105:将满足预设阈值的第二速率误差值对应的调整参数后的初始身份识别模型作为优化后的身份识别模型。
具体的,该初始身份识别模型可为神经网络CNN和LSTM网络的组合模型。
选择CNN和LSTM网络的组合模型是因为数据的获取主要是通过对用户不同时间段的行为操作进行采集,同一用户不同时间段的数据具有较高的时间域关联性,且,用户不同特征之间也存在着一定的关联性。
而且,用户行为数据往往伴随着缺失或异常,为解决这个问题,可以对用户行为数据进行清洗和降维处理,处理之后,再将用户行为数据输入到初始身份识别模型,具体可以包括:对于数据的缺失可采用均值处理,即获取用户一天内的其他时间段的数据,取其数据分布的均值填补缺失的数据,对于各个维度的缺失的或异常数据进行同样的均值处理后,可以对各个维度的数据进行标准化处理,还可以通过对缺失数值所在对应列前后预设小时内的数据计算其高斯分布,再依据相应分布进行对应数值填充,以解决数据存在的缺失或者或异常的问题。
对于用户端收集来的数据进行降维的过程,可以包括:采用随机森林算法,对用户的所有行为特征进行重要性排序,筛选出针对于身份认证的贡献值最大的前x项特征,以降低数据的高维度,减少计算量。
例如,从用户端收集来用户行为数据可以包括用户使用手机时的击键力量,击键时间间隔,手机倾斜角度,屏幕触摸位置,手机购物的类型、时间点、金额,线下购物常去的商场、购物类型、金额、时间点等等,用上述随机森林算法将用户的所有行为特征进行排序,保留前n项重要的行为特征,其中,n可以为30,50等。
随机森林算法对用户行为特征进行重要性排序的过程,可以包括:测量每种特征对模型预测准确率的影响,重新排列某一列特征值的顺序,观测降低了多少模型的准确率;对于不重要的特征数据,随机森林算法对模型准确率的影响很小,对于重要的特征数据,会极大降低模型的准确率。处理过程中对每个特征加噪,看对结果的准确率的影响,影响小说明这个特征不重要,反之重要。
速率V可以为与用户行为数据输入到初始身份识别模型,初始身份识别模型得到用户身份识别结果所用时间的相关量来表示(例,可以为该时间的倒数)。
误差值loss可以为用户身份识别结果信息与用户真实信息之间的差值。
将速率与误差值按照各自的权重结合,形成该初始身份识别模型的优化参考值,具体的,计算速率误差值V-loss值的公式(1)为:
V-loss=m*V+n*loss (1)
其中,m为速率V在V-loss中的权重。
可选的,m可以为0.2。
n为误差loss在V-loss中权重。
可选的,n可以为0.8。
根据V-loss值,更新超参数α和超参数β。
超参数的更新,具体可以包括,当第一速率误差值在第一预设周期中的下降指数小于预设阈值时,将第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数α调整为当前的参数α;参数β为初始值不变;或者,
当第一速率误差值在第一预设周期中的下降指数小于预设阈值时,将第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数β调整为当前的参数β;参数α为初始值不变;或者,
当第一速率误差值在第一预设周期中的下降指数小于预设阈值时,将第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数α调整为当前的参数α,再将第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数β调整为当前的参数β。
具体的,预设周期可以设为10个周期,预设阈值可以设为0.001,下降指数可以用γ表示,计算下降指数γ的公式(2)为:
γ=(Vformer-loss-V-loss)/Vformer-loss (2)
其中,Vformer-loss为上次初始身份识别模型的速率误差V-loss值,V-loss为本次初始身份识别模型速率误差V-loss值。
身份识别模型的优化可以基于NVIDIA基于NVIDIA的v100芯片,使用keras框架,将用户行为数据分成训练集,训练集标签,测试集,测试集标签。
训练集可以用于训练身份识别模型;训练集标签可以为身份识别模型的分类结果,该分类结果可以理解为身份识别模型最后输出的结果(例如,身份识别模型的结果可以指向用户A,即,对训练集的数据进行指向用户A的分类);测试集可以用于测试身份识别模型的准确度或V-loss值,测试集标签可以为身份识别模型测试时的分类结果,该分类结果可以理解为身份识别模型最后的结果输出(例如,测试时身份识别模型结果可以指向用户A,即,对测试集的数据进行指向用户A的分类)。
可选的,初始身份识别模型可以根据用户行为数据,采用反向传播算法和自适应矩估计Adam优化算法,根据loss值大小,迭代更新每一层网络的权重,当V-loss值达到预设数值时,保存训练后的神经网络模型,得到优化后的身份识别模型,预设数值可以为最小值。
可选的,CNN可以包括3个结构不同的卷积块(block)。
第一卷积块可以包括3个相同结构的三层卷积层,每个卷积层可以包括两个1*1的卷积核和一个3*3的卷积核,步长可以为1,可以使用带泄露修正线性单元函数leaky_Relu作为第一卷积块的激活函数。
第二卷积块可以包括2个相同结构的三层卷积层,每个卷积层可以包括两个1*1的卷积核和一个5*5的卷积核,步长可以为1,可以使用双曲正切激活函数tanh作为第二卷积块的激活函数。
第三卷积块可以包括3个相同结构的三层卷积层,每个卷积层可以包括两个1*1的卷积核和一个3*3的卷积核,步长为1,可以使用带泄露修正线性单元函数leaky_Relu作为第三卷积块的激活函数。
长短期记忆网络LSTM可以包括一层神经元,用于再次提取特征向量,生成第二特征向量。
全连接层可以包括2层全连接层,第一层可以包括256个节点,用于输出用户特征向量,以与数据库内已经注册的用户的特征向量进行比对;第二层可以通过逻辑回归函数Softmax映射与用户对应的分类类别概率,以输出用户的分类数据。
通过用户行为数据,对初始身份识别模型优化,获得优化后的身份识别模型,将预登录用户的用户行为数据输入,全连接层的第一层输出用户特征向量,与数据库内已经注册的该用户的特征向量进行比对,以实现对预登录用户的识别。
图2示出了本发明实施例提供的一种身份认证的方法的流程示意图。
身份认证的方法可以包括:
S201:获取预登录用户的用户行为数据。
S202:将预登录用户的用户行为数据输入身份识别模型,其中,身份识别模型基于身份识别模型的优化方法得到。
S203:提取用户行为数据的特征向量。
S204:将特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到比对结果。
S205:判断比对结果,若比对结果小于预设阈值,则身份识别通过;若比对结果不小于预设阈值,则身份识别未通过。
可以通过计算该特征向量和数据库中该用户预存储的特征向量之间的欧式距离,作为比对结果,将比对结果与预设阈值进行比对。
以待认证用户在手机APP端进行登录认证为例,
用户在手机上进行的行为操作生成用户的行为数据,对行为数据进行清洗和降维处理后将该行为数据输入到已保存的训练好的神经网络模型中,神经网络模型的全连接层的第二层输出该用户的特征向量,该用户的特征向量与数据库中已注册的用户特征向量进行特征匹配,采用欧氏距离进行计算,其中距离最小的数值如果小于设定阈值的话,则匹配成功,身份验证通过,可选择的,用户可以根据自己的喜好或实际情况修改该阈值,以提高或降低验证的强度。
例如,将待认证用户在手机屏幕输入一段文字时的击键时间间隔作为用户行为数据,假设用户在输入一段文本信息时,共击键Y次,即采集到Y-1个时间间隔数据,将该用户行为数据清洗和降维后输入优化处理后的卷积神经网络CNN+长短期记忆网络LSTM的神经网络组合模型中,得到击键时间间隔的特征向量(X1,Y1)。
根据欧式距离公式与数据库中已经注册的用户击键时间间隔的特征向量(X2,Y2)计算距离,若dist(X,Y)小于预设阈值,即匹配成功,身份验证通过,否则,则未通过验证;或者多方向的特征向量有一个方向小于预设阈值,则身份验证通过,否则,则未通过验证。
当然,处理器在采集预登录用户的特征向量时,采集的不仅可以是单一的一类数据,还可以包括击键力量,手机倾斜角度,屏幕触摸位置等多类行为数据,优化后的神经网络模型通过计算上述的多类行为特征数据,输出多方向的特征向量,并与数据库中已经注册的用户特征向量进行比对。
用户还可以根据自己的实际情况,改变预设阈值的大小,具体的,当用户感觉认证过程经常出现异常(认证通过率太低),可以增大预设阈值,反之(别人可轻易通过自己的认证或认证通过率过高),可以减小预设阈值。
本发明实施例的身份认证的方法,通过用户行为数据,对身份识别模型进行优化,将预登录用户的行为数据输入优化的身份识别模型,以实现用户的身份识别。
与上述的方法实施例相对应,本发明实施例还提供一种身份识别模型的优化装置及身份认证的装置。
如图3所示,图3示出了本发明实施例提供的一种身份识别模型的优化装置。
身份识别模型的优化装置可以包括:获取模块301、确定模块302和调整模块303,其中,
获取模块301,用于根据输入至初始身份识别模型的用户行为数据,获取用户身份识别结果信息;
确定模块302,用于根据初始身份识别模型和用户身份识别结果信息,确定初始身份识别模型的第一速率误差值;
调整模块303,用于根据第一速率误差值调整初始身份识别模型的参数;
确定模块302,还用于根据用户行为数据和调整参数后的初始身份识别模型,确定速率误差值,以使调整参数后的初始身份识别模型基于用户行为数据确定的第二速率误差值满足预设阈值;
确定模块302,还用于将满足预设阈值的第二速率误差值对应的调整参数后的初始身份识别模型确定为优化后的身份识别模型。
可选的,初始身份识别模型为神经网络CNN和LSTM网络的组合模型。
CNN包括三个块,其中,第一个块由第一预设数量的相同结构的第二预设层卷积层组成;第二个块由第三预设数量的相同结构的第四预设层卷积层组成;第三个块由第五预设数量的相同结构的第六预设层卷积层组成。
第一预设数量和第五预设数量相同;第二预设层数和第四预设层数,以及第六预设层数相同。
参数可以包括参数α和参数β;根据第一速率误差值调整初始身份识别模型的参数,包括:
当第一速率误差值在第一预设周期中的下降指数小于预设阈值时,将第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数α调整为当前的参数α;参数β为初始值不变;或者,
当第一速率误差值在第一预设周期中的下降指数小于预设阈值时,将第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数β调整为当前的参数β;参数β为初始值不变;或者,
当第一速率误差值在第一预设周期中的下降指数小于预设阈值时,将第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数α调整为当前的参数α,将第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数β调整为当前的参数β。
如图4所示,图4示出了本发明实施例提供的一种身份认证的装置。
身份认证的装置可以包括:获取模块401、输入模块402、提取模块403、计算模块404和判断模块405,其中,
获取模块401,用于获取预登录用户的用户行为数据。
输入模块402,用于将预登录用户的用户行为数据输入身份识别模型,其中,身份识别模型基于权利要求1-5任一项的身份识别模型的优化方法得到。
提取模块403,用于提取用户行为数据的特征向量。
计算模块404,用于将特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到比对结果。
判断模块405,用于判断是否满足通过条件,若比对结果小于预设阈值,则身份识别通过。
若比对结果不小于预设阈值,则身份识别未通过。
其中,计算模块还用于将特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到特征向量和预存储的用户行为的特征向量的之间的欧式距离,将欧式距离作为比对结果。
本发明实施例还提供了一种设备,包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机指令时实现本发明实施例的任意一种身份识别模型的优化方法,或者,处理器执行所述计算机指令时实现任意一种身份认证方法。
本发明实施例还提供了一种计算机存储介质,计算机存储介质上存储有计算机指令,计算机指令被处理器执行时实现本发明实施例提供的任意一种的身份识别模型的优化方法,或者,所述计算机指令被处理器执行时实现任意一种身份认证方法。
本发明实施例的身份认证的方法、装置、设备及存储介质,通过用户行为数据,对身份识别模型进行优化,将预登录用户的行为数据输入优化的身份识别模型,以实现用户的身份识别。
图5示出了能够实现根据本发明实施例的身份识别模型的优化方法及身份认证的方法的设备的示例性硬件架构的结构图。如图5所示,设备500包括中央处理器501、图像处理器502、存储器503、驱动器504、通讯接口505、通讯接口506。其中,中央处理器501、图像处理器502、存储器503、驱动器504、通讯接口505、通讯接口506通过总线510相互连接,进而与计算设备500的其他组件连接,且中央处理器501与图像处理器502之间可以不依靠总线510实现之间的单独通信。
中央处理器501和图像处理器502基于存储器505中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器504中,然后通过通讯接口505和/或506输出信息;通讯接口505和/或506还可以接收来自外部的输入信息和/或向外发送内部生成的数据信息。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (16)
1.一种身份识别模型的优化方法,其特征在于,所述方法包括:
将用户行为数据输入到初始身份识别模型,得到用户身份识别结果信息;
根据所述初始身份识别模型和所述用户身份识别结果信息,确定所述初始身份识别模型的第一速率误差值;
根据所述第一速率误差值调整所述初始身份识别模型的参数;
根据所述用户行为数据和调整参数后的初始身份识别模型,确定速率误差值,以使调整参数后的初始身份识别模型基于所述用户行为数据确定的第二速率误差值满足预设阈值;
将满足预设阈值的所述第二速率误差值对应的调整参数后的初始身份识别模型作为优化后的身份识别模型。
2.根据权利要求1所述的方法,其特征在于,所述初始身份识别模型为卷积神经网络CNN+长短期记忆网络LSTM的神经网络组合模型。
3.根据权利要求2所述的方法,其特征在于,所述CNN包括三个块,其中,第一个块由第一预设数量的相同结构的第二预设层卷积层组成;第二个块由第三预设数量的相同结构的第四预设层卷积层组成;第三个块由第五预设数量的相同结构的第六预设层卷积层组成。
4.根据权利要求3所述的方法,其特征在于,所述第一预设数量和所述第五预设数量相同;所述第二预设层数和所述第四预设层数,以及第六预设层数相同。
5.根据权利要求1或2所述的方法,其特征在于,所述参数包括参数α和参数β;所述根据所述第一速率误差值调整所述初始身份识别模型的参数,包括:
当所述第一速率误差值在第一预设周期中的下降指数小于预设阈值时,将所述第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数α调整为当前的参数α,将所述第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数β调整为当前的参数β。
6.一种身份认证的方法,其特征在于,所述方法包括:
获取预登录用户的用户行为数据;
将所述预登录用户的用户行为数据输入身份识别模型,其中,所述身份识别模型基于权利要求1-5任一项所述的身份识别模型的优化方法得到;
提取所述用户行为数据的特征向量;
将所述特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到比对结果;
若所述比对结果小于预设阈值,则身份识别通过;
若所述比对结果不小于预设阈值,则身份识别未通过。
7.根据权利要求6所述的方法,其特征在于,所述将所述特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到比对结果,包括:
将所述特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到所述特征向量与预存储的用户行为的特征向量之间的欧式距离,将所述欧式距离作为所述比对结果。
8.一种身份识别模型的优化装置,其特征在于,所述装置包括:
获取模块,用于根据输入至初始身份识别模型的用户行为数据,获取用户身份识别结果信息;
确定模块,用于根据所述初始身份识别模型和所述用户身份识别结果信息,确定所述初始身份识别模型的第一速率误差值;
调整模块,用于根据所述第一速率误差值调整所述初始身份识别模型的参数;
确定模块,还用于根据所述用户行为数据和调整参数后的初始身份识别模型,确定速率误差值,以使调整参数后的初始身份识别模型基于所述用户行为数据确定的第二速率误差值满足预设阈值;
确定模块,还用于将满足预设阈值的所述第二速率误差值对应的调整参数后的初始身份识别模型确定为优化后的身份识别模型。
9.根据权利要求8所述的装置,其特征在于,所述初始身份识别模型为卷积神经网络CNN+长短期记忆网络LSTM的神经网络组合模型。
10.根据权利要求9所述的装置,其特征在于,所述CNN包括三个块,其中,第一个块由第一预设数量的相同结构的第二预设层卷积层组成;第二个块由第三预设数量的相同结构的第四预设层卷积层组成;第三个块由第五预设数量的相同结构的第六预设层卷积层组成。
11.根据权利要求10所述的装置,其特征在于,所述第一预设数量和所述第五预设数量相同;所述第二预设层数和所述第四预设层数,以及第六预设层数相同。
12.根据权利要求8或9所述的装置,其特征在于,所述参数包括参数α和参数β;所述根据所述第一速率误差值调整所述初始身份识别模型的参数,包括:
当所述第一速率误差值在第一预设周期中的下降指数小于预设阈值时,将所述第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数α调整为当前的参数α,将所述第一速率误差值在第一预设周期中的最小第一速率误差值对应的参数β调整为当前的参数β。
13.一种身份认证的装置,其特征在于,所述装置包括:
获取模块,用于获取预登录用户的用户行为数据;
输入模块,用于将所述预登录用户的用户行为数据输入身份识别模型,其中,所述身份识别模型基于权利要求1-5任一项所述的身份识别模型的优化方法得到;
提取模块,用于提取所述用户行为数据的特征向量;
计算模块,用于将所述特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到比对结果;
判断模块,用于判断是否满足通过条件,若所述比对结果小于预设阈值,则身份识别通过;
若所述比对结果不小于预设阈值,则身份识别未通过。
14.根据权利要求13所述的装置,其特征在于,所述计算模块还用于将所述特征向量与数据库中预存储的用户行为的特征向量进行比对计算,得到所述特征向量与预存储的用户行为的特征向量之间的欧式距离,将所述欧式距离作为所述比对结果。
15.一种设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机指令时实现如权利要求1-5任意一项所述的身份识别模型的优化方法,或者,所述处理器执行所述计算机指令时实现如权利要求6-7任意一项所述的身份认证方法。
16.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机指令,所述计算机指令被处理器执行时实现如权利要求1-5任意一项所述的身份识别模型的优化方法,或者,所述计算机指令被处理器执行时实现如权利要求6-7任意一项所述的身份认证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064225.2A CN112766292B (zh) | 2019-11-04 | 身份认证的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911064225.2A CN112766292B (zh) | 2019-11-04 | 身份认证的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766292A true CN112766292A (zh) | 2021-05-07 |
CN112766292B CN112766292B (zh) | 2024-07-26 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113259368A (zh) * | 2021-06-01 | 2021-08-13 | 北京芯盾时代科技有限公司 | 一种身份认证方法、装置及设备 |
CN113726736A (zh) * | 2021-07-23 | 2021-11-30 | 浙江嘉兴数字城市实验室有限公司 | 基于个体行为内聚性的身份认证方法及*** |
CN114422185A (zh) * | 2021-12-17 | 2022-04-29 | 广西壮族自治区公众信息产业有限公司 | 一种基于异步神经网络生成和验证签名的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096535A (zh) * | 2016-06-07 | 2016-11-09 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于双线性联合cnn的人脸验证方法 |
CN106782602A (zh) * | 2016-12-01 | 2017-05-31 | 南京邮电大学 | 基于长短时间记忆网络和卷积神经网络的语音情感识别方法 |
CN108776788A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学 | 一种基于脑电波的识别方法 |
US10170135B1 (en) * | 2017-12-29 | 2019-01-01 | Intel Corporation | Audio gait detection and identification |
CN109977639A (zh) * | 2018-10-26 | 2019-07-05 | 招商银行股份有限公司 | 身份认证方法、装置及计算机可读存储介质 |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络动态识别*** |
CN110135231A (zh) * | 2018-12-25 | 2019-08-16 | 杭州慧牧科技有限公司 | 动物面部识别方法、装置、计算机设备和存储介质 |
CN110163611A (zh) * | 2019-03-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种身份识别方法、装置以及相关设备 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096535A (zh) * | 2016-06-07 | 2016-11-09 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于双线性联合cnn的人脸验证方法 |
CN106782602A (zh) * | 2016-12-01 | 2017-05-31 | 南京邮电大学 | 基于长短时间记忆网络和卷积神经网络的语音情感识别方法 |
US10170135B1 (en) * | 2017-12-29 | 2019-01-01 | Intel Corporation | Audio gait detection and identification |
CN108776788A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学 | 一种基于脑电波的识别方法 |
CN109977639A (zh) * | 2018-10-26 | 2019-07-05 | 招商银行股份有限公司 | 身份认证方法、装置及计算机可读存储介质 |
CN110135231A (zh) * | 2018-12-25 | 2019-08-16 | 杭州慧牧科技有限公司 | 动物面部识别方法、装置、计算机设备和存储介质 |
CN110163611A (zh) * | 2019-03-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种身份识别方法、装置以及相关设备 |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控***集成有限公司 | 人工智能cnn、lstm神经网络动态识别*** |
Non-Patent Citations (2)
Title |
---|
JOANNA ROWNICKA ET AL: ""Analyzing Deep CNN-Based Utterance Embeddings for Acoustic Model Adaptation"", 《2018 IEEE SPOKEN LANGUAGE TECHNOLOGY WORKSHOP (SLT)》, 14 February 2019 (2019-02-14) * |
卢官明;袁亮;杨文娟;闫静杰;李海波;: "基于长短期记忆和卷积神经网络的语音情感识别", 南京邮电大学学报(自然科学版), no. 05, 13 November 2018 (2018-11-13) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113259368A (zh) * | 2021-06-01 | 2021-08-13 | 北京芯盾时代科技有限公司 | 一种身份认证方法、装置及设备 |
CN113726736A (zh) * | 2021-07-23 | 2021-11-30 | 浙江嘉兴数字城市实验室有限公司 | 基于个体行为内聚性的身份认证方法及*** |
CN114422185A (zh) * | 2021-12-17 | 2022-04-29 | 广西壮族自治区公众信息产业有限公司 | 一种基于异步神经网络生成和验证签名的方法 |
CN114422185B (zh) * | 2021-12-17 | 2024-03-15 | 广西壮族自治区公众信息产业有限公司 | 一种基于异步神经网络生成和验证签名的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8942431B2 (en) | Biometrics based methods and systems for user authentication | |
Maurer et al. | Fusing multimodal biometrics with quality estimates via a Bayesian belief network | |
CN110852755B (zh) | 针对交易场景的用户身份识别方法和装置 | |
Rodrigues et al. | Biometric access control through numerical keyboards based on keystroke dynamics | |
CN108021934B (zh) | 多要素识别的方法及装置 | |
EP2113867A2 (en) | Biometric authentication system, authentication client terminal, and biometric authentication method | |
WO2007001390A2 (en) | System and method for classifying regions of keystroke density with a neural network | |
Huerta et al. | Inhibition in multiclass classification | |
CN110135681A (zh) | 风险用户识别方法、装置、可读存储介质及终端设备 | |
Ali et al. | Keystroke biometric user verification using Hidden Markov Model | |
Uzun et al. | A second look at the performance of neural networks for keystroke dynamics using a publicly available dataset | |
Malallah et al. | Online handwritten signature recognition by length normalization using up-sampling and down-sampling | |
WO2021204086A1 (zh) | 身份认证的方法、身份认证模型的训练方法及装置 | |
CN116389114B (zh) | 一种静态与动态身份一致性验证方法及*** | |
CN111062444A (zh) | 信用风险预测方法、***、终端及存储介质 | |
Woźniak et al. | Flexible neural network architecture for handwritten signatures recognition | |
Wanda et al. | DeepSentiment: Finding Malicious Sentiment in Online Social Network based on Dynamic Deep Learning. | |
CN115098789A (zh) | 基于神经网络的多维兴趣融合推荐方法、装置及相关设备 | |
US11899765B2 (en) | Dual-factor identification system and method with adaptive enrollment | |
CN112766292B (zh) | 身份认证的方法、装置、设备及存储介质 | |
CN112766292A (zh) | 身份认证的方法、装置、设备及存储介质 | |
de Amorim et al. | Meta-scaler: A meta-learning framework for the selection of scaling techniques | |
US11921821B2 (en) | System and method for labelling data for trigger identification | |
Lin et al. | Combining biometric fractal pattern and particle swarm optimization-based classifier for fingerprint recognition. | |
Alghamdi et al. | Artificial intelligence Techniques based learner authentication in cybersecurity higher education institutions |
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 |