CN113742665B - 用户身份识别模型构建、用户身份验证方法及装置 - Google Patents
用户身份识别模型构建、用户身份验证方法及装置 Download PDFInfo
- Publication number
- CN113742665B CN113742665B CN202010509874.5A CN202010509874A CN113742665B CN 113742665 B CN113742665 B CN 113742665B CN 202010509874 A CN202010509874 A CN 202010509874A CN 113742665 B CN113742665 B CN 113742665B
- Authority
- CN
- China
- Prior art keywords
- user
- behavior
- sample data
- basic
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000010276 construction Methods 0.000 title claims description 15
- 238000012795 verification Methods 0.000 title claims description 7
- 239000013598 vector Substances 0.000 claims abstract description 106
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims description 330
- 230000015654 memory Effects 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- Collating Specific Patterns (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及一种用户身份识别模型构建、用户身份验证方法及装置,所述方法包括:获取用户使用设备过程中产生的多条基础行为样本数据;基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型,由此方法,可以实现有效利用用户特征信息和行为序列信息训练身份识别模型,能够更精准地、主动地验证用户身份,保证用户的个人信息安全和财产安全。
Description
技术领域
本发明实施例涉及身份验证技术和数据挖掘技术领域,尤其涉及一种用户身份识别模型构建、用户身份验证方法及装置。
背景技术
近年来,随着移动互联网的迅速发展,手机已经成为人们生活中不可缺少的一部分,尤其手机中的各类软件成为人们社交关系和金融资产的重要载体,目前广泛应用的用户身份验证方式包括密码验证、指纹识别和人脸识别,但是由于指纹识别和人脸识别需要特殊的传感器的支持,在实际应用中并不能完全代替密码,另一方面,密码和指纹识别、人脸识别等身份验证技术只在***登入时验证用户身份,入侵者一旦攻破,便可伪装成正常用户侵入***,而为了用户体验,***也不会在使用过程中对使用者的身份进行验证,所以无法制止入侵行为。
因此,如何有效地主动对用户身份进行验证是网络安全领域研究的重点问题。
发明内容
鉴于此,为解决上述无法有效主动验证用户身份的技术问题,本发明实施例提供一种用户身份识别模型构建、用户身份验证方法及装置。
第一方面,本发明实施例提供一种用户身份识别模型构建方法,包括:
获取用户使用设备过程中产生的多条基础行为样本数据;
基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;
基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;
根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型。
在一个可能的实施方式中,所述方法还包括:
对所述多条基础行为样本数据按照预设维度进行分类;
按照与第i条基础行为数据所属类别对应的预设方法,获取与所述第i条基础行为数据对应的行为嵌入向量,其中i为大于或者等于1,小于或者等于所述基础行为样本数据总条数的数值。
在一个可能的实施方式中,所述方法还包括:
按照所述取值类型和取值数量两个维度,将所述多条基础行为样本数据分为类别单值、类别多值、数值和向量四种数据类型。
在一个可能的实施方式中,所述方法还包括:
将所有行为嵌入向量中第i个行为嵌入向量按照第一预设规则与所述所有行为嵌入向量中的其他嵌入向量进行拼接组合,获取第一结果;
将所述第i条基础行为样本数据和与所述第i条基础行为样本数据对应的特征值按照第二预设规则进行拼接组合,获取第二结果;
根据所述第一结果和所述第二结果,得到所述用户特征信息。
在一个可能的实施方式中,所述方法还包括:
基于所述第i个行为嵌入向量,利用第一预设神经网络生成第i个行为融合序列信息;
将所有行为嵌入向量分别对应的行为融合序列信息的叠加和作为所述用户行为序列信息。
在一个可能的实施方式中,所述方法还包括:
将所述用户特征信息和所述用户行为序列信息,输入至第二预设神经网络中,构建所述用户身份识别模型。
在一个可能的实施方式中,所述方法还包括:对所述用户身份识别模型进行优化。
在一个可能的实施方式中,所述方法还包括:
根据BN算法对所述第二神经网络算法中的每一层输入数据进行优化处理,其中所述第二神经网络算法中的第一层输入数据包括所述第一结果、第二结果、第三结果以及所述用户特征信息,其中,所述第三结果为所有行为嵌入向量进行拼接组合后得到的结果。
第二方面,本发明实施例提供一种用户身份验证方法,包括:
获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据;
对所述多个基础行为数据进行分类;
提取h类基础行为数据对应的第h个用户特征;
将所述第h个用户特征输入至用户身份识别模型中,获取第h个概率,所述第h个概率为指示当前使用设备的用户身份为与所述设备对应的主人身份的概率;
将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,其中h为正整数。
第三方面,本发明实施例提供一种用户身份识别模型构建装置,包括:
获取模块,用于获取用户使用设备过程中产生的多条基础行为样本数据;
所述获取模块,还用于基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;
确定模块,用于基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;
构建模块,用于根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型。
第四方面,本发明实施例提供一种用户身份验证装置,包括:
获取模块,用于获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据;
所述获取模块,还用于对所述多个基础行为数据进行分类;提取h类基础行为数据对应的第h个用户特征;将所述第h个用户特征输入至用户身份识别模型中,获取第h个概率,所述第h个概率为指示当前使用设备的用户身份为与所述设备对应的主人身份的概率;
识别模块,用于将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,其中h为正整数。
第五方面,本发明实施例提供一种智能设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的用户身份识别模型构建程序,以实现上述第一方面中任一项所述的用户身份识别模型构建方法。
第六方面,本发明实施例提供一种智能设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的用户身份验证程序,以实现上述第二方面所述的用户身份验证方法。
第七方面,本发明实施例提供一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面中任一项所述的用户身份识别模型构建方法或实现上述第二方面所述的用户身份验证方法。
本发明实施例提供的用户身份识别模型构建方法,通过获取用户使用设备过程中产生的多条基础行为样本数据;基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型,由此方法,可以实现有效利用用户特征信息和行为序列信息训练身份识别模型,能够精准地、主动地验证当前使用智能设备的用户身份,保证用户的个人信息安全和财产安全。
附图说明
图1为本发明实施例提供的一种用户身份识别模型构建方法的流程示意图;
图2为本发明实施例提供的另一种用户身份识别模型构建方法的流程示意图;
图3为本发明实施例提供的一种用户身份验证方法的流程示意图;
图4为本发明实施例提供的一种用户身份识别模型构建装置的结构示意图;
图5为本发明实施例提供的一种用户身份验证装置的结构示意图;
图6为本发明实施例提供的一种智能设备的结构示意图;
图7为本发明实施例提供的另一种智能设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域普通技术人员在没有做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。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种用户身份识别模型构建方法的流程示意图,如图1所示,该方法具体包括:
S11、获取用户使用设备过程中产生的多条基础行为样本数据。
获取用户在使用智能设备过程中至少根据输入行为获得的输入行为数据,根据搜索行为获得的搜索行为数据,根据APP使用行为获得的APP使用行为数据,作为用户的基础行为样本数据。
S12、基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量。
对于每一条基础行为样本数据,提取对应的行为特征,利用预设的针对不同行为数据的行为嵌入层,对每一条基础行为样本数据对应的行为特征进行处理,得到对应的行为特征表示向量,然后将所有特征表示向量拼接,获得行为嵌入向量。
S13、基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息。
根据预设的规则通过将得到的行为嵌入向量进行一系列处理,获得用户特征信息和用户行为序列信息。
S14、根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型。
根据获得的用户特征信息和用户行为序列信息,利用多层感知机,构建用户身份识别模型,进一步地,利用损失函数和Adam算法对模型进行优化,此模型可以实现对用户身份的预测。
本发明实施例提供的用户身份识别模型构建方法,通过获取用户使用设备过程中产生的多条基础行为样本数据;基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型,由此方法,可以实现有效利用用户特征信息和行为序列信息训练身份识别模型,能够精准地、主动地验证当前使用智能设备的用户身份,保证用户的个人信息安全和财产安全。
图2为本发明实施例提供的另一种用户身份识别模型构建方法的流程示意图,如图2所示,该方法具体包括:
S21、获取用户使用设备过程中产生的多条基础行为样本数据。
根据用户在使用智能设备过程中的据输入行为、搜索行为和APP使用行为,获得输入行为数据、搜索行为数据和APP使用行为数据,将输入行为数据、搜索行为数据和APP使用行为数据作为用户的基础行为样本数据。
其中,输入行为特征至少包括:输入顺序颠倒、输入拼音错误和输入音节或拼音省略。搜索行为特征可以包括:输入速度、关键词个数、搜索文本长度、词性模式、句法模式或时间间隔等。APP使用行为特征通过用户每天使用的几种APP,每种APP对应用户生活中的不同用途,体现用户特点,并且用户作息时间相对固定,计算APP的使用频率得到APP使用行为特征。
进一步地,采用现有的预训练语言模型(Bidirectional EncoderRepresentation from Transformers,BERT)对拼音输入字符串和搜索文本的语义进行建模,获得文本语义向量。
S22、对所述多条基础行为样本数据按照取值类型和取值数量两个维度,将所述多条基础行为样本数据分为类别单值、类别多值、数值和向量四种数据类型。
将上述获得的文本语义向量作为一种行为特征,同用户的输入行为数据、搜索行为数据和APP使用行为数据这些基础行为样本数据按照取值类型和取值数量两个维度,分成类别单值、类别多值、数值和向量四种数据类型。
S23、按照与第i条基础行为数据所属类别对应的预设方法,获取与所述第i条基础行为数据对应的行为嵌入向量,其中i为大于或者等于1,小于或者等于所述基础行为样本数据总条数的数值。
本发明实施例中,根据预设的适用于多种类型数据的行为嵌入层,对上述四种数据类型的行为特征分别处理,得到不同行为特征对应的嵌入向量。
例如,样本s中共有d个基础用户特征,即s=[f1,f2,...,fd],对于第i条基础用户特征fi,采用行为嵌入表示中数值类型特征对应的方式获取特征fi对应的嵌入向量emb(fi),其中lookup(fi)用于获取fi唯一对应的向量,vi表示用户特征fi的取值,可以用如下公式表示:
emb(fi)=vi×lookup(fi) (公式1)
S24、将所有行为嵌入向量中第i个行为嵌入向量按照第一预设规则与所述所有行为嵌入向量中的其他嵌入向量进行拼接组合,获取第一结果。
本发明实施例中,为了使模型更充分的利用差异性较强的显著特征,将任意两个特征对应的嵌入向量进行元素积并求和,获得用户特征间二阶组合信息,记为rep2,其中⊙是元素积,表示两个向量对应位置相乘,任意两个特征对应的嵌入向量可以表示为emb(fi)和emb(fj),总计有d个行为嵌入向量,则有公式2,具体参见如下:
S25、将所述第i条基础行为样本数据和与所述第i条基础行为样本数据对应的特征值按照第二预设规则进行拼接组合,获取第二结果。
本发明实施例中,将每一条基础行为样本数据和与每一条基础行为样本数据对应的特征值,按照将每一个用户特征值乘以其对应的权重都部拼接到一起,记为rep1,具体参见如下公式3:
rep1=[w1v1,w2v2,...,wnvn] (公式3)
其中,w表示用户特征值对应的权重,v表示用户特征值。
S26、根据所述第一结果和所述第二结果,得到所述用户特征信息。
根据用户特征二阶组合信息rep2和用户每一个特征值与其对应权重的拼接的结果rep1,得到用户的特征信息。
S27、基于所述第i个行为嵌入向量,利用第一预设神经网络生成第i个行为融合序列信息。
行为序列信息也在对用户身份判断中起着重要的作用,连续行为间存在着关联,在本发明实施例中,使用行为嵌入方法层获得行为a融合了包括多种行为特征和语义向量在内的嵌入表示emb(a),使用双向长短期记忆网络(Long Short-Term Memory,LSTM)对行为序列a进行建模,将两个LSTM的输出拼接到一起作为行为ai融合序列信息的表示hi,如下公式4所示:
S28、将所有行为嵌入向量分别对应的行为融合序列信息的叠加和作为所述用户行为序列信息。
具体的,例如,行为序列内有m个行为,将所有m个行为的嵌入向量分别对应的行为融合序列信息的叠加和作为用户行为序列信息的整体表示,记为repseq,则有公式5:
S29、将所述用户特征信息和所述用户行为序列信息,输入至第二预设神经网络中,构建所述用户身份识别模型。
S210、根据BN算法对所述第二神经网络算法中的每一层输入数据进行优化处理,其中所述第二神经网络算法中的第一层输入数据包括所述第一结果、第二结果、第三结果以及所述用户特征信息,其中,所述第三结果为所有行为嵌入向量进行拼接组合后得到的结果。
本发明实施例中,将上述得到的用户特征二阶组合信息rep2、用户每一个特征值与其对应权重的拼接的结果rep1、所有行为嵌入向量分别对应的行为融合序列信息的叠加和repseq和将样本中所有用户特征的嵌入向量emb(fi)拼接到一起形成的嵌入向量拼接向量,记为repf,输入至多层感知机(Multilayer Perceptron,MLP)的第一层,第一层输入记为x1,得到如下公式6:
x1=[repseq;repf;rep2;rep1] (公式6)
其中,样本中所有用户特征的嵌入向量emb(fi)拼接到一起形成的嵌入向量拼接向量repf的计算公式如下,记为公式7:
repf=[emb(f1);emb(f2);...;emb(fd)] (公式7)
进一步地,为了使得模型能够更快的收敛并且避免陷入局部极小点,在多层感知机中每一层都使用BN(Batch Normalization)对输入进行处理,第i层的计算公式如下,其中xi表示第i层的输入,Wi和bi表示第i层的参数,ρ表示BN,δ表示激活函数,在本发明中采用Relu(Rectified Linear Units)激活函数,处理公式如下,记为公式8:
outi=δ(Wiρ(xi)+bi) (公式8)
进一步地,将rep1和rep2同多层感知机MLP的输出拼接到一起,通过一个非线性变换层,使用softmax预测样本属于用户的概率,其中outmlp表示MLP的输出,W和b表示非线性变换层的参数,得到公式9:
进一步地,需要对身份识别模型进行优化,使用交叉熵作为损失函数,通过Adam算法最小化目标函数,使得需要资源更少、收敛更快,从根本上加速机器的学习速度和效果,例如,对于包含N个用户的M个样本,得到计算公式10:
其中,yj,i表示第j个样本是否属于第i个用户,如果属于,取值为1,否则为0,表示模型预测第j个样本属于第i个用户的概率。
本发明实施例提供的用户身份识别模型构建方法,通过获取用户使用设备过程中产生的多条基础行为样本数据;基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型,由此方法,可以实现有效利用用户特征信息和行为序列信息训练身份识别模型,能够精准地、主动地验证当前使用智能设备的用户身份,保证用户的个人信息安全和财产安全。
图3为本发明实施例提供的一种用户身份验证方法的流程示意图,如图3所示,该方法具体包括:
S31、获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据。
获取当前用户在使用设备过程中产生的至少包括:输入行为数据、搜索行为数据和APP使用行为数据等多个基础行为数据。
例如,当前用户的一段行为记录中包括10次输入行为、6次搜索行为和9次APP使用行为,获取这些行为数据作为待检测的基础行为数据。
S32、对所述多个基础行为数据进行分类。
上述基础行为数据按照时间先后顺序交叉地出现在用户的行为记录里,需要对这些行为数据进分类,统计得到输入行为次数,搜索行为次数和APP使用行为次数。
S33、提取h类基础行为数据对应的第h个用户特征。
提取分类后的行为对应的不同类别的用户特征,其中,输入行为特征从用户的输入顺序颠倒、输入拼音错误和输入音节或拼音省略等方面获取;搜索行为特征从输入速度、关键词个数、搜索文本长度、词性模式、句法模式或时间间隔等方面获取;APP使用行为特征通过计算不同APP的使用频率得到。
S34、将所述第h个用户特征输入至用户身份识别模型中,获取第h个概率,所述第h个概率为指示当前使用设备的用户身份为与所述设备对应的主人身份的概率。
将获取到的不同类别行为对应的不同用户特征输入到身份识别模型中,根据模型的计算输出结果,得到当前使用设备的用户的用户特征指示的用户身份对应为原始设备主人身份的概率。
例如,当前使用设备的用户的APP使用行为特征,通过身份识别模型预测得到的对应为原始设备主人的身份的概率为30%;当前使用设备的用户的输入行为特征,通过身份识别模型预测得到的对应为原始设备主人的身份的概率为90%;当前使用设备的用户的搜索行为特征,通过身份识别模型预测得到的对应为原始设备主人的身份的概率为70%。
S35、将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,其中h为正整数。
将上述得到的当前使用设备的用户的不同用户特征指示的用户身份对应为原始设备主人身份的多个概率信息和不同行为数据中包含的行为个数一起输入到预设的二层分类器中,最终通过二层分类器的计算,判别当前使用设备的用户身份是否为原始设备主人。
其中,二层分类器可以是梯度提升树模型、逻辑回归模型或神经网络模型,二层分类器可根据方案执行过程中的情况进行选择,对此,本实施例不作具体限定。
本发明实施例提供的用户身份验证方法,通过获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据;对所述多个基础行为数据进行分类;提取不同类型基础行为数据对应的不同用户特征;使用在各种用户特征上训练的身份识别模型进行身份预测,获得基于各个数据对用户身份的判断;将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,由此方法可以实现根据当前用户的各种行为数据,精准主动地验证当前使用设备的用户是否为原始设备主人。
图4为本发明实施例提供的一种用户身份识别模型构建装置的结构示意图,具体包括:
获取模块401,用于获取用户使用设备过程中产生的多条基础行为样本数据;
所述获取模块401,还用于基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;
确定模块402,用于基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;
构建模块403,用于根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型。
获取模块,具体用于对所述多条基础行为样本数据按照预设维度进行分类;按照与第i条基础行为数据所属类别对应的预设方法,获取与所述第i条基础行为数据对应的行为嵌入向量,其中i为大于或者等于1,小于或者等于所述基础行为样本数据总条数的数值。
在一个可能的实施方式中,所述获取模块,还用于按照所述取值类型和取值数量两个维度,将所述多条基础行为样本数据分为类别单值、类别多值、数值和向量四种数据类型。
确定模块,具体用于将所有行为嵌入向量中第i个行为嵌入向量按照第一预设规则与所述所有行为嵌入向量中的其他嵌入向量进行拼接组合,获取第一结果;将所述第i条基础行为样本数据和与所述第i条基础行为样本数据对应的特征值按照第二预设规则进行拼接组合,获取第二结果;根据所述第一结果和所述第二结果,得到所述用户特征信息。
在一个可能的实施方式中,所述确定模块,还用于基于所述第i个行为嵌入向量,利用第一预设神经网络生成第i个行为融合序列信息;将所有行为嵌入向量分别对应的行为融合序列信息的叠加和作为所述用户行为序列信息。
构建模块,具体用于将所述用户特征信息和所述用户行为序列信息,输入至第二预设神经网络中,构建所述用户身份识别模型。
在一个可能的实施方式中,所述构建模块,还用于对所述用户身份识别模型进行优化。
在一个可能的实施方式中,所述构建模块,还用于根据BN算法对所述第二神经网络算法中的每一层输入数据进行优化处理,其中所述第二神经网络算法中的第一层输入数据包括所述第一结果、第二结果、第三结果以及所述用户特征信息,其中,所述第三结果为所有行为嵌入向量进行拼接组合后得到的结果。
本实施例提供的用户身份识别模型构建装置可以是如图4中所示的用户身份识别模型构建装置,可执行如图1-2中用户身份识别模型构建方法的所有步骤,进而实现图1-2所示用户身份识别模型构建方法的技术效果,具体请参照图1-2相关描述,为简洁描述,在此不作赘述。
图5为本发明实施例提供的一种用户身份验证装置的结构示意图,具体包括:
获取模块501,用于获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据;
在一个可能的实施方式中,所述获取模块,还用于对所述多个基础行为数据进行分类;提取h类基础行为数据对应的第h个用户特征;将所述第h个用户特征输入至用户身份识别模型中,获取第h个概率,所述第h个概率为指示当前使用设备的用户身份为与所述设备对应的主人身份的概率;
识别模块502,用于将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,其中h为正整数。
本实施例提供的用户身份验证装置可以是如图5中所示的用户身份验证装置,可执行如图3中用户身份验证方法的所有步骤,进而实现图3所示用户身份验证方法的技术效果,具体请参照图3相关描述,为简洁描述,在此不作赘述。
图6为本发明实施例提供的一种智能设备的结构示意图,图6所示的智能设备600包括:至少一个处理器601、存储器602、至少一个网络接口604和其他用户接口603。智能设备600中的各个组件通过总线***605耦合在一起。可理解,总线***605用于实现这些组件之间的连接通信。总线***605除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图6中将各种总线都标为总线***605。
其中,用户接口603可以包括显示器、键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
可以理解,本发明实施例中的存储器602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(StaticRAM,SRAM)、动态随机存取存储器(DynamicRAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM,DRRAM)。本文描述的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器602存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作***6021和应用程序6022。
其中,操作***6021,包含各种***程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序6022,包含各种应用程序,例如媒体播放器(MediaPlayer)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序6022中。
在本发明实施例中,通过调用存储器602存储的程序或指令,具体的,可以是应用程序6022中存储的程序或指令,处理器601用于执行各方法实施例所提供的方法步骤,例如包括:
获取用户使用设备过程中产生的多条基础行为样本数据;基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型。
在一个可能的实施方式中,对所述多条基础行为样本数据按照预设维度进行分类;按照与第i条基础行为数据所属类别对应的预设方法,获取与所述第i条基础行为数据对应的行为嵌入向量,其中i为大于或者等于1,小于或者等于所述基础行为样本数据总条数的数值。
在一个可能的实施方式中,按照所述取值类型和取值数量两个维度,将所述多条基础行为样本数据分为类别单值、类别多值、数值和向量四种数据类型。
在一个可能的实施方式中,将所有行为嵌入向量中第i个行为嵌入向量按照第一预设规则与所述所有行为嵌入向量中的其他嵌入向量进行拼接组合,获取第一结果;将所述第i条基础行为样本数据和与所述第i条基础行为样本数据对应的特征值按照第二预设规则进行拼接组合,获取第二结果;根据所述第一结果和所述第二结果,得到所述用户特征信息。
在一个可能的实施方式中,基于所述第i个行为嵌入向量,利用第一预设神经网络生成第i个行为融合序列信息;将所有行为嵌入向量分别对应的行为融合序列信息的叠加和作为所述用户行为序列信息。
在一个可能的实施方式中,将所述用户特征信息和所述用户行为序列信息,输入至第二预设神经网络中,构建所述用户身份识别模型。
在一个可能的实施方式中,对所述用户身份识别模型进行优化。
在一个可能的实施方式中,根据BN算法对所述第二神经网络算法中的每一层输入数据进行优化处理,其中所述第二神经网络算法中的第一层输入数据包括所述第一结果、第二结果、第三结果以及所述用户特征信息,其中,所述第三结果为所有行为嵌入向量进行拼接组合后得到的结果。
上述本发明实施例揭示的方法可以应用于处理器601中,或者由处理器601实现。处理器601可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit,ASIC)、现成可编程门阵列(FieldProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器601读取存储器602中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecificIntegratedCircuits,ASIC)、数字信号处理器(DigitalSignalProcessing,DSP)、数字信号处理设备(DSPDevice,DSPD)、可编程逻辑设备(ProgrammableLogicDevice,PLD)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例提供的智能设备可以是如图6中所示的智能设备,可执行如图1-2中用户身份识别模型构建方法的所有步骤,进而实现图1-2所示用户身份识别模型构建方法的技术效果,具体请参照图1-2相关描述,为简洁描述,在此不作赘述。
图7为本发明实施例提供的一种智能设备的结构示意图,图7所示的智能设备700包括:至少一个处理器701、存储器702、至少一个网络接口704和其他用户接口703。智能设备700中的各个组件通过总线***705耦合在一起。可理解,总线***705用于实现这些组件之间的连接通信。总线***705除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图7中将各种总线都标为总线***705。
其中,用户接口703可以包括显示器、键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
可以理解,本发明实施例中的存储器702可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的存储器702旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器702存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作***7021和应用程序7022。
其中,操作***7021,包含各种***程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序7022,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序7022中。
在本发明实施例中,通过调用存储器702存储的程序或指令,具体的,可以是应用程序7022中存储的程序或指令,处理器701用于执行各方法实施例所提供的方法步骤,例如包括:
获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据;对所述多个基础行为数据进行分类;提取h类基础行为数据对应的第h个用户特征;将所述第h个用户特征输入至用户身份识别模型中,获取第h个概率,所述第h个概率为指示当前使用设备的用户身份为与所述设备对应的主人身份的概率;将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,其中h为正整数。
上述本发明实施例揭示的方法可以应用于处理器701中,或者由处理器701实现。处理器701可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器702,处理器701读取存储器702中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSPDevice,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例提供的服务器可以是如图7中所示的智能设备,可执行如图3中用户身份验证方法的所有步骤,进而实现图3所示用户身份验证方法的技术效果,具体请参照图3相关描述,为简洁描述,在此不作赘述。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中,存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述在智能设备侧执行的用户身份识别模型构建方法。
所述处理器用于执行存储器中存储的用户身份识别模型构建程序或用户身份验证程序,以实现以下在智能设备侧执行的用户身份识别模型构建方法或用户身份验证方法的步骤:
获取用户使用设备过程中产生的多条基础行为样本数据;基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量;基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息;根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型。
在一个可能的实施方式中,对所述多条基础行为样本数据按照预设维度进行分类;按照与第i条基础行为数据所属类别对应的预设方法,获取与所述第i条基础行为数据对应的行为嵌入向量,其中i为大于或者等于1,小于或者等于所述基础行为样本数据总条数的数值。
在一个可能的实施方式中,按照所述取值类型和取值数量两个维度,将所述多条基础行为样本数据分为类别单值、类别多值、数值和向量四种数据类型。
在一个可能的实施方式中,将所有行为嵌入向量中第i个行为嵌入向量按照第一预设规则与所述所有行为嵌入向量中的其他嵌入向量进行拼接组合,获取第一结果;将所述第i条基础行为样本数据和与所述第i条基础行为样本数据对应的特征值按照第二预设规则进行拼接组合,获取第二结果;根据所述第一结果和所述第二结果,得到所述用户特征信息。
在一个可能的实施方式中,基于所述第i个行为嵌入向量,利用第一预设神经网络生成第i个行为融合序列信息;将所有行为嵌入向量分别对应的行为融合序列信息的叠加和作为所述用户行为序列信息。
在一个可能的实施方式中,将所述用户特征信息和所述用户行为序列信息,输入至第二预设神经网络中,构建所述用户身份识别模型。
在一个可能的实施方式中,对所述用户身份识别模型进行优化。
在一个可能的实施方式中,根据BN算法对所述第二神经网络算法中的每一层输入数据进行优化处理,其中所述第二神经网络算法中的第一层输入数据包括所述第一结果、第二结果、第三结果以及所述用户特征信息,其中,所述第三结果为所有行为嵌入向量进行拼接组合后得到的结果。
或,
获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据;对所述多个基础行为数据进行分类;提取h类基础行为数据对应的第h个用户特征;将所述第h个用户特征输入至用户身份识别模型中,获取第h个概率,所述第h个概率为指示当前使用设备的用户身份为与所述设备对应的主人身份的概率;将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,其中h为正整数。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种用户身份识别模型构建方法,其特征在于,包括:
获取用户使用设备过程中产生的多条基础行为样本数据;
基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量,具体包括:对所述多条基础行为样本数据按照预设维度进行分类;按照与第i条基础行为数据所属类别对应的预设方法,获取与所述第i条基础行为数据对应的行为嵌入向量,其中i为大于或者等于1,小于或者等于所述基础行为样本数据总条数的数值;
基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息,包括:将所有行为嵌入向量中第i个行为嵌入向量按照第一预设规则与所述所有行为嵌入向量中的其他嵌入向量进行拼接组合,获取第一结果;将所述第i条基础行为样本数据和与所述第i条基础行为样本数据对应的特征值按照第二预设规则进行拼接组合,获取第二结果;根据所述第一结果和所述第二结果,得到所述用户特征信息,以及基于所述第i个行为嵌入向量,利用第一预设神经网络生成第i个行为融合序列信息;将所有行为嵌入向量分别对应的行为融合序列信息的叠加和作为所述用户行为序列信息;
根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型。
2.根据权利要求1所述的方法,其特征在于,所述预设维度包括取值类型和取值数量两个维度,所述对所述多条基础行为样本数据按照预设维度进行分类,具体包括:
按照所述取值类型和取值数量两个维度,将所述多条基础行为样本数据分为类别单值、类别多值、数值和向量四种数据类型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型,具体包括:
将所述用户特征信息和所述用户行为序列信息,输入至第二预设神经网络中,构建所述用户身份识别模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型之后,所述方法还包括:对所述用户身份识别模型进行优化。
5.根据权利要求4所述的方法,其特征在于,所述对所述用户身份识别模型进行优化,具体包括:
根据BN算法对所述第二预设神经网络中的每一层输入数据进行优化处理,其中所述第二预设神经网络中的第一层输入数据包括所述第一结果、第二结果、第三结果以及所述用户特征信息,其中,所述第三结果为所有行为嵌入向量进行拼接组合后得到的结果。
6.一种用户身份验证方法,其特征在于,所述方法包括:
获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据;
对所述多个基础行为数据进行分类;
提取h类基础行为数据对应的第h个用户特征;
将所述第h个用户特征输入至如权利要求1-5任一项所述的用户身份识别模型中,获取第h个概率,所述第h个概率为指示当前使用设备的用户身份为与所述设备对应的主人身份的概率;
将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,其中h为正整数。
7.一种用户身份识别模型构建装置,其特征在于,包括:
获取模块,用于获取用户使用设备过程中产生的多条基础行为样本数据;
所述获取模块,还用于基于所述多条基础行为样本数据中的每一条基础行为样本数据,得到与每一条基础行为样本数据对应的行为嵌入向量,具体包括:对所述多条基础行为样本数据按照预设维度进行分类;按照与第i条基础行为数据所属类别对应的预设方法,获取与所述第i条基础行为数据对应的行为嵌入向量,其中i为大于或者等于1,小于或者等于所述基础行为样本数据总条数的数值;
确定模块,用于基于所有行为嵌入向量,获取用户特征信息和用户行为序列信息,包括:将所有行为嵌入向量中第i个行为嵌入向量按照第一预设规则与所述所有行为嵌入向量中的其他嵌入向量进行拼接组合,获取第一结果;将所述第i条基础行为样本数据和与所述第i条基础行为样本数据对应的特征值按照第二预设规则进行拼接组合,获取第二结果;根据所述第一结果和所述第二结果,得到所述用户特征信息,以及基于所述第i个行为嵌入向量,利用第一预设神经网络生成第i个行为融合序列信息;将所有行为嵌入向量分别对应的行为融合序列信息的叠加和作为所述用户行为序列信息;
构建模块,用于根据所述用户特征信息和所述用户行为序列信息,构建所述用户身份识别模型。
8.一种用户身份验证装置,其特征在于,包括:
获取模块,用于获取当前使用设备的用户,在使用设备过程中时产生的多个基础行为数据;
所述获取模块,还用于对所述多个基础行为数据进行分类;提取h类基础行为数据对应的第h个用户特征;将所述第h个用户特征输入至如权利要求1-6任一项所述的用户身份识别模型中,获取第h个概率,所述第h个概率为指示当前使用设备的用户身份为与所述设备对应的主人身份的概率;
识别模块,用于将所有概率加入到预设分类器中,最终识别所述当前使用设备的用户身份,其中h为正整数。
9.一种智能设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的用户身份识别模型构建程序,以实现权利要求1~5中任一项所述的用户身份识别模型构建方法。
10.一种智能设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的用户身份验证程序,以实现权利要求6中所述的用户身份验证方法。
11.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1~5中任一项所述的用户身份识别模型构建方法或实现权利要求6中所述的用户身份验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509874.5A CN113742665B (zh) | 2020-06-05 | 2020-06-05 | 用户身份识别模型构建、用户身份验证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509874.5A CN113742665B (zh) | 2020-06-05 | 2020-06-05 | 用户身份识别模型构建、用户身份验证方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742665A CN113742665A (zh) | 2021-12-03 |
CN113742665B true CN113742665B (zh) | 2024-03-26 |
Family
ID=78727932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010509874.5A Active CN113742665B (zh) | 2020-06-05 | 2020-06-05 | 用户身份识别模型构建、用户身份验证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742665B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699823A (zh) * | 2014-01-08 | 2014-04-02 | 同济大学 | 基于用户行为模式的身份认证***及其方法 |
CN105335630A (zh) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 身份识别方法及身份识别装置 |
CN107819945A (zh) * | 2017-10-30 | 2018-03-20 | 同济大学 | 综合多种因素的手持设备浏览行为认证方法及*** |
CN108549709A (zh) * | 2018-04-20 | 2018-09-18 | 福州大学 | 区块链内外多源异构数据基于广度学习算法的融合方法 |
CN108549806A (zh) * | 2018-04-11 | 2018-09-18 | 西安电子科技大学 | 基于用户滑动和点击行为的身份认证方法 |
CN108595923A (zh) * | 2018-04-20 | 2018-09-28 | 北京元心科技有限公司 | 身份认证方法、装置及终端设备 |
CN108647800A (zh) * | 2018-03-19 | 2018-10-12 | 浙江工业大学 | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 |
EP3410328A1 (en) * | 2017-05-31 | 2018-12-05 | Deutsche Telekom AG | Method and system to distinguish between a human and a robot as a user of a mobile smart device |
CN109858212A (zh) * | 2019-01-21 | 2019-06-07 | 深圳市能信安科技股份有限公司 | 用于数字密码软键盘的身份识别方法、装置和终端 |
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 |
CN110516422A (zh) * | 2019-08-30 | 2019-11-29 | 北京字节跳动网络技术有限公司 | 用户身份的识别方法、装置、电子设备及存储介质 |
CN110659742A (zh) * | 2019-09-10 | 2020-01-07 | 阿里巴巴集团控股有限公司 | 获取用户行为序列的序列表示向量的方法和装置 |
CN110765939A (zh) * | 2019-10-22 | 2020-02-07 | Oppo广东移动通信有限公司 | 身份识别方法、装置、移动终端及存储介质 |
CN110796269A (zh) * | 2019-09-30 | 2020-02-14 | 北京明略软件***有限公司 | 一种生成模型的方法、装置、信息处理的方法及装置 |
CN111163057A (zh) * | 2019-12-09 | 2020-05-15 | 中国科学院信息工程研究所 | 一种基于异构信息网络嵌入算法的用户识别***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8443443B2 (en) * | 2006-10-04 | 2013-05-14 | Behaviometrics Ab | Security system and method for detecting intrusion in a computerized system |
-
2020
- 2020-06-05 CN CN202010509874.5A patent/CN113742665B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699823A (zh) * | 2014-01-08 | 2014-04-02 | 同济大学 | 基于用户行为模式的身份认证***及其方法 |
CN105335630A (zh) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 身份识别方法及身份识别装置 |
EP3410328A1 (en) * | 2017-05-31 | 2018-12-05 | Deutsche Telekom AG | Method and system to distinguish between a human and a robot as a user of a mobile smart device |
CN107819945A (zh) * | 2017-10-30 | 2018-03-20 | 同济大学 | 综合多种因素的手持设备浏览行为认证方法及*** |
CN108647800A (zh) * | 2018-03-19 | 2018-10-12 | 浙江工业大学 | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 |
CN108549806A (zh) * | 2018-04-11 | 2018-09-18 | 西安电子科技大学 | 基于用户滑动和点击行为的身份认证方法 |
CN108549709A (zh) * | 2018-04-20 | 2018-09-18 | 福州大学 | 区块链内外多源异构数据基于广度学习算法的融合方法 |
CN108595923A (zh) * | 2018-04-20 | 2018-09-28 | 北京元心科技有限公司 | 身份认证方法、装置及终端设备 |
CN109858212A (zh) * | 2019-01-21 | 2019-06-07 | 深圳市能信安科技股份有限公司 | 用于数字密码软键盘的身份识别方法、装置和终端 |
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 |
CN110516422A (zh) * | 2019-08-30 | 2019-11-29 | 北京字节跳动网络技术有限公司 | 用户身份的识别方法、装置、电子设备及存储介质 |
CN110659742A (zh) * | 2019-09-10 | 2020-01-07 | 阿里巴巴集团控股有限公司 | 获取用户行为序列的序列表示向量的方法和装置 |
CN110796269A (zh) * | 2019-09-30 | 2020-02-14 | 北京明略软件***有限公司 | 一种生成模型的方法、装置、信息处理的方法及装置 |
CN110765939A (zh) * | 2019-10-22 | 2020-02-07 | Oppo广东移动通信有限公司 | 身份识别方法、装置、移动终端及存储介质 |
CN111163057A (zh) * | 2019-12-09 | 2020-05-15 | 中国科学院信息工程研究所 | 一种基于异构信息网络嵌入算法的用户识别***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113742665A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ozcan et al. | A hybrid DNN–LSTM model for detecting phishing URLs | |
Žliobaitė | Measuring discrimination in algorithmic decision making | |
US10609050B2 (en) | Methods and systems for malware detection | |
CN109684554B (zh) | 新闻的***的确定方法及新闻推送方法 | |
CN110377632B (zh) | 诉讼结果预测方法、装置、计算机设备和存储介质 | |
CN109905385B (zh) | 一种webshell检测方法、装置及*** | |
US20210209358A1 (en) | Methods and systems for facilitating classification of portions of a regulatory document using multiple classification codes | |
CN110990560B (zh) | 一种司法数据处理方法及*** | |
US20200193340A1 (en) | Business default prediction system and operation method thereof | |
Chang et al. | Language model pre-training for hierarchical document representations | |
CN112990530B (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
Althar et al. | [Retracted] Software Systems Security Vulnerabilities Management by Exploring the Capabilities of Language Models Using NLP | |
CN111985207B (zh) | 一种访问控制策略的获取方法、装置及电子设备 | |
CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
Althar et al. | Design and development of artificial intelligence knowledge processing system for optimizing security of software system | |
CN116432184A (zh) | 基于语义分析和双向编码表征的恶意软件检测方法 | |
CN113742482B (zh) | 基于多重词特征融合的情感分类方法、介质 | |
Tang et al. | Deep learning-based solution for smart contract vulnerabilities detection | |
Al Zaabi et al. | Android malware detection using static features and machine learning | |
CN113742665B (zh) | 用户身份识别模型构建、用户身份验证方法及装置 | |
Lin et al. | The Application of Computer Intelligence in the Cyber‐Physical Business System Integration in Network Security | |
CN116542783A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
Gao et al. | Sharing runtime permission issues for developers based on similar-app review mining | |
Bsir et al. | Document model with attention bidirectional recurrent network for gender identification | |
Zhang et al. | A ResNet‐LSTM Based Credit Scoring Approach for Imbalanced Data |
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 |