CN105335630B

CN105335630B - 身份识别方法及身份识别装置

Info

Publication number: CN105335630B
Application number: CN201410326024.6A
Authority: CN
Inventors: 姚何飞; 洪满伙
Original assignee: Alibaba Group Holding Ltd
Current assignee: Advanced New Technologies Co Ltd; Advantageous New Technologies Co Ltd
Priority date: 2014-07-09
Filing date: 2014-07-09
Publication date: 2019-05-07
Anticipated expiration: 2034-07-09
Also published as: CN105335630A

Abstract

本申请公开了一种身份识别方法，包括：接收当前用户输入的卡信息和对应的击键操作；以及根据击键操作识别当前用户的身份。本申请实施例的身份识别方法，通过用户输入银行卡的卡信息获取对应的击键操作，根据击键操作对当前用户进行身份识别，即依据用户的击键行为，识别网络支付交易是否是持卡人本人进行操作，由于击键操作具有生物特征，每个用户自身的击键操作均是独一无二的生物特征，难以被篡改和模仿，从而能够更加准确地识别网站支付交易是否是本人进行操作，提高识别率、降低误判率。本申请还公开了一种身份识别装置。

Description

身份识别方法及身份识别装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种身份识别方法及身份识别装置。

背景技术

随着电子商务的迅猛发展，网上消费者已经不仅仅局限在本国内，更多国外的用户也在通过电子商户平台从中国购买商品。

在传统的国外卡支付交易中，持卡人只需要输入银行卡号码，信用卡安全码CVV2及卡片到期时间，系统就认为是持卡人本人在进行支付，很少用其他机制再次对用户身份进行确认。但是，该机制给我们带来方便的同时，引起了另一个安全问题，当银行卡卡片信息被盗的情况下，盗用者仅凭获取的卡片信息就可以将卡内资金通过网络交易轻易地进行转移销赃。

于是，在现有外卡交易验证机制下，如何准确地识别操作者的真实身份、准确地辨认出盗用者已成为亟待解决的问题。

发明内容

本申请的目的在于在一定程度上解决现有外卡交易验证机制下的身份识别问题。

为此，本申请的第一个目的在于提出一种身份识别方法。该方法能够更加准确地识别网站支付交易是否是本人进行操作，提高识别率、降低误判率。

本申请的第二个目的在于提出一种身份识别装置。

为达上述目的，本申请第一方面实施例提出了一种身份识别方法，包括：接收当前用户输入的卡信息和对应的击键操作；以及根据所述击键操作识别所述当前用户的身份。

本申请实施例的身份识别方法，通过用户输入银行卡的卡信息获取对应的击键操作，根据击键操作对当前用户进行身份识别，即依据用户的击键行为，识别网络支付交易是否是持卡人本人进行操作，由于击键操作具有生物特征，每个用户自身的击键操作均是独一无二的生物特征，难以被篡改和模仿，从而能够更加准确地识别网站支付交易是否是本人进行操作，提高识别率、降低误判率。

为达上述目的，本申请第二方面实施例提出了一种身份识别装置，包括：接收模块，用于接收当前用户输入的卡信息和对应的击键操作；以及识别模块，用于根据所述击键操作识别所述当前用户的身份。

本申请实施例的身份识别装置，通过用户输入银行卡的卡信息获取对应的击键操作，根据击键操作对当前用户进行身份识别，即依据用户的击键行为，识别网络支付交易是否是持卡人本人进行操作，由于击键操作具有生物特征，每个用户自身的击键操作均是独一无二的生物特征，难以被篡改和模仿，从而能够更加准确地识别网站支付交易是否是本人进行操作，提高识别率、降低误判率。

附图说明

图1是本申请一个实施例的身份识别方法的流程图；

图2是本申请实施例的根据击键操作识别当前用户的身份的流程图；

图3是根据本申请实施例的建立击键模型的流程图；

图4是本申请另一个实施例的身份识别方法的流程图；

图5是本申请一个实施例的身份识别装置的结构示意图；

图6是本申请另一个实施例的身份识别装置的结构示意图；

图7是本申请又一个实施例的身份识别装置的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

对于目前网络支付中外国银行卡交易，识别是否是持卡人本人支付主要通过支付时输入的银行卡信息(如卡号，CVV2和到期时间等)是否正确来进行识别。当用户输入正确卡片信息后，模型会对支付行为进行识别，如果模型识别是正常交易，则支付成功，否则交易失败或者进行人工审核。

但是，由于卡片信息是直接记录在实体卡片上的，这会导致卡片信息(如卡号，CVV2和到期时间等)十分容易被盗用者获取，而卡片信息是现有模型的主要识别依据，这导致模型对盗用者的识别率低下。特别是对于历史支付数据不足的卡片支付，模型更加难以做出准确的判断。

为此，本申请提出了一种身份识别方法和身份识别装置，通过对用户输入卡号的键盘击键数据进行建模，根据每个人的卡号击键行为特征来识别用户的身份。具体地，下面参考附图描述本申请实施例的身份识别方法及身份识别装置。

图1是本申请一个实施例的身份识别方法的流程图。如图1所示，该身份识别方法可以包括：

S101，接收当前用户输入的卡信息和对应的击键操作。

其中，在本申请的实施例中，卡信息可包括银行卡号码、CVV2及银行卡片到期时间等。

此外，可以理解，在本申请的实施例中，击键操作可为敲击键盘时的击键行为，该键盘可以是物理键盘，也可以是虚拟键盘。需要说明的是，击键行为的识别属于生物特征识别，生物特征识别就是根据每个用户自身独一无二的生物特征对其进行识别和身份验证，通过计算机与统计学等高科技手段相结合，提取用户固有的生理和行为特征数据来进行个人的身份鉴定。击键行为的识别主要是用于用户支付时判断支付行为是否是持卡人本人在操作，具体应用在卡支付安全防控系统中。

举例而言，以持有国外银行卡的用户为例，当用户登录电子商务平台，选择商品进行下单支付操作，在进行网络支付时，用户通过持有的银行卡进行支付，并通过键盘输入该卡对应的卡信息(如银行卡号码、CVV2及银行卡片到期时间等)。此时，可获取该卡信息对应的击键操作。

S102，根据击键操作识别当前用户的身份。

具体地，可根据当前用户的击键操作来进行个人的身份鉴定，以确定当前用户的身份，即确定用户支付时支付行为是否是持卡人本人在操作。

优选的，在本申请的实施例中，如图2所示，根据击键操作识别当前用户的身份可具体包括以下步骤：

S201，根据击键操作生成当前用户的特征向量。

具体而言，在本申请的实施例中，可根据当前用户输入卡信息时的击键操作以生成多个维度，并根据该多个维度生成当前用户的多维度的特征向量。其中，在该申请的实施例中，维度可为当前用户输入卡信息时每个字符的敲击时间和两个连续字符之间的间隔时间。例如，以银行卡的卡号为16位为例，由于银行卡的卡号具有16个字符、且具有15个两个连续字符之间的间隔，则敲击时间具有16个，两个连续字符之间的间隔时间具有15个，所以整个卡信息输入操作过程中生成了31个维度。

也就是说，当用户通过键盘输入卡信息时，可获取当前用户输入卡信息中每个字符时的敲击时间和两个连续字符之间的间隔时间，并由每个字符的敲击时间和两个连续字符之间的间隔时间来生成多维特征向量。

S202，根据当前用户的特征向量查询卡信息对应的击键模型以生成查询分值。

其中，在本申请的实施例中，可根据击键行为识别身份，主要通过提取击键行为的生物特征，对每个卡信息建立击键模型。具体地，如图3所示，击键模型可通过以下步骤建立：

S301，获取卡信息对应的历史击键行为数据。

S302，根据卡信息对应的历史击键行为数据生成多个特征向量。

S303，根据多个特征向量建立特征空间，并获取特征空间中任两个特征向量之间的距离。

具体地，可将特征向量作为特征空间中的实例点，之后可通过马氏距离或欧氏距离公式计算实例点两两之间的相似性程度，以获取任两个特征向量之间的距离。例如，特征空间中具有M个特征向量X₁～X_m，其协方差矩阵记为S，均值记为向量μ，则其中特征向量X到向量μ的马氏距离表示为：

因此，根据(1)式可知，特征向量X_i与X_j之间的马氏距离为：

由此，根据上述(2)式可得到特征向量X_i与X_j之间的距离。

若上述协方差矩阵为单位矩阵(即各个特征向量之间相互独立且同分布)，则可通过欧氏距离计算出特征向量X_i与X_j之间的距离，其中，欧氏距离的计算公式为：

需要说明的是，特征空间一般是N维的实数向量空间，使用的距离可以是马氏距离，也可以是其他距离算法，如欧氏距离等。其中，马氏距离与量纲无关，能够排除变量之间的相关性干扰。

S304，根据特征空间和分类器建立击键模型。

其中，在本申请的实施例中，分类器可为KNN(k-Nearest Neighbor algorithm，K最近邻算法，是一种常用的分类算法)分类器。

举例而言，可通过K近邻算法建立KNN分类器，并通过KNN分类器给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例(也就是K个邻居)，如果这K个实例的多数属于某个类，则将该输入实例分类到这个类中，否则将该输入实例分类到另一类。

也就是说，在训练数据集中找到该特征空间中最邻近的K个特征向量，若在一定距离阀值内这K个特征向量的多数属于某一类，则可将该特征空间分类到这个类中，否则该特征空间则为另一类，进而得到卡对应的击键模型。

应当理解，K最近邻算法的核心在于找到实例点的邻居，采用合理的度量方法(如马氏距离算法、欧氏距离算法等)找到K个邻居是分类器的关键。

由此，可通过上述实施例即可建立击键模型，为识别当前用户的身份提供了方便。

S203，如果查询分值大于预设模型阈值，则判断当前用户不为卡信息对应的用户，也就是说，可判断确定当前用户不是卡主人，可能是盗用者。

S204，如果查询分值小于或等于预设模型阈值，则判断当前用户为卡信息对应的用户。

由此，通过将查询分值与预设模型阀值进行比较以判断当前用户是否是持卡人本人，提高了准确度。

又如，根据本申请的一个实施例，如图4所示，该身份识别方法可以包括：

S401，接收当前用户输入的卡信息和对应的击键操作。

S402，根据击键操作识别当前用户的身份。

S403，如果根据击键操作判断当前用户为卡信息对应的用户，则进行支付。

具体地，当根据击键操作判断当前用户为卡信息对应的用户时，可认为这笔支付行为是持卡人本人的操作，则可成功扣款以完成交易。

S404，如果根据击键操作判断当前用户不为卡信息对应的用户，则拒绝支付、或者再次进行认证，或者启动进一步的安全防控。

具体地，当根据击键操作判断当前用户不为卡信息对应的用户时，可认为这笔支付行为不是持卡人本人的操作，比如可能是盗用者在操作，则可拒绝这笔支付、或者进入人工审核、或者进入其他风险模型进行识别。

本申请实施例的身份识别方法，在根据击键操作获取当前用户的身份之后，当判断当前用户为卡信息对应的用户时，可进行支付，从而完成交易；当判断当前用户不是卡信息对应的用户时，可拒绝支付、或者进入人工审核、或者进入其他风险模型进行识别，保障了持卡人的财产安全。

为了实现上述目的，本申请还提出了一种身份识别装置。

图5是本申请一个实施例的身份识别装置的结构示意图。如图5所示，该身份识别装置可以包括：接收模块10和识别模块20。

具体地，接收模块10可用于接收当前用户输入的卡信息和对应的击键操作。其中，在本申请的实施例中，卡信息可包括银行卡号码、CVV2及银行卡片到期时间等。

此外，可以理解，在本申请的实施例中，击键操作可为敲击键盘时的击键行为，该键盘可以是物理键盘，也可以是虚拟键盘。需要说明的是，击键行为的识别属于生物特征识别，生物特征识别就是根据每个用户自身独一无二的生物特征对其进行识别和身份验证，通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段相结合，提取用户固有的生理和行为特征数据来进行个人的身份鉴定。击键行为的识别主要是用于用户支付时判断支付行为是否是持卡人本人在操作，具体应用在卡支付安全防控系统中。

举例而言，以持有国外银行卡的用户为例，当用户登录电子商务平台，选择商品进行下单支付操作，在进行网络支付时，用户通过持有的银行卡进行支付，并通过键盘输入该卡对应的卡信息(如银行卡号码、CVV2及银行卡片到期时间等)。此时，接收模块10可获取该卡信息和对应的击键操作。

识别模块20可用于根据击键操作识别当前用户的身份。更具体地，识别模块20可根据当前用户的击键操作来进行个人的身份鉴定，以确定当前用户的身份，即确定用户支付时支付行为是否是持卡人本人在操作。

优选的，在本申请的实施例中，如图6所示，识别模块20可包括：第一生成单元21、第二生成单元22和判断单元23。具体地，第一生成单元21可用于根据击键操作生成当前用户的特征向量。第二生成单元22可用于根据当前用户的特征向量查询卡信息对应的击键模型以生成查询分值。判断单元23可用于在查询分值大于预设模型阀值时，判断当前用户不为卡信息对应的用户。此外，判断单元23还可用于在查询分值小于或等于预设模型阀值时，判断当前用户为账户信息卡信息对应的用户。

具体而言，第一生成单元21可先根据当前用户输入卡信息时的击键操作以生成多个维度，之后根据该多个维度生成当前用户的多维度的特征向量。其中，在该申请的实施例中，维度可为当前用户输入卡信息时每个字符的敲击时间和两个连续字符之间的间隔时间。也就是说，当用户通过键盘输入卡信息时，第一生成单元21可获取当前用户输入卡信息中每个字符时的敲击时间和两个连续字符之间的间隔时间，并由每个字符的敲击时间和两个连续字符之间的间隔时间来生成多维特征向量。

可选的，在本申请的实施例中，如图7所示，该身份识别装置还可包括支付模块30和保护模块40。具体地，支付模块30可用于在根据击键操作判断当前用户为卡信息对应的用户时，进行支付。保护模块40可用于在根据击键操作判断当前用户不为卡信息对应的用户时，拒绝支付、或者再次进行认证，或者启动进一步的安全防控。

更具体地，在识别模块20根据击键操作判断当前用户为卡信息对应的用户时，支付模块30可认为这笔支付行为是持卡人本人的操作，则可成功扣款以完成交易。在识别模块20根据击键操作判断当前用户不是卡信息对应的用户时，保护模块40可认为这笔支付行为不是持卡人本人的操作，比如可能是盗用者在操作，则可拒绝这笔支付、或者进入人工审核、或者进入其他风险模型进行识别。

在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种身份识别方法，其特征在于，包括以下步骤：

接收当前用户输入的卡信息和对应的击键操作；以及

根据所述击键操作识别所述当前用户的身份；

其中，所述根据所述击键操作识别所述当前用户的身份，具体包括：

根据所述击键操作生成所述当前用户的特征向量；

根据所述当前用户的特征向量查询所述卡信息对应的击键模型以生成查询分值，其中，所述击键模型是根据所述卡信息对应的历史击键行为数据建立特征空间，并根据所述特征空间和分类器而建立的，其中，所述分类器中的分类包括第一类和第二类，在训练数据集中找到所述特征空间中最邻近的K个特征向量，若在一定距离阈值内所述K个特征向量的多数属于所述第一类，则将所述特征空间分类到所述第一类中，否则所述特征空间为所述第二类，进而得到所述卡信息对应的击键模型；

如果所述查询分值大于预设模型阈值，则判断所述当前用户不为所述卡信息对应的用户；以及

如果所述查询分值小于或等于预设模型阈值，则判断所述当前用户为所述卡信息对应的用户。

2.如权利要求1所述的身份识别方法，其特征在于，所述根据击键操作生成所述当前用户的特征向量，具体包括：

根据所述当前用户输入所述卡信息时的击键操作以生成多个维度，其中，所述维度为所述当前用户输入所述卡信息时每个字符的敲击时间和两个连续字符之间的间隔时间；

根据所述多个维度生成所述当前用户的特征向量。

3.如权利要求1所述的身份识别方法，其特征在于，所述击键模型通过以下步骤建立：

获取所述卡信息对应的历史击键行为数据；

根据所述卡信息对应的历史击键行为数据生成多个特征向量；

根据所述多个特征向量建立特征空间，并获取所述特征空间中任两个特征向量之间的距离；以及

根据所述特征空间和分类器建立所述击键模型。

4.如权利要求3所述的身份识别方法，其特征在于，通过马氏距离或欧式距离公式计算所述特征空间中任两个特征向量之间的距离。

5.如权利要求3所述的身份识别方法，其特征在于，所述分类器为KNN分类器。

6.如权利要求1所述的身份识别方法，其特征在于，在所述根据击键操作识别所述当前用户的身份之后，还包括：

如果根据所述击键操作判断所述当前用户为所述卡信息对应的用户，则进行支付；以及

如果根据所述击键操作判断所述当前用户不为所述卡信息对应的用户，则拒绝支付、或者再次进行认证，或者启动进一步的安全防控。

7.一种身份识别装置，其特征在于，包括：

接收模块，用于接收当前用户输入的卡信息和对应的击键操作；以及

识别模块，用于根据所述击键操作识别所述当前用户的身份；

其中，所述识别模块包括：

第一生成单元，用于根据所述击键操作生成所述当前用户的特征向量；

第二生成模块，用于根据所述当前用户的特征向量查询所述卡信息对应的击键模型以生成查询分值，其中，所述击键模型是根据所述卡信息对应的历史击键行为数据建立特征空间，并根据所述特征空间和分类器而建立的，其中，所述分类器中的分类包括第一类和第二类，在训练数据集中找到所述特征空间中最邻近的K个特征向量，若在一定距离阈值内所述K个特征向量的多数属于所述第一类，则将所述特征空间分类到所述第一类中，否则所述特征空间为所述第二类，进而得到所述卡信息对应的击键模型；

判断单元，用于在所述查询分值大于预设模型阀值时，判断所述当前用户不为所述卡信息对应的用户；以及

所述判断单元还用于在所述查询分值小于或等于预设模型阀值时，判断所述当前用户为所述卡信息对应的用户。

8.如权利要求7所述的身份识别装置，其特征在于，所述第一生成单元具体用于：

根据所述多个维度生成所述当前用户的特征向量。

9.如权利要求7所述的身份识别装置，其特征在于，还包括：

支付模块，用于在根据所述击键操作判断所述当前用户为所述卡信息对应的用户时，进行支付；以及

保护模块，用于在根据所述击键操作判断所述当前用户不为所述卡信息对应的用户时，拒绝支付、或者再次进行认证，或者启动进一步的安全防控。