CN105991593A - 一种识别用户风险的方法及装置 - Google Patents

Abstract

本申请公开了一种识别用户风险的方法、装置及系统。该方法获取用户的生物特征数据，当确定所述生物特征数据的变化状态符合指定条件时，确定所述用户存在风险。通过上述方法，在与当前用户进行业务交互前，或者在业务过程中，除了核对该用户的个人信息之外，还可以对该用户的生物特征数据的变化状态进行分析，和/或对该生物特征数据进行匹配，以确定该用户是否存在风险，由于生物特征数据不容易被盗用，可靠性较高，因此，可以提高后续业务过程的安全性。

Description

一种识别用户风险的方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种识别用户风险的方法、装置及系统。

背景技术

随着计算机技术和网络技术的迅速发展，越来越多的业务都可以通过网络进行办理，但是，随之而来的还有网络攻击，非法用户可能通过各种网络攻击手段冒充合法用户，对网络上的业务过程的安全性造成威胁。

在现有技术中，对于网络上的业务，为了阻止非法用户冒充合法用户，用户可以在业务提供方的服务器上预先注册自己的个人信息，所述的个人信息一般为文本信息，如账号、密码、身份证件号码、手机号码等，服务器保存用户注册的个人信息，成功注册后，该用户成为合法用户。以后，服务器在接收到用户发起的业务请求时，可以向该用户核对个人信息，仅当该用户提供的个人信息与预先注册的个人信息匹配时，才确定该用户不存在风险，确实为注册该个人信息的用户本人，进而，可允许进行后续的业务过程。

但是，在实际应用中，上述的这类个人信息仍然很容易被非法用户窃取，从而，该非法用户可以冒充合法用户来欺骗服务器，在这种情况下，服务器针对该非法用户无法获得可靠的风险识别结果，降低了后续业务过程的安全性。

发明内容

本申请实施例提供一种识别用户风险的方法、装置及系统，用以解决现有技术中用户的个人信息很容易被盗用，从而，降低了与该用户相关的业务过程的安全性的问题。

本申请实施例提供的一种识别用户风险的方法，包括：

获取用户的生物特征数据；

当确定所述生物特征数据的变化状态符合指定条件时，确定所述用户存在风险。

本申请实施例提供的一种识别用户风险的方法，包括：

获取用户的生物特征数据；

当确定所述生物特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。

本申请实施例提供的一种识别用户风险的装置，包括：

获取模块，用于获取用户的生物特征数据；

识别模块，用于当确定所述生物特征数据的变化状态符合指定条件时，确定所述用户存在风险。

本申请实施例提供的一种识别用户风险的装置，包括：

获取模块，用于获取用户的生物特征数据；

识别模块，用于当确定所述生物特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。

本申请实施例提供的一种识别用户风险的系统，包括：

用户终端、生物信息传感器、生物特征数据提取装置、第一风险识别装置、第二风险识别装置；

所述用户终端的输出端与所述生物信息传感器的输入端相连，所述生物信息传感器的输出端与所述生物特征数据提取装置的输入端相连，所述生物特征数据提取装置与所述第一风险识别装置和所述第二风险识别装置相连；

所述用户终端用于接收用户输入的业务信息；

所述生物信息传感器用于从所述业务信息中，获取所述用户的生物信息；

所述生物特征数据提取装置用于从所述生物信息中，提取所述用户的生物特征数据；

所述第一风险识别装置用于通过分析所述生物特征数据的变化状态，识别所述用户是否存在风险；

所述第二风险识别装置用于通过对所述生物特征数据与预设的非法特征数据进行匹配，识别所述用户是否存在风险。

本申请实施例提供一种识别用户风险的方法、装置及系统，该方法获取用户的生物特征数据，当确定所述生物特征数据的变化状态符合指定条件时，或者当确定所述生物特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。通过上述方法，在与当前用户进行业务交互前，或者在业务过程中，除了核对该用户的个人信息之外，还可以对该用户的生物特征数据的变化状态进行分析，和/或对该生物特征数据进行匹配，以确定该用户是否存在风险，由于生物特征数据不容易被盗用，可靠性较高，因此，可以提高后续业务过程的安全性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的识别用户风险的过程；

图2为基于通过对声纹特征数据的变化状态进行分析的方式，本申请实施例提供的识别用户风险的过程；

图3为本申请实施例提供的另一种识别用户风险的过程；

图4为基于小波变换算法，从用户的原始声音数据中提取声纹特征数据的过程；

图5为基于通过对声纹特征数据进行匹配的方式，本申请实施例提供的识别用户风险的详细过程；

图6为本申请实施例提供的识别用户风险的装置结构示意图；

图7为本申请实施例提供的另一种识别用户风险的装置结构示意图；

图8为本申请实施例提供的识别用户风险的系统示意图；

图9示出了在本申请实施例提供的识别用户风险的系统中，第二风险识别装置的一种典型的模块结构图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请实施例提供的识别用户风险的过程，具体包括以下步骤：

S101：获取用户的生物特征数据。

本申请实施例提供的识别用户风险的方法的执行主体可以是：服务器、终端或系统等。所述的执行主体并不构成对本申请的限定，以下均以执行主体是服务器为例进行说明。

在本申请实施例中，所述的生物特征数据包括但不限于：声纹特征数据、指纹特征数据、掌纹特征数据、视网膜特征数据、面部特征数据中的至少一种。

在实际应用中，对于各种业务场景，服务器在与当前用户进行业务交互前，或者在业务过程中，可以根据设定的安全策略，适时地识别该用户是否存在风险，若是，则可认为该用户为非法用户，进而阻止业务过程的继续进行，提高了安全性，否则，可认为该用户不为非法用户，进而允许业务过程的继续进行。

一般的，用户可以在服务器上预先注册自己的个人信息，所述的个人信息为文本信息，如账号、密码、身份证件号码、手机号码，服务器保存用户注册的个人信息，成功注册后，该用户成为合法用户。以后，服务器在对当前用户进行风险识别时，可向该用户核对个人信息，仅当该用户提供的个人信息与注册的个人信息匹配时，才确定该用户不存在风险，确实为注册该个人信息的用户本人，而不是诸如盗用者之类的非法用户(以下将非法用户均称为盗用者)。但是，在实际应用中，上述的这类个人信息很容易被盗用者窃取，从而，盗用者可以冒充合法用户来欺骗服务器，在这种情况下，服务器针对该盗用者无法获得可靠的风险识别结果，降低了后续业务过程的可靠性。

因此，在本申请实施例中，主张基于不容易被盗取和/或冒充的身份信息，识别用户风险，所述的生物特征数据即符合以上条件。一般的，生物特征数据可以反映每个用户区别用其他用户的独特的身份信息，同时，基于特定的生物特征数据提取手段，生物特征数据也可能反映特定的一类用户共有的、且区别与其他用户的独特的身份信息。

具体的，服务器在基于生物特征数据，识别用户风险时，首先，可以采集该用户的原始生物信息，然后，采用适用的生物特征数据提取手段，从采集到的原始生物信息中提取生物特征数据，用于后续风险识别过程。由于生物特征数据不容易被盗取和/或冒充，因此，可以获得更可靠的风险识别结果，提高了后续业务过程的安全性。

需要说明的是，在本申请实施例中，对用户的原始生物信息的采集操作，可以由相应的生物信息传感器完成，例如，所述的生物信息传感器可以是带摄像头的终端、扫描仪等图像采集器件，话筒、录音笔等声音采集器件等等。用于采集用户的原始生物信息的具体设备并不构成对本申请的限定。

S102：当确定所述生物特征数据的变化状态符合指定条件时，确定所述用户存在风险。

在本申请实施例中，当采用诸如声纹特征数据、心率特征数据、局部体温特征数据等不一定能唯一确定一个用户的生物特征数据时，由于这类生物特征数据会随着用户的情绪、年龄、身体状态等因素的变化而变化，因此，可以基于对用户的生物特征数据的变化状态的分析，识别该用户是否存在风险。具体的，服务器获取当前用户的生物特征数据后，可以对该生物特征数据进行分析，并根据已有的知识和经验(可通过机器学习或者人工配置等方式获得)，判断该生物特征数据是否存在异常，当存在异常时，则可确定该用户存在风险，可能是盗用者。

需要说明的是，为了便于描述，在本申请实施例中，将已确定的存在风险的用户的生物特征数据称为黑样本，将合法用户的生物特征数据称为白样本。

通过上述方法，服务器在与当前用户进行业务交互前，或者在业务过程中，除了核对该用户的个人信息之外，还可以对该用户的生物特征数据的变化状态进行分析，以确定该用户是否存在风险，由于生物特征数据不容易被盗用，可靠性较高，因此，使用本申请实施例提供的识别用户风险的方法，可以提高后续业务过程的安全性。

在本申请实施例中，根据上述说明，可以选取不同类型的生物特征数据用于识别用户风险。对生物特征数据的类型的选择并不构成对本申请的限定。为了便于描述，以下均以其中一种典型的实际应用场景进行说明，对于其他的应用场景和生物特征数据类型，可以采用类似的方法实现。

在支付场景下，服务器当接收到用户发送的大额资金转账请求时，在执行相应的转账前，为了识别和阻止盗用者冒充合法用户的风险，可以通过电话核实该用户的个人信息，同时通过电话录音的方式获取在核实过程中该用户的原始声音数据(原始声音数据，也即，录音数据)，然后，从原始声音数据中提取声纹特征数据，用于识别该用户是否存在风险。显然，在这种场景下，所述的生物特征数据即为声纹特征数据。

进一步的，如图2所示，基于分析所述用户的生物特征数据，以识别所述用户是否存在风险，包括步骤：

S201：分析获取的所述用户的各声纹特征数据的变化状态。

S202：当所述变化状态符合指定条件时，确定所述用户存在风险。

由于这种识别方式并不需要将用户的各声纹特征数据与黑样本或白样本进行匹配，因此，在没有黑样本和白样本的情况下，这种识别方式很适用。

在这种情况下，所述的声纹特征数据可以是原始声音数据的声音频率、声音响度、声音音色、通过语音识别技术可获取的文本信息量等，以上这四项可分别通过用户说话时的声调高低、声音大小、情绪状态、语速快慢直观地体现。

一般的，当盗用者盗取了合法用户的个人信息，在通过电话接受服务器的核实过程中，由于其实际是在说谎以假冒他人，因此，对于盗用者此时的声音、盗用者未说谎话时的声音，以及与合法用户接受核实时的声音，这三者的声调高低、声音大小、情绪状态、语速快慢的变化状态不同，也即，这三者对应的各声纹特征数据不同。例如，当盗用者说谎以假冒他人时，其声调可能较平时相对地提高，并且加大声音以掩饰自己的心虚，以及说话时可能会吞吐不流畅，语速变慢等。这样的话，服务器获取当前用户的声纹特征数据后，分析各声纹特征数据的变化状态，并可预设相应的判定阈值，以判断所述的变化状态是否符合诸如上述列举出的这类情形，若符合，则可确定该用户在说谎，存在风险，进而可阻止后续的业务过程。

例如，针对声音频率这种声纹特征数据，可以将指定条件(可以包含判定阈值)设置如下：该用户在报出注册的身份证件号码和手机号码的过程中，对应采集的原始声音数据的声音频率均产生了次数超过判定阈值数量的突变事件，且突变后的声音频率在有明显的提高和回落过程，在这种指定条件下，判定阈值可设置为正整数(如设置为2)。当然，此处仅是列举了一种可行的指定条件以及相应的判定阈值作为参考，显然，也可以设置其他适用的指定条件和判定阈值，指定条件和判定阈值的设置并不构成对本申请的限定。

为了进一步地提高本申请实施例提供的识别用户风险的方法的可靠性，当存在通过其他风险识别方式已确定出的黑样本时，还可以根据已确定出的黑样本的声纹特征数据，对已设置的指定条件和判定阈值进行修正，使其更加适用。

另外，在实际应用中，盗用者有可能通过一些特殊手段(如变声器等可以修饰声音的器件)应对上述的指定条件。继续用上例进行说明，假定盗用者使用变声器与服务器进行个人信息核实，一般的，变声器可以改变原始声音的频率，如使用带限滤波器对原始声音进行滤波，从而将原始声音的频率限制在特定范围内，同时还可以通过调制将原始声音的频率向高频段或低频段进行搬移等，因此，使用变声器可能会抹去盗用者在说谎时声音频率的突变，以扰乱服务器对该盗用者的风险识别。本申请实施例针对这种情况，进一步地提供了应对方法，下面进行分析。

在实际应用中，经过现有的变声器处理后的人声与正常人声是有差异的，反映在人的感受上即是处理后的听起来不自然。其原因是由于变声器的滤波和频谱搬移等处理，处理后的人声损失了部分高频和低频分量，这种处理与正常的声音采集设备的对原始声音的滤波处理相比，对人声频率成分的改变更大。因此，对于上述步骤S102，服务器在获取用户的声纹特征数据后，可以先将该声纹特征数据与正常人声(例如，白样本对应的原始声音数据)的声纹特征数据进行比对，根据白样本可反映出的正常人声的各频率分量组成，判断获取的声纹特征数据是正常人声对应的声纹特征数据，还是经过恶意修饰后的非正常人声对应的声纹特征数据。进而，仅当确定获取的声纹特征数据是正常人声对应的声纹特征数据时，才继续对声纹特征数据的变化状态进行分析，否则，可直接确定该用户存在风险。更进一步的，不同性别的人的声音的频率分量组成差别较大，一般的，男人的声音频率范围为：80Hz～700Hz；女人的声音频率范围为：100Hz～1100Hz。因此，根据用户的性别，可以选择相同性别的正常人声与该用户的声纹特征数据的进行比对，可靠性更高。

图3为本申请实施例提供的另一种识别用户风险的过程，具体包括以下步骤：

S301：获取用户的生物特征数据。

S302：当确定所述生物特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。

当采用诸如声纹特征数据、指纹特征数据、掌纹特征数据、视网膜特征数据、面部特征数据等可唯一确定一个用户的生物特征数据时，由于这类生物特征数据是固定不变的，因此，可以基于将用户的生物特征数据与预设的非法特征数据匹配的方式，识别该用户是否存在风险。具体的，由于服务器通过历史风险识别数据，可以积累一些已经确定存在风险的用户的生物特征数据，这类用户的生物特征数据可以构成黑样本，则服务器除了对当前用户的生物特征数据进行单独分析之外，还可以将当前用户的生物特征数据与各黑样本进行匹配，从而，可以确定当前用户是否是已被确定过的盗用者，或者，可以确定当前用户与否与已被确定过的各盗用者相似，若相似，则当前用户可能是尚未被确定过的新盗用者。

根据不同的安全策略，上述的两种识别风险的方法既可以分别单独使用，也可以组合使用，由于生物特征不容易被盗用，可靠性较高，因此，上述的两种识别风险的方法均可以提高后续业务过程的安全性。

在本申请实施例中，如果服务器已经获得了一定数量的黑样本，则服务器还可以基于这些黑样本，识别当前用户是否存在风险。也即，上述步骤S302中的：当确定所述声纹特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。其中，所述的非法特征数据可以是根据各黑样本的声纹特征数据获取的，下面进行分析。

在本申请实施例中，对于上述步骤S302，预设非法特征数据，具体包括：根据历史风险识别数据，从已确定的、存在风险的用户的声纹特征数据中，筛选出区别于其他用户的声纹特征数据，将筛选出的声纹特征数据预设为非法特征数据。其中，上述各黑样本即包含在所述的历史风险识别数据中，而且，所述的历史风险识别数据中还可以包含通过其他的风险识别方法，或是身份认证方法确定出的盗用者的声纹特征数据。

所述的非法特征数据可以分为两类，一类是每个黑样本自身独特的声纹特征数据，根据该独特的声纹特征数据，可以将每个黑样本对应的盗用者与其他用户区别开来；另一类各黑样本共有的声纹特征数据，且根据该共有的声纹特征数据，可以将各黑样本对应的盗用者与其他用户区别开来。

根据以上分析，在服务器可获得的黑样本的数量积累得越多，所述的非法特征数据越能反映出对应数量的已确定的盗用者各自的特性，以及越能反映出已确定的盗用者和尚未确定的盗用者之间的共性，且其他用户并不具有这种共性。进而，可以将所述的非法特征数据用于识别当前用户是否存在风险。

具体的，当某盗用者的声纹特征数据已被确定为黑样本(已知的盗用者)后，则该盗用者再次冒充合法用户与服务器核对个人信息时，由于服务器已经知道该盗用者的特性，因此，可以确定该盗用者存在风险；而当某盗用者的声纹特征数据尚未被确定为黑样本(未知的盗用者)时，由于服务器已经知道盗用者的共性，且当前的盗用者很可能也具有该共性，因此，可以确定该盗用者存在风险，或者，推测该盗用者可能存在风险。从而，可以提高后续业务过程的安全性。

进一步的，服务器确定当前用户是否具有上述的盗用者的特性和/或共性，是通过确定当前用户的声纹特征数据与预设的非法特征数据是否匹配实现的。对于上述步骤S302，确定所述声纹特征数据与预设的非法特征数据匹配，具体包括：基于在线分类算法，确定所述声纹特征数据与预设的非法特征数据匹配。

更进一步的，服务器可以基于在线分类算法，针对当前用户的每个声纹特征数据，分别将该声纹特征数据与对应的非法特征数据匹配，当设定阈值数量的声纹特征数据均与对应的非法特征数据匹配时，确定当前用户的声纹特征数据与预设的非法特征数据匹配，否则确定当前用户的声纹特征数据与预设的非法特征数据不匹配。

当然，为了提高服务器的匹配效率，服务器也可以采用声纹分类模型，对当前用户的声纹特征数据与预设的非法特征数据进行匹配。具体的，服务器可基于在线分类算法，对预设的非法特征数据进行训练，获得声纹分类模型，然后，采用所述声纹分类模型，确定当前用户的声纹特征数据所属的分类类别，当确定所述声纹特征数据与设定数量的非法特征数据所属的分类类别相同时，确定所述声纹特征数据与预设的非法特征数据匹配。

其中，所述的在线分类算法可以是随机森林(On-line Random Forests)等在线分类算法，所使用的在线分类算法并不构成对本申请的限定。另外，需要说明的是，在实际应用中，由于服务器是采集了一段时间内的原始声音数据提取声纹特征数据，因此，上述的每个声纹特征数据，表示的是和这段时间对应的一组离散变化的数值)。

在本申请实施例中，由于随着时间的推移，会不断出现新的盗用者，因此，若一直使用固定不变的声纹分类模型，则根据其分类结果确定出的风险识别结果的可靠性会降低。针对该问题，一种可行的解决方法是：根据服务器在使用声纹分类模型的过程中，所确定出的存在风险的用户，根据这些用户的声纹特征数据，对该声纹分类模型进行修正。具体的，可以根据这些用户的声纹特征数据，在预设的非法特征数据增加新的非法特征数据，并对该声纹分类模型重新进行训练，使其分类类别更加适用。从而，可以提高后续确定出的风险识别结果的可靠性。

在本申请实施例中，当采用分析用户的声纹特征数据的变化状态的方式，识别该用户是否存在风险时，所述的声纹特征数据可以包括声音频率、声音振幅等；当采用对用户的声纹特征数据进行匹配方式，识别该用户是否存在风险时，为了提高匹配结果的准确性，所述的声纹特征数据除了包括声音频率、声音振幅等，还可以包括可靠性更高的一些参数，例如时间切片的质心、带宽、过零率、能量熵等。相应的，可以基于不同的算法从用户的原始声音数据中提取声纹特征数据。

以基于小波变换算法为例，对从用户的原始声音数据中提取声纹特征数据的过程进行说明。

对于上述步骤S101和S301，基于小波变换算法，从所述原始声音数据中提取声纹特征数据，如图4所示，具体包括：对所述原始声音数据进行分频和加窗处理，然后，对分频和加窗处理后的原始声音数据进行离散小波变换，再对离散小波变换后的结果进行频谱拼凑和滤波，获得声纹特征数据。其中，可以采用Mel滤波器组进行滤波。

以上已经分析了当采用诸如声纹特征数据、心率特征数据、局部体温特征数据等不一定能唯一确定一个用户的生物特征数据时，识别该用户是否存在风险的方法。下面分析当采用诸如声纹特征数据、指纹特征数据、掌纹特征数据、视网膜特征数据、面部特征数据等可唯一确定一个用户的生物特征数据时，识别该用户是否存在风险的方法。

根据上述的说明，图5示出了基于通过对声纹特征数据进行匹配的方式，本申请实施例提供的识别用户风险的详细过程，具体包括以下步骤：

S501：根据历史风险识别数据，从已确定的、存在风险的用户的声纹特征数据中，筛选出区别于其他用户的声纹特征数据。

S502：将筛选出的声纹特征数据预设为非法特征数据。

S503：基于在线分类算法，对预设的非法特征数据进行训练，获得声纹分类模型。

S504：获取当前用户的原始声音数据。

S505：对所述原始声音数据进行分频和加窗处理，对分频和加窗处理后的原始声音数据进行离散小波变换，对离散小波变换后的结果进行频谱拼凑和滤波，获得声纹特征数据。

S506：采用所述声纹分类模型，确定所述声纹特征数据所属的分类类别。

S507：当确定所述声纹特征数据与设定阈值数量的非法特征数据所属的分类类别相同时，确定所述声纹特征数据与预设的非法特征数据匹配，也即，确定所述用户存在风险。

S508：在确定所述用户存在风险后，根据所述用户的声纹特征数据，对所述声纹分类模型进行修正。

需要说明的是，以上仅是以所述的生物特征数据是声纹特征数据为例，说明了识别用户本申请实施例提供的识别用户风险的方法。类似的，还可以采用其他生物特征数据识别用户风险，并且，还可以同时采用不止一种生物特征数据，识别用户风险，从而，可获取更可靠的风险识别结果，也更能提高后续业务过程的安全性。

以上为本申请实施例提供的识别用户风险的方法，基于同样的思路，本申请实施例还提供相应的识别用户风险的装置，如图6、图7所示。

图6为本申请实施例提供的识别用户风险的装置结构示意图，具体包括：

获取模块601，用于获取用户的生物特征数据；

识别模块602，用于当确定所述生物特征数据的变化状态符合指定条件时，确定所述用户存在风险。

所述生物特征数据具体包括声纹特征数据。

所述获取模块601具体用于，获取用户的原始声音数据，从所述原始声音数据中提取声纹特征数据。

所述获取模块601具体用于，基于小波变换算法，从所述原始声音数据中提取声纹特征数据，其中，所述声纹特征数据包括时间切片的质心、带宽、过零率、能量熵中的至少一种。

所述获取模块601具体用于，对所述原始声音数据进行分频和加窗处理，对分频和加窗处理后的原始声音数据进行离散小波变换，对离散小波变换后的结果进行频谱拼凑和滤波，获得声纹特征数据。

具体的上述如图6所示的装置可以位于服务器、终端、系统上。

图7为本申请实施例提供的另一种识别用户风险的装置结构示意图，具体包括：

获取模块701，用于获取用户的生物特征数据；

识别模块702，用于当确定所述生物特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。

所述生物特征数据具体包括声纹特征数据。

所述识别模块702具体用于，根据历史风险识别数据，从已确定的、存在风险的用户的声纹特征数据中，筛选出区别于其他用户的声纹特征数据，将筛选出的声纹特征数据预设为非法特征数据。

所述识别模块702具体用于，基于在线分类算法，确定所述声纹特征数据与预设的非法特征数据匹配。

所述识别模块702具体用于，基于在线分类算法，对预设的非法特征数据进行训练，获得声纹分类模型，采用所述声纹分类模型，确定所述声纹特征数据所属的分类类别，当确定所述声纹特征数据与设定阈值数量的非法特征数据所属的分类类别相同时，确定所述声纹特征数据与预设的非法特征数据匹配。

所述装置还包括：

修正模块703，用于在所述识别模块702确定所述用户存在风险后，根据所述用户的声纹特征数据，对所述声纹分类模型进行修正。

具体的上述如图7所示的装置可以位于服务器、终端、系统上。

以上为本申请实施例提供的识别用户风险的装置，基于同样的思路，本申请实施例还提供相应的识别用户风险的系统，如图8所示，包括：用户终端801、生物信息传感器802、生物特征数据提取装置803、第一风险识别装置804、第二风险识别装置805；

所述用户终端801的输出端与所述生物信息传感器802的输入端相连，所述生物信息传感器802的输出端与所述生物特征数据提取装置803的输入端相连，所述生物特征数据提取装置803与所述第一风险识别装置804和所述第二风险识别装置805相连；

所述用户终端801用于接收用户输入的业务信息；

所述生物信息传感器802用于从所述业务信息中，获取所述用户的生物信息；

所述生物特征数据提取装置803用于从所述生物信息中，提取所述用户的生物特征数据；

所述第一风险识别装置804用于通过分析所述生物特征数据的变化状态，识别所述用户是否存在风险；

所述第二风险识别装置805用于通过对所述生物特征数据与预设的非法特征数据进行匹配，识别所述用户是否存在风险。

进一步的，所述生物特征数据提取装置803的输出端，通过单刀双掷开关与所述第一风险识别装置804和所述第二风险识别装置805相连，所述单刀双掷开关的第一输出端与所述第一风险识别装置804的输入端相连，所述单刀双掷开关的第二输出端与所述第二风险识别装置805的输入端相连；

当所述第二风险识别装置805未预设非法特征数据时，所述单刀双掷开关的输入端与所述单刀双掷开关的第一输出端处于导通状态，也即，采用第一风险识别装置804识别所述用户是否存在风险；

当所述第二风险识别装置805已预设非法特征数据时，所述单刀双掷开关的输入端与所述单刀双掷开关的第二输出端处于导通状态，也即，采用第二风险识别装置605识别所述用户是否存在风险。

图9示出了第二风险识别装置805的一种典型的模块结构图。包括生物特征数据匹配模块、风险判定模块、历史风险识别数据库、非法特征数据训练模块。其中，

生物特征数据匹配模块，对生物特征数据提取装置803提取的生物特征数据与预设的非法特征数据、或者与根据预设的非法特征数据训练出的声纹分类模型进行匹配；

风险判定模块，用于根据生物特征数据匹配模块的匹配结果，判定当前用户是否存在风险；

历史风险识别数据库，用于保存风险判定模块的判定结果及在判定过程中用到的相关信息；

非法特征数据训练模块，用于根据历史风险识别数据库，预设非法特征数据，和/或根据预设的非法特征数据训练声纹分类模型。

本申请实施例提供一种识别用户风险的方法、装置及系统，该方法服务器获取用户的生物特征数据，当确定所述生物特征数据的变化状态符合指定条件时，或者当确定所述生物特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。通过上述方法，服务器在与当前用户进行业务交互前，或者在业务过程中，除了核对该用户的个人信息之外，还可以对该用户的生物特征数据的变化状态进行分析，和/或对该生物特征数据进行匹配，以确定该用户是否存在风险，由于生物特征数据不容易被盗用，可靠性较高，因此，可以提高后续业务过程的安全性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备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(flashRAM)。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，磁带磁磁盘存储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。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (24)

1.一种识别用户风险的方法，其特征在于，包括：

获取用户的生物特征数据；

当确定所述生物特征数据的变化状态符合指定条件时，确定所述用户存在风险。

2.如权利要求1所述的方法，其特征在于，所述生物特征数据具体包括声纹特征数据。

3.如权利要求2所述的方法，其特征在于，获取用户的生物特征数据，具体包括：

获取用户的原始声音数据；

从所述原始声音数据中提取声纹特征数据。

4.如权利要求3所述的方法，其特征在于，从所述原始声音数据中提取声纹特征数据，具体包括：

基于小波变换算法，从所述原始声音数据中提取声纹特征数据，其中，所述声纹特征数据包括时间切片的质心、带宽、过零率、能量熵中的至少一种。

5.如权利要求4所述的方法，其特征在于，基于小波变换算法，从所述原始声音数据中提取声纹特征数据，具体包括：

对所述原始声音数据进行分频和加窗处理；

对分频和加窗处理后的原始声音数据进行离散小波变换；

对离散小波变换后的结果进行频谱拼凑和滤波，获得声纹特征数据。

6.一种识别用户风险的方法，其特征在于，包括：

获取用户的生物特征数据；

当确定所述生物特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。

7.如权利要求6所述的方法，其特征在于，所述生物特征数据具体包括声纹特征数据。

8.如权利要求7所述的方法，其特征在于，预设非法特征数据，具体包括：

根据历史风险识别数据，从已确定的、存在风险的用户的声纹特征数据中，筛选出区别于其他用户的声纹特征数据；

将筛选出的声纹特征数据预设为非法特征数据。

9.如权利要求7所述的方法，其特征在于，确定所述生物特征数据与预设的非法特征数据匹配，具体包括：

基于在线分类算法，确定所述声纹特征数据与预设的非法特征数据匹配。

10.如权利要求9所述的方法，其特征在于，基于在线分类算法，确定所述声纹特征数据与预设的非法特征数据匹配，具体包括：

基于在线分类算法，对预设的非法特征数据进行训练，获得声纹分类模型；

采用所述声纹分类模型，确定所述声纹特征数据所属的分类类别；

当确定所述声纹特征数据与设定阈值数量的非法特征数据所属的分类类别相同时，确定所述声纹特征数据与预设的非法特征数据匹配。

11.如权利要求10所述的方法，其特征在于，所述方法还包括：

在确定所述用户存在风险后，根据所述用户的声纹特征数据，对所述声纹分类模型进行修正。

12.一种识别用户风险的装置，其特征在于，包括：

获取模块，用于获取用户的生物特征数据；

识别模块，用于当确定所述生物特征数据的变化状态符合指定条件时，确定所述用户存在风险。

13.如权利要求12所述的装置，其特征在于，所述生物特征数据具体包括声纹特征数据。

14.如权利要求13所述的装置，其特征在于，所述获取模块具体用于，获取用户的原始声音数据，从所述原始声音数据中提取声纹特征数据。

15.如权利要求14所述的装置，其特征在于，所述获取模块具体用于，基于小波变换算法，从所述原始声音数据中提取声纹特征数据，其中，所述声纹特征数据包括时间切片的质心、带宽、过零率、能量熵中的至少一种。

16.如权利要求15所述的装置，其特征在于，所述获取模块具体用于，对所述原始声音数据进行分频和加窗处理，对分频和加窗处理后的原始声音数据进行离散小波变换，对离散小波变换后的结果进行频谱拼凑和滤波，获得声纹特征数据。

17.一种识别用户风险的装置，其特征在于，包括：

获取模块，用于获取用户的生物特征数据；

识别模块，用于当确定所述生物特征数据与预设的非法特征数据匹配时，确定所述用户存在风险。

18.如权利要求17所述的装置，其特征在于，所述生物特征数据具体包括声纹特征数据。

19.如权利要求18所述的装置，其特征在于，所述识别模块具体用于，根据历史风险识别数据，从已确定的、存在风险的用户的声纹特征数据中，筛选出区别于其他用户的声纹特征数据，将筛选出的声纹特征数据预设为非法特征数据。

20.如权利要求18所述的装置，其特征在于，所述识别模块具体用于，基于在线分类算法，确定所述声纹特征数据与预设的非法特征数据匹配。

21.如权利要求20所述的装置，其特征在于，所述识别模块具体用于，基于在线分类算法，对预设的非法特征数据进行训练，获得声纹分类模型，采用所述声纹分类模型，确定所述声纹特征数据所属的分类类别，当确定所述声纹特征数据与设定阈值数量的非法特征数据所属的分类类别相同时，确定所述声纹特征数据与预设的非法特征数据匹配。

22.如权利要求21所述的装置，其特征在于，所述装置还包括：

修正模块，用于在所述识别模块确定所述用户存在风险后，根据所述用户的声纹特征数据，对所述声纹分类模型进行修正。

23.一种识别用户风险的系统，其特征在于，包括：用户终端、生物信息传感器、生物特征数据提取装置、第一风险识别装置、第二风险识别装置；

所述用户终端的输出端与所述生物信息传感器的输入端相连，所述生物信息传感器的输出端与所述生物特征数据提取装置的输入端相连，所述生物特征数据提取装置与所述第一风险识别装置和所述第二风险识别装置相连；

所述用户终端用于接收用户输入的业务信息；

所述生物信息传感器用于从所述业务信息中，获取所述用户的生物信息；

所述生物特征数据提取装置用于从所述生物信息中，提取所述用户的生物特征数据；

所述第一风险识别装置用于通过分析所述生物特征数据的变化状态，识别所述用户是否存在风险；

所述第二风险识别装置用于通过对所述生物特征数据与预设的非法特征数据进行匹配，识别所述用户是否存在风险。

24.如权利要求23所述的识别用户风险的系统，其特征在于，

所述生物特征数据提取装置的输出端，通过单刀双掷开关与所述第一风险识别装置和所述第二风险识别装置相连，所述单刀双掷开关的第一输出端与所述第一风险识别装置的输入端相连，所述单刀双掷开关的第二输出端与所述第二风险识别装置的输入端相连；

当所述第二风险识别装置未预设非法特征数据时，所述单刀双掷开关的输入端与所述单刀双掷开关的第一输出端处于导通状态；

当所述第二风险识别装置已预设非法特征数据时，所述单刀双掷开关的输入端与所述单刀双掷开关的第二输出端处于导通状态。