CN107181600B - 一种密码登录认证方法、系统及用户设备和认证服务器 - Google Patents

一种密码登录认证方法、系统及用户设备和认证服务器 Download PDF

Info

Publication number
CN107181600B
CN107181600B CN201710626424.2A CN201710626424A CN107181600B CN 107181600 B CN107181600 B CN 107181600B CN 201710626424 A CN201710626424 A CN 201710626424A CN 107181600 B CN107181600 B CN 107181600B
Authority
CN
China
Prior art keywords
sequence
character
neural network
network model
recurrent neural
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
Application number
CN201710626424.2A
Other languages
English (en)
Other versions
CN107181600A (zh
Inventor
张安国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ruijie Networks Co Ltd
Original Assignee
Ruijie Networks Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ruijie Networks Co Ltd filed Critical Ruijie Networks Co Ltd
Priority to CN201710626424.2A priority Critical patent/CN107181600B/zh
Publication of CN107181600A publication Critical patent/CN107181600A/zh
Application granted granted Critical
Publication of CN107181600B publication Critical patent/CN107181600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/083—Network architectures or network communication protocols for network security for authentication of entities using passwords
    • 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
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/002—Countermeasures against attacks on cryptographic mechanisms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0618—Block ciphers, i.e. encrypting groups of characters of a plain text message using fixed encryption transformation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer And Data Communications (AREA)
  • Document Processing Apparatus (AREA)

Abstract

本发明提供一种密码登录认证方法、系统及用户设备和认证服务器，涉及加密技术领域，用于降低用户的密码安全风险，该方法包括：接收递归神经网络模型以及用户输入的密码序列；根据预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列；依次将各字符的M个预处理序列的十进制数值分别除以预设字符编码集的最大编码的十进制数值组成各字符的目标序列；依次将各字符的目标序列输入递归神经网络模型，并根据最后一个字符的目标序列对应的输出获取密码序列的加密数据序列；依次将密码序列中的加密数据序列发送至认证服务器。本发明用于密码登录认证。

Description

一种密码登录认证方法、系统及用户设备和认证服务器
技术领域
本发明涉及加密技术领域，尤其涉及一种密码登录认证方法、系统及用户设备和认证服务器。
背景技术
密码系统作为网络安全中的一个重要领域，被广泛应用于计算机的身份认证和数据加密中。
由于人本身的记忆能力有限，所以倾向于选择简单或者有规律的字符组合作为密码，这种密码被称为弱密码。为了保护用户的信息安全，需要通过密码加密技术对密码加密后向认证服务器发送。现有的密码加密技术，也称为哈希(英文名称：Hash)技术、散列技术，例如：消息摘要算法第五版(英文名称：Message Digest Algorithm，简称：MD5)、安全散列算法-1(英文名称：Secure Hash Algorithm-1，简称：SHA-1)、SHA-512等。然而，现有技术中的密码加密技术存在着很多密文破解库。因此，当含有密码加密数据的报文在网络上被人窃取之后，窃取者可以采用撞库的方法来破解，极大地威胁到了用户的信息安全。此外，通过差分攻击对哈希函数抗碰撞特性进行研究后，直接采用大量逻辑运算的哈希函数构造方法已经并不十分安全了。而且，随着计算机软硬件的快速发展，特别是量子计算机的问世，也给现有技术的密码加密技术也带来了很大挑战。
发明内容
本发明的实施例提供一种密码登录认证方法、系统及用户设备和认证服务器，用于降低用户的密码安全风险。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，提供一种密码登录认证方法，包括：
接收认证服务器发送的递归神经网络模型以及用户输入的密码序列；其中，所述递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
根据所述预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；
对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列；其中，M为所述编码序列的长度，所述预处理序列为二进制序列；
依次将各字符的M个预处理序列的十进制数值分别除以所述预设字符编码集的最大编码的十进制数值组成各字符的目标序列；
依次将所述密码序列中的各字符的目标序列输入所述递归神经网络模型，并根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列；
将所述密码序列的加密数据序列发送至认证服务器。
可选的，所述根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列，包括：
获取所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出层的各节点输出的数值；
依次取各数值的小数点后的第X至Y位组成所述密码序列的加密数据序列；其中，X、Y均为正整数。
可选的，所述依次取各数值的小数点后的第X至Y位组成所述密码序列的加密数据序列,包括：
依次取各数值的小数点后的前n位组成所述密码序列的加密数据序列；其中，n为正整数。
可选的，所述递归神经网络模型的递归层节点数量大于或等于60且小于或等于100。
第二方面，提供一种密码登录认证方法，包括：
构建递归神经网络模型并将所述递归神经网络模型发送至用户设备；其中，所述递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
接收所述用户设备发送的密码序列的加密数据序列；其中，所述用户设备接收认证服务器发送的递归神经网络模型以及用户输入的密码序列，根据预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列；依次将各字符的M个预处理序列的十进制数值分别除以所述预设字符编码集的最大编码的十进制数值组成各字符的目标序列；依次将所述密码序列中的各字符的目标序列输入所述递归神经网络模型，并根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列；M为所述编码序列的长度，所述预处理序列为二进制序列。
可选的，所述构建递归神经网络模型包括：
确定输入层的节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数；
根据所述输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数构建所述神经网络模型。
可选的，在将所述递归神经网络模型发送至用户设备之前，所述方法还包括：
对所述神经网络模型的输入权值矩阵、所述神经网络模型的递归层反馈权值矩阵、所述神经网络模型的输出权值矩阵、所述神经网络模型的递归层偏置值以及所述神经网络模型的输出层偏置值进行随机初始化。
可选的，所述n等2；或者；所述n等于3。
第三方面，提供一种用户设备，包括：
接收模块，用于接收认证服务器发送的递归神经网络模型以及用户输入的密码序列；其中，所述递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
编码模块，用于根据所述预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；
预处理模块，用于对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列以及将各字符的M个预处理序列的十进制数值分别除以所述预设字符编码集的最大编码的十进制数值组成各字符的目标序列；其中，M为所述编码序列的长度，所述预处理序列为二进制序列；
计算模块，用于依次将所述密码序列中的各字符的目标序列输入所述递归神经网络模型，并根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列；
发送模块，用于将所述密码序列的加密数据序列发送至认证服务器。
可选的，所述计算模块具体用于获取所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出层的各节点输出的数值；依次取各数值的小数点后的第X至Y位组成所述密码序列的加密数据序列；其中，X、Y均为正整数。
可选的，所述计算模块具体用于依次取各数值的小数点后的前n位组成所述密码序列的加密数据序列；其中，n为正整数。
可选的，所述递归神经网络模型的递归层节点数量大于或等于60且小于或等于100。
第四方面，提供一种认证服务器，包括：
构建模块，用于构建递归神经网络模型；其中，所述递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
发送模块，用于将所述递归神经网络模型发送至用户设备；
接收模块，用于接收所述用户设备发送的密码序列的加密数据序列；其中，所述用户设备接收认证服务器发送的递归神经网络模型以及用户输入的密码序列，根据预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列；依次将各字符的M个预处理序列的十进制数值分别除以所述预设字符编码集的最大编码的十进制数值组成各字符的目标序列；依次将所述密码序列中的各字符的目标序列输入所述递归神经网络模型，并根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列；M为所述编码序列的长度，所述预处理序列为二进制序列。
可选的，所述构建模块具体用于确定输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数，根据所述输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数构建所述神经网络模型。
可选的，所述构建模块还用于对所述神经网络模型的输入权值矩阵、所述神经网络模型的递归层反馈权值矩阵、所述神经网络模型的输出权值矩阵、所述神经网络模型的递归层偏置值以及所述神经网络模型的输出层偏置值进行随机初始化。
可选的，所述n等2；或者；所述n等于3。
第五方面，提供一种密码登录认证系统，包括用户设备和认证服务器；所述设备为第三方面任一项所述的用户设备；所述认证服务器为第四方面任一项所述的认证服务器。
本发明实施例提供的密码登录认证方法，首先接收认证服务器发送的递归神经网络模型以及用户输入的密码序列，其次根据预设字符编码集对密码序列中的各字符进行编码获取各字符的编码序列，再次对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列，以及将各字符的M个预处理序列的十进制数值分别除以预设字符编码集的最大编码的十进制数值获取各字符的目标序列，然后依次将密码序列中的各字符的目标序列输入递归神经网络模型，并根据密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出获取密码序列的加密数据序列，最后将密码序列的加密数据序列发送至认证服务器，由于本发明实施例中的原始密码序列经过了递归神经网络模型的运算加密，所以几乎无法通过逆向算法来获取原始密码序列，并且认证服务器可以灵活的对递归神经网络模型进行设计，所以建立撞库数据库破译密码的难度很大、耗时很长，从而使几乎无法通过撞库的方法对密码进行破译，所以本发明实施例可以降低用户的密码安全风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的密码登录认证系统的示意性结构图；
图2为本发明实施例提供的密码登录认证方法的步骤流程图之一；
图3为本发明实施例提供的递归神经网络模型的示意性结构图；
图4为本发明实施例提供的密码登录认证方法的步骤流程图之二；
图5为本发明实施例提供的用户设备的示意性结构图；
图6为本发明实施例提供的认证服务器的示意性结构图。
具体实施方式
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，所描述的实施例仅仅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。
如图1所示，本发明实施例提供的密码登录认证系统可以包括：用户设备10和认证服务器20。其中，用户设备(英文名称：user equipment，简称：UE)可以为：移动电话、移动电脑、平板电脑、个人数字助理(英文名称：Personal Digital Assistant，简称：PDA)、媒体播放器、智能电视、智能可穿戴设备(如智能手表、智能眼镜和智能手环等)、电子阅读器、手持游戏机和车载电子设备等。用户设备具有接收用户输入、与认证服务器进行信息交互以及根据认证服务器发送的加密器对用户输入的密码序列进行加密的功能。
基于上述图1所示密码认证系统，本发明的实施例提供一种密码认证登录方法，参照图2所示，该方法包括如下步骤：
S21、认证服务器构建递归神经网络模型。
其中，递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度。
可选的，递归神经网络模型的递归层节点数量大于或等于60且小于或等于100。
可选的，预设字符编码集可以为美国信息交换标准代码(英文名称：AmericanStandard Code for Information Interchange，简称：ASCⅡ)，或者扩展ASCⅡ编码，或者UTF-8D等。
递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度是指，递归神经网络模型的输入层节点数量等于根据预设字符编码集对任意字符进行编码获取的编码序列包含的编码的位数。例如：预设字符编码集为ASCⅡ，根据预设字符编码集进行编码获取的编码序列为：[b1，b2，......bM]，根据预设字符编码集进行编码获取的编码序列包括的编码的位数为M，则递归神经网络模型的输入层节点数量为M。
可选的，递归层反馈权值矩阵的最大特征根为1。
S22、认证服务器将递归神经网络模型发送至用户设备。
相应的，用户设备接收认证服务器发送的递归神经网络模型。
具体的，认证服务器可以通过无线通信、有线通信等通信技术将将递归神经网络模型发送至用户设备。
S23、用户设备接收用户输入的密码序列。
可选的，用户可以通过触控输入、案件输入、语音输入等方式将密码序列输入用户设备中。
S24、用户设备根据预设字符编码集对密码序列中的各字符进行编码获取各字符的编码序列。
具体的，用户输入的密码序列为：X＝[x1，x2，......xN]，则根据预设字符编码集对X＝[x1，x2，......xN]中每一个字符xi(1≤i≤N)都使用预设字符编码集进行编码，密码序列中各字符的编码序列可以表示为：xi＝[b1b2......bM]，其中，M为编码序列的长度，表示编码序列从高位到低位第k位的值，等于0或1。
S25、用户设备对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列。
其中，M为编码序列的长度，预处理序列为二进制序列。
可选的，可以对各字符的编码序列中的编码进行M次循环左移或者M次循环右移获取各字符的M个预处理序列。以下以对各字符的编码序列中的编码进行M次循环左移为例对获取个字符的M个预处理序列的过程进行说明：
对编码序列xi＝[b1b2......bM]中的编码进行第一次循环左移获取的预处理序列为：对编码序列xi＝[b1b2......bM]中的编码进行第二次循环左移获取的预处理序列为：对编码序列xi＝[b1b2......bM]中的编码进行第三次循环左移获取的预处理序列为：以此类推，对编码序列xi＝[b1b2，......bM]中的编码进行第j次循环左移获取的预处理序列为：其中，1≤j≤M。
S26、用户设备依次将各字符的M个预处理序列的十进制数值分别除以预设字符编码集的最大编码的十进制数值组成各字符的目标序列。
具体的，预设字符编码集的最大编码是指，所使用的预设字符编码集可达到的最大编码值。例如：预设字符编码集为ASCⅡ编码集，且ASCⅡ编码集中的最大编码为[01111111]bin，则预设字符编码集的最大编码为[01111111]bin，预设字符编码集的最大编码的十进制数值为127。
示例性的，上述步骤S26具体可以通过下方式实现：
1、将各字符的M个预处理序列换算为十进制数值。
例如：二进制预处理序列为则将二进制预处理序列换算为十进制数值78，并表示为再例如：二进制预处理序列为则将二进制预处理序列换算为十进制数值114，并表示为字符xi的M个预处理序列的十进制数值可以表示为
2、将预设字符编码集的最大编码换算为十进制数值。
例如：预设字符编码集为ASCⅡ编码集，则将ASCⅡ编码集的最大编码为[01111111]bin转换为十进制数值127，且标记为Cmax。
3、依次将各字符的M个预处理序列的十进制数值分别除以预设字符编码集的最大编码的十进制数值组成各字符的目标序列。
字符xi的目标序列可以表示为:
S27、用户设备依次将密码序列中的各字符的目标序列输入递归神经网络模型，并根据密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出获取密码序列的加密数据序列。
示例性的，参照图3所示，图3为本发明实施例提供的递归神经网络模型的示意性结构图。递归神经网络模型包括：输入层31、递归层32以及输出层33。其中，由于递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度，编码序列的长度为M，所以递归神经网络模型的输入层节点数量为M。
将递归神经网络的输入权值矩阵表示为：Win、递归神经网络的递归层反馈权值矩阵表示为：Wre、递归神经网络的输出权值矩阵表示为：Wout、递归神经网络的递归层偏置值表示为：Bre；递归神经网络的输出层偏置值表示为：Bout，递归神经网络的递归层和输出层的激活函数表示为f，则有：
将密码序列X＝[x1，x2，......xN]的第一个字符x1的目标序列输入递归神经网络模型输入层的M各节点中时，由于递归神经网络模型之前未进行数据处理，因此递归神经网络模型的递归层神经元状态为：
S(1)＝f(Winc1+Bre)；
将密码序列中的第二个字符x2到最后一个字符xN的目标序列输入递归神经网络模型时，递归神经网络模型的递归层神经元状态为：
S(i)＝f(Winci+WreS(i-1)+Bre)；
密码序列中的最后一个字符xN的目标序列cN对应的递归神经网络模型的输出为：
ON＝f(WoutS(N)+Bout)
S28、用户设备将密码序列的加密数据序列发送至认证服务器。
相应的，认证服务器接收用户设备发送的密码序列的加密数据序列。
本发明实施例提供的密码登录认证方法，首先接收认证服务器发送的递归神经网络模型以及用户输入的密码序列，其次根据预设字符编码集对密码序列中的各字符进行编码获取各字符的编码序列，再次对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列，以及将各字符的M个预处理序列的十进制数值分别除以预设字符编码集的最大编码的十进制数值获取各字符的目标序列，然后依次将密码序列中的各字符的目标序列输入递归神经网络模型，并根据密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出获取密码序列的加密数据序列，最后将密码序列的加密数据序列发送至认证服务器，由于本发明实施例中的原始密码序列经过了递归神经网络模型的运算加密，所以几乎无法通过逆向算法来获取原始密码序列，并且认证服务器可以灵活的对递归神经网络模型进行设计，所以建立撞库数据库破译密码的难度很大、耗时很长，从而使几乎无法通过撞库的方法对密码进行破译，所以本发明实施例可以降低用户的密码安全风险。
可选的，参照图4所示，上述方法还包括：
S29、认证服务器根据用户设备发送的密码序列的加密数据序列进行登录认证。
S210、认证服务器将登录认证结果发送至用户设备。
相应的，用户设备接收认证服务器发送的登录结果。
具体的，认证服务器根据用户设备依次发送的密码序列中各字符的加密数据序列进行登录认证可以为：认证服务器通过存储在本地的密码序列以及与上述图2所示实施例中相同的方法获取密码序列的加密数据序列，在接收到用户设备发送的密码序列的加密数据序列后，认证服务器将自身获取的密码序列的加密数据序列与用户设备发送的密码序列的加密数据序列进行比对，若匹配，则返回登陆认证成功标识；若不匹配，则返回登陆认证失败标识。其中，认证服务器存储在本地的密码序列可以为用户在进行账号注册时输入的密码序列。
可选的，上述步骤S28中根据密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出获取密码序列的加密数据序列包括：
获取密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出层的各节点输出的数值。
依次取各数值的小数点后的第X至Y位组成所述密码序列的加密数据序列；其中，X、Y均为正整数。
具体的，密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出ON为L个小数数值，对每一个小数取小数点后的第X至Y位组成各字符的加密数据序列，其中，L为递归神经网络的输出层的节点数量。
示例性的，以下以递归神经网络模型的输出层的节点数量为4,X＝2、Y＝3为例对上述实施例中获取密码序列的加密数据序列的方法进行举例说明：
密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出ON＝[0.124552，0.258463，0.3588，0.52457]，则在依次取各数值的小数点后的第2至3位组成所述密码序列的加密数据序列时，密码序列中的加密数据序列为[24585824]。
进一步的，上述依次取各数值的小数点后的第X至Y位组成所述密码序列的加密数据序列具体可以为：依次取各数值的小数点后的前n位组成所述密码序列的加密数据序列；其中，n为正整数。
即，依次取各数值的小数点后的第1位至第n位组成所述密码序列的加密数据序列。
可选的，可以为依次取各数值的小数点后的前2位组成各字符的加密数据序列，或者依次取各数值的小数点后的前3位组成各字符的加密数据序列。
示例性的，以下以递归神经网络模型的输出层的节点数量为4、n＝2为例对上述实施例中获取密码序列的加密数据序列的方法进行举例说明：
密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出ON＝[0.124552，0.258463，0.3588，0.52457]，则在依次取各数值的小数点后的前2位组成密码序列的加密数据序列时，密码序列中的加密数据序列为[12253552]。
由上述实施例可知，密码序列的加密数据序的长度为递归神经网络模型的输出层的节点数量的n倍，因此在构建递归神经网络模型时，可以首先根据网络环境、密码序列的密码加密数据序列的加密强度确定密码序列加密数据序列的长度，然后根据密码序列的加密数据序列的长度来设置构建递归神经网络模型的输出层的节点数量以及n值。
可选的，认证服务器构建递归神经网络模型可以包括如下步骤：
a、确定输入层的节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数。
其中，输入层的节点数量可以为获取预设字符编码集进行编码获取的编码序列的长度，然后将预设字符编码集进行编码获取的编码序列的长度作为递归神经网络模型的输入层节点数量。
递归层节点数量可以根据密码序列加密的复杂性来设置，一般情况下，递归层节点数量越多，则密码序列加密的复杂性越高，当加密的计算过程越复杂。
输出层节点数量可以根据加密数据序列的长度的要求来设置，具体的可以将输出层节点数量设置为加密数据序列的长度的1/n；例如：将输出层节点数量设置为加密数据序列的长度的1/2或1/3。
递归层激活函数以及输出激活函数可以在现有函数中选定，例如：Sigmoid函数、tanh函数、relu函数、logistic函数等。
b、根据输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数构建神经网络模型。
可选的，在将递归神经网络模型发送至用户设备之前，上述方法还包括：认证服务器对神经网络模型的输入权值矩阵、神经网络模型的递归层反馈权值矩阵、神经网络模型的输出权值矩阵、神经网络模型的递归层偏置值以及神经网络模型的输出层偏置值进行随机初始化。
即，认证服务器在将递归神经网络模型发送至用户设备之前，认证服务器首先对神经网络模型的输入权值矩阵、神经网络模型的递归层反馈权值矩阵、神经网络模型的输出权值矩阵、神经网络模型的递归层偏置值以及神经网络模型的输出层偏置值进行随机初始化。
本发明再一实施例提供一种用户设备，参照图5所示，该用户设备500包括：
接收模块51，用于接收认证服务器发送的递归神经网络模型以及用户输入的密码序列；其中，递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
编码模块52，用于根据预设字符编码集对密码序列中的各字符进行编码获取各字符的编码序列；
预处理模块53，用于对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列以及依次将各字符的M个预处理序列的十进制数值分别除以预设字符编码集的最大编码的十进制数值组成各字符的目标序列；其中，M为编码序列的长度，预处理序列为二进制序列；
计算模块54，用于依次将密码序列中的各字符的目标序列输入递归神经网络模型，并根据密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出获取密码序列的加密数据序列；
发送模块55，用于将密码序列的加密数据序列发送至认证服务器。
可选的，计算模块54具体用于获取密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出层的各节点输出的数值；依次取各数值的小数点后的第X至Y位组成密码序列的加密数据序列；其中，X、Y均为正整数。
可选的，计算模块54具体用于依次取各数值的小数点后的前n位组成所述密码序列的加密数据序列；其中，n为正整数。
可选的，n等2；或者；n等于3。
可选的，递归神经网络模型的递归层节点数量大于或等于60且小于或等于100。
本发明再一实施例提供一种认证服务器，参照图6所示，该认证服务器600包括：
构建模块61，用于构建递归神经网络模型；其中，递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
发送模块62，用于将递归神经网络模型发送至用户设备；
接收模块63，用于接收用户设备发送的密码序列的加密数据序列；其中，用户设备接收认证服务器发送的递归神经网络模型以及用户输入的密码序列，根据预设字符编码集对密码序列中的各字符进行编码获取各字符的编码序列；对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列；依次将各字符的M个预处理序列的十进制数值分别除以预设字符编码集的最大编码的十进制数值组成各字符的目标序列；依次将密码序列中的各字符的目标序列输入递归神经网络模型，并根据密码序列中的最后一个字符的目标序列对应的递归神经网络模型的输出获取密码序列的加密数据序列；M为编码序列的长度，预处理序列为二进制序列。
可选的，构建模块61具体用于确定输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数，根据输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数构建神经网络模型。
可选的，构建模块61还用于对神经网络模型的输入权值矩阵、神经网络模型的递归层反馈权值矩阵、神经网络模型的输出权值矩阵、神经网络模型的递归层偏置值以及神经网络模型的输出层偏置值进行随机初始化。
本发明再一实施例提供一种密码登录认证系统，包括用户设备和认证服务器；设备为上述任一实施例提供的用户设备；认证服务器为述任一实施例提供的认证服务器。
以上所述，仅为本发明的具体实施方式，但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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (17)

1.一种密码登录认证方法，其特征在于，包括：
接收认证服务器发送的递归神经网络模型以及用户输入的密码序列；其中，所述递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
根据所述预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；
对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列；其中，M为所述编码序列的长度，所述预处理序列为二进制序列；
依次将各字符的M个预处理序列的十进制数值分别除以所述预设字符编码集的最大编码的十进制数值组成各字符的目标序列；
依次将所述密码序列中的各字符的目标序列输入所述递归神经网络模型，并根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列；
将所述密码序列的加密数据序列发送至认证服务器。
2.根据权利要求1所述的密码登录认证方法，其特征在于，所述根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列，包括：
获取所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出层的各节点输出的数值；
依次取各数值的小数点后的第X至Y位组成所述密码序列的加密数据序列；其中，X、Y均为正整数。
3.根据权利要求2所述的密码登录认证方法，其特征在于，所述依次取各数值的小数点后的第X至Y位组成所述密码序列的加密数据序列,包括：
依次取各数值的小数点后的前n位组成所述密码序列的加密数据序列；其中，n为正整数。
4.根据权利要求3所述的密码登录认证方法，其特征在于，所述n等于2；或者；所述n等于3。
5.一种密码登录认证方法，其特征在于，包括：
构建递归神经网络模型并将所述递归神经网络模型发送至用户设备；其中，所述递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
接收所述用户设备发送的密码序列的加密数据序列；其中，所述用户设备接收认证服务器发送的递归神经网络模型以及用户输入的密码序列，根据预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列；依次将各字符的M个预处理序列的十进制数值分别除以所述预设字符编码集的最大编码的十进制数值组成各字符的目标序列；依次将所述密码序列中的各字符的目标序列输入所述递归神经网络模型，并根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列；M为所述编码序列的长度，所述预处理序列为二进制序列。
6.根据权利要求5所述的密码登录认证方法，其特征在于，所述构建递归神经网络模型包括：
确定输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数；
根据所述输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数构建所述神经网络模型。
7.根据权利要求5所述的密码登录认证方法，其特征在于，在将所述递归神经网络模型发送至用户设备之前，所述方法还包括：
对所述神经网络模型的输入权值矩阵、所述神经网络模型的递归层反馈权值矩阵、所述神经网络模型的输出权值矩阵、所述神经网络模型的递归层偏置值以及所述神经网络模型的输出层偏置值进行随机初始化。
8.根据权利要求5所述的密码登录认证方法，其特征在于，所述递归神经网络模型的递归层节点数量大于或等于60且小于或等于100。
9.一种用户设备，其特征在于，包括：
接收模块，用于接收认证服务器发送的递归神经网络模型以及用户输入的密码序列；其中，所述递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
编码模块，用于根据所述预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；
预处理模块，用于对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列以及将各字符的M个预处理序列的十进制数值分别除以所述预设字符编码集的最大编码的十进制数值组成各字符的目标序列；其中，M为所述编码序列的长度，所述预处理序列为二进制序列；
计算模块，用于依次将所述密码序列中的各字符的目标序列输入所述递归神经网络模型，并根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列；
发送模块，用于将所述密码序列的加密数据序列发送至认证服务器。
10.根据权利要求9所述的用户设备，其特征在于，所述计算模块具体用于获取所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出层的各节点输出的数值；依次取各数值的小数点后的第X至Y位组成所述密码序列的加密数据序列；其中，X、Y均为正整数。
11.根据权利要求10所述的用户设备，其特征在于，所述计算模块具体用于依次取各数值的小数点后的前n位组成所述密码序列的加密数据序列；其中，n为正整数。
12.根据权利要求11所述的用户设备，其特征在于，所述n等于2；或者；所述n等于3。
13.一种认证服务器，其特征在于，包括：
构建模块，用于构建递归神经网络模型；其中，所述递归神经网络模型的输入层节点数量等于根据预设字符编码集进行编码获取的编码序列的长度；
发送模块，用于将所述递归神经网络模型发送至用户设备；
接收模块，用于接收所述用户设备发送的密码序列的加密数据序列；其中，所述用户设备接收认证服务器发送的递归神经网络模型以及用户输入的密码序列，根据预设字符编码集对所述密码序列中的各字符进行编码获取各字符的编码序列；对各字符的编码序列中的编码进行M次循环移位获取各字符的M个预处理序列；依次将各字符的M个预处理序列的十进制数值分别除以所述预设字符编码集的最大编码的十进制数值组成各字符的目标序列；依次将所述密码序列中的各字符的目标序列输入所述递归神经网络模型，并根据所述密码序列中的最后一个字符的目标序列对应的所述递归神经网络模型的输出获取所述密码序列的加密数据序列；M为所述编码序列的长度，所述预处理序列为二进制序列。
14.根据权利要求13所述的认证服务器，其特征在于，所述构建模块具体用于确定输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数，根据所述输入层节点数量、递归层节点数量、输出层节点数量、递归层激活函数以及输出激活函数构建所述神经网络模型。
15.根据权利要求13所述的认证服务器，其特征在于，所述构建模块还用于对所述神经网络模型的输入权值矩阵、所述神经网络模型的递归层反馈权值矩阵、所述神经网络模型的输出权值矩阵、所述神经网络模型的递归层偏置值以及所述神经网络模型的输出层偏置值进行随机初始化。
16.根据权利要求13所述的认证服务器，其特征在于，所述递归神经网络模型的递归层节点数量大于或等于60且小于或等于100。
17.一种密码登录认证系统，其特征在于，包括用户设备和认证服务器；所述设备为权利要求9-12任一项所述的用户设备；所述认证服务器为权利要求13-16任一项所述的认证服务器。
CN201710626424.2A 2017-07-27 2017-07-27 一种密码登录认证方法、系统及用户设备和认证服务器 Active CN107181600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710626424.2A CN107181600B (zh) 2017-07-27 2017-07-27 一种密码登录认证方法、系统及用户设备和认证服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710626424.2A CN107181600B (zh) 2017-07-27 2017-07-27 一种密码登录认证方法、系统及用户设备和认证服务器

Publications (2)

Publication Number Publication Date
CN107181600A CN107181600A (zh) 2017-09-19
CN107181600B true CN107181600B (zh) 2019-12-06

Family

ID=59838616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710626424.2A Active CN107181600B (zh) 2017-07-27 2017-07-27 一种密码登录认证方法、系统及用户设备和认证服务器

Country Status (1)

Country Link
CN (1) CN107181600B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210328811A1 (en) * 2018-04-05 2021-10-21 T-Mobile Usa, Inc. Recursive token binding for cascaded service calls

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107579816B (zh) * 2017-09-06 2020-05-19 中国科学院半导体研究所 基于递归神经网络的密码字典生成方法
WO2021029891A1 (en) 2019-08-14 2021-02-18 Google Llc Communicating a neural network formation configuration
EP4014166A1 (en) 2019-08-14 2022-06-22 Google LLC Base station-user equipment messaging regarding deep neural networks
US11397893B2 (en) 2019-09-04 2022-07-26 Google Llc Neural network formation configuration feedback for wireless communications
CN110795726A (zh) * 2019-10-23 2020-02-14 成都索贝数码科技股份有限公司 一种基于人工神经网络的密码保护方法及系统
JP7404525B2 (ja) 2019-10-31 2023-12-25 グーグル エルエルシー ネットワークスライシングのための機械学習アーキテクチャの決定
US11886991B2 (en) 2019-11-27 2024-01-30 Google Llc Machine-learning architectures for broadcast and multicast communications
US11689940B2 (en) 2019-12-13 2023-06-27 Google Llc Machine-learning architectures for simultaneous connection to multiple carriers
US11663472B2 (en) 2020-06-29 2023-05-30 Google Llc Deep neural network processing for a user equipment-coordination set
CN114626338B (zh) * 2022-03-01 2024-10-29 杭州趣链科技有限公司 数据的字符编码、解码方法、系统、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104753690A (zh) * 2015-02-16 2015-07-01 联想(北京)有限公司 一种信息处理方法及电子设备
CN106605395A (zh) * 2014-09-05 2017-04-26 瑞典爱立信有限公司 用于认证用户的设备和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10423874B2 (en) * 2015-10-02 2019-09-24 Baidu Usa Llc Intelligent image captioning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106605395A (zh) * 2014-09-05 2017-04-26 瑞典爱立信有限公司 用于认证用户的设备和方法
CN104753690A (zh) * 2015-02-16 2015-07-01 联想(北京)有限公司 一种信息处理方法及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Symmetric Cipher Design Using Recurrent Neural Networks;M. Arvandi et al;《The 2006 IEEE International Joint Conference on Neural Network Proceedings》;20061030;全文 *
一种改进的抗碰撞散列函数构造算法;周燕等;《计算机仿真》;20140815;全文 *
基于RBF神经网络和混沌映射的Hash函数构造;陈军等;《计算机科学》;20060825;全文 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210328811A1 (en) * 2018-04-05 2021-10-21 T-Mobile Usa, Inc. Recursive token binding for cascaded service calls

Also Published As

Publication number Publication date
CN107181600A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
CN107181600B (zh) 一种密码登录认证方法、系统及用户设备和认证服务器
Maniyath et al. An efficient image encryption using deep neural network and chaotic map
Patel et al. Symmetric keys image encryption and decryption using 3D chaotic maps with DNA encoding technique
CN109658078B (zh) 基于生物特征的区块链私钥生成方法、装置及介质
US9729548B2 (en) Biometric identification using filters and by secure multipart calculation
CN110795762B (zh) 基于流密码的保留格式加密方法
CN113841160A (zh) 加密和解密信息
KR20150102827A (ko) 패스워드 기반의 인증을 수행하는 사용자 장치 및 그것의 패스워드 등록 방법 및 인증 방법
US8180048B2 (en) Method and system for computational transformation
CN111464296B (zh) 序列密码生成方法、数据加密方法和数据解密方法
CN112600665A (zh) 一种基于区块链和加密技术的隐蔽通信方法、装置及系统
CN115150201B (zh) 一种云计算数据的远程加密传输方法
CN111478885B (zh) 一种非对称加解密方法、设备及存储介质
WO2014131546A1 (fr) Procede d'encodage de donnees sur une carte a puce par des codes de poids constant
US7512794B2 (en) System and method for authentication
CN110543778A (zh) 一种字符数据线性随机加密和解密算法
CN109412791A (zh) 密钥信息处理方法、装置、电子设备及计算机可读介质
CN117640069A (zh) 基于马尔可夫链的多方区块链隐蔽通信生成模型
CN107294705B (zh) 一种密钥生成和验证的方法、设备及系统
CN115834163B (zh) 加密数据的秘钥生成方法、装置、设备及存储介质
US20190109710A1 (en) System and method for randomizing hidden messages in digital files
CN109559269A (zh) 一种图像加密的方法及终端
Kuznetsov et al. Deep learning based fuzzy extractor for generating strong keys from biometric face images
CN114448596A (zh) LFSR-APUF和私有Cover函数的轻量级身份认证协议
Mohammed Text encryption algorithm based on chaotic neural network and random key generator

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