CN109858212A - 用于数字密码软键盘的身份识别方法、装置和终端 - Google Patents

Abstract

本发明公开了一种用于数字密码软键盘的身份识别方法、装置和终端，所述数字密码软键盘所在终端包含采集用户操作行为信息的传感器，所述方法包括：获取终端所有者在所述数字密码软键盘上的操作行为信息的样本；将所述操作行为信息的样本作为输入层数据输入到预先训练好的用户行为识别模型中，构建用户的历史行为特征；当再次获取到操作者在所述数字密码软键盘上的操作行为信息时，将所述操作行为信息输入到所述用户行为识别模型中；控制所述用户行为识别模型根据所述用户的历史行为特征和所述操作者的操作行为信息对所述操作者身份进行识别，得到所述用户行为识别模型的输出结果，并根据所述用户行为识别模型的输出结果判定所述操作者身份。

Description

用于数字密码软键盘的身份识别方法、装置和终端

技术领域

本发明涉及计算机技术领域，具体涉及一种用于数字密码软键盘的身份识别方法、装置和终端。

背景技术

智能硬件的快速发展和移动网络的不断提速，推动各类移动端应用软件迅速发展与广泛使用，更多的人选择使用移动端应用软件进行购物、付款、转账等操作，使得海量的用户信息被暴露在网络中，尤其是与金融、保险、证券行业相关的移动端应用软件，其资金账号的密码安全性尤为重要。

为了解决现有密码安全问题，首先使用了基于加密算法的数字密码软键盘，来提高密码输入与传输过程中的安全性，但该方法仍存在密码被泄露的可能性，且不能判别输入密码的操作者是否为用户本人；由此产生了可以识别身份的生物特征识别技术，例如指纹识别、人脸识别和虹膜识别等方式，通过预先采集用户的生物特征来判定密码的操作过程是否为用户本人操作，但该方法也存在明显的缺点，例如生物特征信息容易被盗取和仿冒且生物特征识别属于静态识别技术，也就是说静态识别一旦通过，不再关注当前移动终端操作者是是用户本人还是入侵者，同时在验证时，需要用户准确配合才能完成验证操作，操作便利性差。

发明内容

有鉴于此，本发明实施例提供了一种用于数字密码软键盘的身份识别方法、装置和终端，以解决现有用于识别数字密码软键盘操作者身份方法安全性低、操作便利性差的问题。

根据第一方面，本发明实施例提供了一种用于数字密码软键盘的身份识别方法，所述数字密码软键盘所在终端包含采集用户操作行为信息的传感器，所述方法包括：获取终端所有者在所述数字密码软键盘上的操作行为信息的样本；将所述操作行为信息的样本作为输入层数据输入到预先训练好的用户行为识别模型中，构建用户的历史行为特征；当再次获取到操作者在所述数字密码软键盘上的操作行为信息时，将所述操作行为信息输入到所述用户行为识别模型中；控制所述用户行为识别模型根据所述用户的历史行为特征和所述操作者的操作行为信息对所述操作者身份进行识别，得到所述用户行为识别模型的输出结果，根据所述用户行为识别模型的输出结果判定所述操作者身份。

可选地，所述操作行为信息包括用户操作所述数字密码软键盘时，每次按键的按压时间长、按压间隔时长、输入密码总时长中的任意一种或几种。

可选地，所述用户行为模型利用Stacking算法建模得到。

可选地，所述Stacking算法包括两层学习器；其中第一层学习器采用支持向量机SVM算法模型、随机森林算法模型和神经网络算法模型，第二层学习器采用Logistic回归模型。

可选地，所述根据所述用户行为识别模型的输出结果判定所述操作者身份的步骤，包括：判断所述输出结果是否小于预设可信度阈值；当所述输出结果不小于所述预设可信度阈值时，判定所述操作者为所述终端所有者。

可选地，所述方法还包括：当所述输出结果小于所述预设可信度阈值时，返回风险警告信息。

可选地，所述将所述操作行为信息输入到所述用户行为识别模型中的步骤之前，所述方法还包括：获取所述操作者密码是否正确的结果；当接收到密码正确的结果时，执行所述将所述操作行为信息输入到所述用户行为识别模型中的步骤。

根据第二方面，本发明实施例还提供一种用于数字密码软键盘的身份识别装置，所述数字密码软键盘所在终端包含采集用户操作行为信息的传感器，所述装置包括：获取单元，用于获取终端所有者在所述数字密码软键盘上的操作行为信息的样本；第一输入单元，用于将所述操作行为信息的样本作为输入层数据输入到预先训练好的用户行为识别模型中，构建用户的历史行为特征；第二输入单元，用于当再次获取到操作者在所述数字密码软键盘上的操作行为信息时，将所述操作行为信息输入到所述用户行为识别模型中；控制单元，用于控制所述用户行为识别模型根据所述用户的历史行为特征和所述操作者的操作行为信息对所述操作者身份进行识别，得到所述用户行为识别模型的输出结果；识别单元，用于根据所述用户行为识别模型的输出结果判定所述操作者身份。

根据第三方面，本发明实施例还提供一种终端，包括：传感器，用于采集操作者在所述终端的数字密码软键盘上的操作行为信息；处理器，分别和所述传感器、所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如上述所述的用于数字密码软键盘的身份识别方法。

根据第四方面，本发明实施例还提供一种非暂态计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如上述所述的用于数字密码软键盘的身份识别方法。

本发明实施例提供的用于数字密码软键盘的身份识别方法、装置和终端，通过获取到的预设数量的终端所有者在数字密码软键盘上的操作行为信息样本，并将该操作行为信息样本输入到预先训练好的用户行为识别模型中，使得在用户行为模型中形成用于确认终端所有者身份的判别标准，当再次获取到操作者在数字密码软键盘上的操作行为信息时，将该操作行为信息输入到同样的用户行为识别模型中，通过用户行为识别模型的输出结果，判定操作者身份是否为终端所有者，整个数据收集过程和用户身份识别过程不需要用户进行额外的操作，以用户无感的方式提高了识别数字密码软键盘操作者身份的便利性，且该验证方式不是静态识别，而是通过采集一系列动态过程数据用以识别身份，也提高了识别数字密码软键盘操作者身份的安全性。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明实施例的用于数字密码软键盘的身份识别方法的流程图；

图2示出了本发明实施例的使用训练集训练元学习器svm生成元特征的示意图；

图3示出了本发明实施例的使用测试集对元学习器svm的基模型进行测试的测试过程示意图；

图4示出了本发明实施例的Stacking算法模型构建流程示意图；

图5示出了本发明实施例的用于数字密码软键盘的身份识别装置的结构示意图。

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，本领域技术人员在没有作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。

本发明实施例中数字密码软键盘所在的终端包含采集用户操作行为信息的传感器，例如手机、平板电脑等，均设置了大量传感器，比如光线/亮度传感器用于感知手机周围的光线来调整屏幕亮度；温度传感器来采集手机温度；压力屏传感器，可以用于采集到按压力度，按压面积等多种传感器，本发明实施例所使用的方法基于现有终端上已有的传感器可以检测到的数据来识别身份，不需要额外的硬件支持，具体的识别方法如下述实施例所述，本发明实施例具体以手机为例；

本发明实施例提供了一种用于数字密码软键盘的身份识别方法，如图1所示，该方法包括：

步骤S11，获取终端所有者在所述数字密码软键盘上的操作行为信息的样本。在本发明的一个可选实施例中，所述操作行为信息可以包括用户操作所述数字密码软键盘时，终端所有者按压到数字密码软键盘每一个按键的按压时长、按压间隔时长、输入密码总时长中的任意一种；同时为了提高身份模型识别的准确率，可以增加采集的操作行为信息的样本的维度，使操作行为信息包括上述几种操作行为的组合间；同时采集的操作行为信息的样本还可以包括按压位置坐标(用户按压按键的位置，比如是习惯按压按键的中间位置，还是按压按键的边缘部分)、按压面积(用户按压按键时，覆盖到按键上的面积)和重力加速度(通过采集重力加速度信息确认用户按压按键时感应手机偏转状态)等，本领域技术人员，可以增加其他行为信息，本发明实施例对此不作限定。

步骤S12，将所述操作行为信息的样本作为输入层数据输入到预先训练好的用户行为识别模型中，构建用户的历史行为特征。具体地，为了识别操作数字密码软键盘的操作者的身份，需要预先知道终端所有者的操作行为信息样本来作为比对标准，在本发明的一个具体实施例中，在用户注册账户密码或者初始设置数字密码时，就可以采集该操作行为信息作为样本数据来构建用户的历史行为特征。

步骤S13，当再次获取到操作者在所述数字密码软键盘上的操作行为信息时，将所述操作行为信息输入到所述用户行为识别模型中。

步骤S14，控制所述用户行为识别模型根据所述用户的历史行为特征和所述操作者的操作行为信息对所述操作者身份进行识别，得到所述用户行为识别模型的输出结果。

步骤S15，根据所述用户行为识别模型的输出结果判定所述操作者身份。

在本发明的一个具体实施例中，例如当用户使用订餐软件进行订餐付款时，当弹出支付款项的数字密码软键盘进行密码输入操作时，通过SDK接口，调用用户身份识别模型程序，当终端所有者首次操作时，该用户身份识别模型中未包含该终端所有者的操作行为信息的样本，无法用于识别操作订餐付款的数字密码软键盘是否为终端所有者本人，但终端所有者首次使用该订餐软件时，支付密码也是初次设置，故第一次设置密码时，不需要进行身份识别操作，用户身份识别模型先根据获取到的终端所有者在数字密码软键盘上的操作行为信息作为样本用于用户行为识别模型识别该终端所有者的判定标准，当用户进行第二次输入密码操作时，可根据第一次采集的样本，通过用户身份识别模型判定第二次输入密码的操作是否为终端所有者，但本领域技术人员知道机器学习模型进行识别时，数据越多，越全面，识别准确率也就会越高，故为提高用户身份识别模型识别终端所有者身份的准确度，可以适度增加获取样本的数量，比如前3次获得的操作行为信息均作为用户行为识别模型的判别标准，而不进行身份识别操作；之后，当再次获取到操作者在所述数字密码软键盘上的操作行为信息时，将该操作行为信息输入到所述用户行为识别模型中，控制用户行为模型根据用户的历史行为特征和所述操作者的操作行为信息对所述操作者身份进行识别，得到所述用户行为识别模型的输出结果，根据输出结果对所述操作者身份进行识别，本领域技术人员可以根据实际使用需要，自行选择获取操作行为信息的样本的次数或数量，在此不作限定。

本发明实施例的用于数字密码软键盘的身份识别方法，通过获取到的预设数量的终端所有者在数字密码软键盘上的操作行为信息样本，并将该操作行为信息样本输入到预先训练好的用户行为识别模型中，使得在用户行为模型中形成用于确认终端所有者身份的判别标准，当再次获取到操作者在数字密码软键盘上的操作行为信息时，将该操作行为信息输入到同样的用户行为识别模型中，通过用户行为识别模型的输出结果，判定操作者身份是否为终端所有者，整个数据收集过程和用户身份识别过程不需要用户进行额外的操作，提高了识别数字密码软键盘操作者身份的便利性；该验证方式不是静态识别，而是通过采集一系列动态过程数据用以识别身份，提高了识别数字密码软键盘操作者身份的安全性；且与静态指纹识别不同，用户的行为特征也可以根据用户的行为习惯改变而动态变化；更重要的，每个人的操作行为习惯很难盗取或者模仿，即便密码被盗取，他人也难以相同的输入习惯输入密码，大大提高了密码的风险控制。

在本发明的一些可选实施例中，步骤S15中，包括：

S151，判断所述输出结果是否小于预设可信度阈值，当所述输出结果不小于所述预设可信度阈值时，执行步骤S152；当所述输出结果小于所述预设可信度阈值时，执行步骤S153。

S152，判定所述操作者为所述终端所有者。

S153，返回风险警告信息，再由业务系统根据风险警告自行对进行业务逻辑进行处理。

在本发明的一个具体实施例中，当获取到操作者在数字密码软键盘上的操作行为信息时，将所述操作行为信息输入到用户行为识别模型，通过该模型，得到此次操作行为信息与预先获取的终端所有者的样本数据的相似度比对结果，当比对结果不小于预设可信度阈值时，该模型判定该操作者为终端所有者；当比对结果小于预设可信度阈值时，该模型返回风险警告信息，该风险警告信息通过API接口传给业务系统，比如订餐软件，再由订餐系统根据自身风控要求处理业务逻辑，，通常可以启动二次身份验证程序对操作者身份进行验证，比如再次输入注册账号时的可用于确认身份的信息，例如身份证号码等，进一步提高输入支付密码的安全性，其中本发明实施例中的预设的可信度阈值可以根据业务系统的风控要求设定确定，比如，当预设可信度阈值为80％时，当获取到的操作者的操作行为信息通过用户行为模型以及用户历史行为特征分析比对后，可信度达到80％以上，则该用户身份识别模型判定该操作者为终端所有者；与此同时，当判定此次操作者为终端所有者时，该操作者的操作行为信息也被记入历史行为特征的样本中，并以窗口滑动的形式剔除较久的历史样本，动态地更新用户的历史行为特征的样本，进一步提高用户行为识别模型的准确性。

在本发明的一些可选实施例中，在步骤S13中，将所述操作行为信息输入到所述用户行为识别模型中的步骤之前，所述方法还包括：

S131，获取所述操作者输入密码是否正确的结果，当接收到密码正确的结果时，执行步骤S132；当接收到密码错误的结果时，业务不会发生，不必使用用户身份识别模型进行身份识别的操作。

S132，执行所述将所述操作行为信息输入到所述用户行为识别模型中的步骤。

上述用户识别模型是预先通过大量数据样本训练好的，该用户识别模型经过训练后，该模型可达到只要获取到一定的数量的样本就可以达到识别准确率，在本发明的一个具体实施中，所述用户行为模型利用Stacking算法建模得到的，所述Stacking算法包括两层学习器；其中第一层学习器采用支持向量机SVM算法、随机森林算法和神经网络算法，第二层学习器采用Logistic回归模型。Stacking算法是一种分层模型集成学习框架，一般分为两层，第一层由多个元学习器组成，其输入为原始训练集，本发明实施例使用支持向量机SVM算法、随机森林算法和神经网络算法作为第一层的3个元学习器；第二层模型是高级学习器，其以第一层元学习器的输出作为训练集进行再训练，从而得到完整的Stacking算法模型，本发明实施例中高级学习器采用传统的统计学方法Logistic回归模型；

Stacking算法模型的具体过程如下：

首先、构建Stacking算法第一层模型：

首先，划分数据集：

将训练数据集划分为两个不相交的集合，即训练集Data1和测试集Data2。

其次，训练元学习器模型

在Data1上训练多个元学习器，本发明中采用支持向量机SVM算法、随机森林算法和神经网络三个元学习器。

每个元学习器的训练过程，本发明实施例以支持向量机SVM算法为例，具体如下：

采用5折交叉验证对元学习器基模型svm进行训练。

首先将训练集Data1分为5折，分别记为a1、a2、a3、a4和a5，其中a1、a2、a3、a4和a5可以是一维数据，如a1、a2、a3、a4和a5只表明按压时间，也可以是多维数据，比如a1、a2、a3、a4和a5中，每一个数据包含了按压时间、按压间隔、按压位置坐标以及重力加速度中的任意几种组合，具体可以根据本领域技术人员在实际使用中进行选择即可。具体训练为使用a2-a5的数据来训练基模型svm，并对a1进行预测，得到a1的预测结果p1，该预测值即作为基模型svm对a1生成的元特征；同样地，使用a1、a3-a5的数据来训练基模型svm，并对a2进行预测，得到a2的预测结果p2，该预测值即作为基模型svm对a2生成的元特征；以此类推，得到基模型svm对整个原始训练集生成的元特征p1、p2、p3、p4、p5，具体如图2所示。

对于测试集Data2，可以在每个基模型训练好时使用测试集中的测试数据进行测试，得到每一个svm基模型的预测结果b1、b2、b3、b4、b5，再将预测结果做均值处理得到均值结果b，该均值结果b表明该元学习器基模型svm的分类准确率，如果该分类准确率不满足要求，可以重新划分测试集与训练集中的样本数据，重新进行训练，具体如图3所示；也可以将基模型拟合全部的训练集之后再对测试集进行预测。同样地，对随机森林算法和神经网络基模型也采用相同的方法生成元特征p1'、p2'、p3'、p4'、p5'和p1”、p2”、p3”、p4”、p5”，从而构成用于第二层模型训练的完整元特征集。

把得到的三个元学习模型的预测结果特征集作为输入，把正确的结果作为输出，训练作为高层学习器Logistic回归模型，得到预测结果，该预测结果表明整个模型的预测准确率，具体如图5所示。

上述身份识别模型构建过程采用了多个模型算法进行预测，减少了产生过拟合现象，需要说明的是，本发明实施例所采用的各个模型算法均为本领域技术人员可知的，各个模型算法的具体训练方法不是本发明实施例主要改进点，本发明实施例的改进点在于在构成Stacking算法模型时所选取的算法组合，本发明实施例为达到用户身份识别模型的准确率，采用了两层Stacking算法模型，第一层学习器采用支持向量机SVM算法、随机森林算法和神经网络算法，第二层学习器采用Logistic回归模型，本领域技术人员可以根据实际需要，根据有限次训练，选用其他层数的Stacking算法模型，以及每一层选用不同的算法构建Stacking算法模型。

本发明实施例还提供一种用于数字密码软键盘的身份识别装置，如图5所示，所述数字密码软键盘所在终端包含采集用户操作行为信息的传感器，该装置包括：

获取单元21，用于获取终端所有者在所述数字密码软键盘上的操作行为信息的样本；

第一输入单元22，用于将所述操作行为信息的样本作为输入层数据输入到预先训练好的用户行为识别模型中，构建用户的历史行为特征；

第二输入单元23，用于当再次获取到操作者在所述数字密码软键盘上的操作行为信息时，将所述操作行为信息输入到所述用户行为识别模型中；

控制单元24，用于控制所述用户行为识别模型根据所述用户的历史行为特征和所述操作者的操作行为信息对所述操作者身份进行识别，得到所述用户行为识别模型的输出结果；

识别单元25，用于根据所述用户行为识别模型的输出结果判定所述操作者身份。

本发明实施例的用于数字密码软键盘的身份识别装置，通过获取到的预设数量的终端所有者在数字密码软键盘上的操作行为信息样本，并将该操作行为信息样本输入到预先训练好的用户行为识别模型中，使得在用户行为模型中形成用于确认终端所有者身份的判别标准，当再次获取到操作者在数字密码软键盘上的操作行为信息时，将该操作行为信息输入到同样的用户行为识别模型中，通过用户行为识别模型的输出结果，判定操作者身份是否为终端所有者，整个数据收集过程和用户身份识别过程不需要用户进行额外的操作，提高了识别数字密码软键盘操作者身份的便利性，且该验证方式不是静态识别，而是通过采集一系列动态过程数据用以识别身份，也提高了识别数字密码软键盘操作者身份的安全性；且与静态指纹识别不同，用户的行为特征也可以根据用户的行为习惯改变而动态变化；更重要的，每个人的操作行为习惯很难盗取或者模仿，即便密码被盗取，他人也难以相同的输入习惯输入密码，大大提高了密码的风险控制。

本发明实施例还提供一种终端，包括：传感器，用于采集操作者在所述终端的数字密码软键盘上的操作行为信息；处理器，分别和所述传感器、所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如上述实施例1所述的用于数字密码软键盘的身份识别方法。

本发明实施例提供的终端，通过获取到的预设数量的终端所有者在数字密码软键盘上的操作行为信息样本，并将该操作行为信息样本输入到预先训练好的用户行为识别模型中，使得在用户行为模型中形成用于确认终端所有者身份的判别标准，当再次获取到操作者在数字密码软键盘上的操作行为信息时，将该操作行为信息输入到同样的用户行为识别模型中，通过用户行为识别模型的输出结果，判定操作者身份是否为终端所有者，整个数据收集过程和用户身份识别过程不需要用户进行额外的操作，提高了识别数字密码软键盘操作者身份的便利性；且该验证方式不是静态识别，而是通过采集一系列动态过程数据用以识别身份，也提高了识别数字密码软键盘操作者身份的安全性；且与静态指纹识别不同，用户的行为特征可以根据用户的行为习惯改变而动态变化；更重要的，每个人的操作行为习惯很难盗取或者模仿，即便密码被盗取，他人也难以相同的输入习惯输入密码，大大提高了密码的风险控制。

其中，上述实施例1的处理器可以为中央处理器(Central Processing Unit，CPU)，还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable 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、分立硬件组件等芯片，或者上述各类芯片的组合。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。

上述实施例1中的存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本申请实施例2对应的程序指令/单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作终端、至少一个功能所需要的应用程序；存储数据区可存储根据信息处理装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行如图1所示的方法。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，具体可参见如图1所示的实施例中的相关描述。

本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种用于数字密码软键盘的身份识别方法，所述数字密码软键盘所在终端包含采集用户操作行为信息的传感器，其特征在于，所述方法包括：

获取终端所有者在所述数字密码软键盘上的操作行为信息的样本；

将所述操作行为信息的样本作为输入层数据输入到预先训练好的用户行为识别模型中，构建用户的历史行为特征；

当再次获取到操作者在所述数字密码软键盘上的操作行为信息时，将所述操作行为信息输入到所述用户行为识别模型中；

控制所述用户行为识别模型根据所述用户的历史行为特征和所述操作者的操作行为信息对所述操作者身份进行识别，得到所述用户行为识别模型的输出结果；和

根据所述用户行为识别模型的输出结果判定所述操作者身份。

2.根据权利要求1所述的方法，其特征在于，所述操作行为信息包括用户操作所述数字密码软键盘时，每次按键的按压时长、按压间隔时长、输入密码总时长中的任意一种或几种。

3.根据权利要求1所述的方法，其特征在于，所述用户行为模型利用Stacking算法建模得到。

4.根据权利要求3所述的方法，其特征在于，所述Stacking算法包括两层学习器；其中第一层学习器采用支持向量机SVM算法模型、随机森林算法模型和神经网络算法模型，第二层学习器采用Logistic回归模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述用户行为识别模型的输出结果判定所述操作者身份的步骤，包括：

判断所述输出结果是否小于预设可信度阈值；和

当所述输出结果不小于所述预设可信度阈值时，判定所述操作者为所述终端所有者。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

当所述输出结果小于所述预设可信度阈值时，返回风险警告信息。

7.根据权利要求1所述的方法，其特征在于，所述将所述操作行为信息输入到所述用户行为识别模型中的步骤之前，所述方法还包括：

获取所述操作者输入密码是否正确的结果；和

当接收到密码正确的结果时，执行所述将所述操作行为信息输入到所述用户行为识别模型中的步骤。

8.一种用于数字密码软键盘的身份识别装置，所述数字密码软键盘所在终端包含采集用户操作行为信息的传感器，其特征在于，所述装置包括：

获取单元，用于获取终端所有者在所述数字密码软键盘上的操作行为信息的样本；

第一输入单元，用于将所述操作行为信息的样本作为输入层数据输入到预先训练好的用户行为识别模型中，构建用户的历史行为特征；

第二输入单元，用于当再次获取到操作者在所述数字密码软键盘上的操作行为信息时，将所述操作行为信息输入到所述用户行为识别模型中；

控制单元，用于控制所述用户行为识别模型根据所述用户的历史行为特征和所述操作者的操作行为信息对所述操作者身份进行识别，得到所述用户行为识别模型的输出结果；和

识别单元，用于根据所述用户行为识别模型的输出结果判定所述操作者身份。

9.一种终端，其特征在于，包括：

传感器，用于采集操作者在所述终端的数字密码软键盘上的操作行为信息；和

处理器，分别和所述传感器、所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1至7中任一项所述的用于数字密码软键盘的身份识别方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1至7中任一项所述的用于数字密码软键盘的身份识别方法。