CN109886151A - 一种虚假身份属性检测方法 - Google Patents

Abstract

本发明公开了一种虚假身份属性检测方法，包括采集已知的S个身份对象的N个身份属性，给定待检测未知身份的N个身份属性，其中包含小于49％的虚假属性，鉴于多数判决方法不能很好解决虚假属性，引入一种逐阶计算方法。首先通过身份识别算法，依次得到N个待检测身份属性的N个识别结果序列R_i，结果序列R_i取top K个身份，表示与待检测属性最相似的K个身份，通过逐阶共识计算方法得到共识身份identity，并记录当前算法计算的阶order，然后判断共识身份identity是否在序列R_i的top P中，其中P＝min(order+δ，K)，若identity在R_i的top P中，则判断对应得到识别序列R_i的属性为真实属性，否则为虚假属性，依次判断上述条件，直至所有的待检测属性都判断完成为止，最后输出检测到的虚假身份属性。

Description

一种虚假身份属性检测方法

技术领域

本发明属于信息安全技术领域，具体涉及一种身份可信辨识过程中的虚假属性检测方法。

背景技术

身份属性是对象的一种强有力的标识方式。随着人工智能，机器学习的快速发展，利用生物属性进行身份辨识获得了较高的准确率，并且在生活中得到广泛应用。但是身份属性极易发生伪造、篡改、替换等现象，给物理空间身份的辨识带来了巨大挑战，其系统的安全性也受到了更多的关注。2017年，印度学者Akshay Agarwal在相关文章中指出，使用面具进行攻击人脸识别系统，结果识别系统的性能大幅下降，进而得出对象可以利用面具等技术隐藏自己真实身份的结论。身份属性伪造的发生，不仅干扰身份可信辨识，同时也影响社会的安全稳定，因此如何在身份辨识过程中检测出虚假身份属性，成为亟待解决的重要问题。

目前身份识别安全性的相关研究主要集中在反欺骗检测，与本文中虚假检测有所不同，本文主要关注在于，例如在身份辨识过程中，已从终端中获取未知身份对象的多个身份属性，其中可能包含虚假属性，但其数量小于所获取属性的49％，由于虚假属性的存在，通过识别之后会干扰真实身份的确定，因此需要检测并剔除虚假属性之后进行身份识别，传统方法多数判决就可以检测出虚假属性。

多数判决技术的核心是保证真实身份属性的识别结果足够准确，但是由于识别算法性能的不足，真实属性的识别结果出现错误的现象时有发生，即识别结果的首选身份不是真实身份，因此无法再利用多数判决方法进行判断，检测虚假身份属性。为能够实现身份的可信辨识，增加身份识别的安全性，需要设计一种身份属性的虚假检测方法能保证身份识别过程中及时检测并剔除虚假身份属性。

发明内容

为了解决上述技术问题，本发明提出了一种虚假身份属性检测方法，是给定未知身份对象的N个身份属性，其中可能包含小于49％的虚假属性，根据N个属性的识别结果序列，分析并检测出虚假属性，保证身份的可信辨识，且发明简单，计算复杂度低。

本发明所采用的技术方案是：一种虚假身份属性检测方法，用于在进行身份可信辨识过程中检测出用于辨识身份的虚假；其特征在于，包括以下步骤：

步骤1：采集包含S个身份对象的N个身份属性信息，建立已知身份对象库，其中身份表示为O₁、O₂、O₃、…、O_m属性表示为小写字母a、b、c、d…、n；其中，m＝S，N≥3；

步骤2：建立已知S个身份对象库的特征模板，形成N条特征模板；

步骤3：给定待检测未知身份对象的N个身份属性，记为a₁、b₁、c₁、d₁、…、n₁，若存在虚假属性，则虚假属性的数量M，满足条件M<49％*N，若不存在虚假属性，其M取值为0；

步骤4：针对待检测的N个身份属性a₁、b₁、c₁、d₁、…、n₁，选择对应属性的识别算法，得到对应属性的N个识别结果，识别结果中身份选择top K个身份，识别结果记为R_a、R_b、R_c、…、R_n；其中，K≤S；

步骤5：针对步骤4中获得的识别结果R_a、R_b、R_c、…、R_n，进行逐阶共识计算，得到最有可能的共识身份identity，并记录计算的阶order；

步骤6：根据P＝min(order+δ,K)计算出P的值，其中δ为参数，由训练数据获得，order由步骤5计算获得，P的值会随着order的不同发生动态变化；

步骤7：判断共识身份identity是否在待检测属性a₁、b₁、c₁、d₁、…、n₁的识别结果R_a、R_b、R_c、…、R_n的top P中，若共识身份identity在待检测属性a₁的识别结果R_a中，设置标志flag_a＝True，否则设置flag_a＝False，同理获得待检测属性b₁、c₁、d₁、…、n₁的标志flag_b、flag_c、…、flag_n，其中identity和P分别由步骤5和6获得；

步骤8:判断步骤7中所获得的标志，若标志flag_a为False，则认为属性a₁为虚假属性，否则认为属性a₁为真实属性，同理判断其余待检测属性b₁、c₁、d₁、…、n₁为真实或者虚假属性；

步骤9：输出检测到的虚假身份属性，虚假检测完成。

采用本发明提供的虚假身份属性检测方法，首先建立已知对象身份属性库，经过上述步骤可以实现对获取的未知身份属性的检测，发现其中包含的虚假属性，执行效率高，一定程度上有利于实现身份的可信辨识。

附图说明

图1为本发明实施例的流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明提供一种虚假身份属性检测的方法，用于将给定的未知身份对象的N个身份属性，通过分析检测出其中包含的虚假属性。为能满足实验中虚假属性的数量小于总属性数量的49％，显然，N的取值为大于等于3的自然数。本发明技术方案可以采用计算机软件技术实现自动运行，实施例中N的取值为3，其实现流程包含以下步骤：

步骤1：采集包含S个身份对象的N个身份属性信息，建立已知身份对象库，其中身份表示为O₁、O₂、O₃、…、O_m属性表示为小写字母a、b、c、d…、n；其中，m＝S，N≥3；

实施例中N取值为3，属性表示为a，b，c，依次采集S个身份的3个属性，首先采集S个身份对象的a属性，并以标准化命名唯一标识身份，其次采集S个身份对象的b属性，标准化命名，最后采集S个身份对象的属性c，直到3个属性全部采集完成，即可以形成包含S个身份对象的3个身份属性库；

步骤2，建立已知S个身份对象库的特征模板，形成N条特征模板，建立方式如下，

实施例中N取值为3，3条特征模板记为L_a，L_b，L_c，依次提取S个身份对象的3个身份属性的对应特征，不同的身份属性所选择的特征有所不同，具体特征根据属性的种类来确定，每种属性建立一条特征模板，特征模板中需要保存对应的特征以及身份标识，首先提取S个身份对象的属性a特征，其次提取属性b特征，最后提取属性c特征，形成3条特征模板，分别记为L_a，L_b，L_c；

步骤3，给定待检测未知身份对象的N个身份属性，记为a₁、b₁、c₁、d₁、…、n₁，若存在虚假属性，则虚假属性的数量M，满足条件M<49％*N，若不存在虚假属性，其M取值为0，

实施例中N取值为3，属性记为a₁，b₁，c₁，其中虚假属性的数量M，满足条件M<49％*N，当N取值为3时，M的取值为1，即采集的3个未知属性中，如果存在虚假属性，其数量M只能为1，当不存在虚假属性时，M取值为0；

步骤4，针对待检测的N个身份属性a₁、b₁、c₁、d₁、…、n₁，选择对应属性的识别算法，得到对应属性的N个识别结果，识别结果中身份选择top K个身份，识别结果记为R_a、R_b、R_c、…、R_n；其中，K≤S；

识别方式分析如下，

实施例中N取值为3，属性记为a₁，b₁，c₁，识别结果记为R_a，R_b，R_c，对于身份属性a₁，以L_a为已知身份对象特征模板库，提取属性a₁的特征，并与模板L_a进行匹配对比，选取最相似的K个身份作为属性a₁的识别结果，记为R_a，例如R_a＝{O₂，O₄，O₆，…，O_K}，依次类推，可以得到属性b₁，c₁的识别结果R_b，R_c；

步骤5，针对步骤4中获得的识别结果R_a、R_b、R_c、…、R_n，进行逐阶共识计算，得到最有可能的共识身份identity，并记录计算的阶order；

实施例中N取值为3，识别结果为R_a，R_b，R_c，在多次实验中，由于待测试的3个属性不同，其导致的共识身份identity不同，算法中计算的阶order也可能会不同，因此每次实验中计算的阶order是一直发生动态变化的，

通过属性的识别结果R_a，R_b，R_c，R_d…，利用逐阶共识计算方法得到最有可能的共识身份identity，本发明进一步提供共识计算的方法，实施例包括以下步骤：

步骤5.1，初始化共识身份和共识值，将S个身份都作为共识身份，其共识值设为0，即d[O_i]＝0，order＝1；i＝1,2,3…m；

步骤5.2，更新共识身份的共识值，实现方法如下，

依次逐阶遍历识别结果R_a，R_b，R_c，根据识别结果当前阶的身份来更新共识值，若识别结果当前阶对应的身份为O_i，则将其共识值增加1，即d[O_i]＝d[O_i]+1：

步骤5.3，判断共识值，若存在共识身份O_i满足其共识值大于阈值执行步骤5.6，否则置flag＝False，执行步骤5.4；

由于N的取值为3，阈值的为1.5，根据共识计算的方法，判断条件变为是否存在共识身份O_i满足其共识值为2或者3，即在每次逐阶更新共识值身份之后，判断是否存在共识身份满足该条件；

步骤5.4，更新阶order，使其自增1，即order＝order+1；

步骤5.5，判断条件，若order<K且flag＝False，返回步骤5.2；否则找不到共识身份identity；

步骤5.6，返回步骤5.3中的共识身份O_i及对应共识值和当前阶order；

经过多阶计算之后，存在满足共识值为2或者3的共识身份O_i，认为该身份为共识计算的结果，并计算此时计算的阶order。

步骤6，根据式子P＝min(order+δ,K)计算出P的值，其中δ为参数，由训练数据获得，order由步骤5计算获得，P的值会随着order的不同发生动态变化；

设置P的值是为后续步骤属性真假性判断所用，由于阶order是动态变化的，P的值也会发生动态变化，参数δ由训练数据训练优化获得，在实验中，训练数据中3个属性涵盖多种不同情况，3个属性同时为真实的，3个属性中只有属性a为虚假的，3个属性中只有属性b为虚假的，3个属性中只有属性c为虚假的，实施例中参数δ的取值设置为8；

步骤7，判断共识身份identity是否在待检测属性a₁、b₁、c₁、d₁、…、n₁的识别结果R_a、R_b、R_c、…、R_n的top P中，若共识身份identity在待检测属性a₁的识别结果R_a中，设置标志flag_a＝True，否则设置flag_a＝False，同理获得待检测属性b₁、c₁、d₁、…、n₁的标志flag_b、flag_c、…、flag_n，其中identity和P分别由步骤5和6获得；

实施例中N的取值为3，待检测属性a₁，b₁，c₁的识别结果分别为R_a，R_b，R_c，结合步骤5和6中所获得的identity和P，依次判断共识身份identity是否在待检测属性a₁，b₁，c₁的识别结果R_a，R_b，R_c的前top P中，获得待检测属性a₁，b₁，c₁的标志flag_a，flag_b，flag_c；

步骤8，判断步骤7中所获得的标志，若标志flag_a为False，则认为属性a₁为虚假属性，否则认为属性a₁为真实属性，同理判断其余待检测属性b₁、c₁、d₁、…、n₁为真实或者虚假属性；

实施例中N的取值为3，依次根据步骤7中所获得的标志flag_a，flag_b，flag_c，去判断待检测属性a₁，b₁，c₁的真假性；

步骤9，输出检测到的虚假身份属性，虚假检测完成。

本发明的技术方案是在真实/虚假属性所导致的差异不同，即由于识别技术不足所导致的错误识别结果具有近邻性，而由于伪造所导致的错误识别结果没有近邻性。基于此差异，分析识别结果序列找出真实身份，并检测出虚假属性。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种虚假身份属性检测方法，用于在进行身份可信辨识过程中检测出用于辨识身份的虚假；其特征在于，包括以下步骤：

步骤1：采集包含S个身份对象的N个身份属性信息，建立已知身份对象库，其中身份表示为O₁、O₂、O₃、…、O_m属性表示为小写字母a、b、c、d…、n；其中，m＝S，N≥3；

步骤2：建立已知S个身份对象库的特征模板，形成N条特征模板；

步骤3：给定待检测未知身份对象的N个身份属性，记为a₁、b₁、c₁、d₁、…、n₁，若存在虚假属性，则虚假属性的数量M，满足条件M<49％*N，若不存在虚假属性，其M取值为0；

步骤4：针对待检测的N个身份属性a₁、b₁、c₁、d₁、…、n₁，选择对应属性的识别算法，得到对应属性的N个识别结果，识别结果中身份选择top K个身份，识别结果记为R_a、R_b、R_c、…、R_n；其中，K≤S；

步骤5：针对步骤4中获得的识别结果R_a、R_b、R_c、…、R_n，进行逐阶共识计算，得到最有可能的共识身份identity，并记录计算的阶order；

步骤6：根据P＝min(order+δ,K)计算出P的值，其中δ为参数，由训练数据获得，order由步骤5计算获得，P的值会随着order的不同发生动态变化；

步骤7：判断共识身份identity是否在待检测属性a₁、b₁、c₁、d₁、…、n₁的识别结果R_a、R_b、R_c、…、R_n的top P中，若共识身份identity在待检测属性a₁的识别结果R_a中，设置标志flag_a＝True，否则设置flag_a＝False，同理获得待检测属性b₁、c₁、d₁、…、n₁的标志flag_b、flag_c、…、flag_n，其中identity和P分别由步骤5和6获得；

步骤8:判断步骤7中所获得的标志，若标志flag_a为False，则认为属性a₁为虚假属性，否则认为属性a₁为真实属性，同理判断其余待检测属性b₁、c₁、d₁、…、n₁为真实或者虚假属性；

步骤9：输出检测到的虚假身份属性，虚假检测完成。

2.根据权利要求1所述的虚假身份属性检测方法，其特征在于：步骤1中，依次采集S个身份的N个属性，首先采集S个身份对象的a属性，并以标准化命名唯一标识身份，其次采集S个身份对象的b属性，标准化命名，依次类推采集S个身份对象的剩余属性，直到N个属性采集完成，即可以形成S个身份对象库。

3.根据权利要求1所述的虚假身份属性检测方法，其特征在于：步骤2中，依次提取S个身份对象的N个身份属性的对应特征，特征的选择根据属性的种类来确定，每种属性建立一条特征模板，特征模板中保存对应的特征以及身份标识，形成N条特征模板，分别记为L_a、L_b、L_c、…、L_N。

4.根据权利要求3所述的虚假身份属性检测方法，其特征在于：步骤4中，对于身份属性a₁，以L_a为已知身份对象特征模板库，提取属性a₁的特征，并与模板L_a进行匹配对比，选取最相似的K个身份作为属性a₁的识别结果，记为R_a，依次类推，得到属性b₁、c₁、d₁、…、n₁的识别结果R_b、R_c、…、R_n。

5.根据权利要求1所述的虚假身份属性检测方法，其特征在于：步骤5中所述利用识别结果R_a、R_b、R_c、…、R_n，进行逐阶共识计算，具体实现方式包括以下子步骤：

步骤5.1：初始化共识身份和共识值，将S个身份都作为共识身份，其共识值设为0，即d[O_i]＝0，order＝1，i＝1,2,3…m；

步骤5.2：更新共识身份的共识值；

依次逐阶遍历识别结果R_a、R_b、R_c、…、R_n，根据识别结果当前阶的身份来更新共识值，若识别结果当前阶对应的身份为O_i，则将其共识值增加1，即d[O_i]＝d[O_i]+1；

步骤5.3：判断共识值，若存在共识身份O_i满足其共识值大于阈值执行步骤5.6，否则置flag＝False，执行步骤5.4；

步骤5.4：更新阶order，使其自增1，即order＝order+1；

步骤5.5：判断条件，若order<K且flag＝False，返回步骤5.2；否则找不到共识身份identity；

步骤5.6：返回步骤5.3中的共识身份O_i及对应共识值和当前阶order。