CN110826047A - 基于行为特征的用户验证方法及装置 - Google Patents
基于行为特征的用户验证方法及装置 Download PDFInfo
- Publication number
- CN110826047A CN110826047A CN201911092876.2A CN201911092876A CN110826047A CN 110826047 A CN110826047 A CN 110826047A CN 201911092876 A CN201911092876 A CN 201911092876A CN 110826047 A CN110826047 A CN 110826047A
- Authority
- CN
- China
- Prior art keywords
- axis
- user
- verification code
- dimensional
- behavior
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/36—User authentication by graphic or iconic representation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种基于行为特征的用户验证方法及装置,基于行为特征的用户验证方法包括:根据所述用户的验证请求生成目标三维验证码及随机三维验证码;根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。本发明通过人工智能的数据记录和学习方式,随时扩充验证数据,分析行为特征。以此提升到即使是不同的人进行相关操作也能区分其不同的安全等级,最终达到实现人人区分的安全目标。
Description
技术领域
本发明涉及互联网安全应用技术领域,特别是涉及一种基于行为特征的用户验证方法及装置。
背景技术
图形式行为验证码作为当前互联网安全保障产品,不仅对于以高安全需求的金融业来说是非常重要的一项产品功能,而且对于与互联网安全产品相关的企业来说也是一项需要着重研发的功能。现有技术中,有关3D图形式行为验证码的方法,主要有以下两个的问题。
问题一:系统的验证方式容易被破解。由于3D验证码的验证方式是指定参数,于是所有的验证方法将会有一个固定的边界值,而不是一个边界范围。当部分恶意黑客或者恶意破解人员使用一些攻击方法(包括并不限于软件破解、反复试验、反编译等)来发现验证边界值的时候,3D验证码系统将失去其本身的验证意义。
问题二:无法对更高难度的人与人的区分进行验证。3D验证码虽然能够实现对于人机区分的基础验证功能,但与目前的人机验证区分的平面验证码系统进行对比的话,虽然其在安全性上面得到了不小的提升,但仍旧没有脱离“人机区分”这个基础的安全验证概念。在当前概念下,系统无法区分人与人的操作,即无法区别特定的用户识别,作为安全产品,其开发成本高(需要重新开发全新系统)、适用范围窄(只能完成人机验证),故其实用性较差,需要改善。
发明内容
针对现有技术中的问题,本发明可以扩充3D验证码在安全验证领域的适用范围,是一种通过全新的通过人工智能学习分析的方式来完成人人区分和人机区分的通用行为安全验证方法。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种基于行为特征的用户验证方法,包括:
根据所述用户的验证请求生成目标三维验证码及随机三维验证码;
根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。
优选地,基于行为特征的用户验证方法还包括:建立所述行为特征匹配数据库的步骤,包括:
获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴的旋转顺序;
获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴其中任意一轴旋转时,其他两轴的旋转操作信息;
获取所述目标三维验证码的X轴、Y轴及Z轴的目标旋转角度;
获取所述用户多次旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的实现方式;
根据所述旋转顺序、所述旋转操作信息及所述实现方式生成所述行为特征匹配数据库。
优选地,所述实现方式包括:
所述用户旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的正负方向及旋转速度。
优选地,基于行为特征的用户验证方法还包括:生成所述用户的验证结果,所述验证结果包括:所述用户是否为机器以及所述用户是否为所述行为特征匹配数据库中的特定用户。
第二方面,本发明提供一种基于行为特征的用户验证装置,该装置包括:
三维验证码生成单元,用于根据所述用户的验证请求生成目标三维验证码及随机三维验证码;
验证单元,用于根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。
优选地,基于行为特征的用户验证装置还包括:数据库建立单元,用于建立所述行为特征匹配数据库,所述数据库建立单元包括:
旋转顺序获取模块,用于获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴的旋转顺序;
旋转操作信息获取模块,用于获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴其中任意一轴旋转时,其他两轴的旋转操作信息;
旋转角度获取模块,用于获取所述目标三维验证码的X轴、Y轴及Z轴的目标旋转角度;
实现方式获取模块,用于获取所述用户多次旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的实现方式;
数据库建立模块,用于根据所述旋转顺序、所述旋转操作信息及所述实现方式生成所述行为特征匹配数据库。
优选地,所述实现方式包括:
所述用户旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的正负方向及旋转速度。
优选地,基于行为特征的用户验证装置还包括:验证结果生成单元,用于生成所述用户的验证结果,所述验证结果包括:所述用户是否为机器以及所述用户是否为所述行为特征匹配数据库中的特定用户。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现基于行为特征的用户验证方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现基于行为特征的用户验证方法的步骤。
从上述描述可知,本发明提供的基于行为特征的用户验证方法及装置,通过将用户对三维验证码的旋转操作方式统计为该用户的行为特征,并通过该行为特征对用户的验证进行识别。相比于目前业界的相似功能产品,此方法优点如下:
1.使用行为认证代替参数判定认证,能够上升到人人区分的程度。原有3D验证码只能对人机进行区别,当都为人工操作时,将被认定是可以通过的程度。加入本发明升级为行为安全锁后,可以对人与人细微差别进行检测,以达到只对特定用户验证通过的更高端水平。
2.自我学习丰富验证特征。系统将无需额外添加行为特征数据维护的具体方式,每一次验证过程均可作为行为数据新增过程,并纳入到验证体系中去。
3.对于用户外部无感。用户无需额外学习与行为安全锁有关的内容,完全对接原有3D验证码的相关操作即可完成行为安全锁相关认证过程。
综上,本发明通过人工智能的数据记录和学习方式,随时扩充验证数据,分析行为特征。以此提升到即使是不同的人进行相关操作也能区分其不同的安全等级,最终达到实现人人区分的安全目标。
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为本发明的实施例中基于行为特征的用户验证方法流程示意图一;
图2为本发明的实施例中基于行为特征的用户验证方法流程示意图二;
图3为本发明的实施例中基于行为特征的用户验证方法步骤300的流程示意图;
图4为本发明的实施例中基于行为特征的用户验证方法流程示意图三;
图5为本发明的具体应用实例中基于行为特征的用户验证方法的流程示意图;
图6为本发明的具体应用实例中行为安全锁前端界面改造示意图;
图7为本发明的具体应用实例中3D验证码轨迹线示意图;
图8为本发明的具体应用实例中基于行为特征的用户验证装置的结构示意图一;
图9为本发明的具体应用实例中基于行为特征的用户验证装置的结构示意图二;
图10为本发明的具体应用实例中数据库建立单元结构示意图;
图11为本发明的具体应用实例中基于行为特征的用户验证装置的结构示意图三;
图12为本发明的实施例中的电子设备的结构示意图。
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、完整的描述,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,本领域普通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。
鉴于现有技术中3D验证码无法区分人与人的操作的问题,本发明的实施例提供一种基于行为特征的用户验证方法的具体实施方式,参见图1,该方法具体包括如下内容:
步骤100:根据所述用户的验证请求生成目标三维验证码及随机三维验证码。
具体的,首先由客户触发验证码请求,接着,由后台生成一目标三维验证码(3D图形)及一随机三维验证码,并提示用户旋转该随机三维验证码至与目标三维验证码一样的位置。
步骤200:根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。
可以理解的是,行为方式特性(behavior style attribute)是个体或群体待人处事风格区别于他人的行为要素组合。个体或群体差异的外在体现,并与特定情境之间存在一定程度的相依关系,一旦形成就具有一定的稳定性。在特定用户三维验证码验证方法中也是如此,也就是说,特定的用户在旋转随机三维验证码至目标三维验证码的实现方式(整个过程)具有稳定性,据此可以识别验证操作是否为该特定用户。
从上述描述可知,本发明提供的基于行为特征的用户验证方法,通过将用户对三维验证码的旋转操作方式统计为该用户的行为特征,并通过该行为特征对用户的验证进行识别。相比于目前业界的相似功能产品,本发明通过人工智能的数据记录和学习方式,随时扩充验证数据,分析行为特征。以此提升到即使是不同的人进行相关操作也能区分其不同的安全等级,最终达到实现人人区分的安全目标。
一实施例中,参见图2,基于行为特征的用户验证方法还包括:
步骤300:建立所述行为特征匹配数据库的步骤。
参见图3,具体地,步骤300还包括:
步骤301:获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴的旋转顺序。
获取用户对随机三维验证码从初始位置开始,在X轴、Y轴及Z轴开始产生变化的先后顺序。
步骤302:获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴其中任意一轴旋转时,其他两轴的旋转操作信息。
可以理解的是,不同的用户旋转随机三维验证码的方式(习惯)不同,有些用户时旋转三维验证码X轴的同时,也伴生着Y轴或者Z轴的旋转,有些用户先旋转三维验证码X轴,之后再旋转三维验证码的Y轴或者Z轴。
步骤303:获取所述目标三维验证码的X轴、Y轴及Z轴的目标旋转角度。
步骤304:获取所述用户多次旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的实现方式。
在步骤303至步骤304中,所述实现方式为所述用户旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的正负方向及旋转速度。具体地来讲,以X轴为例,有些用户习惯先将随机三维验证码沿X轴旋转至小于目标三维验证码的目标旋转角度的附近,然后逐步地向其靠拢,最终达到目标旋转角度,而有些用户习惯先将随机三维验证码沿X轴旋转至大于目标三维验证码的目标旋转角度,然后再逐渐回撤,直至与目标旋转角度相同,并且在上述两个过程中,不同用户的旋转速度及旋转轨迹必然也不尽相同,以此可以进行验证用户的识别。
步骤305:根据所述旋转顺序、所述旋转操作信息及所述实现方式生成所述行为特征匹配数据库。
可以理解的是,在生成行为特征匹配数据库的过程中,需要多次(至少15次)采集用户的对所述随机三维验证码在X轴、Y轴及Z轴的旋转顺序;用户多次对所述随机三维验证码在X轴、Y轴及Z轴其中任意一轴旋转时,其他两轴的旋转操作信息以及用户多次旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的实现方式。这是因为根据各个轴向偏离初始点的位置的不同,初始化三维验证码数据的数量应为的倍数的验证码数据,具体每一种设定为:X轴单独有值、Y轴单独有值、Z轴单独有值;X\Y轴有值且X>Y、X\Y轴有值且Y>X、X\Z轴有值且X>Z、X\Z轴有值且Z>X、Y\Z轴有值且Y>Z、Y\Z轴有值且Z>Y;X\Y\Z轴均有值的情况下,X>Y>Z、X>Z>Y、Y>X>Z、Y>Z>X、Z>X>Y、Z>Y>X;共计15种。
一实施例中,参见图4,基于行为特征的用户验证方法还包括:
步骤400:生成所述用户的验证结果。
有上面分析可知,验证结果包括:所述用户是否为机器以及所述用户是否为所述行为特征匹配数据库中的特定用户。
从上述描述可知,本发明提供的基于行为特征的用户验证方法,通过将用户对三维验证码的旋转操作方式统计为该用户的行为特征,并通过该行为特征对用户的验证进行识别。相比于目前业界的相似功能产品,此方法优点如下:
1.使用行为认证代替参数判定认证,能够上升到人人区分的程度。原有3D验证码只能对人机进行区别,当都为人工操作时,将被认定是可以通过的程度。加入本发明升级为行为安全锁后,可以对人与人细微差别进行检测,以达到只对特定用户验证通过的更高端水平。
2.自我学习丰富验证特征。系统将无需额外添加行为特征数据维护的具体方式,每一次验证过程均可作为行为数据新增过程,并纳入到验证体系中去。
3.对于用户外部无感。用户无需额外学习与行为安全锁有关的内容,完全对接原有3D验证码的相关操作即可完成行为安全锁相关认证过程。
综上,本发明通过人工智能的数据记录和学习方式,随时扩充验证数据,分析行为特征。以此提升到即使是不同的人进行相关操作也能区分其不同的安全等级,最终达到实现人人区分的安全目标。
为进一步地说明本方案,本发明以某银行的三维验证码用户验证为例,提供基于行为特征的用户验证方法的具体应用实例,该具体应用实例具体包括如下内容,参见图5。
(一)、建立行为特征匹配数据库。
S0:行为安全锁数据学习。
在正式步骤开始前,首先行为安全锁需要对原3D验证码的界面显示部分进行相应改造,会在原界面上显示“行为安全锁初启动,学习模式中”来提示用户目前为学习模式。在此模式下,用户当前操作将只用作基础数据,而不会进行对比,以此来丰富后续对比模式下的对比样本(界面样式如图6所示)。注意,此模式仅在初次启动行为安全锁的时候可以启动。如果用户在其它模式想进入学习模式,可通过其他方案来切换进入(例如从其它密码界面跳入,程序功能选择等方式)。一旦进入学习模式,如果中途出现任何情况的打断,此模式全部已做数据将全部消失,直至数据被系统确认全部完成。
S1:拆分旋转轴数据。
三维验证码(3D验证码)的数据收集结果如图7所示。通过对“3D验证码变化坐标”为纵轴,时间间隔为横轴进行相应描点构图,可以看到3D验证码的“3D验证码变化坐标”数据为三个轴向数据,每个轴向数据从0开始,每达到设定的时间间隔时便产生一个新的数据,将每个时间间隔的数据连接到一起后,可以形成三条点位连接线,这里称之为“3D验证码轨迹线”。这里面的每一条单独的轨迹线,将其命名为X轴运动轨迹线、Y轴运动轨迹及Z轴运动轨迹线。
步骤S1在实施时,将X轴运动轨迹线、Y轴运动轨迹线、Z轴运动轨迹线三组数据分别拆分开来,以供后续数据分析进行相应准备(具体拆分示例如表1所示)。
表1随机三维验证码数据拆分表
时间 | X轴 | Y轴 | Z轴 |
0 | 0 | 0 | 0 |
0.1 | 1 | 4 | 15 |
0.2 | 2 | 7 | 17 |
0.3 | 3 | 11 | 23 |
0.4 | 2 | 14 | 26 |
0.5 | 1 | 18 | 30 |
0.6 | 3 | 21 | 35 |
0.7 | 1 | 25 | 42 |
0.8 | 0 | 28 | 56 |
0.9 | 1 | 31 | 57 |
1 | 2 | 35 | 57 |
1.1 | 3 | 39 | 57 |
1.2 | 2 | 44 | 58 |
1.3 | 1 | 45 | 58 |
1.4 | 0 | 45 | 60 |
S2:用户的先后习惯分析。
分析从数据开始发生的第一个间隔为止,到最后一个时间间隔为止,每个间隔将与之前一个间隔进行对比。首先将最开始的数据设定为“初始值点”。如果发生了基础阈值以上的数据变化,则认定此数据发生了移动,其余数据则判定为未移动。然后将未移动的数据与“初始值点”数据进行对比,如果与初始值点对比后也超过了另一个阈值,则证明此数据实际上发生了移动,系统将记录此轴已经发生了移动,并将此轴的“初始值点”改为当前数据。
根据上面描述可以得出,此种移动记录方式应有种方案,即XYZ均未移动、X单独移动、Y单独移动、Z单独移动、XY移动、XZ移动、YZ移动、XYZ移动。故此时使用一个长度1位,每一位数据为0-7的方式来记录此时的移动情况。
例如,在表1中,0.1秒的情况下为YZ移动(与前值比大于阈值,设定为1),X轴因不大于阈值1算作未移动,且与“初始值点”对比未超过另一个阈值(设定为2),故此时X轴判定未移动。据此,0.1秒下的移动数据情况为:6,即仅在YZ移动的标志为改为1。同样在表1中,0.3秒的数据,YZ与之前例子一致,但X轴与“初始值点”(数据为0,因为没动过)对比超过阈值2,所以判定为X轴已经运动,X轴“初始值点”将改为3(当前数值)。然后0.1秒下的移动数据情况为:7,即XYZ轴均发生移动。
S3:用户的伴随习惯分析。
根据移动数据情况确认哪些轴真正发生了移动。然后将当前时间间隔点数据与步骤S1中设定的每一个轴当前“初始值点”的数据相减,得出每一个轴的移动数据差。如果轴被判定为没有移动,则此值将默认为0。之后按照X\Y\Z轴的顺序记录下三个数值,用于表达每个轴移动的变化值。
以步骤S1中的例子继续讲解。根据本步骤中设定的规则,0.1秒下的照X\Y\Z轴移动的变化值,根据表格数据,最终结果为(0,4,15);而0.3秒下的照X\Y\Z轴移动的变化值,根据表格数据,最终结果为(3,4,6)。因为0.3秒下,各轴“初始值点”数据为0、7、17,而各轴当前数据为3、11、23,可知,此三轴均算是发生了移动。故X轴计算为3-0=3、Y轴计算为11-7=4、Z轴计算为23-17=6。
S4:用户的找准习惯分析。
将此时判定为未移动的轴的数据与最终时间间隔下此轴的数据进行相减,最终结果为正即为正偏差,最终结果为负即为负偏差。如果某轴在当前时刻被判定为已经移动,则此值记录为0。
以步骤S1中的例子继续讲解,根据上述设定的规则,0.1秒下的照X\Y\Z轴移动的变化值,根据表格数据,最终结果为(1,0,0)。可以看出,此时仅有X轴进行了相关“找准习惯”分析处理,其余以为已经发生了移动而无需处理。
S5:建立行为特征匹配数据库。
步骤1.5:在步骤1.2至步骤1.4全部完成后,数据二次处理模块1会要求各子模块将处理完毕的数据直接交给数据特征提取模块2中的数据收集子模块21,由数据收集子模块21在收集全部数据后汇总为一个大型数据集合。以步骤1.2-1.4中的例子继续为例:当数据到达数据收集子模块21后,将会汇总为如下数据为代表的数据集合:
[0.1,6,(0,4,15),(1,0,0)]
[0.3,7,(3,4,6),(0,0,0)]
其中,数据集合中第一位代表的未数据间隔段,例如0.1就是0-0.1的时间段,0.3就是0.2-0.3时间段等。接着,将上述全部数据转化为用户行为描述语句。转化过程可基于人工智能相关技术,也可使用以下转化语义进行相应转化:对于数据组的第一位,将数字转化为时间段;对于数据组第二位和第三位,转化为旋转先后顺序和伴随比例,对于数据组第四位,转化为正负修正范围。以步骤S1中的例子继续讲解:[0.1,6,(0,4,15),(1,0,0)]这条数据会被转化为以下描述:“第1时间段,YZ轴同时且Y轴幅度大于Z轴幅度的形式转动,XYZ转动比例为0:4:15,X轴修正数值正1。”为方便后续描述,按从前到后对于三个描述内容(时间段后面的内容)取名为:转动顺序描述,伴随比例描述,修正数据描述。
描述转化完成后,将此描述数据存储至系统数据库中。对于同一次用户验证过程中的数据给一个相同的数据编号,然后再将此数据放入至同一位置中。继续以上述例子进行阐述:此描述将存储为“行为描述编号1,第1时间段,YZ轴同时且Y轴幅度大于Z轴幅度的形式转动,XYZ转动比例为0:4:15,X轴修正数值正1。
在上述内容全部完成后,判断用户发送过来的3D验证码轨迹线数据是否全部处理完毕:若还有某个时间段的数据未经处理,则返回步骤S1,再一次对相关数据进行新一轮处理;若已经全部处理完毕,整个流程结束,系统学习模式闭环。
(二)、进行用户验证。
S6:根据行为特征匹配数据库对用户进行验证。
可以理解的是,步骤S5在进行之前,需要要关闭学习模式,回到正常模式中。此时,行为安全锁已经获取了多组行为描述语句),因为根据要求初始化数据为15组以上,故此时已经有足够的数据来作为历史对比数据使用。至此,行为安全锁在当前阶段可以开始对比本次用户验证后的3D验证码轨迹线数据。
当操作数据已经全部转化为行为描述语句后,在数据库中的全部数据进行相应数据抽取。抽取原则如下:将本次行为描述语句中有关转动方式描述内容提取出来,与每一组数据中的每一条数据中的转动方式描述进行对比。当某一组数据中描述内容相同的数量达到一定比例(例如60%以上),将此条历史数据提取出来,作为本次对比案例。以上述例子为例:假设本次行为描述语句中的转动方式描述为“YZ轴同时且Y轴幅度大于Z轴幅度的形式转动”,那么与数据库中带有“行为描述编号1”的行为描述的全部数据进行对比,发现全部数据的80%都带与与本次行为描述语句相同的转动方式描述语句。即可将“行为描述编号1”的数据从历史数据库中提取出来。需要特别注意的是,如果在本步骤中能够从历史数据库中提取的数据数量为0,则认定为“不能符合特征”。
将本次操作的行为描述语句与每一个历史行为描述语句进行对比,并进行加权相似度对比计算:如果相似度大于等于设定的数值(例如80%),则认定为“能够符合特征”,如果小于设定的数值,则认定为“不能符合特征”。具体对比方案可基于人工智能相关技术进行处理,也可使用以下对比方案:
首先查看本次行为描述语句和对比行为描述语句中最大的时间段数量,然后将本次行为描描述语句的时间段进行比例调整。举例来说,用户本次操作后的行为描述语句中(称为用户描述),最大的时间段描述为“第20时间段”,而以上述的例子为引申(称为对比描述),假设“行为描述编号1”的行为描述中最大的时间段描述为“第14时间段”,那么用户描述中的每个时间段数据将做以下变化:
……
……
第20时间段——变为第14时间段;
经过变化后,用户描述的每一个时间段都将变成新的时间段。用户描述将以新时间段与对比描述的相同时间段数据进行对比,得出某一个时间段下的用户操作相似度。对比方式如下:
1.设定转动顺序描述,伴随比例描述,修正数据描述的加权比例,例如可以设置为30%,50%,10%(全部为100%固定)。
然后转动顺序描述按照以下规则进行数据调整(以下比例值均可自定调整):
2.伴随比例描述按照以下规则进行数据调整:
3.修正数据描述按照以下规则进行数据调整(以下比例值均可自定调整):
4.将全部的加权值相加,即得出某一时间段下用户操作相似度。以本步骤中使用的示例来说明上述调整内容:假设用户描述为:“用户数据,第1时间段,YZ轴同时且Y轴幅度大于Z轴幅度的形式转动,XYZ转动比例为0:3:12,X轴修正数值正1.1。”,对比描述为:“行为描述编号1,第1时间段,YZ轴同时且Y轴幅度大于Z轴幅度的形式转动,XYZ转动比例为0:4:15,X轴修正数值正1。”那么根据公式,此次调整结构即为:
经过上述计算,最终可得到用户描述的每一个时间段的相似度,对此相似度取平均值,即得到用户本次操作与某一个历史数据的相似度。然后将全部取出来的历史数据与用户本次操作数据进行相似度计算后,将全部相似度取平均值,即为加权相似度对比计算结果。将以此结果为依据判断是否符合特征。
当判断结果为“能够符合特征”时,将此结果返回给行为安全锁,以此行为安全锁可继续执行原3D验证码验证通过后的程序内容。
当判断结果为“能够符合特征”时,会将用户本次行为描述语句存储到数据库中用于扩充行为描述数据库内容。至此在“能够符合特征”条件下的整个认证过程执行完毕,系统闭环。当判断结果为“不能符合特征”时,将此结果返回给行为安全锁,以此行为安全锁可继续执行原3D验证码验证不通过后的程序内容。至此在“不能符合特征”条件下的整个认证过程执行完毕,系统闭环。
从上述描述可知,本发明提供的基于行为特征的用户验证方法,通过将用户对三维验证码的旋转操作方式统计为该用户的行为特征,并通过该行为特征对用户的验证进行识别。相比于目前业界的相似功能产品,此方法优点如下:
1.使用行为认证代替参数判定认证,能够上升到人人区分的程度。原有3D验证码只能对人机进行区别,当都为人工操作时,将被认定是可以通过的程度。加入本发明升级为行为安全锁后,可以对人与人细微差别进行检测,以达到只对特定用户验证通过的更高端水平。
2.自我学习丰富验证特征。系统将无需额外添加行为特征数据维护的具体方式,每一次验证过程均可作为行为数据新增过程,并纳入到验证体系中去。
3.对于用户外部无感。用户无需额外学习与行为安全锁有关的内容,完全对接原有3D验证码的相关操作即可完成行为安全锁相关认证过程。
综上,本发明通过人工智能的数据记录和学习方式,随时扩充验证数据,分析行为特征。以此提升到即使是不同的人进行相关操作也能区分其不同的安全等级,最终达到实现人人区分的安全目标。
基于同一发明构思,本申请实施例还提供了基于行为特征的用户验证装置,可以用于实现上述实施例所描述的方法,如下面的实施例。由于基于行为特征的用户验证装置解决问题的原理与基于行为特征的用户验证方法相似,因此基于行为特征的用户验证装置的实施可以参见基于行为特征的用户验证方法实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现基于行为特征的用户验证方法的基于行为特征的用户验证装置的具体实施方式,参见图8,基于行为特征的用户验证装置具体包括如下内容:
三维验证码生成单元10,用于根据所述用户的验证请求生成目标三维验证码及随机三维验证码;
验证单元20,用于根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。
优选地,参见图9,基于行为特征的用户验证装置还包括:数据库建立单元30,用于建立所述行为特征匹配数据库,参见图10,所述数据库建立单元30包括:
旋转顺序获取模块301,用于获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴的旋转顺序;
旋转操作信息获取模块302,用于获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴其中任意一轴旋转时,其他两轴的旋转操作信息;
旋转角度获取模块303,用于获取所述目标三维验证码的X轴、Y轴及Z轴的目标旋转角度;
实现方式获取模块304,用于获取所述用户多次旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的实现方式;
数据库建立模块305,用于根据所述旋转顺序、所述旋转操作信息及所述实现方式生成所述行为特征匹配数据库。
优选地,所述实现方式包括:
所述用户旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的正负方向及旋转速度。
优选地,参见图11,基于行为特征的用户验证装置还包括:验证结果生成单元40,用于生成所述用户的验证结果,所述验证结果包括:所述用户是否为机器以及所述用户是否为所述行为特征匹配数据库中的特定用户。
从上述描述可知,本发明提供的基于行为特征的用户验证装置,通过将用户对三维验证码的旋转操作方式统计为该用户的行为特征,并通过该行为特征对用户的验证进行识别。相比于目前业界的相似功能产品,此方法优点如下:
1.使用行为认证代替参数判定认证,能够上升到人人区分的程度。原有3D验证码只能对人机进行区别,当都为人工操作时,将被认定是可以通过的程度。加入本发明升级为行为安全锁后,可以对人与人细微差别进行检测,以达到只对特定用户验证通过的更高端水平。
2.自我学习丰富验证特征。系统将无需额外添加行为特征数据维护的具体方式,每一次验证过程均可作为行为数据新增过程,并纳入到验证体系中去。
3.对于用户外部无感。用户无需额外学习与行为安全锁有关的内容,完全对接原有3D验证码的相关操作即可完成行为安全锁相关认证过程。
综上,本发明通过人工智能的数据记录和学习方式,随时扩充验证数据,分析行为特征。以此提升到即使是不同的人进行相关操作也能区分其不同的安全等级,最终达到实现人人区分的安全目标。
本申请的实施例还提供能够实现上述实施例中的基于行为特征的用户验证方法中全部步骤的一种电子设备的具体实施方式,参见图12,电子设备具体包括如下内容:
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204;
其中,处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信;通信接口1203用于实现服务器端设备、验证设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序,处理器执行计算机程序时实现上述实施例中的基于行为特征的用户验证方法中的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:根据所述用户的验证请求生成目标三维验证码及随机三维验证码。
步骤200:根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。
从上述描述可知,本申请实施例中的电子设备,通过将用户对三维验证码的旋转操作方式统计为该用户的行为特征,并通过该行为特征对用户的验证进行识别。相比于目前业界的相似功能产品,此方法优点如下:
1.使用行为认证代替参数判定认证,能够上升到人人区分的程度。原有3D验证码只能对人机进行区别,当都为人工操作时,将被认定是可以通过的程度。加入本发明升级为行为安全锁后,可以对人与人细微差别进行检测,以达到只对特定用户验证通过的更高端水平。
2.自我学习丰富验证特征。系统将无需额外添加行为特征数据维护的具体方式,每一次验证过程均可作为行为数据新增过程,并纳入到验证体系中去。
3.对于用户外部无感。用户无需额外学习与行为安全锁有关的内容,完全对接原有3D验证码的相关操作即可完成行为安全锁相关认证过程。
综上,本发明通过人工智能的数据记录和学习方式,随时扩充验证数据,分析行为特征。以此提升到即使是不同的人进行相关操作也能区分其不同的安全等级,最终达到实现人人区分的安全目标。
本申请的实施例还提供能够实现上述实施例中的基于行为特征的用户验证方法中全部步骤的一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的基于行为特征的用户验证方法的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:根据所述用户的验证请求生成目标三维验证码及随机三维验证码。
步骤200:根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。
从上述描述可知,本申请实施例中的计算机可读存储介质,通过将用户对三维验证码的旋转操作方式统计为该用户的行为特征,并通过该行为特征对用户的验证进行识别。相比于目前业界的相似功能产品,此方法优点如下:
1.使用行为认证代替参数判定认证,能够上升到人人区分的程度。原有3D验证码只能对人机进行区别,当都为人工操作时,将被认定是可以通过的程度。加入本发明升级为行为安全锁后,可以对人与人细微差别进行检测,以达到只对特定用户验证通过的更高端水平。
2.自我学习丰富验证特征。系统将无需额外添加行为特征数据维护的具体方式,每一次验证过程均可作为行为数据新增过程,并纳入到验证体系中去。
3.对于用户外部无感。用户无需额外学习与行为安全锁有关的内容,完全对接原有3D验证码的相关操作即可完成行为安全锁相关认证过程。
综上,本发明通过人工智能的数据记录和学习方式,随时扩充验证数据,分析行为特征。以此提升到即使是不同的人进行相关操作也能区分其不同的安全等级,最终达到实现人人区分的安全目标。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于行为特征的用户验证方法,其特征在于,包括:
根据所述用户的验证请求生成目标三维验证码及随机三维验证码;
根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。
2.根据权利要求1所述的用户验证方法,其特征在于,还包括:建立所述行为特征匹配数据库的步骤,包括:
获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴的旋转顺序;
获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴其中任意一轴旋转时,其他两轴的旋转操作信息;
获取所述目标三维验证码的X轴、Y轴及Z轴的目标旋转角度;
获取所述用户多次旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的实现方式;
根据所述旋转顺序、所述旋转操作信息及所述实现方式生成所述行为特征匹配数据库。
3.根据权利要求2所述的用户验证方法,其特征在于,所述实现方式为所述用户旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的正负方向及旋转速度。
4.根据权利要求1所述的用户验证方法,其特征在于,还包括:生成所述用户的验证结果,所述验证结果包括:所述用户是否为机器以及所述用户是否为所述行为特征匹配数据库中的特定用户。
5.一种基于行为特征的用户验证装置,其特征在于,包括:
三维验证码生成单元,用于根据所述用户的验证请求生成目标三维验证码及随机三维验证码;
验证单元,用于根据所述用户参照所述目标三维验证码对所述随机三维验证码的旋转操作信息以及预先建立的行为特征匹配数据库对所述用户进行验证。
6.根据权利要求5所述的用户验证装置,其特征在于,还包括:数据库建立单元,用于建立所述行为特征匹配数据库,所述数据库建立单元包括:
旋转顺序获取模块,用于获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴的旋转顺序;
旋转操作信息获取模块,用于获取所述用户多次对所述随机三维验证码在X轴、Y轴及Z轴其中任意一轴旋转时,其他两轴的旋转操作信息;
旋转角度获取模块,用于获取所述目标三维验证码的X轴、Y轴及Z轴的目标旋转角度;
实现方式获取模块,用于获取所述用户多次旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的实现方式;
数据库建立模块,用于根据所述旋转顺序、所述旋转操作信息及所述实现方式生成所述行为特征匹配数据库。
7.根据权利要求6所述的用户验证装置,其特征在于,所述实现方式包括:
所述用户旋转所述随机三维验证码的X轴、Y轴及Z轴其中任意一轴至对应轴的目标旋转角度的正负方向及旋转速度。
8.根据权利要求5所述的用户验证装置,其特征在于,还包括:验证结果生成单元,用于生成所述用户的验证结果,所述验证结果包括:所述用户是否为机器以及所述用户是否为所述行为特征匹配数据库中的特定用户。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述基于行为特征的用户验证方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一项所述基于行为特征的用户验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911092876.2A CN110826047A (zh) | 2019-11-11 | 2019-11-11 | 基于行为特征的用户验证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911092876.2A CN110826047A (zh) | 2019-11-11 | 2019-11-11 | 基于行为特征的用户验证方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826047A true CN110826047A (zh) | 2020-02-21 |
Family
ID=69553664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911092876.2A Pending CN110826047A (zh) | 2019-11-11 | 2019-11-11 | 基于行为特征的用户验证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826047A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022002A (zh) * | 2022-05-27 | 2022-09-06 | 中国电信股份有限公司 | 验证方式确定方法、装置、存储介质和电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110119629A1 (en) * | 2005-10-07 | 2011-05-19 | Vesa Huotari | Graphical User Interface, a Method, a Device and a Computer Program for Providing a Menu and/or Inputting an Access Code |
CN104765995A (zh) * | 2015-04-24 | 2015-07-08 | 福建师范大学 | 基于触屏操作的智能设备身份认证方法及客户端 |
CN106355072A (zh) * | 2016-08-19 | 2017-01-25 | 沈建国 | 三维模型验证码的实现方法及其装置 |
CN106778194A (zh) * | 2016-11-16 | 2017-05-31 | 广东欧珀移动通信有限公司 | 验证方法、装置和电子设备 |
CN107018121A (zh) * | 2016-10-13 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 用户身份验证的方法及装置 |
CN107516218A (zh) * | 2017-09-30 | 2017-12-26 | 北京梆梆安全科技有限公司 | 一种基于多特征的用户身份验证方法及装置 |
CN108073797A (zh) * | 2016-11-15 | 2018-05-25 | 平安科技(深圳)有限公司 | 图形验证方法及系统 |
US10095857B1 (en) * | 2017-04-24 | 2018-10-09 | Intuit Inc. | 3D challenge-response tests to distinguish human users from bots |
CN108683813A (zh) * | 2018-05-18 | 2018-10-19 | 西北工业大学 | 一种基于智能手机使用习惯的用户身份持续识别方法 |
CN109583187A (zh) * | 2018-11-16 | 2019-04-05 | 中共中央办公厅电子科技学院 | 一种增强现实验证码方法及应用 |
CN110298164A (zh) * | 2019-07-03 | 2019-10-01 | 中国工商银行股份有限公司 | 验证码处理方法及装置 |
-
2019
- 2019-11-11 CN CN201911092876.2A patent/CN110826047A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110119629A1 (en) * | 2005-10-07 | 2011-05-19 | Vesa Huotari | Graphical User Interface, a Method, a Device and a Computer Program for Providing a Menu and/or Inputting an Access Code |
CN104765995A (zh) * | 2015-04-24 | 2015-07-08 | 福建师范大学 | 基于触屏操作的智能设备身份认证方法及客户端 |
CN106355072A (zh) * | 2016-08-19 | 2017-01-25 | 沈建国 | 三维模型验证码的实现方法及其装置 |
CN107018121A (zh) * | 2016-10-13 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 用户身份验证的方法及装置 |
CN108073797A (zh) * | 2016-11-15 | 2018-05-25 | 平安科技(深圳)有限公司 | 图形验证方法及系统 |
CN106778194A (zh) * | 2016-11-16 | 2017-05-31 | 广东欧珀移动通信有限公司 | 验证方法、装置和电子设备 |
US10095857B1 (en) * | 2017-04-24 | 2018-10-09 | Intuit Inc. | 3D challenge-response tests to distinguish human users from bots |
CN107516218A (zh) * | 2017-09-30 | 2017-12-26 | 北京梆梆安全科技有限公司 | 一种基于多特征的用户身份验证方法及装置 |
CN108683813A (zh) * | 2018-05-18 | 2018-10-19 | 西北工业大学 | 一种基于智能手机使用习惯的用户身份持续识别方法 |
CN109583187A (zh) * | 2018-11-16 | 2019-04-05 | 中共中央办公厅电子科技学院 | 一种增强现实验证码方法及应用 |
CN110298164A (zh) * | 2019-07-03 | 2019-10-01 | 中国工商银行股份有限公司 | 验证码处理方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022002A (zh) * | 2022-05-27 | 2022-09-06 | 中国电信股份有限公司 | 验证方式确定方法、装置、存储介质和电子设备 |
CN115022002B (zh) * | 2022-05-27 | 2024-02-06 | 中国电信股份有限公司 | 验证方式确定方法、装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7405329B2 (ja) | コンピュータ実装方法、プログラムおよびシステム | |
CN108417217B (zh) | 说话人识别网络模型训练方法、说话人识别方法及系统 | |
RU2697736C1 (ru) | Верификация говорящего | |
Clark et al. | Engineering gesture-based authentication systems | |
CN110246198B (zh) | 选字验证码生成方法、装置、电子设备及存储介质 | |
CN105991281A (zh) | 一种身份认证方法、设备及系统 | |
CN114897163A (zh) | 预训练模型数据处理方法、电子设备及计算机存储介质 | |
WO2016045225A1 (zh) | 基于鼠标行为的密码容错方法 | |
Kamal et al. | Teaching motion gestures via recognizer feedback | |
Siirtola et al. | Effect of context in swipe gesture-based continuous authentication on smartphones | |
CN104915009B (zh) | 手势预判的方法及系统 | |
CN110826047A (zh) | 基于行为特征的用户验证方法及装置 | |
Barella et al. | ClusterOSS: a new undersampling method for imbalanced learning | |
CN107515876B (zh) | 一种特征模型的生成、应用方法及装置 | |
CN111062022B (zh) | 基于扰动视觉反馈的滑块验证方法、装置、电子设备 | |
CA2928501A1 (en) | Systems and methods for mathematical regression with inexact feedback | |
Wangsuk et al. | Trajectory mining for keystroke dynamics authentication | |
Lamb et al. | Swipe Dynamics as a means of authentication: Results from a Bayesian unsupervised approach | |
Abd Hamid et al. | Mouse movement behavioral biometric systems | |
CN105024817B (zh) | 一种身份认证方法及装置 | |
US20220198124A1 (en) | Method and apparatus for recognizing handwriting inputs in multiple-user environment | |
CN114648900A (zh) | 一种vr结合下的沉浸式交互培训方法及系统 | |
Fu et al. | Artificial intelligence meets kinesthetic intelligence: Mouse-based user authentication based on hybrid human-machine learning | |
AU2017100409A4 (en) | Password fault tolerance method based on mouse behaviour | |
Georgiev et al. | Techniques for Continuous Touch-Based Authentication Modeling |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |