CN111080873A - 基于按键特征的银行金库的管控方法和装置 - Google Patents

Abstract

本申请提供一种基于按键特征的银行金库的管控方法和装置，记录用户在虚拟密码键盘上输入金库密码时的按键特征；按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间；利用风险预测网络处理按键特征，得到按键特征的预估风险等级；若按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制银行金库的安全门开启；若按键特征的预估风险等级为高风险，控制银行金库的安全门关闭。本方案用预先构建的风险预测网络处理用户输入金库密码时的按键特征，预测出用户输入金库密码的场景的风险等级，基于预测结果控制金库的安全门的开启或关闭，从而有效避免了高风险场景下金库门开启导致的财物损失。

Description

基于按键特征的银行金库的管控方法和装置

技术领域

本发明涉及安防技术领域，特别涉及一种基于按键特征的银行金库的管控方法和装置。

背景技术

银行金库是银行的重点区域，储存有大量贵重物品，金库的物品被盗或被抢将给银行带来巨大损失。为了保护金库内物品的安全，现有银行多采用密码锁的方式控制金库的安全门。

然而，在某些高风险场景中(例如，发生暴力犯罪事件时)持有金库安全门密码的管理员可能会被胁迫打开安全门，现有的密码锁无法识别这类场景，一旦管理员输入了正确的密码安全门就会开启，导致金库内的财物失窃。

发明内容

基于上述现有技术问题，本发明提供一种基于按键特征的银行金库的管控方法和装置，以提供一种能够识别高风险场景并在高风险场景下自动控制金库的安全门的管控方案。

本发明第一方面提供一种基于按键特征的银行金库的管控方法，包括：

记录用户在虚拟密码键盘上输入金库密码时的按键特征；其中，所述按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间；

利用风险预测网络处理所述按键特征，得到所述按键特征的预估风险等级；其中，所述风险预测网络是，利用样本数据集预先训练得到的反向传播神经网络；所述样本数据集的每一个样本数据，均包括按键特征和所述按键特征对应的实际风险等级；

若所述按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制银行金库的安全门开启；

若所述按键特征的预估风险等级为高风险，控制所述银行金库的安全门关闭。

可选的，所述若所述按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制银行金库的安全门开启，包括：

若所述按键特征的预估风险等级为低风险，比较所述用户输入的密码和银行金库的开启密码；

若所述用户输入的密码和所述银行金库的开启密码一致，确定所述用户输入的密码通过密码校验，并控制所述银行金库的安全门开启。

可选的，训练所述风险预测网络的方法，包括：

根据初始反向传播神经网络的架构，生成由多个参数向量构成的参数向量集合；其中，所述参数向量集合的维数等于所述初始反向传播神经网络中参数的个数，所述参数向量的每一个元素均对应于所述初始反向传播神经网络的一个参数；

利用遗传算法对所述参数向量集合进行优化处理，得到目标参数向量；

将所述目标参数向量的每一个元素赋值于所述元素对应的所述初始反向传播神经网络中的参数，得到初始预测网络；

针对样本数据集的每一个样本数据，利用所述初始特征网络处理所述样本数据的按键特征，得到所述样本数据的预估风险等级；

根据每一个所述样本数据的预估风险等级和所述样本数据的实际风险等级，计算所述初始预测网络的损失函数；

若所述初始预测网络的损失函数不满足收敛条件，更新所述初始预测网络的参数，返回执行所述针对样本数据集的每一个样本数据，利用所述初始特征网络处理所述样本数据的按键特征，得到所述样本数据的预估风险等级；

若所述初始预测网络的损失函数满足收敛条件，将所述初始预测网络确定为风险预测网络。

可选的，所述若所述按键特征的预估风险等级为高风险，控制所述银行金库的安全门关闭之后，还包括：

输出警报信息。

可选的，若所述按键特征的预估风险等级为高风险，控制所述银行金库的安全门关闭之后，还包括：

向授权终端发送授权请求，并接收所述授权终端的响应信息；

若所述授权终端的响应信息授权开启所述银行金库的安全门，且所述用户输入的密码通过密码校验，控制所述银行金库的安全门开启；

若所述授权终端的响应信息授权关闭所述银行金库的安全门，控制所述银行金库的安全门关闭。

本发明第二方面提供一种基于按键特征的银行金库的管控装置，包括：

记录单元，用于记录用户在虚拟密码键盘上输入金库密码时的按键特征；其中，所述按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间；

预测单元，用于利用风险预测网络处理所述按键特征，得到所述按键特征的预估风险等级；其中，所述风险预测网络是，利用样本数据集预先训练得到的反向传播神经网络；所述样本数据集的每一个样本数据，均包括按键特征和所述按键特征对应的实际风险等级；

控制单元，若所述按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，用于控制银行金库的安全门开启；

所述控制单元，若所述按键特征的预估风险等级为高风险，用于控制所述银行金库的安全门关闭。

可选的，所述控制单元控制银行金库的安全门开启时，具体用于：

若所述按键特征的预估风险等级为低风险，比较所述用户输入的密码和银行金库的开启密码；

若所述用户输入的密码和所述银行金库的开启密码一致，确定所述用户输入的密码通过密码校验，并控制所述银行金库的安全门开启。

可选的，所述管控装置还包括训练单元，所述训练单元用于：

根据初始反向传播神经网络的架构，生成由多个参数向量构成的参数向量集合；其中，所述参数向量集合的维数等于所述初始反向传播神经网络中参数的个数，所述参数向量的每一个元素均对应于所述初始反向传播神经网络的一个参数；

利用遗传算法对所述参数向量集合进行优化处理，得到目标参数向量；

将所述目标参数向量的每一个元素赋值于所述元素对应的所述初始反向传播神经网络中的参数，得到初始预测网络；

针对样本数据集的每一个样本数据，利用所述初始特征网络处理所述样本数据的按键特征，得到所述样本数据的预估风险等级；

根据每一个所述样本数据的预估风险等级和所述样本数据的实际风险等级，计算所述初始预测网络的损失函数；

若所述初始预测网络的损失函数不满足收敛条件，更新所述初始预测网络的参数，返回执行所述针对样本数据集的每一个样本数据，利用所述初始特征网络处理所述样本数据的按键特征，得到所述样本数据的预估风险等级；

若所述初始预测网络的损失函数满足收敛条件，将所述初始预测网络确定为风险预测网络。

可选的，所述管控装置还包括：

输出单元，若所述按键特征的预估风险等级为高风险，用于输出警报信息。

可选的，所述管控装置还包括：

通信单元，用于向授权终端发送授权请求，并接收所述授权终端的响应信息；

其中，所述控制单元还用于：

若所述授权终端的响应信息授权开启所述银行金库的安全门，且所述用户输入的密码通过密码校验，控制所述银行金库的安全门开启；

若所述授权终端的响应信息授权关闭所述银行金库的安全门，控制所述银行金库的安全门关闭。

本发明提供一种基于按键特征的银行金库的管控方法和装置，记录用户在虚拟密码键盘上输入金库密码时的按键特征；其中，按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间；利用风险预测网络处理按键特征，得到按键特征的预估风险等级；若按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制银行金库的安全门开启；若按键特征的预估风险等级为高风险，控制银行金库的安全门关闭。本方案用预先构建的风险预测网络处理用户输入金库密码时的按键特征，预测出用户输入金库密码的场景的风险等级，基于预测结果控制金库的安全门的开启或关闭，从而有效避免了高风险场景下金库门开启导致的财物损失。

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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种基于按键特征的银行金库的管控方法的流程图；

图2为本申请实施例提供的一种点击位置偏移的示意图；

图3为本申请实施例提供的一种风险预测网络的训练方法的流程图；

图4为本申请实施例提供的一种基于按键特征的银行金库的管控装置的结构示意图。

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。

本申请实施例提供一种基于按键特征的银行金库的安全门的管控方法，请参考图1，该方法包括以下步骤：

S101、记录用户在虚拟密码键盘上输入金库密码时的按键特征。

上述按键特征可以包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间等信息。

需要说明的是，上述虚拟密码键盘显示在具有触控功能的电容屏上，用户直接点击屏幕上显示的字符，就可以输入密码。

点击位置偏移，是指，对于用户输入的密码中的每一个字符，用户输入该字符时点击的位置相对于该字符在屏幕上显示的区域的中心点的偏移。请参考图2，假设屏幕上以图2所示的界面展示了数字0至9，每个数字占据屏幕上一定的矩形区域，只要用户点击的位置落在对应的矩形位置内，设备就认为用户输入该矩形区域对应的数字。以数字3为例，若用户在输入密码时需要输入数字3，对应的点击位置在图2中的三角形标记位置，那么，图2中三角形标记和数字3所在的矩形区域的中心点(即图2中数字3区域的圆点)之间的距离，就是用户在输入密码的过程中，点击数字3时的点击位置偏移。

按照上述方法，就可以获得用户本次输入密码的过程中输入的每一个字符的点击位置偏移。

点击间隔，指代用户在输入密码的过程中的每一次点击到下一次点击之间的时间差。例如，假设用户要输入的密码是“123”，那么，用户点击数字1的时刻到点击数字2的时刻之间的时长，就是本次输入密码的过程中的一个点击间隔，同理点击数字2的时刻到点击数字3的时刻之间的时长是本次输入密码的过程中的另一个点击间隔。以此类推，只需要在密码输入过程中记录每一个字符的输入时刻，然后对每两个相邻的字符的输入时刻做差，就可以得到本次输入的密码的所有点击间隔。

用户输入银行金库的管理时，可能会发生错误输入，每次输入错误后，用户会再次输入密码。系统可以记录每一次用户开始输入密码的时刻，并记录每一次用户点击屏幕上的确认按钮，结束密码输入的时刻。每一次用户开始输入密码时，系统判断上一次结束密码输入的时刻和当前用户开始输入密码的时刻之间的时间差是否大于一定的间隔阈值。

若上述时间差大于间隔阈值，则认为当前这次密码输入和前一次密码输入是相互独立的两次密码输入，不进行累计。

若上述时间差小于或等于间隔阈值，则认为当前这次密码输入和前一次密码输入是连续发生的两次密码输入，进一步的，若前一次输入的密码被判断为错误密码，则将累计错误输入次数增加1，累计错误输入次数,的初始值为0。

具体的，假设某次用户需要开启金库时，连续输错了3次密码，那么在用户第四次输入密码时，累计错误输入次数就是3，若第四次仍然输入错误，则第五次输入时累计错误输入次数就是4。

上述间隔阈值可以根据实际情况设置，例如，可以设置为10s。

密码输入时间，是指，从用户开始输入密码，到用户点击屏幕上的确认按钮，结束本次输入所经过的时间。

结合对上述信息的说明，可以理解，对于任意一次密码输入过程，该过程中的均可以用上述数值描述，进一步的，将这些数值逐个拼接就可以得到一个向量，这个向量就是一次密码输入过程中记录得到的按键特征。

S102、利用风险预测网络处理按键特征，得到按键特征的预估风险等级。

其中，风险预测网络是，利用样本数据集预先训练得到的反向传播神经网络；样本数据集的每一个样本数据，均包括按键特征和按键特征对应的实际风险等级。

一个按键特征对应于一次密码输入过程，一个按键特征对应的风险等级，可以理解为：

在这个按键特征对应的密码输入过程中，输入密码的用户(也就是银行金库的管理员)处在危险场景(例如，发生暴力犯罪事件，管理员被胁迫打开金库的场景就是一种危险场景)中的概率。

本实施例中，将风险等级划分为高风险和低风险两个等级，若某个按键特征对应的风险等级是高风险，那么系统就认为在这个按键特征对应的密码输入过程中用户处于危险场景下，对应的，若某个按键特征对应的风险等级是低风险，那么系统就认为在这个按键特征对应的密码输入过程中用户处于安全场景下。

步骤S102中，若按键特征的预估风险等级为低风险，表示当前输入密码的用户处于安全场景中，执行步骤S103。若按键特征的预估风险等级为高风险，表示当前输入密码的用户处于危险场景中，执行步骤S104。

预估风险等级，就是利用风险预测网络处理按键特征后，由风险预测网络预测得到的，该按键特征对应的密码输入过程中用户处于危险场景的概率。按键特征的实际风险等级，则表示按键特征对应的密码输入过程实际发生时的场景是否为危险场景。

样本数据可以通过以下方式获取：

在银行中模拟出若干种危险场景，然后记录金库管理员在这些危险场景下所执行的若干次密码输入过程的按键特征，这些在模拟的危险场景下采集的按键特征，对应的实际风险等级就是高风险。

另一方面，采集正常情况下被执行的若干次密码输入过程的按键特征，这些按键特征对应的实际风险等级就是低风险。

通过上述方法，就可以得到实际风险等级已知的若干个按键特征，这些按键特征以及对应的实际风险等级就构成用于训练风险预测网络的样本数据。

S103、在用户输入的密码通过密码校验后，控制银行金库的安全门开启。

可以理解的，在预测出输入密码的管理员处于安全场景后，还需要校验管理员输入的密码。从而确认管理员的身份。

因此，步骤S103具体包括如下两个动作：

将用户输入的密码和预设的金库密码进行比对，若用户输入的密码和预设的金库密码一致，则认为用户输入的密码通过密码校验；反之，若用户输入的密码和预设的金库密码不一致，则认为用户输入的密码未通过密码校验。

确定用户输入的密码通过密码校验之后，控制银行金库的安全门开启。

可选的，若确定用户输入的密码未通过密码校验，可以输出错误提示信息，提示用户再次输入密码。

S104、控制银行金库的安全门关闭。

可选的，若风险预测网络输出的按键特征的预估风险等级是高风险，还可以输出警报信息，以提示相关人员尽快处理。

可选的，执行步骤S104之后，金库的控制系统还可以执行以下方法向远程的授权终端请求授权：

向授权终端发送授权请求，并接收所述授权终端的响应信息。

可选的，授权终端收到授权请求，授权终端的用户可以与金库的控制系统建立视频连接，从金库的控制系统获取实时视频流，从而了解金库的管理员所处的场景，以判断授权关闭还是打开银行金库的安全门。

若通过视频发现金库的管理员所处的场景所处场景安全，那么授权终端可以向金库的控制系统发送第一响应信息，第一响应信息用于授权开启银行金库的安全门。

若通过视频发现金库的管理员所处的场景所处场景危险，那么授权终端可以向金库的控制系统发送第二响应信息，第二响应信息用于授权关闭银行金库的安全门。

若金库的控制系统收到第一响应信息，且用户输入的密码通过密码校验，则控制银行金库的安全门开启。

若金库的控制系统收到第二响应信息，则控制银行金库的安全门关闭。

本发明提供一种基于按键特征的银行金库的管控方法，记录用户在虚拟密码键盘上输入金库密码时的按键特征；其中，按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间；利用风险预测网络处理按键特征，得到按键特征的预估风险等级；若按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制银行金库的安全门开启；若按键特征的预估风险等级为高风险，控制银行金库的安全门关闭。本方案用预先构建的风险预测网络处理用户输入金库密码时的按键特征，预测出用户输入金库密码的场景的风险等级，基于预测结果控制金库的安全门的开启或关闭，从而有效避免了高风险场景下金库门开启导致的财物损失。

本申请另一实施例提供一种利用样本数据训练风险预测网络的方法，请参考图3，该方法包括以下步骤：

S301、根据初始反向传播神经网络的架构，生成由多个参数向量构成的参数向量集合。

其中，参数向量集合的维数等于初始反向传播神经网络中参数的个数，参数向量的每一个元素均对应于所述初始反向传播神经网络的一个参数。

反向传播(back propagation，BP)神经网络是一种现有的神经网络架构，主要包括隐藏层，输入层和输出层三层，每一层均包括若干个参数，神经网络的训练过程，就是根据神经网络的输出以及样本数据反复调节参数的取值的过程，确定出神经网络的所有参数，就相当于完成对神经网络的训练。

具体的，假设初始反向传播神经网络包括N个参数，那么上述每一个参数向量均为N维向量，参数向量的每一个元素对应于反向传播神经网络中的一个参数，换言之，初始反向传播神经网络的架构确定后，每给定一个参数向量，就可以将这个参数向量中的各个元素作为反向传播神经网络的参数，得到一个由这个参数向量确定的BP神经网络。

S302、利用遗传算法对参数向量集合进行优化处理，得到目标参数向量。

遗传算法是一种现有的优化算法，该算法的基本原理是：

确定参数向量集合中的每一个参数向量的适应度，然后以参数向量的适应度作为概率，对参数向量集合中的每一个参数向量进行随机的交叉和变异，得到一次迭代后的参数向量集合，再对迭代后的参数向量集合确定每个参数向量的适应度并进行交叉和变异，以此类推，反复迭代多次后，最终参数向量集合中适应度最优的参数向量就是目标参数向量。

本实施例中，参数向量的适应度，等于由该参数向量所确定的BP神经网络的损失函数。利用遗传算法进行优化时，适应度越低的参数向量交叉和变异的概率越高，最终确定的目标参数向量，是经过若干次迭代后，参数向量集合中适应度最小的目标参数向量。

S303、将目标参数向量的每一个元素赋值于元素对应的初始反向传播神经网络中的参数，得到初始预测网络。

如前文所述，参数向量的每一个元素均对应于初始预测网络的一个参数，将目标参数向量的每个元素赋值于初始预测网络中对应的参数，就可以得到由这个目标参数向量所确定的初始预测网络。

S304、针对样本数据集的每一个样本数据，利用初始特征网络处理样本数据的按键特征，得到样本数据的预估风险等级。

S305、根据每一个样本数据的预估风险等级和样本数据的实际风险等级，计算初始预测网络的损失函数。

初始预测网络的损失函数，是一个由预测错误的样本数量决定的函数值。具体的，对于任意一个样本数据，若初始预测网络处理该样本数据的按键特征后得到的预估风险等级和该样本数据的实际风险等级不一致，那么该样本数据就是一个预测错误的样本。

利用初始预测网络处理样本数据集的所有样本数据后，确定其中预测错误的样本所占的比例，然后就可以根据该比例计算出初始预测网络的损失函数。

S306、判断初始预测网络的损失函数是否满足收敛条件。

可选的，可以将初始预测网络的损失函数和预设的阈值做比较，若初始预测网络的损失函数大于阈值，则不满足收敛条件，执行步骤S307。

若初始预测网络的损失函数小于或等于阈值，则满足收敛条件，执行步骤S308。

S307、更新初始预测网络的参数。

可选的，可以利用梯度下降算法对初始预测网络的损失函数进行计算，得到初始预测网络的参数的更新值，然后用参数的更新值更新初始预测网络的参数。

完成步骤S307的更新后，返回步骤S304。

S308、将初始预测网络确定为风险预测网络，并输出风险预测网络。

风险预测网络训练完成后，就可以在每次金库管理员输入密码时，将按键特征输入风险预测网络，然后训练好的风险预测网络就会输出按键特征的预估风险等级。

本申请实施例提供一种基于按键特征的银行金库的管控装置，请参考图4，该装置包括下述单元：

记录单元401，用于记录用户在虚拟密码键盘上输入金库密码时的按键特征.

其中，按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间。

预测单元402，用于利用风险预测网络处理按键特征，得到按键特征的预估风险等级。

其中，风险预测网络是，利用样本数据集预先训练得到的反向传播神经网络；样本数据集的每一个样本数据，均包括按键特征和按键特征对应的实际风险等级。

控制单元403，用于：

若按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制银行金库的安全门开启；

若按键特征的预估风险等级为高风险，用于控制银行金库的安全门关闭。

其中，控制单元控制银行金库的安全门开启时，具体用于：

若按键特征的预估风险等级为低风险，比较用户输入的密码和银行金库的开启密码；

若用户输入的密码和银行金库的开启密码一致，确定用户输入的密码通过密码校验，并控制银行金库的安全门开启。

可选的，管控装置还包括训练单元404，训练单元404训练风险预测网络，训练风险预测网络时，具体用于：

根据初始反向传播神经网络的架构，生成由多个参数向量构成的参数向量集合；其中，参数向量集合的维数等于初始反向传播神经网络中参数的个数，参数向量的每一个元素均对应于初始反向传播神经网络的一个参数；

利用遗传算法对参数向量集合进行优化处理，得到目标参数向量；

将目标参数向量的每一个元素赋值于元素对应的初始反向传播神经网络中的参数，得到初始预测网络；

针对样本数据集的每一个样本数据，利用初始特征网络处理样本数据的按键特征，得到样本数据的预估风险等级；

根据每一个样本数据的预估风险等级和样本数据的实际风险等级，计算初始预测网络的损失函数；

若初始预测网络的损失函数不满足收敛条件，更新初始预测网络的参数，返回执行针对样本数据集的每一个样本数据，利用初始特征网络处理样本数据的按键特征，得到样本数据的预估风险等级；

若初始预测网络的损失函数满足收敛条件，将初始预测网络确定为风险预测网络。

可选的，管控装置还包括：

输出单元405，若按键特征的预估风险等级为高风险，则用于输出警报信息。

可选的，管控装置还包括：

通信单元406，用于向授权终端发送授权请求，并接收授权终端的响应信息。

其中，控制单元404还用于：

若授权终端的响应信息授权开启银行金库的安全门，且用户输入的密码通过密码校验，控制银行金库的安全门开启；

若授权终端的响应信息授权关闭银行金库的安全门，控制银行金库的安全门关闭。

本实施例所提供的管控装置，其具体工作原理可以参考本申请其他实施例提供的管控方法中的对应步骤，此处不再赘述。

本申请提供一种基于按键特征的银行金库的管控装置，记录单元401用于记录用户在虚拟密码键盘上输入金库密码时的按键特征；按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间；预测单元402利用风险预测网络处理按键特征，得到按键特征的预估风险等级；若按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制单元403控制银行金库的安全门开启；若按键特征的预估风险等级为高风险，控制单元403控制银行金库的安全门关闭。本方案用预先构建的风险预测网络处理用户输入金库密码时的按键特征，预测出用户输入金库密码的场景的风险等级，基于预测结果控制金库的安全门的开启或关闭，从而有效避免了高风险场景下金库门开启导致的财物损失。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于按键特征的银行金库的管控方法，其特征在于，包括：

记录用户在虚拟密码键盘上输入金库密码时的按键特征；其中，所述按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间；

利用风险预测网络处理所述按键特征，得到所述按键特征的预估风险等级；其中，所述风险预测网络是，利用样本数据集预先训练得到的反向传播神经网络；所述样本数据集的每一个样本数据，均包括按键特征和所述按键特征对应的实际风险等级；

若所述按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制银行金库的安全门开启；

若所述按键特征的预估风险等级为高风险，控制所述银行金库的安全门关闭。

2.根据权利要求1所述的管控方法，其特征在于，所述若所述按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，控制银行金库的安全门开启，包括：

若所述按键特征的预估风险等级为低风险，比较所述用户输入的密码和银行金库的开启密码；

若所述用户输入的密码和所述银行金库的开启密码一致，确定所述用户输入的密码通过密码校验，并控制所述银行金库的安全门开启。

3.根据权利要求1所述的管控方法，其特征在于，训练所述风险预测网络的方法，包括：

根据初始反向传播神经网络的架构，生成由多个参数向量构成的参数向量集合；其中，所述参数向量集合的维数等于所述初始反向传播神经网络中参数的个数，所述参数向量的每一个元素均对应于所述初始反向传播神经网络的一个参数；

利用遗传算法对所述参数向量集合进行优化处理，得到目标参数向量；

将所述目标参数向量的每一个元素赋值于所述元素对应的所述初始反向传播神经网络中的参数，得到初始预测网络；

针对样本数据集的每一个样本数据，利用所述初始预测网络处理所述样本数据的按键特征，得到所述样本数据的预估风险等级；

根据每一个所述样本数据的预估风险等级和所述样本数据的实际风险等级，计算所述初始预测网络的损失函数；

若所述初始预测网络的损失函数不满足收敛条件，更新所述初始预测网络的参数，返回执行所述针对样本数据集的每一个样本数据，利用所述初始特征网络处理所述样本数据的按键特征，得到所述样本数据的预估风险等级；

若所述初始预测网络的损失函数满足收敛条件，将所述初始预测网络确定为风险预测网络。

4.根据权利要求1所述的管控方法，其特征在于，所述若所述按键特征的预估风险等级为高风险，控制所述银行金库的安全门关闭之后，还包括：

输出警报信息。

5.根据权利要求1至4任意一项所述的管控方法，其特征在于，若所述按键特征的预估风险等级为高风险，控制所述银行金库的安全门关闭之后，还包括：

向授权终端发送授权请求，并接收所述授权终端的响应信息；

若所述授权终端的响应信息授权开启所述银行金库的安全门，且所述用户输入的密码通过密码校验，控制所述银行金库的安全门开启；

若所述授权终端的响应信息授权关闭所述银行金库的安全门，控制所述银行金库的安全门关闭。

6.一种基于按键特征的银行金库的管控装置，其特征在于，包括：

记录单元，用于记录用户在虚拟密码键盘上输入金库密码时的按键特征；其中，所述按键特征包括：点击位置偏移，点击间隔，累计错误输入次数以及密码输入时间；

预测单元，用于利用风险预测网络处理所述按键特征，得到所述按键特征的预估风险等级；其中，所述风险预测网络是，利用样本数据集预先训练得到的反向传播神经网络；所述样本数据集的每一个样本数据，均包括按键特征和所述按键特征对应的实际风险等级；

控制单元，若所述按键特征的预估风险等级为低风险，且用户输入的密码通过密码校验，用于控制银行金库的安全门开启；

所述控制单元，若所述按键特征的预估风险等级为高风险，用于控制所述银行金库的安全门关闭。

7.根据权利要求6所述的管控装置，其特征在于，所述控制单元控制银行金库的安全门开启时，具体用于：

若所述按键特征的预估风险等级为低风险，比较所述用户输入的密码和银行金库的开启密码；

若所述用户输入的密码和所述银行金库的开启密码一致，确定所述用户输入的密码通过密码校验，并控制所述银行金库的安全门开启。

8.根据权利要求6所述的管控装置，其特征在于，所述管控装置还包括训练单元，所述训练单元用于：

根据初始反向传播神经网络的架构，生成由多个参数向量构成的参数向量集合；其中，所述参数向量集合的维数等于所述初始反向传播神经网络中参数的个数，所述参数向量的每一个元素均对应于所述初始反向传播神经网络的一个参数；

利用遗传算法对所述参数向量集合进行优化处理，得到目标参数向量；

将所述目标参数向量的每一个元素赋值于所述元素对应的所述初始反向传播神经网络中的参数，得到初始预测网络；

针对样本数据集的每一个样本数据，利用所述初始预测网络处理所述样本数据的按键特征，得到所述样本数据的预估风险等级；

根据每一个所述样本数据的预估风险等级和所述样本数据的实际风险等级，计算所述初始预测网络的损失函数；

若所述初始预测网络的损失函数不满足收敛条件，更新所述初始预测网络的参数，返回执行所述针对样本数据集的每一个样本数据，利用所述初始特征网络处理所述样本数据的按键特征，得到所述样本数据的预估风险等级；

若所述初始预测网络的损失函数满足收敛条件，将所述初始预测网络确定为风险预测网络。

9.根据权利要求6所述的管控装置，其特征在于，所述管控装置还包括：

输出单元，若所述按键特征的预估风险等级为高风险，用于输出警报信息。

10.根据权利要求6至9任意一项所述的管控装置，其特征在于，所述管控装置还包括：

通信单元，用于向授权终端发送授权请求，并接收所述授权终端的响应信息；

其中，所述控制单元还用于：

若所述授权终端的响应信息授权开启所述银行金库的安全门，且所述用户输入的密码通过密码校验，控制所述银行金库的安全门开启；

若所述授权终端的响应信息授权关闭所述银行金库的安全门，控制所述银行金库的安全门关闭。

Images