CN112632494A

CN112632494A - 一种基于时序模型的移动应用身份验证方法及装置

Info

Publication number: CN112632494A
Application number: CN202011526408.4A
Authority: CN
Inventors: 朱旭光; 汪德嘉; 杨博雅
Original assignee: Beijing Tongfudun Artificial Intelligence Technology Co Ltd; Jiangsu Tongfu Dun Xinchuang Technology Co Ltd; Jiangsu Pay Egis Technology Co ltd
Current assignee: Beijing Tongfudun Artificial Intelligence Technology Co Ltd; Jiangsu Tongfu Dun Xinchuang Technology Co Ltd; Jiangsu Pay Egis Technology Co ltd
Priority date: 2020-12-22
Filing date: 2020-12-22
Publication date: 2021-04-09

Abstract

本申请公开了一种基于时序模型的移动应用身份验证方法及装置，包括获取用户执行当前操作的第一操作信息；根据所述第一操作信息生成当前操作对应的用户操作分数；将用户操作分数添加进时间序列；将当前操作的用户操作分数用于异常值验证，得到验证结果；若验证结果为验证通过，则更新时间序列；若验证结果为验证未通过，则反馈失败信息。本申请提供的方案是在后台完成，无需用户执行额外操作，用户体验较佳；并且，通过采集每个人不同的操作行为习惯，针对每个人形成独特的时间序列样本，可以有效的实现人机区分以及人人区分，从而判断当前操作行为是否是常用人员操作，保证了身份验证的可靠性。

Description

一种基于时序模型的移动应用身份验证方法及装置

技术领域

本发明涉及反欺诈风控技术领域，特别涉及一种基于时序模型的移动应用身份验证方法及装置。

背景技术

随着互联网和移动智能终端的普及，移动环境下人们的生活需求不断被挖掘。与此同时，移动环境下的黑产活动愈发猖獗，支付漏洞和隐私威胁不断爆出。身份欺诈成为在线欺诈的顽疾，欺诈者以移动设备为掩体发动攻击。如，以猫池设备为代表的模拟器欺诈，以薅羊毛为代表的群控欺诈，以反复点击为代表的程序欺诈等。不法分子通过这些欺诈手段获取大规模应力。这些行为紧紧依附互联网行业，其技术与互联网行业以等同的速度发展，向反欺诈风控业务提出了强有力的挑战。

反欺诈风控领域已经通过设备指纹、生物探针、滑动验证、图片验证码等多种手段对移动安全进行防护，通过设备行为特征，设备物理特征，用户操作行为特征等多个维度进行黑产排查，随着相关技术的日益成熟，已取得了一定成效。

然而，目前的验证方式仍然存在一些弊端，例如，验证过程需要用户进行额外操作，验证耗时长，导致用户体验较差；再如，传统的字符型或图片型验证方式，随着文字识别技术的成熟，容易被黑产技术破解，导致安全防护效果较差；另外，传统的验证方式仅能够区分操作者是否为真人，而不能区分操作者是否为本人，对移动设备失窃后被他人使用的场景没有防护能力。

发明内容

本申请提供了一种基于时序模型的移动应用身份验证方法及装置，以解决传统验证方式防护能力较差的问题。

第一方面，本申请提供了一种基于时序模型的移动应用身份验证方法，包括：

获取用户执行当前操作的第一操作信息；所述第一操作信息包括用户名框停留时间、用户名输入速度、密码框停留时间、密码输入速度、验证码框停留时间、验证码输入速度以及手机传感器相关数据；

根据所述第一操作信息生成当前操作对应的用户操作分数；

将用户操作分数添加进时间序列；所述时间序列中可容纳预设个数的用户操作分数，且所有容纳的用户操作分数按时间排序；

若所述时间序列中用户操作分数的个数大于所述预设个数，则将当前操作的用户操作分数用于异常值验证，得到验证结果；

若验证结果为验证通过，则将时间序列中最早加入的用户操作分数删除；

若验证结果为验证未通过，则将时间序列中最晚加入的用户操作分数删除，并反馈失败信息。

在一些实施例中，所述异常值验证包括：

将时间序列中包含的用户操作分数输入到广义ESD模型中，由广义ESD模型输出验证结果。

在一些实施例中，所述广义ESD模型被配置为：

设定显著水平值和离群点比例值，根据离群点比例计算初始离群点个数；

计算时间序列中所有用户操作分数的均值和标准差；

找出每个用户操作分数与均值的绝对差值中的最大值，将该最大值除以标准差，记作ESD_i；

从时间序列中剔除绝对差值最大的用户操作分数后，重复执行计算均值、标准差以及绝对差值最大值除以标准差的操作，得到离群点个数的ESD_i；

计算比较参数；

统计每个i对应的ESD_i的值是否大于比较参数，取最大的i值作为模型预测的离群点的数据，即所有小于或等于该i值的ESD_i均为离群点；

若当前操作的用户操作分数为离群点，则得到验证未通过的验证结果；反之则得到验证通过的验证结果。

在一些实施例中，所述根据所述第一操作信息生成当前操作对应的用户操作分数的步骤包括：

根据预设分数对应关系表，分别统计所述第一操作信息中每一项的分数值；

将各项分数值的加权平均数作为当前操作对应的用户操作分数。

在一些实施例中，所述方法还包括：

若验证结果为验证未通过，则获取用户执行第二次操作的第一操作信息再次执行身份验证操作。

在一些实施例中，所述手机传感器相关数据采用方向传感器、重力传感器、光学传感器、加速度传感器、磁场传感器、陀螺仪传感器以及压强传感器中的一种或几种获得。

在一些实施例中，若所述时间序列中用户操作分数的个数小于或等于所述预设个数，则不执行异常值验证过程。

第二方面，本申请还提供一种对应与第一方面所述方法的装置。

本申请提供的方案是在后台完成，无需用户执行额外操作，用户体验较佳；并且，通过采集每个人不同的操作行为习惯，针对每个人形成独特的时间序列样本，可以有效的实现人机区分以及人人区分，从而判断当前操作行为是否是常用人员操作，保证了身份验证的可靠性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种基于时序模型的移动应用身份验证方法的流程图；

图2为图1所示方法中步骤S200的分解步骤图；

图3为本申请提供的一种基于时序模型的移动应用身份验证装置的构成图；

图4为图3所示装置中分数生成单元的构成图。

具体实施方式

传统移动应用登录时对用户身份验证的方法主要通过滑动验证、图片/字符验证码或者设备指纹的方式，其中滑动验证是用户通过类似滑动解锁的方式来通过人际验证，互动验证组件通过用户的点击点位、速度、移动轨迹等信息判断是否为真实用户；图片/字符验证码是由用户选择指定特征的图片/文字来通过人机验证进行识别。上述方法存在的共同问题是均需要在用户执行一定操作的基础上对用户真实性进行判断，耗费了用户操作时间，因此，本申请力求提供一种基于后台自动执行用户身份判断过程的方法，不需要用户执行验证操作，节省用户时间。

参见图1，为本申请提供的一种基于时序模型的移动应用身份验证方法的流程图；

由图1可知，本申请提供的方法包括：

S100：获取用户执行当前操作的第一操作信息；所述第一操作信息包括用户名框停留时间、用户名输入速度、密码框停留时间、密码输入速度、验证码框停留时间、验证码输入速度以及手机传感器相关数据；

在本实施例中，每当用户执行一次当前操作时，就会由后台根据操作场景自动调用相应的信息收集模块来执行第一操作信息的获取过程，例如在登录场景中，用户输入账号、密码以及验证码等过程中的输入速度、停留时间等信息每次均可能存在不同，但是，对于同一用户来说，由于其熟知其登录的账号及密码，因此在多次输入过程中所能获取到的第一操作信息相似度较高，这里的相似度较高是指时间、速度较为接近，而对于不是本人的操作，例如恶意盗取者或者代办信息者，其输入的速度及时间显然要相比账户拥有者相差较大，因此在本实施例中，可以通过对当前用户每次执行操作的第一操作信息来判断当前执行操作的用户是否为账号拥有者，如果不是则需要给出警示或阻断操作，从而保证了身份验证的有效性。

同时，本申请中的收集传感器相关数据是针对一些其它特定特征进行收集，进一步区分当前用户是否为常用用户的措施，例如，账号拥有者经常是躺在床上登录账号，则此时手机的方向、角度将导致传感器接收到信号与直立时不同，当突然接收到不同的传感器信号时可以用于作为判断的依据之一；再如，账号拥有者通常处于移动中登录账号，则此时与静止登录将产生不同的传感器信号。为了接收到不同的传感器信号，在一些实施例中可以采用方向传感器、重力传感器、光学传感器、加速度传感器、磁场传感器、陀螺仪传感器以及压强传感器中的一种或几种来获得手机传感器相关数据。

S200：根据所述第一操作信息生成当前操作对应的用户操作分数；

由于步骤S100中获取到了包含多项维度数据的第一操作信息，直接将这种信息用于身份验证的判断显然较为复杂，因此在本实施例中，步骤S200相当于实现对第一操作信息这种多维数据“降维”的目的，即将各种收集到的信息转化一种一维的数据---分数，采用分数更加直观，且更便于后续的计算。

进一步的，实现该步骤的方式可采用调用数据降维接口的方式，该接口的输入项可以是场景名称和收集到的原始数据(第一操作信息)，输出项是用户操作分数。

对于得出用户操作分数的方法，可以设计为多种形式，例如，在图2所示出的一种可行性实施例中，步骤S200可分解为：

S210：根据预设分数对应关系表，分别统计所述第一操作信息中每一项的分数值；下面以其中的一项用户名框停留时间为例进行说明，假设设置的关于用户名框停留时间的预设分数对应关系表如下：

用户名框停留时间	对应分数
		1s	100
2s	80
		3s	60
4s	40

当第一操作信息中的用户名框停留时间为2s为，其对应的分数为80分；同理，其它每一项第一操作信息中的数据均可得到对应的一个分数。

S220：将各项分数值的加权平均数作为当前操作对应的用户操作分数。当第一操作信息中每一项数据均得到分数后，则可根据预先设定的每一项的权值，将所有分数值计算加权平均数，将最终结果作为该次操作的用户操作分数。例如，用户操作分数可表示为：用户操作分数＝a％用户名框停留时间分数+b％用户名输入速度分数+c％密码框停留时间分数+d％密码输入速度分数+e％验证码框停留时间分数+f％验证码输入速度分数+g％手机传感器相关数据分数。其中a+b+c+d+e+f+g＝100。

S300：将用户操作分数添加进时间序列；所述时间序列中可容纳预设个数的用户操作分数，且所有容纳的用户操作分数按时间排序；

在本实施例中，时间序列是用于容纳用户操作分数的数据集，可容纳的预设个数是指数据集中最多容纳的用户操作分数的个数，例如，预设个数为100，说明时间序列中可以放置100个用户操作分数，并且这100个用户操作分数是按照放入时间序列的顺序排列的，可记作{S1、S2、S3、S4…、S100}，其中S1为最早放入时间序列中的用户操作分数。

当时间序列中的用户操作分数没有超过预设个数时(例如上述举例中时间序列内不超过100个用户操作分数时)，说明处于训练阶段，此时不需要对新加入到时间序列中的用户操作分数执行后续异常值验证操作。

若所述时间序列中用户操作分数的个数大于所述预设个数(时间序列中含有101个用户操作分数)，说明训练阶段已结束，后续获取到的用户操作分数将进入到验证阶段，则将当前操作的用户操作分数用于异常值验证，执行步骤S400：异常值验证，得到验证结果；

在本实施例中，步骤S400的目的是判断时间序列中最后一个放入的用户操作分数是否为整个时间序列包含数据中的离群点，也就是说，当一个时间序列{S1、S2、S3、S4…、S100、S101}，需要判断此时离群点有几个，且离群点中是否包含S101。如果S101为离群点，则说明当前操作的用户很可能不是本人操作，有被盗用的风险，则应当触发启动风控措施的操作；若S101不是离群点，则可将其加入到时间序列中，同时删除最早加入的S1点，更新原有的时间序列，并将该时间序列继续用于后续的验证过程中。

具体的，实现本步骤S400的验证过程可以采用广义ESD模型完成，因此步骤将演化为：将时间序列中包含的用户操作分数输入到广义ESD模型中，由广义ESD模型输出验证结果。

广义ESD模型的数据处理过程可解释为，由配置下述方法的功能模块来实现。

步骤一、设定显著水平值α和离群点比例值h，根据离群点比例值h计算初始离群点个数r；以时间序列中100个用户操作分数为例，当h＝5％时，则离群点个数r为5个；

步骤二、计算时间序列中所有用户操作分数的均值和标准差；

步骤三、找出每个用户操作分数与均值的绝对差值中的最大值，将该最大值除以标准差，记作一个ESD_i；

步骤四、从时间序列中剔除绝对差值最大的用户操作分数后，重复执行计算均值、标准差以及绝对差值最大值除以标准差的操作，这样可以得到r个ESD_i；其中i＝1,2,3…r；

步骤五、计算比较参数λ_i；按照下列公式：

步骤六、统计每个i对应的ESD_i的值是否大于比较参数λ_i，取最大的i值作为模型预测的离群点的数据，即所有小于或等于该i值的ESD_i均为离群点；例如，有100个样本，离群点比例为5％，得到初始离群点个数为5，则进行五轮计算，得到五个ESD_i：ESD_1,ESD_2,ESD_3,ESD_4,ESD_5,将这五个ESD值与比较参数分别进行比较，假设比较结果为1，2，4大于比较参数，3，5小于比较参数，那么在所有大于比较参数的i值中，最大的为4，即模型预测样本中实际有4个离群点，即ESD_1,ESD_2,ESD_3,ESD_4均为模型预测出的离群点。

步骤七、若当前操作的用户操作分数为离群点，则得到验证未通过的验证结果；反之则得到验证通过的验证结果。

因此，上述验证过程将对应两种结果：

S500：若验证结果为验证通过，则将时间序列中最早加入的用户操作分数删除；更新时间序列。

S600：若验证结果为验证未通过，则将时间序列中最晚加入的用户操作分数删除，并反馈失败信息。在反馈失败信息的同时应阻断当前用户的登录操作，以保证用户账户信息的安全。

当然，由于用户在操作过程中可能受到其它因素的影响，例如登录过程中接了一个电话或者办了一些事耽搁了输入，造成被系统判定为非本人操作，影响其继续执行其它操作，因此，在一种可行性实施例中，所述方法还包括：

若验证结果为验证未通过，则执行二次验证的操作，即获取用户执行第二次操作的第一操作信息再次执行身份验证操作，给用户第二次输入的机会。

由上述技术方案可知，本申请提供了一种基于时序模型的移动应用身份验证方法，包括获取用户执行当前操作的第一操作信息；根据所述第一操作信息生成当前操作对应的用户操作分数；将用户操作分数添加进时间序列；将当前操作的用户操作分数用于异常值验证，得到验证结果；若验证结果为验证通过，则更新时间序列；若验证结果为验证未通过，则反馈失败信息。

此外，本申请提供的方法中，所采用的验证算法、验证节点以及采集的信息对外均为黑盒，不容易被攻击者获取，黑产破解难度极大，保证了数据的安全性。

参见图3，为本申请一种基于时序模型的移动应用身份验证装置的构成图；

由图3可知，本申请还提供了一种对应于上述方法的装置，包括：

获取单元1，被配置为获取用户执行当前操作的第一操作信息；所述第一操作信息包括用户名框停留时间、用户名输入速度、密码框停留时间、密码输入速度、验证码框停留时间、验证码输入速度以及手机传感器相关数据；

分数生成单元2，被配置为根据所述第一操作信息生成当前操作对应的用户操作分数；

时间序列单元3，被配置为将用户操作分数添加进时间序列；所述时间序列中可容纳预设个数的用户操作分数，且所有容纳的用户操作分数按时间排序；

验证单元4，被配置为若所述时间序列中用户操作分数的个数大于所述预设个数，则将当前操作的用户操作分数用于异常值验证，得到验证结果；

所述时间序列单元3还被配置为，若验证结果为验证通过，则将时间序列中最早加入的用户操作分数删除；若验证结果为验证未通过，则将时间序列中最晚加入的用户操作分数删除，并反馈失败信息。

在一些实施例中，所述获取单元1还被配置为：

在图4所示的实施例中，所述分数生成单元2包括：

统计子单元21，被配置为根据预设分数对应关系表，分别统计所述第一操作信息中每一项的分数值；

加权平均单元22，被配置为将各项分数值的加权平均数作为当前操作对应的用户操作分数。

本申请的装置的各部分组成部件的功能作用参见上述方法实施例中的说明，在此不再赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由本申请的权利要求指出。

Claims

1.一种基于时序模型的移动应用身份验证方法，其特征在于，所述方法包括：

根据所述第一操作信息生成当前操作对应的用户操作分数；

2.根据权利要求1所述的方法，其特征在于，所述异常值验证包括：

3.根据权利要求2所述的方法，其特征在于，所述广义ESD模型被配置为：

计算时间序列中所有用户操作分数的均值和标准差；

计算比较参数；

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一操作信息生成当前操作对应的用户操作分数的步骤包括：

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.根据权利要求1所述的方法，其特征在于，所述手机传感器相关数据采用方向传感器、重力传感器、光学传感器、加速度传感器、磁场传感器、陀螺仪传感器以及压强传感器中的一种或几种获得。

7.根据权利要求1所述的方法，其特征在于，若所述时间序列中用户操作分数的个数小于或等于所述预设个数，则不执行异常值验证过程。

8.一种基于时序模型的移动应用身份验证装置，其特征在于，所述装置包括：

获取单元，被配置为获取用户执行当前操作的第一操作信息；所述第一操作信息包括用户名框停留时间、用户名输入速度、密码框停留时间、密码输入速度、验证码框停留时间、验证码输入速度以及手机传感器相关数据；

分数生成单元，被配置为根据所述第一操作信息生成当前操作对应的用户操作分数；

时间序列单元，被配置为将用户操作分数添加进时间序列；所述时间序列中可容纳预设个数的用户操作分数，且所有容纳的用户操作分数按时间排序；

验证单元，被配置为若所述时间序列中用户操作分数的个数大于所述预设个数，则将当前操作的用户操作分数用于异常值验证，得到验证结果；

所述时间序列单元还被配置为，若验证结果为验证通过，则将时间序列中最早加入的用户操作分数删除；若验证结果为验证未通过，则将时间序列中最晚加入的用户操作分数删除，并反馈失败信息。

9.根据权利要求8所述的装置，其特征在于，所述获取单元还被配置为：

10.根据权利要求8所述的装置，其特征在于，所述分数生成单元包括：

统计子单元，被配置为根据预设分数对应关系表，分别统计所述第一操作信息中每一项的分数值；

加权平均单元，被配置为将各项分数值的加权平均数作为当前操作对应的用户操作分数。