CN112800403B

CN112800403B - 生成预测模型以及预测指纹识别异常的方法、装置及介质

Info

Publication number: CN112800403B
Application number: CN202110006984.4A
Authority: CN
Inventors: 黄帅
Original assignee: Beijing Xiaomi Pinecone Electronic Co Ltd
Current assignee: Beijing Xiaomi Pinecone Electronic Co Ltd
Priority date: 2021-01-05
Filing date: 2021-01-05
Publication date: 2024-05-03
Anticipated expiration: 2041-01-05
Also published as: CN112800403A

Abstract

本公开提供了一种生成预测模型以及预测指纹识别异常的方法、装置及介质，此方法包括：确定多个训练样本，每个样本对包括一个输入数据集合和一个异常概率，所述输入数据集合包括多个指纹识别影响参数；每个样本对中的输入数据集合包括测试移动终端在第一时段内的指纹识别影响参数，异常概率是所述测试移动终端在第二时段内的指纹识别异常概率；使用所述多个训练样本进行模型训练，获得预测模型。本公开可以使用户提前获知指纹识别的有效性的隐患，提前关注移动终端关于指纹识别的各个环节是否存在问题，保证用户通过指纹识别进行认证安全性和有效性。

Description

生成预测模型以及预测指纹识别异常的方法、装置及介质

技术领域

本公开涉及移动终端数据处理技术领域，尤其涉及生成预测模型以及预测指纹识别异常的方法、装置及介质。

背景技术

指纹识别在移动终端上的应用较为普偏，使用户可以方便的使用指纹识别进行解锁屏幕、支付、身份认证等安全性操作。

目前移动终端通过历史的各次指纹识别结果统计在某一时段的指纹识别准确率，并且绘制指纹识别准确率的变化趋势图，但无法进行指纹识别情况的预测。

发明内容

为克服相关技术中存在的问题，本公开提供了生成预测模型以及预测指纹识别异常的方法、装置及介质。

根据本公开实施例的第一方面，提供生成指纹识别异常预测模型方法,应用于移动终端，包括：

确定多个训练样本，所述训练样本包括多个样本对，每个样本对包括一个输入数据集合和一个异常概率，所述输入数据集合包括多个指纹识别影响参数；每个样本对中的输入数据集合包括测试移动终端在第一时段内的指纹识别影响参数，异常概率是所述测试移动终端在第二时段内的指纹识别异常概率；所述第一时段的时长是第一设定时长，第二时段的时长是第二设定时长，所述第二时段的最晚时刻晚于或等于所述第一时段的最早时刻；

使用所述多个训练样本进行模型训练，获得预测模型。

在一实施方式中，所述确定多个训练样本，包括：

确定每个训练样本对时，从测试移动终端采集第一时段内的实时数据和第二时段内的指纹识别结果，从所述第一时段内的实时数据采集输入数据集合中多个指纹识别影响参数，从所述第二时段内的指纹识别结果计算指纹识别异常概率；

将采集到的所述多个指纹识别影响参数和计算出的所述指纹识别异常概率构成一个训练样本对。

在一实施方式中，所述使用所述多个训练样本进行模型训练获得预测模型，包括：

使用所述训练样本通过模型训练框架进行模型训练，获得模型表示文件；

对所述模型表示文件进行转换，获得预测模型。

在一实施方式中，所述指纹识别影响参数的类别包括以下类别中的至少一种：

硬件属性类别、软件属性类别、运行状态类别、指纹识别过程表征类别。

在一实施方式中，属于所述硬件属性类别的指纹识别影响参数，包括以下中的至少一种：移动终端的唯一标识、移动终端的机型、移动终端的生产批次、移动终端的屏幕尺寸；

属于所述软件属性类别的指纹识别影响参数，包括以下中的至少一种：

移动终端的软件系统版本、使用指纹识别的应用的名称、使用指纹识别的应用的版本号；

属于所述运行状态类别的指纹识别影响参数，包括以下中的至少一种：

屏幕点亮状态、移动终端的温度、移动终端的剩余续航电量；

属于所述指纹识别过程表征类别的指纹识别影响参数，包括以下中的至少一种：

指纹识别过程的开始时间点、指纹识别过程的所属时间段、指纹识别成功的次数、指纹识别的失败原因、使用指纹识别进行屏幕解锁的次数、使用指纹识别进行支付的次数、使用指纹识别进行身份认证的次数。

根据本公开实施例的第二方面，提供了一种使用上述方法中生成的指纹识别异常预测模型预测指纹识别异常的方法，应用于移动终端，包括：

确定待测移动终端在第一设定时长内的多个指纹识别影响参数；

将所述多个指纹识别影响参数输入所述预测模型，确定所述预测模型输出的指纹识别异常概率。

根据本公开实施例的第三方面，提供了一种生成指纹识别异常预测模型的装置，应用于移动终端，包括：

样本确定模块，被配置为确定多个训练样本，所述训练样本包括多个样本对，每个样本对包括一个输入数据集合和一个异常概率，所述输入数据集合包括多个指纹识别影响参数；每个样本对中的输入数据集合包括测试移动终端在第一时段内的指纹识别影响参数，异常概率是所述测试移动终端在第二时段内的指纹识别异常概率；所述第一时段的时长是第一设定时长，第二时段的时长是第二设定时长，所述第二时段的最晚时刻晚于或等于所述第一时段的最早时刻；

模型训练模块，被配置为使用所述多个训练样本进行模型训练，获得预测模型。

在一实施方式中，所述样本确定模块，被配置为使用以下方法确定多个训练样本：

在一实施方式中，所述模型训练模块，还被配置为采用以下方法使用所述多个训练样本进行模型训练获得预测模型：

使用所述训练样本通过模型训练框架进行模型训练，获得模型表示文件；对所述模型表示文件进行转换，获得预测模型。

根据本公开实施例的第四方面，提供了一种使用上述装置生成的指纹识别异常预测模型预测指纹识别异常的装置，包括：

预测模块，被配置为确定待测移动终端在第一设定时长内的多个指纹识别影响参数；将所述多个指纹识别影响参数输入所述预测模型，确定所述预测模型输出的指纹识别异常概率。

根据本公开实施例的第五方面，提供了一种生成指纹识别异常预测模型的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述存储器中的可执行指令以实现所述生成指纹识别异常预测模型的方法的步骤。

根据本公开实施例的第六方面，提供了一种预测指纹识别异常的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述存储器中的可执行指令以实现所述预测指纹识别异常的方法的步骤。

根据本公开实施例的第七方面，提供了一种非临时性计算机可读存储介质，其上存储有可执行指令，该可执行指令被处理器执行时实现所述生成指纹识别异常预测模型的方法或者所述预测指纹识别异常的方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：根据样本终端的实时数据构建预测模型，以使用预测模型预测移动终端的指纹识别异常情况，可以使用户提前获知指纹识别的有效性的隐患，提前关注移动终端关于指纹识别的各个环节是否存在问题，保证用户通过指纹识别进行认证安全性和有效性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是现有技术中的确定指纹识别性能的流程图；

图2是根据一示例性实施例示出的一种生成指纹识别异常预测模型的方法的流程图；

图3是根据一示例性实施例示出的一种预测指纹识别异常的方法的流程图；

图4是根据一示例性实施例示出的一种生成指纹识别异常预测模型的装置的结构图；

图5是根据一示例性实施例示出的一种预测指纹识别异常的装置的结构图。

图6是根据一示例性实施例示出的一种生成指纹识别异常预测模型或者预测指纹识别异常的装置的结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

如图1所示，现有技术中移动终端针对指纹识别的相关的数据，进行数据采集、数据存储和单指标分析，可以获得移动终端中指纹识别的单指标性能的情况，但无法对未来的指纹识别异常率进行预测。

本公开实施例中提供一种生成指纹识别异常预测模型的方法。参照图2，图2是根据一示例性实施例示出的一种生成指纹识别异常预测模型的方法的流程图。如图2所示，此方法包括：

步骤S21，确定多个训练样本，所述训练样本包括多个样本对，每个样本对包括一个输入数据集合和一个异常概率，所述输入数据集合包括多个指纹识别影响参数；每个样本对中的输入数据集合包括测试移动终端在第一时段内的指纹识别影响参数，异常概率是所述测试移动终端在第二时段内的指纹识别异常概率；所述第一时段的时长是第一设定时长，第二时段的时长是第二设定时长，所述第二时段的最晚时刻晚于或等于所述第一时段的最早时刻；

步骤S22，使用所述多个训练样本进行模型训练，获得预测模型。

在一实施方式中，第二时段的最晚时刻晚于或等于所述第一时段的最早时刻，包括以下中的一种：

一，第二时段的最晚时刻晚于所述第一时段的最早时刻。

例如：第一时段包括第一自然日和第二自然日，第二时段是第三自然日的中午至凌晨。

二，第二时段的最晚时刻等于所述第一时段的最早时刻。

例如：第一时段包括第一自然日和第二自然日，第二时段是第三自然日。

在一实施方式中，训练样本中包括同一种型号的移动终端的样本数据，或者包括不同型号的移动终端的样本数据，多个训练样本的数量是万级、十万级或百万级，从而提高识别率。

本实施例中，根据样本终端的实时数据构建预测模型，以使用预测模型预测移动终端的指纹识别异常情况，可以使用户提前获知指纹识别的有效性的隐患，提前关注移动终端关于指纹识别的各个环节是否存在问题，保证用户通过指纹识别进行认证安全性和有效性。

本公开实施例中提供一种预测指纹识别异常的方法，此方法包括图2所示的方法，并且：

步骤S21中，确定多个训练样本，包括：

步骤S211，确定每个训练样本对时，从测试移动终端采集第一时段内的实时数据和第二时段内的指纹识别结果，从所述第一时段内的实时数据采集输入数据集合中多个指纹识别影响参数，从所述第二时段内的指纹识别结果计算指纹识别异常概率；

步骤S212，将采集到的所述多个指纹识别影响参数和计算出的所述指纹识别异常概率构成一个训练样本对。

一，第二时段的最晚时刻晚于所述第一时段的最早时刻。

二，第二时段的最晚时刻等于所述第一时段的最早时刻。

本实施例中，通过大量的历史实时数据确定训练样本对，每个训练样本对体现前期的指纹识别影响参数对后期的指纹识别异常概率的影响，使用此训练样本对训练预测模型后，使预测模型具有根据前期的指纹识别影响参数预测后期的指纹识别异常概率的能力，从而实现指纹识别异常概率的预测。

本公开实施例中提供一种预测指纹识别异常的方法，此方法包括图2所示的方法，具体实现方式包括以下两种：

一，移动终端采集数据，所述采集数据包括从多个测试移动终端接收数据，根据所述数据确定多个训练样本。

二，服务器采集数据，所述采集数据包括接收多个测试移动终端发送的数据，根据所述数据确定多个训练样本。

在一实施方式中，采集数据包括：确定训练样本的输入数据集合中所包含的所有指纹识别影响参数，采集包括所述指纹识别影响参数的数据包，从数据包中解析出每个指纹识别影响参数。

在一实施方式中，采集数据后，还包括使用预设计算引擎对采集到的数据进行清洗，清洗过程包括删除不符合设定规则的数据，例如：设定规则包括属于设定时间段、属于设定日期、属于设定指纹类型等。例如预设计算引擎包括：spark、hive、mapreduce、flink等。

本公开实施例中提供一种预测指纹识别异常的方法，此方法包括图2所示的方法，并且：步骤S22中使用所述多个训练样本进行模型训练，获得预测模型，包括：使用所述训练样本通过模型训练框架进行模型训练获得模型表示文件，对所述模型表示文件进行转换，获得预测模型。

其中，模型训练框架是用于训练学习模型的框架，此类框架可以进行学习模型的设计、调试、评估、应用和可视化等处理,例如模型训练框架是TensorFlow，keras等。

使用模型训练框架训练学习模型时，可以设置循环次数N的值，在学习模型的模型参数经过N次更迭后，认为学习模型训练成功；或者可以设置误差值，在学习模型针对每个训练样本的输入数据集合的输出值与相应的目标异常概率的差距小于误差值时，认为训练成功。

在一实施方式中，模型训练框架是TensorFlow框架时，模型表示文件是pb文件。pb文件是表示MetaGraph的protocol buffer格式的文件，MetaGraph包括计算图、数据流、以及相关的变量和输入输出signature以及asserts指创建计算图时额外的文件。

在一实施方式中，模型训练框架是keras时，模型表示文件是HDF5文件，具体的，HDF5文件是一种存放两类对象的容器，一个对像为数据集(dataset)，另一个对像为组(group)，数据集(Dataset)是类似于数组的数据集，而组(group)是类似文件夹一样的容器，用于存放数据集和其他组。数据集(dataset)类似于一个数组，组(group)类似于一个字典。

本公开实施例中提供一种预测指纹识别异常的方法，此方法包括图2所示的方法，并且：步骤S21中，所述指纹识别影响参数的类别包括以下类别中的至少一种：硬件属性类别、软件属性类别、运行状态类别、指纹识别过程表征类别。

在一实施方式中，属于所述硬件属性类别的指纹识别影响参数，包括以下中的至少一种：移动终端的唯一标识、移动终端的机型、移动终端的生产批次、移动终端的屏幕尺寸。

属于所述软件属性类别的指纹识别影响参数，包括以下中的至少一种：移动终端的软件系统版本、使用指纹识别的应用的名称、使用指纹识别的应用的版本号。

属于所述运行状态类别的指纹识别影响参数，包括以下中的至少一种：指纹识别时屏幕点亮状态、指纹识别时移动终端的温度、指纹识别时移动终端的剩余续航电量。

属于所述指纹识别过程表征类别的指纹识别影响参数，包括以下中的至少一种：指纹识别过程的开始时间点、指纹识别过程的所属时间段、指纹识别成功的次数、指纹识别的失败原因、使用指纹识别进行屏幕解锁的次数、使用指纹识别进行支付的次数。

本实施例中，通过采用与硬件属性类别、软件属性类别、运行状态类别、指纹识别过程表征类别等类别相关的指纹识别影响参数,作为指纹识别的响应因素，提高用于预测指纹识别异常的准确率。

本公开实施例中提供一种预测指纹识别异常的方法，应用于移动终端。照图3，图3是根据一示例性实施例示出的一种预测指纹识别异常的方法的流程图。如图3所示，包括图3所示的步骤S21和步骤S22，还包括：

步骤S23，根据待测移动终端在第一设定时长内的多个指纹识别影响参数；将所述多个指纹识别影响参数输入所述预测模型，确定所述预测模型输出的指纹识别异常概率。

其中，步骤S23中使用所述预测模型，预测目标移动终端的指纹识别异常概率时，采集目标移动终端中历史时段的多个指纹识别影响参数的值，此多个指纹识别影响参数是训练样本中的输入数据集合的指纹识别影响参数，此历史时段是以当前时刻为终点的时段，并且此时段的时长是第一设定时长。

在一实施方式中，预测出目标移动终端的指纹识别异常概率后，在步骤S23之后还包括步骤S24：在所述指纹识别异常概率大于设定值时，发于告警信息。其中，所述发出告警信息包括以下中的一种：

一，播放用于提示指纹识别异常概率较高的语音信息。例如播放“请注意指纹识别异常概率较高”，或者“后续容易发生指纹识别异常，请及时检查”，或者“请检查设备性能，注意指纹识别异常情况”等等。

二，显示用于提示指纹识别异常概率较高的文本信息。例如：在屏幕上弹出提示框，在提示框中显示“请注意指纹识别异常概率较高”、“后续容易发生指纹识别异常，请及时检查”、“请检查设备性能，注意指纹识别异常情况”等信息。

下面通过具体实施例进行详细说明。

具体实施例：

确定输入数据集合，此输入数据集合包括如下16种指纹识别影响参数：移动终端的唯一标识、移动终端的机型、移动终端的生产批次、移动终端的屏幕尺寸、移动终端的软件系统版本、使用指纹识别的应用的名称、使用指纹识别的应用的版本号、屏幕点亮状态、移动终端的温度、移动终端的剩余续航电量、指纹识别过程的开始时间点、指纹识别过程的所属时间段、指纹识别成功的次数、指纹识别的失败原因、使用指纹识别进行屏幕解锁的次数、使用指纹识别进行支付的次数。

服务器从10万个测试终端接收其实时的使用数据，从每个测试终端接收其上报的使用数据，对接收到的使用数据进行清洗，删除持续时长小于一天的使用数据，删除使用数据对应的日期与当前时间的差距大于设定时长的数据。

从清洗后的每个移动终端的数据中提取16种指纹识别影响参数，其中指纹识别成功的次数是指在一个自然日内的指纹识别成功次数，指纹识别的失败原因是指在一个自然日内的所有指纹识别失败情况中出现次数最多的失败原因。

根据每个移动终端的清洗后的数据，计算与上述16种指纹识别影响参数对应的识别异常概率，将计算得到的识别异常概率作为目标识别异常概率。

针对每个移动终端生成一个样本对，此样本对包括16个指纹识别影响参数以及相应的目标识别异常概率。

共生成10万个样本对，根据此10万个样本对构成训练样本。

通过TensorFlow框架，设置循环次数为1万次，使用上述10万个样本对进行预测模型的训练，训练完成后获得hdf5文件，对hdf5文件进行转换获得pb模型。

采集待测移动终端在当前时刻之前的一个自然日内的运行数据，从此运行数据中提取16种指纹识别影响参数，将提取到的16种指纹识别影响参数输入pb模型得到指纹识别异常概率，在此指纹识别异常概率大于设定概率例如(60％)时，发出预警，用户接收到预警后，检查移动终端的运行情况、与指纹识别相关的识别芯片、识别软件等。

本公开实施例中提供一种生成指纹识别异常预测模型的装置。参照图4，图4是根据一示例性实施例示出的一种生成指纹识别异常预测模型的装置的结构图。如图4所示，此装置包括：

样本确定模块401，被配置为确定多个训练样本，所述训练样本包括多个样本对，每个样本对包括一个输入数据集合和一个异常概率，所述输入数据集合包括多个指纹识别影响参数；每个样本对中的输入数据集合包括测试移动终端在第一时段内的指纹识别影响参数，异常概率是所述测试移动终端在第二时段内的指纹识别异常概率；所述第一时段的时长是第一设定时长，第二时段的时长是第二设定时长，所述第二时段的最晚时刻晚于或等于所述第一时段的最早时段；

模型训练模块402，被配置为使用所述多个训练样本进行模型训练，获得预测模型。

本公开实施例中提供一种预测指纹识别异常的装置,此装置包括图4所示的装置，并且：

所述样本确定模块401，被配置为使用以下方法确定多个训练样本：

所述模型训练模块402，还被配置为采用以下方法使用所述多个训练样本进行模型训练获得预测模型：

对所述模型表示文件进行转换，获得预测模型。

本公开实施例中提供一种预测指纹识别异常的装置,此装置包括图4所示的装置，并且：所述指纹识别影响参数的类别包括以下类别中的至少一种：

本公开实施例中提供一种生成指纹识别异常预测模型的装置。参照图5，图5是根据一示例性实施例示出的一种预测指纹识别异常的装置的结构图。如图5所示，此装置包括：

预测模块403，被配置为根据待测移动终端在第一设定时长内的多个指纹识别影响参数，将所述多个指纹识别影响参数输入所述预测模型，确定所述预测模型输出的指纹识别异常概率。

本公开实施例中提供一种生成指纹识别异常预测模型的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

本公开实施例中提供一种预测指纹识别异常的装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

本公开实施例中提供一种非临时性计算机可读存储介质，其上存储有可执行指令，该可执行指令被处理器执行时实现所述生成指纹识别异常预测模型的方法。

本公开实施例中提供一种非临时性计算机可读存储介质，其上存储有可执行指令，该可执行指令被处理器执行时实现所述预测指纹识别异常的方法的步骤。

图6是根据一示例性实施例示出的一种用于生成指纹识别异常预测模型或者用于预测指纹识别异常的装置600的框图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，方法实施例的步骤之间除非存在明确的先后顺序，否则执行顺序可任意调整。所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。

虽然结合附图描述了本公开的实施方式，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims

1.一种生成指纹识别异常预测模型的方法，应用于移动终端，其特征在于，包括：

使用所述多个训练样本进行模型训练，获得预测模型。

2.如权利要求1所述的方法，其特征在于，

所述确定多个训练样本，包括：

3.如权利要求1所述的方法，其特征在于，

所述使用所述多个训练样本进行模型训练获得预测模型，包括：

对所述模型表示文件进行转换，获得预测模型。

4.如权利要求1所述的方法，其特征在于，

所述指纹识别影响参数的类别包括以下类别中的至少一种：

5.如权利要求4所述的方法，其特征在于，

属于所述硬件属性类别的指纹识别影响参数，包括以下中的至少一种：移动终端的唯一标识、移动终端的机型、移动终端的生产批次、移动终端的屏幕尺寸；

6.一种使用权利要求1至5中任一权利要求所生成的指纹识别异常预测模型预测指纹识别异常的方法，其特征在于，包括：

7.一种生成指纹识别异常预测模型的装置，应用于移动终端，其特征在于，包括：

8.如权利要求7所述的装置，其特征在于，

所述样本确定模块，被配置为使用以下方法确定多个训练样本：

9.如权利要求7或8所述的装置，其特征在于，

所述模型训练模块，还被配置为采用以下方法使用所述多个训练样本进行模型训练获得预测模型：

对所述模型表示文件进行转换，获得预测模型。

10.如权利要求7所述的装置，其特征在于，

所述指纹识别影响参数的类别包括以下类别中的至少一种：

11.如权利要求10所述的装置，其特征在于，

12.使用如权利要求7至11中任一权利要求所述的装置所生成的指纹识别异常预测模型预测指纹识别异常的装置，其特征在于，包括：

13.一种生成指纹识别异常预测模型的装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述存储器中的可执行指令以实现权利要求1至5中任一项所述的生成指纹识别异常预测模型的方法的步骤。

14.一种预测指纹识别异常的装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述存储器中的可执行指令以实现权利要求6所述的预测指纹识别异常的方法的步骤。

15.一种非临时性计算机可读存储介质，其上存储有可执行指令，其特征在于，该可执行指令被处理器执行时实现权利要求1至5中任一项所述生成指纹识别异常预测模型的方法或者权利要求6所述的预测指纹识别异常的方法的步骤。