CN114896575B - 一种基于虚假属性检测的可信身份辨识方法及装置 - Google Patents
一种基于虚假属性检测的可信身份辨识方法及装置 Download PDFInfo
- Publication number
- CN114896575B CN114896575B CN202210461329.2A CN202210461329A CN114896575B CN 114896575 B CN114896575 B CN 114896575B CN 202210461329 A CN202210461329 A CN 202210461329A CN 114896575 B CN114896575 B CN 114896575B
- Authority
- CN
- China
- Prior art keywords
- identity
- attribute
- consensus
- false
- attributes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 229940088594 vitamin Drugs 0.000 claims abstract description 31
- 239000011782 vitamin Substances 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims description 15
- 229930003231 vitamin Natural products 0.000 claims description 6
- 235000013343 vitamin Nutrition 0.000 claims description 6
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000007613 environmental effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Abstract
本发明涉及一种基于虚假属性检测的可信身份辨识方法及装置,包括:通过M个已知对象建立已知身份属性信息库;提取每个已知对象的N维生物特征属性对应的N条特征;利用特征模板与待测对象的N维生物特征属性中对应的生物特征属性进行匹配,选取相似度较大的L个识别结果作为生物特征属性的识别结果;利用基于汇聚度的共识算法对L个识别结果进行计算,将局部汇聚度值最小的身份作为共识身份;根据共识身份的每个生物特征属性是否处于L个识别结果中确定共识身份的标志;根据标志确定生物特征属性的真实性;输出检测到的虚假属性和作为可信身份的共识身份。本发明探索无监督虚假身份属性检测技术研究的新途径,提高未知攻击条件下身份辨识精度。
Description
技术领域
本发明属于可信身份辨识技术领域,涉及一种基于虚假属性检测的可信身份辨识方法及装置。
背景技术
近年来,我国互联网技术发展迅速,在线交易、身份认证、线上办公等越来越常态化,网络身份真假难辨,可信身份辨识成为愈受重视的关键技术。
公安部统计数据表明,互联网业务中,虚假身份和马甲现象泛滥,95%以上的网络犯罪与虚假身份有关。因此加快构建可信身份体系,对服务网络空间安全和发展具有重要意义。其中网络上的虚假身份由各种各样的攻击造成,因此,可信身份认证需要解决人为攻击的问题。目前针对已知攻击的解决效果很好,但是解决未知攻击的挑战更为严峻,因为未知攻击难以通过已有的经验和数据有效地进行预防。
目前随着人工智能、机器学习的快速发展,利用生物特征属性进行身份辨识获得了较高的准确率,并在生活中得到了广泛的应用。现有的单模态生物识别方法容易受到非普遍性、环境变化、欺骗攻击等因素的限制,其识别准确率和方法安全性大打折扣,新的可信身份认证技术亟待现身。
2020年Keshav Gupta等人在Applied Intelligence(CCF C刊)上提出了一种自适应结合个体分类器分数的多模态生物识别系统。提出了基于质量的分数融合方法区分欺骗攻击和噪声输入。该方法在三个嵌合的多模态数据库上进行了测试,结果验证了所提出的多模态生物特征系统的准确率为99.5%,其性能优于目前最先进的方法。
2020年,Anjith George等人在TIFS(CCF A刊)中提出一种使用一类分类器的演示攻击检测新框架,框架中所使用的表示是通过多通道卷积神经网络(MC-CNN)来学习的。引入一个新的损失函数,迫使网络在远离攻击表示情况下,学习真实类的紧致嵌入。该系统在公开可用的WMCA多通道人脸PAD数据库上进行了评估,该数据库包含了各种2D和3D攻击。在不可见攻击方案中的优异性能表明了该方法的有效性。
目前,可信身份辨识技术面临算法误差、环境误差和对抗攻击三大挑战,造成可信身份辨识准确率大幅降低,可信身份认证方法安全受到严重威胁。
1、算法误差:任何低维属性的身份辨识方法很难实现100%的准确度,必然存在一定的模糊空间。
2、环境变化:许多身份辨识算法在特定环境下可以发挥很好的作用,但是一旦使用环境发生较大变化时,识别性能会急剧下降,这就是环境改变引起的识别系统“时灵时不灵”的问题。
3、对抗攻击:随着身份辨识技术的广泛使用,各类人为身份攻击行为也越来越普遍。可信身份技术不仅面临着算法误差和环境误差的挑战,更严重的是大量身份攻击行为使得身份辨识技术必须具备更好的抗攻击性能,如何解决身份辨识方法“从理想到对抗的问题”也是身份辨识技术面临的重大挑战。
综上,在复杂动态变化的现实场景中,传统的身份认证方法面临环境干扰、欺骗攻击等问题,其中由未知攻击引起的虚假身份危害最大,造成识别准确率和系统安全性大打折扣。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于虚假属性检测的可信身份辨识方法及装置。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种基于虚假属性检测的可信身份辨识方法,所述可信身份辨识方法包括:
步骤1、通过M个已知对象建立已知身份属性信息库,所述已知身份属性信息库包括所述M个已知对象的身份和每个所述已知对象的N维生物特征属性;
步骤2、提取每个所述已知对象的所述N维生物特征属性对应的N条特征,所述M个已知对象的同一生物特征属性对应的生物特征建立一条特征模板,共N条所述特征模板,所述特征模板中保存对应的生物特征以及身份标识,所述生物特征为所述生物特征属性的特征;
步骤3、利用所述特征模板与待测对象的N维生物特征属性中对应的生物特征属性进行匹配识别,选取相似度较大的L个识别结果作为该生物特征属性的识别结果,所述待测对象的N维生物特征属性包括正常属性和虚假属性,虚假属性的数量NFake,满足条件NFake≥50%×N;
步骤4、利用基于汇聚度的共识算法对所述L个识别结果进行计算,以将局部汇聚度值最小的身份作为共识身份;
步骤5、根据所述共识身份的每个生物特征属性是否处于所述L个识别结果中确定所述共识身份的标志,所述标志表征为真实属性和虚假属性;
步骤6、根据所述共识身份的标志确定所述生物特征属性的真实性;
步骤7、输出检测到的虚假属性和作为可信身份的共识身份。
在本发明的一个实施例中,所述步骤3包括:
计算所述待测对象的N维生物特征属性中的第i个N维生物特征属性中与第i个所述特征模板中每个所述生物特征属性的欧式距离,从第i个所述特征模板中选取欧式距离较小的L个所述生物特征属性作为所述待测对象的第i个N维生物特征属性的识别结果。
在本发明的一个实施例中,所述步骤4包括:
步骤4.1、初始化共识身份、共识值和汇聚度值,将所述M个已知对象的身份都作为共识身份,所述共识值和所述汇聚度值均设为0;
步骤4.2、根据每个识别结果的身份出现个数更新共识值,并保留共识值大于或者等于2的身份;
步骤4.3、判断共识值大于或者等于2的身份是否有多个,若仅有一个身份,则该身份即为共识身份,并进入步骤6,若有多个身份,则进入步骤4.4;
步骤4.4、分别计算共识值大于或者等于2的所有身份的局部汇聚度值;
步骤4.5、将所述局部汇聚度值最小的身份作为所述共识身份。
在本发明的一个实施例中,所述步骤4.2包括:
根据逐阶共识算法依次逐阶遍历L个识别结果,以根据每个识别结果的身份出现个数更新共识值,并保留共识值大于或者等于2的身份。
在本发明的一个实施例中,
所述汇聚度值的计算公式为:
其中,Ksub(m)表示对象m的局部汇聚度,s表示对象m的在L个识别结果排列的位置,Nsub表示属性N维的子集。
在本发明的一个实施例中,若在L个识别结果中对象m没有出现,则:
其中,s=L。
在本发明的一个实施例中,所述步骤5包括:
判断所述共识身份的所述生物特征属性是否在所述L个识别结果中,若是,则设置该生物特征属性的标志表征真实属性,若否,则设置该生物特征属性的标志表征虚假属性。
在本发明的一个实施例中,所述步骤6包括:
判断所述共识身份的生物特征属性的标志,若所述标志表征为虚假属性,则该生物特征属性即为虚假属性,若所述标志表征为真实属性,则该生物特征属性即为真实属性。
本发明一个实施例还提供一种基于虚假属性检测的可信身份辨识装置,用于实施上述任一项实施例所述的方法。
与现有技术相比,本发明的有益效果:
1、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对象的多维属性的检测,发现其中包含的虚假属性,并计算其真实身份,算法执行效率高,一定程度上有利于实现身份的可信辨识。
2、本发明属于无监督学习。与传统方法大多依赖“先验知识和数据”学习决策边界的思路不同,本发明侧重研究算法、环境和攻击等误差在高维数据空间的分布规律及其差异,提出了“对抗攻击与算法、环境等其他因素形成的误差分布存在着显著差异”的猜想。传统虚假属性检测方法属于有监督学习,本发明通过在高维空间研究分布状态的差异通过无监督学习更好的解决属性伪造问题。
3、本发明可以解决未知攻击。传统方法对于已知攻击的解决已取得了很好的效果,但是未知攻击难以通过已有的经验和数据有效地进行预防,本发明通过无监督学习,根据对象的多维身份辨识数据,在决策层探究人为攻击维度的表征机理,从而解决未知攻击检测问题。
4、本发明解决虚假属性大于50%条件下的可信身份辨识。之前的逐阶共识算法已经很好的解决虚假属性比例小于50%条件下的可信身份辨识问题,本发明进一步解决虚假属性比例大于50%条件下的虚假属性检测问题,依据高维空间下真实/虚假属性汇聚状态不同的原理进行虚假属性检测和可信身份计算,较之前的方法可以适应更加复杂的场景。
本发明探索了无监督虚假身份属性检测技术研究的新途径,提高了未知攻击条件下的身份辨识精度。
通过以下参考附图的详细说明,本发明的其它方面和特征变得明显。但是应当知道,该附图仅仅为解释的目的设计,而不是作为本发明的范围的限定,这是因为其应当参考附加的权利要求。还应当知道,除非另外指出,不必要依比例绘制附图,它们仅仅力图概念地说明此处描述的结构和流程。
附图说明
图1为本发明实施例提供的一种基于虚假属性检测的可信身份辨识方法的流程示意图;
图2为本发明实施例提供的一种逐阶共识算法的示意图;
图3为本发明实施例提供的一种虚假属性检测和可信身份辨识技术路线图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
传统的可信身份辨识技术针对多元属性融合的研究大多是在分数层进行融合,通过在特征层寻找真实和虚假属性之间的特征差异进行判断是否有呈现攻击,进而对身份识别做出判断。现有工作针对对抗攻击问题,多数在有监督学习条件下进行,通过先验知识和数据学习决策边界,无法有效解决未知攻击。并且目前的研究方法多在低维空间进行,仅研究低维属性伪造检测的问题,但是在复杂现实环境中,低维属性造假难以避免。现有逐阶共识算法能够在高维空间中同时解决虚假属性检测和可信身份计算难题,但是其解决范围有限,仅能实现虚假属性占比为49%及其以下的情况。
针对上述问题,本发明拟在逐阶共识算法的基础上,研究高维空间中算法/攻击误差的分布规律及其差异,在高维空间中区分低维空间中算法误差、环境误差引起的错误结果与人为攻击引起的错误结果混乱问题,实现提高身份辨识方法的准确性,提升系统的安全性能,实现身份的精准辨识的目的。
本发明提出的是给定未知身份对象的N个身份属性,其中可能包含大于50%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,计算真实身份,保证身份的可信辨识,且算法简单,计算复杂度低。定义混合属性集合是指一个待测对象的身份属性中同时包含正常采集的属性和虚假属性。混合属性集合-真实属性集合距离:指待测对象的混合属性集合与其实际身份对应的属性模板之间的距离。
本发明的技术方案的原理是正常/虚假属性所导致的距离差异不同,即待测对象的正常/虚假属性与其实际身份对应属性模板之间的距离存在显著差异,其中正常属性与真实属性之间的距离会更近,而虚假属性与真实属性之间的距离会更远。在此差异基础上,本发明发现在虚假属性比例大于50%的条件下,混合属性集合-真实属性集合距离之间存在部分汇聚特点,而虚假属性则相对发散,在随机造假的情况下,真实属性在多维属性结果上的表现是汇聚在一起的,而虚假属性由于是随机产生的,即使虚假属性占绝大多数,但是其在多维属性集合上的分布是相对发散的,只有极个别情况会产生汇聚。
因此,基于真实/虚假属性汇聚状态的差异,分析多维属性的识别结果序列找出真实身份,并检测虚假属性。本发明采用以下技术方案,请参见图1,图1为本发明实施例提供的一种基于虚假属性检测的可信身份辨识方法的流程示意图,本发明提供一种基于虚假属性检测的可信身份辨识方法,该可信身份辨识方法包括步骤1-步骤7,其中:
步骤1、通过M个已知对象建立已知身份属性信息库,已知身份属性信息库包括M个已知对象的身份和每个已知对象的N维生物特征属性。
具体地,依次采集M个已知对象的N个生物特征属性,首先采集M个对象的a属性,并以标准化命名唯一标识身份,其次采集M个身份对象的b属性,同样标准化命名,依次类推采集M个对象的剩余属性,直到N个属性采集完成,即可以形成M个已知对象的已知身份属性信息库,其中C(i,j)表示第i个对象的第j维属性,其中身份表示为O1,O2,O3,…,Om,m数量与M相同,生物特征属性表示为小写字母a,b,c,d,…,n,n数量与N相同,生物特征属例如为人脸、指纹、声纹、掌纹、虹膜等。
其中,N≥4,例如N为5。
步骤2、提取每个已知对象的N维生物特征属性对应的N条特征,M个已知对象的同一生物特征属性对应的生物特征建立一条特征模板,共N条特征模板,特征模板中保存对应的生物特征以及身份标识,生物特征为生物特征属性的特征。
具体地,依次提取M个已知对象的N维生物特征属性对应的生物特征,即每个已知对象对应采取N维生物特征属性,每个生物特征属性对应一生物特征,生物特征的选择根据生物特征属性的种类来确定,每种生物特征属性对应建立一条特征模板,特征模板中保存对应的生物特征以及身份标识,共形成N条特征模板,分别记为Fa,Fb,Fc,…,Fn,其中,特征模板Fa包括有M个已知对象的生物特征属性a及对应的身份标识,特征模板Fb包括有M个已知对象的生物特征属性b及对应的身份标识,特征模板Fc括有M个已知对象的生物特征属性c及对应的身份标识,其余的以此类推。
对于人脸识别,采用开放的Dlib深度学习库,给定一幅图像,使用Dlib官方预先训练好的模型,找出68个关键点位置作为面部特征用于编码。在face_recognition项目中,编码信息的获取已经通过深度学习训练好,表示为特征向量,结果是通过计算特征向量之间的距离得到的。
对于指纹识别,采用SURF特征算子提取指纹的特征点,将待测指纹的特征点与已知指纹特征库进行匹配,匹配过程采用快速近似最近邻搜索库(FLANN),最后将匹配分数进行排序得到结果,得到匹配分数最高的特征。
对于声纹识别,采用MFCC与LPC线性结合用于声纹识别,MFCC为梅尔倒谱系数,LPC为线性预测系数,将待检测声纹特征与已知声纹库进行匹配,匹配的过程利用VQ聚类方法LBG,匹配的结果根据距离获得,计算的距离越小,表示两者越相似。最后按照距离从小到大进行排序,选择距离最小的特征。
对于虹膜识别,采用基于纹理分析的方法进行辨识,采用滤波器捕获频率信息进行特征提取,在匹配过程中,计算未知对象的图像特征向量与已知特征之间的欧氏距离,根据距离的大小进行排序,选择距离最小的特征。
对于掌纹识别,根据非接触式掌纹识别方法来实现掌纹的识别过程,其中低秩表示是一种子空间聚类方法,识别过程结合低秩表示和自适应主线距离。对于已知身份的掌纹图像,预处理之后提取对应的特征,形成已知特征库,对于未知图像,同样提取相同的特征进行表示,然后计算未知特征向量与已知特征库之间的欧式距离,将距离进行排序,选择距离最小的特征。
需要说明的是,对于生物特征的提取过程本发明不做具体限定,凡是能提取生物特征的方法均适用于本发明。
步骤3、利用特征模板与待测对象的N维生物特征属性中对应的生物特征属性进行匹配识别,选取相似度较大的L个识别结果作为该生物特征属性的识别结果,待测对象的N维生物特征属性包括正常属性和虚假属性,虚假属性的数量NFake,满足条件NFake≥50%×N。
具体地,给定待测对象(未知身份)X的N维生物特征属性,其N维生物特征属性为X(j),其中j=1~N,在这N维生物特征属性中既有正常属性,也有虚假属性。虚假属性的数量NFake,满足条件NFake≥50%×N,该方法的待测对象的N维生物特征属性至少有两个及以上的正常属性,这样真实属性之间才会产生汇聚现象。
针对待测对象X的N维生物特征属性,即a1,b1,c1,d1,…,n1,选择对应生物特征属性的识别算法,得到对应生物特征属性的N个识别结果,识别结果中身份选择相似度较大的L个身份,识别结果记为Ra,Rb,Rc,…,Rn,识别方式分析如下:
对于生物特征属性a1,以Fa为已知身份对象的特征模板,提取生物特征属性a1的生物特征,并与特征模板Fa进行匹配对比,选取最相似的L个身份作为属性a1的识别结果,记为Ra,例如Ra={O2,O4,O6,…,OL},依次类推,可以得到属性b1至n1的识别结果,即Rb,Rc,…,Rn。
在一个具体实施例中,计算待测对象的N维生物特征属性中的第i个N维生物特征属性中与第i个特征模板中每个生物特征属性的欧式距离,从第i个特征模板中选取欧式距离较小的L个生物特征属性作为待测对象的第i个N维生物特征属性的识别结果。
优选地,L为5-10。
需要说明的是,L的取值可以由经验进行判断,在识别算法精度较高、采集环境理想的情况下,L的取值较低,一般在5左右,而当识别算法精度较低或者采集样本环境恶劣的情况下,L的取值较高,一般在10左右,之后的取值认为不属于汇聚的范围,因此不作考虑。
步骤4、利用基于汇聚度的共识算法对L个识别结果进行计算,以将局部汇聚度值最小的身份作为共识身份。
针对步骤3中获得的识别结果Ra,Rb,Rc,…,Rn,进行逐阶共识计算,得到最有可能的共识身份Identity,由于在本实施例的场景中虚假属性所占比例较大,因此不排除出现两个及以上的共识身份,因此需要通过汇聚度计算来确定唯一的共识身份。
在一个具体实施例中,步骤4可以具体包括步骤4.1至步骤4.5,其中:
步骤4.1、初始化共识身份、共识值和汇聚度值,将M个已知对象的身份都作为共识身份,共识值和汇聚度值均设为0,即共识值d[Oi]=0,汇聚度值d_con[Oi]=0。
步骤4.2、根据每个识别结果的身份出现个数更新共识值,并保留共识值大于或者等于2的身份。
具体地,根据逐阶共识算法依次逐阶遍历L个识别结果,以根据每个识别结果的身份出现个数更新共识值,并保留共识值大于或者等于2的身份。
例如,请参见图2,在一阶计算结果中,身份O3、O5和O6都出现了一次,其共识值均为1,不满足终止条件,递增计算的阶数,在二阶计算过程中,新增加三个身份O1、O2和O4,其共识值均为1,仍然不满足终止条件,继续进行三阶计算,身份O8和O9的共识值为1,身份O1的共识值更新为2,此时经过遍历操作发现身份O1的共识值为2,此时满足终止条件。
步骤4.3、判断共识值大于或者等于2的身份是否有多个,若仅有一个身份,则该身份即为共识身份,并进入步骤6,若有多个身份,则进入步骤4.4。
步骤4.4、分别计算共识值大于或者等于2的所有身份的局部汇聚度值。
具体地,对象m在多维属性上的汇聚度,计算公式为将N个维度中的每一个维度的汇聚度值K(m,n)相加求平均值,即为待测对象X与已知身份属性信息库中第m个对象的局部汇聚度K(m),局部汇聚度的取值范围是0<K(m)≤1,汇聚度值越小代表汇聚度越大。汇聚度值的计算公式为:
其中,Ksub(m)表示对象m的局部汇聚度,s表示对象m的身份匹配结果排列在第s位(取自前L位),Nsub表示属性N维的子集,即对象m出现的对应子序列的个数,若在属性集合前L位中对象m没有出现,则:
其中,s=L。
步骤4.5、将局部汇聚度值最小的身份作为共识身份。
具体地,判断局部汇聚度值的大小,取局部汇聚度值最小的对应身份作为共识身份Identity,进入步骤5。
步骤5、根据共识身份的每个生物特征属性是否处于L个识别结果中确定共识身份的标志,标志表征为真实属性和虚假属性,其中标志表征为真实属性时,标志flag_a可以记为flag_a=True,标志表征为虚假属性时,标志flag_a可以记为flag_a=False。
具体地,判断共识身份的生物特征属性是否在L个识别结果中,若是,则设置该生物特征属性的标志表征真实属性,若否,则设置该生物特征属性的标志表征虚假属性。
也就是说,判断共识身份identity是否在待检测属性a1,b1,c1…的识别结果Ra,Rb,Rc…的最相似的L个中,若共识身份identity在待检测属性a1的识别结果Ra中,设置标志flag_a=True,否则设置flag_a=False,同理可以获得待检测属性b1、c1…的标志flag_b、flag_c…,其中identity由步骤4获得。
例如,实施例中N的取值为5,待检测属性a1、b1、c1、d1、e1的识别结果分别Ra、Rb、Rc、Rd、Re,结合步骤4中所获得的identity,依次判断共识身份identity是否在待检测属性a1、b1、c1、d1、e1的识别结果Ra、Rb、Rc、Rd、Re的前top L中,获得待检测属性a1、b1、c1、d1、e1的标志flag_a、flag_b、flag_c、flag_d、flag_e。
步骤6、根据共识身份的标志确定生物特征属性的真实性。
具体地,判断共识身份的生物特征属性的标志,若标志表征为虚假属性,则该生物特征属性即为虚假属性,若标志表征为真实属性,则该生物特征属性即为真实属性。
也就是说,判断步骤5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…为真实或者虚假属性。
实施例中N的取值为5,依次根据步骤5中所获得的标志flag_a、flag_b、flag_c、flag_d、flag_e去判断待检测属性a1、b1、c1、d1、e1的真假性。
步骤7、输出检测到的虚假属性和作为可信身份的共识身份。
具体地,输出检测到的虚假属性,共识身份Identity作为可信身份,虚假检测和身份计算完成。
1、通过无监督学习解决未知攻击
将虚假身份属性检测从低维空间防伪检测问题转换为高维空间真实/虚假属性汇聚状态的差异性检测问题,摆脱了传统有监督检测技术需要学习大量已知攻击数据的方法制约,可以很好地解决未知攻击。传统虚假属性检测方法针对已知攻击的解决效果良好,对于未知攻击的解决是通过学习已知攻击的训练数据进行,但是现实生活中攻击者总能想出层出不穷的手段混淆身份辨识方法,有监督学习的方式存在一定程度的缺陷,因此本发明通过无监督学习方式,研究攻击和正常采集的样本在高维空间的数据分布差异进行虚假属性检测和真实身份计算。
2、突破算法误差和环境干扰瓶颈
本发明在高维空间研究虚假属性检测问题,将多维属性信息融合进行身份识别,可以提高身份辨识精度,避免因算法或环境误差造成识别准确率下降问题,并且本发明可以适用于非合作无感知身份认证场景,优化用户体验,提高系统安全性。传统多模态生物特征检测仅关注首选身份,通过多数决策思想进行身份识别,在识别算法误差和环境干扰严重的情况下,身份辨识的准确率降低,本发明通过研究识别身份结果的排序序列,研究首选身份之后排序第二、第三等的身份,在高维空间研究真实属性之间的汇聚现象进行虚假属性检测和真实身份计算。
实施例二
本发明在实施例一的基础上还提供一种基于虚假属性检测的可信身份辨识装置,该可信身份辨识装置用于实施实施例一所述的基于虚假属性检测的可信身份辨识方法,例如,本发明的可信身份辨识装置如附图3所示,可以分为两个模块:身份识别模块、虚假属性检测模块。身份识别模块包括获取未知对象的身份属性信息,以及身份属性识别结果排序。虚假属性检测模块包括汇聚共识计算和基于共识身份位置的伪造检测。对于虚假属性检测模块,基于汇聚共识算法获得未知对象的共识身份,再根据共识身份的所在的识别结果序列的位置进行虚假属性检测。由于真实属性在高维身份空间的汇聚程度与虚假属性的汇聚度是具有显著差异的,且在随机造假的前提下,虚假属性的汇聚是极小概率事件,因此我们可以通过不同的汇聚度差异来区别真实和虚假属性。之后根据得到的共识身份进行虚假属性检测并计算可信身份。
在发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征数据点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特征数据点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于虚假属性检测的可信身份辨识方法,其特征在于,所述可信身份辨识方法包括:
步骤1、通过M个已知对象建立已知身份属性信息库,所述已知身份属性信息库包括所述M个已知对象的身份和每个所述已知对象的N维生物特征属性;
步骤2、提取每个所述已知对象的所述N维生物特征属性对应的N条特征,所述M个已知对象的同一生物特征属性对应的生物特征建立一条特征模板,共N条所述特征模板,所述特征模板中保存对应的生物特征以及身份标识,所述生物特征为所述生物特征属性的特征;
步骤3、利用所述特征模板与待测对象的N维生物特征属性中对应的生物特征属性进行匹配识别,选取相似度较大的L个识别结果作为该生物特征属性的识别结果,所述待测对象的N维生物特征属性包括正常属性和虚假属性,虚假属性的数量NFake,满足条件NFake≥50%×N;
步骤4、利用基于汇聚度的共识算法对所述L个识别结果进行计算,以将局部汇聚度值最小的身份作为共识身份;
所述步骤4包括:
步骤4.1、初始化共识身份、共识值和汇聚度值,将所述M个已知对象的身份都作为共识身份,所述共识值和所述汇聚度值均设为0,所述汇聚度值的计算公式为:
其中,Ksub(m)表示对象m的局部汇聚度,s表示对象m的身份在L个识别结果排列的位置,Nsub表示属性N维的子集;
步骤4.2、根据逐阶共识算法依次逐阶遍历L个识别结果,以根据每个识别结果的身份出现个数更新共识值,并保留共识值大于或者等于2的身份,若在L个识别结果中对象m没有出现,则:
其中,s=L;
步骤4.3、判断共识值大于或者等于2的身份是否有多个,若仅有一个身份,则该身份即为共识身份,并进入步骤6,若有多个身份,则进入步骤4.4;
步骤4.4、分别计算共识值大于或者等于2的所有身份的局部汇聚度值;
步骤4.5、将所述局部汇聚度值最小的身份作为所述共识身份;
步骤5、根据所述共识身份的每个生物特征属性是否处于所述L个识别结果中确定所述共识身份的标志,所述标志表征为真实属性和虚假属性;
步骤6、根据所述共识身份的标志确定所述生物特征属性的真实性;
步骤7、输出检测到的虚假属性和作为可信身份的共识身份。
2.根据权利要求1所述的基于虚假属性检测的可信身份辨识方法,其特征在于,所述步骤3包括:
计算所述待测对象的N维生物特征属性中的第i个N维生物特征属性中与第i个所述特征模板中每个所述生物特征属性的欧式距离,从第i个所述特征模板中选取欧式距离较小的L个所述生物特征属性作为所述待测对象的第i个N维生物特征属性的识别结果。
3.根据权利要求1所述的基于虚假属性检测的可信身份辨识方法,其特征在于,所述步骤5包括:
判断所述共识身份的所述生物特征属性是否在所述L个识别结果中,若是,则设置该生物特征属性的标志表征真实属性,若否,则设置该生物特征属性的标志表征虚假属性。
4.根据权利要求1所述的基于虚假属性检测的可信身份辨识方法,其特征在于,所述步骤6包括:
判断所述共识身份的生物特征属性的标志,若所述标志表征为虚假属性,则该生物特征属性即为虚假属性,若所述标志表征为真实属性,则该生物特征属性即为真实属性。
5.一种基于虚假属性检测的可信身份辨识装置,其特征在于,用于实施权利要求1至4任一项所述的可信身份辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210461329.2A CN114896575B (zh) | 2022-04-28 | 2022-04-28 | 一种基于虚假属性检测的可信身份辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210461329.2A CN114896575B (zh) | 2022-04-28 | 2022-04-28 | 一种基于虚假属性检测的可信身份辨识方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114896575A CN114896575A (zh) | 2022-08-12 |
CN114896575B true CN114896575B (zh) | 2024-04-16 |
Family
ID=82719177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210461329.2A Active CN114896575B (zh) | 2022-04-28 | 2022-04-28 | 一种基于虚假属性检测的可信身份辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896575B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006299A (zh) * | 2010-11-29 | 2011-04-06 | 西安交通大学 | 一种面向可信互联网的基于实体标识的身份认证方法及系统 |
WO2013131407A1 (zh) * | 2012-03-08 | 2013-09-12 | 无锡中科奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN109886151A (zh) * | 2019-01-30 | 2019-06-14 | 武汉大学 | 一种虚假身份属性检测方法 |
CN110741369A (zh) * | 2017-06-02 | 2020-01-31 | 维萨国际服务协会 | 使用电子身份进行安全生物统计认证 |
CN110738167A (zh) * | 2019-10-14 | 2020-01-31 | 武汉大学 | 一种基于多域空间属性关联分析的行人辨识方法 |
CN111160130A (zh) * | 2019-12-12 | 2020-05-15 | 中国电子科技网络信息安全有限公司 | 一种多平台虚拟身份账号的多维碰撞识别方法 |
CN111814472A (zh) * | 2020-09-03 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 文本识别方法、装置、设备及存储介质 |
CN113037505A (zh) * | 2021-05-31 | 2021-06-25 | 北京连琪科技有限公司 | 一种可信Web应用的实现方法及系统 |
CN113055386A (zh) * | 2021-03-12 | 2021-06-29 | 哈尔滨安天科技集团股份有限公司 | 一种攻击组织的识别分析方法和装置 |
WO2021137753A1 (en) * | 2019-12-31 | 2021-07-08 | Amc Future Technology Pte. Ltd. | Electronic authentication system and process using the same |
CN114241560A (zh) * | 2021-12-16 | 2022-03-25 | 中国农业银行股份有限公司 | 人脸识别隐私保护系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100042669A1 (en) * | 2008-08-14 | 2010-02-18 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | System and method for modifying illusory user identification characteristics |
-
2022
- 2022-04-28 CN CN202210461329.2A patent/CN114896575B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006299A (zh) * | 2010-11-29 | 2011-04-06 | 西安交通大学 | 一种面向可信互联网的基于实体标识的身份认证方法及系统 |
WO2013131407A1 (zh) * | 2012-03-08 | 2013-09-12 | 无锡中科奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN110741369A (zh) * | 2017-06-02 | 2020-01-31 | 维萨国际服务协会 | 使用电子身份进行安全生物统计认证 |
CN109886151A (zh) * | 2019-01-30 | 2019-06-14 | 武汉大学 | 一种虚假身份属性检测方法 |
CN110738167A (zh) * | 2019-10-14 | 2020-01-31 | 武汉大学 | 一种基于多域空间属性关联分析的行人辨识方法 |
CN111160130A (zh) * | 2019-12-12 | 2020-05-15 | 中国电子科技网络信息安全有限公司 | 一种多平台虚拟身份账号的多维碰撞识别方法 |
WO2021137753A1 (en) * | 2019-12-31 | 2021-07-08 | Amc Future Technology Pte. Ltd. | Electronic authentication system and process using the same |
CN111814472A (zh) * | 2020-09-03 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 文本识别方法、装置、设备及存储介质 |
CN113055386A (zh) * | 2021-03-12 | 2021-06-29 | 哈尔滨安天科技集团股份有限公司 | 一种攻击组织的识别分析方法和装置 |
CN113037505A (zh) * | 2021-05-31 | 2021-06-25 | 北京连琪科技有限公司 | 一种可信Web应用的实现方法及系统 |
CN114241560A (zh) * | 2021-12-16 | 2022-03-25 | 中国农业银行股份有限公司 | 人脸识别隐私保护系统及方法 |
Non-Patent Citations (8)
Title |
---|
Consensus Computation in Unreliable Networks:A System Theoretic Approach;Fabio Pasqualetti 等;IEEE Transactions on Automatic Control;20120131;第57卷(第1期);90-104 * |
可视身份深度伪造与检测;彭春蕾 等;中国科学:信息科学;20210915;第51卷(第09期);1451-1474 * |
基于分布式群身份认证的传感器网络设计与实现;黄力;计算机工程;20070520(第10期);161-163 * |
基于模糊综合评判的入侵检测报警信息处理;穆成坡 等;计算机研究与发展;20051016(第10期);7 * |
基于逐阶共识计算的虚假物理身份属性检测方法;胡瑞敏 等;武汉大学学报(理学版);20200304;第66卷(第02期);103-110 * |
无线传感器网络匿名通信技术研究进展;房卫东;李凤荣;单联海;何为;王营冠;;北京邮电大学学报;20170215;第40卷(第01期);1-17+27 * |
胡瑞敏 等.基于逐阶共识计算的虚假物理身份属性检测方法.武汉大学学报(理学版).2020,第66卷(第02期),103-110. * |
论生物识别技术应用的身体信息化;胡海明 等;中国医学伦理学;20180425;第31卷(第04期);492-496 * |
Also Published As
Publication number | Publication date |
---|---|
CN114896575A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339990B (zh) | 一种基于人脸特征动态更新的人脸识别系统和方法 | |
Yue et al. | Hashing based fast palmprint identification for large-scale databases | |
CN105654035B (zh) | 三维人脸识别方法及应用其的数据处理装置 | |
CN104036254A (zh) | 一种人脸识别方法 | |
Wu et al. | Prewarping Siamese network: Learning local representations for online signature verification | |
Cui et al. | Measuring dataset granularity | |
US7574609B2 (en) | Method, device and computer program for detecting point correspondences in sets of points | |
Li et al. | A fingerprint indexing scheme with robustness against sample translation and rotation | |
Chen et al. | Orientation field code hashing: A novel method for fast palmprint identification | |
Guo | A hidden markov model fingerprint matching approach | |
McCauley et al. | Identical twins as a facial similarity benchmark for human facial recognition | |
CN114896575B (zh) | 一种基于虚假属性检测的可信身份辨识方法及装置 | |
Shawkat et al. | Biometric technologies in recognition systems: a survey | |
Zalasiński et al. | Evolutionary algorithm for selecting dynamic signatures partitioning approach | |
CN109886151A (zh) | 一种虚假身份属性检测方法 | |
Ren et al. | A novel method of score level fusion using multiple impressions for fingerprint verification | |
KR101133225B1 (ko) | 자세 추정을 이용한 얼굴 인식 시스템 및 방법 | |
Drozdowski et al. | Turning a vulnerability into an asset: Accelerating facial identification with morphing | |
Liu et al. | Fingerprint image quality assessment based on BP neural network with hierarchical clustering | |
Yu et al. | Two strategies to optimize the decisions in signature verification with the presence of spoofing attacks | |
Di Martino et al. | A statistical approach to reliability estimation for fingerprint recognition | |
Wang et al. | On-line signature verification using segment-to-segment graph matching | |
Pervouchine et al. | Extraction and Analysis of Document Examiner Features from Vector Skeletons of Grapheme ‘th’ | |
Tamrakar et al. | Handwritten signature verification technology using deep learning–a review | |
CN113722607B (zh) | 一种基于改进聚类的托攻击检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |