CN114969826A - 一种生物识别的隐私保护方法、装置及设备 - Google Patents
一种生物识别的隐私保护方法、装置及设备 Download PDFInfo
- Publication number
- CN114969826A CN114969826A CN202210689438.XA CN202210689438A CN114969826A CN 114969826 A CN114969826 A CN 114969826A CN 202210689438 A CN202210689438 A CN 202210689438A CN 114969826 A CN114969826 A CN 114969826A
- Authority
- CN
- China
- Prior art keywords
- biological
- information
- user
- model
- attribute
- 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
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本说明书实施例公开了一种生物识别的隐私保护方法、装置及设备,该方法应用于终端设备,包括:获取生物识别请求,该生物识别请求中携带有目标用户的生物信息;将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息;将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型;接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种生物识别的隐私保护方法、装置及设备。
背景技术
随着生物识别技术近年来的广泛应用,越来越多的生物识别产品步入了人们的生产和生活,例如刷脸支付、人脸门禁、指纹解锁手机等等。然而,在生物识别技术为人们提供便利的同时,隐私信息泄漏的风险也逐渐显露出来。由于生物识别系统往往会对用户的生物信息进行采集、处理、传输以及存储,其中,上述的每个环节都有可能泄漏用户的生物信息,而生物信息本身就是隐私信息,一旦泄漏,就会对用户造成损失,另外生物信息的泄漏还会造成连锁反应,进一步危害用户的财产和信息安全。
通常,可以通过信息加密的方式进行隐私保护处理,具体地,使用简单的线性操作对用户生物信息的进行加密或行列混淆等处理,但上述方式原子操作简单、流程单一、且很容易被诸如暴力破解等方式破解。基于此,需要提供一种安全性更高、隐私保护能力更强,且能够快速适配新场景的用户生物识别的技术方案。
发明内容
本说明书实施例的目的是提供一种安全性更高、隐私保护能力更强,且能够快速适配新场景的用户生物识别的技术方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
本说明书实施例提供的一种生物识别的隐私保护方法,应用于终端设备,所述方法包括:获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息。将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息。将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例提供的一种生物识别的隐私保护方法,应用于服务器,所述方法包括:接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息。基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例提供的一种生物识别的隐私保护装置,所述装置包括:请求获取模块,获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息。属性提取模块,将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息。属性信息发送模块,将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。脱敏模块,接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例提供的一种生物识别的隐私保护装置,所述装置包括:属性信息接收模块,接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息。模型确定模块,基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。模型下发模块,将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例提供的一种生物识别的隐私保护设备,所述生物识别的隐私保护设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息。将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息。将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例提供的一种生物识别的隐私保护设备,所述生物识别的隐私保护设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息。基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例还提供了一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息。将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息。将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例还提供了一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息。基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A为本说明书一种生物识别的隐私保护方法实施例;
图1B为本说明书一种生物识别的隐私保护过程示意图;
图2为本说明书一种生物识别的隐私保护系统的结构示意图;
图3为本说明书另一种生物识别的隐私保护过程示意图;
图4A为本说明书另一种生物识别的隐私保护方法实施例;
图4B为本说明书又一种生物识别的隐私保护过程示意图;
图5为本说明书又一种生物识别的隐私保护过程示意图;
图6为本说明书一种生物识别的隐私保护装置实施例;
图7为本说明书另一种生物识别的隐私保护装置实施例;
图8为本说明书一种生物识别的隐私保护设备实施例。
具体实施方式
本说明书实施例提供一种生物识别的隐私保护方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
实施例一
如图1A和图1B所示,本说明书实施例提供一种生物识别的隐私保护方法,该方法的执行主体可以为终端设备,其中,该终端设备可以如手机、平板电脑等一定终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等),还可以是预先设置的具有某种功能的机具等。该方法具体可以包括以下步骤:
在步骤S102中,获取生物识别请求,该生物识别请求中携带有目标用户的生物信息。
其中,目标用户可以是任意用户,如上述终端设备的拥有者,目标用户可以通过该终端设备发起生物识别请求。用户生物信息可以包括多种,例如用户的指纹信息、掌纹信息、面部信息或虹膜信息等,在实际应用中,上述用户生物信息的承载体可以包括多种,例如可以通过图像的方式承载上述各种用户生物信息等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,随着生物识别技术近年来的广泛应用,越来越多的生物识别产品步入了人们的生产和生活,例如刷脸支付、人脸门禁、指纹解锁手机等等。然而,在生物识别技术为人们提供便利的同时,隐私信息泄漏的风险也逐渐显露出来。由于生物识别系统往往会对用户的生物信息进行采集、处理、传输以及存储,其中,上述的每个环节都有可能泄漏用户的生物信息,而生物信息本身就是隐私信息,一旦泄漏,就会对用户造成损失,另外生物信息的泄漏还会造成连锁反应,进一步危害用户的财产和信息安全。
隐私保护能力成为生物识别系统的重要能力,通常,可以通过信息加密的方式进行隐私保护处理,具体地,使用简单的线性操作对用户生物信息的进行加密或行列混淆等处理,但上述方式原子操作简单、流程单一、且很容易被诸如暴力破解等方式破解。此外,还可以通过深度学习的方式进行隐私保护处理,具体地,通过训练并使用深度学习模型(如神经网络模型等)对用户生物信息进行隐私保护处理,得到隐私保护后的用户生物信息,但由于深度学习模型是通过数据驱动的模型,在一些未出现的数据域上(例如,针对面部识别,面部的年龄分布可能会发生比较大的变化),该深度学习模型的性能会急剧衰减,从而降低了隐私保护能力,而且该方式往往需要比较长的前期准备(数据采集,模型训练等)才能被部署到一个新的场景和业务上。基于此,需要提供一种安全性更高、隐私保护能力更强,且能够快速适配新场景的用户生物识别的技术方案。本说明书实施例提供一种可实现的技术方案,具体可以包括以下内容:
当用户(即目标用户)需要执行某项指定业务(如支付业务、登录业务等)时,可以触发上述指定业务的执行机制,在执行上述指定业务之前往往需要对该用户的身份进行识别,此时,终端设备可以启动相应的信息采集组件,如指纹采集组件、摄像组件、掌纹采集组件等,并可以通过信息采集组件采集该用户的用户生物信息,具体如,可以采集该用户的指纹图像、面部图像、掌纹图像或虹膜图像等。终端设备可以基于采集的用户生物信息生成生物识别请求,终端设备可以获取该生物识别请求。
在步骤S104中,将上述生物信息输入到预先通过模型训练得到的生物属性模型中,通过该生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息。
其中,生物属性模型可以是用于从生物信息中提取其中包含的用户的用户属性信息的模型,生物属性模型可以通过多种不同的算法构建,例如,可以通过神经网络算法构建生物属性模型,或者,可以通过随机森林算法构建生物属性模型等,具体可以根据实际情况设定,本说明书实施例对此不做限定。用户属性信息可以包括多种,例如,用户的性别、用户的年龄、用户的表情、用户的生物信息呈现的分辨率等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,可以通过预设的算法构建生物属性模型的初始架构,然后,可以获取不同用户的生物信息,并以以此作为训练样本数据,然后,可以设定相应的损失函数,可以使用获取的生物信息和该损失函数对该生物属性模型进行训练,得到训练后的生物属性模型,使得最终得到的生物属性模型能够实现从该生物信息中提取出用户的用户属性信息。其中,可以通过多种不同的方式获取多组对抗样本数据,例如,可以获取多个原始样本数据(即用户的生物信息),可以将该原始样本数据输入到预先训练的对抗网络模型(如神经网络模型等)中,通过对抗网络模型生成相应的对抗样本数据,通过上述方式可以得到原始样本数据与生成的对抗样本数据构成的一组对抗样本数据,以此类推,可以得到多组对抗样本数据,或者,可以获取多个原始样本数据,然后对每个原始样本数据生成随机噪声数据,将该随机噪声数据加入到相应的原始样本数据中,得到满足对抗样本性质(即与原样本数据在视觉感知上相同,但通过预先训练的模型对对抗样本数据进行识别时得到的识别结果与原样本数据不同(或者对抗样本数据的特征与原样本数据的特征之间的相似度小于预设阈值,即对抗样本数据的特征与原样本数据的特征不相同或不相似))的对抗样本数据,可以将原始样本数据与对抗样本数据构成一组对抗样本数据,从而得到多组对抗样本数据等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
此外,还可以通过对抗特征的方式对生物属性模型进行训练,具体地,可以获取对抗特征,该对抗特征可以是基于指定的训练样本数据(即用户的生物信息)对应的特征确定(如在指定的训练样本数据对应的特征中加入扰动数据,得到满足对抗样本性质的对抗特征等),或者,也可以通过预先训练的模型得到,具体可以根据实际情况设定。可以在生物属性模型的网络层中选取一个网络层作为特征空间,然后,可以将对抗特征输入到上述选取的网络层中,并结合预设的损失函数对生物属性模型进行训练,得到训练后的生物属性模型,从而使得训练后的生物属性模型对数据具有较高的泛化能力。
需要说明的是,上述模型的训练过程可以是在终端设备中执行,也可以是由服务器执行,此时,服务器训练得到生物属性模型后,可以将训练后的生物属性模型提供给终端设备,终端设备可以将其存储于存储设备中,以便后续使用。
当获取到生物识别请求时,可以将该生物识别请求中的生物信息输入到上述训练后的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,从而得到该生物信息对应的用户属性信息,如该用户的年龄、性别、指定表情的表现程度和用户的生物信息呈现的分辨率等。
在步骤S106中,将上述生物信息对应的用户属性信息发送给服务器,该用户属性信息用于触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型。
其中,用户属性信息的分布可以包括多种,例如属性项为性别,用户属性信息的分布可以如男性所占比例为90%,女性所占比例为10%,或者,男性所占比例为25%,女性所占比例为75%等,具体可以根据实际情况设定。隐私保护模型可以是用于对指定数据进行隐私保护处理的模型,隐私保护模型可以通过多种不同的算法构建,例如,可以通过神经网络算法构建编码器,或者,可以通过随机森林算法构建隐私保护模型等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,服务器可以通过预设的算法预先构建隐私保护模型的初始架构,然后,可以获取不同用户的用户属性信息的分布,并以以此作为训练样本数据,然后,可以设定相应的损失函数,可以使用获取的用户属性信息的分布和该损失函数对该隐私保护模型进行训练,得到训练后的隐私保护模型,使得最终得到的隐私保护模型能够适应不同的场景,并对该场景下的用户的生物信息进行脱敏处理。其中,可以通过多种不同的方式获取多组对抗样本数据,例如,可以获取多个原始样本数据(即不同用户的用户属性信息的分布),可以将该原始样本数据输入到预先训练的对抗网络模型(如神经网络模型等)中,通过对抗网络模型生成相应的对抗样本数据,通过上述方式可以得到原始样本数据与生成的对抗样本数据构成的一组对抗样本数据,以此类推,可以得到多组对抗样本数据,或者,可以获取多个原始样本数据(即不同用户的用户属性信息的分布),然后对每个原始样本数据生成随机噪声数据,将该随机噪声数据加入到相应的原始样本数据中,得到满足对抗样本性质(即与原样本数据在视觉感知上相同,但通过预先训练的模型对对抗样本数据进行识别时得到的识别结果与原样本数据不同(或者对抗样本数据的特征与原样本数据的特征之间的相似度小于预设阈值,即对抗样本数据的特征与原样本数据的特征不相同或不相似))的对抗样本数据,可以将原始样本数据与对抗样本数据构成一组对抗样本数据,从而得到多组对抗样本数据等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
此外,还可以通过对抗特征的方式对隐私保护模型进行训练,具体地,可以获取对抗特征,该对抗特征可以是基于指定的训练样本数据(即不同用户的用户属性信息的分布)对应的特征确定(如在指定的训练样本数据对应的特征中加入扰动数据,得到满足对抗样本性质的对抗特征等),或者,也可以通过预先训练的模型得到,具体可以根据实际情况设定。可以在隐私保护模型的网络层中选取一个网络层作为特征空间,然后,可以将对抗特征输入到上述选取的网络层中,并结合预设的损失函数对隐私保护模型进行训练,得到训练后的隐私保护模型,从而使得训练后的隐私保护模型对数据具有较高的泛化能力。
如图2所示,可以将上述生物信息对应的用户属性信息发送给服务器,服务器接收到用户属性信息后,可以确定目标用户的用户属性信息的分布,可以基于目标用户的用户属性信息的分布,从存储的用户属性信息的分布与隐私保护模型的对应关系中,获取用户属性信息的分布对应的隐私保护模型,从而获取到适合当前场景下的隐私保护模型,可以将获取的隐私保护模型确定为对该生物信息进行脱敏处理的隐私保护模型。
在步骤S108中,接收服务器下发的隐私保护模型,并基于该隐私保护模型对上述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行上述生物识别请求对应的生物识别处理。
在实施中,服务器可以将确定的隐私保护模型发送给终端设备,终端设备可以接收该隐私保护模型,然后,可以将目标用户的生物信息输入到上述隐私保护模型中,通过隐私保护模型对目标用户的生物信息进行隐私保护处理,从而使得目标用户的生物信息中包含的敏感信息(如指纹纹路的信息、面部的清晰轮廓信息等)被去除或被隐藏,从而对上述生物信息进行脱敏处理,得到脱敏后的生物信息,可以基于脱敏后的生物信息与预先存储的基准生物信息进行比对,得到目标用户的识别结果,可以向目标用户呈现该识别结果,如果该识别结果指示目标用户通过身份验证,则可以允许目标用户继续执行相应的业务,如果该识别结果指示目标用户未通过身份验证,则可以向目标用户发送相应的通知消息,该通知消息可以通知目标用户,即目标用户的身份验证失败,此时,终端设备可以拒绝执行相应的业务。
本说明书实施例提供一种生物识别的隐私保护方法,通过获取生物识别请求,该生物识别请求中携带有目标用户的生物信息,将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息,将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型,接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理,这样,为了兼顾生物识别的隐私保护部署效率和安全能力,提出了生物识别的隐私保护冷启动方式,从而将每个新的场景(或数据域)解藕成一些用户属性信息的组合,然后,提前在服务器端训练好不同用户属性信息的分布的隐私保护模型,以适配不同的新场景,在部署到新场景后,通过客户端采集数据进行用户属性信息的分析,得到最适合的隐私保护模型,并由服务器下发直接适配,从而避免了针对新场景的长周期准备工作,做到快速的新场景适配。
实施例二
如图3所示,本说明书实施例提供一种生物识别的隐私保护方法,该方法的执行主体可以为终端设备,其中,该终端设备可以如手机、平板电脑等一定终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等),还可以是预先设置的具有某种功能的机具等。该方法具体可以包括以下步骤:
在步骤S302中,获取生物识别请求,该生物识别请求中携带有目标用户的生物信息。
其中,生物信息可以包括面部信息,该面部信息可以是基于面部图像确定。
在步骤S304中,将上述生物信息输入到预先通过模型训练得到的生物属性模型中,通过该生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息。
其中,该用户属性信息可以包括属性项和属性值,该属性项包括以下中的一项或多项:表情的夸张程度、面部的分辨率、性别、年龄、模糊程度等,具体可以根据实际情况设定,本说明书实施例对此不做限定。生物属性模型可以是以MobileNet作为主干网络,并在feature之后设置多个分类器,该分类器的数量可以基于用户属性信息中包含的属性项的数量确定。
在实施中,由于生物属性模型需要在终端设备侧运行,因此,可以使用如MobileNetV2x0.25作为backbone(即主干网络),在最后的feature后面接多个分类器,如果用户属性信息中包含的属性项的数量为5,即分别为表情的夸张程度、面部的分辨率、性别、年龄、模糊程度,则可以在最后的feature后面接5个分类器,分别对应5个属性项,即{表情的夸张程度、面部的分辨率、性别、年龄、模糊程度}。
在步骤S306中,基于预设的加密密钥对上述生物信息对应的用户属性信息进行加密处理,得到加密后的用户属性信息。
在步骤S308中,将加密后的用户属性信息发送给服务器,加密后的用户属性信息用于触发服务器对加密后的用户属性信息进行解密处理,得到用户属性信息,并基于目标用户的用户属性信息的分布,确定对上述生物信息进行脱敏处理的隐私保护模型。
其中,隐私保护模型可以由包括预设数量的卷积层的卷积神经网络模型构建,具体如可以由3个卷积层的卷积神经网络模型构建,或者,可以由5个卷积层的卷积神经网络模型构建等,具体可以根据实际情况设定。每个卷积层可以包括3*3的卷积核,或者,可以包括4*4的卷积核等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S310中,接收服务器下发的隐私保护模型,并基于该隐私保护模型对上述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行上述生物识别请求对应的生物识别处理。
本说明书实施例提供一种生物识别的隐私保护方法,通过获取生物识别请求,该生物识别请求中携带有目标用户的生物信息,将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息,将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型,接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理,这样,为了兼顾生物识别的隐私保护部署效率和安全能力,提出了生物识别的隐私保护冷启动方式,从而将每个新的场景(或数据域)解藕成一些用户属性信息的组合,然后,提前在服务器端训练好不同用户属性信息的分布的隐私保护模型,以适配不同的新场景,在部署到新场景后,通过客户端采集数据进行用户属性信息的分析,得到最适合的隐私保护模型,并由服务器下发直接适配,从而避免了针对新场景的长周期准备工作,做到快速的新场景适配。
实施例三
如图4A和图4B所示,本说明书实施例提供一种生物识别的隐私保护方法,该方法的执行主体可以为服务器,其中,该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤:
在步骤S402中,接收终端设备发送的目标用户的生物信息对应的用户属性信息,目标用户的生物信息是终端设备获取到目标用户的生物识别请求时获取的信息,用户属性信息是将该生物信息输入到预先训练的生物属性模型中,通过生物属性模型从该生物信息中提取的信息。
在步骤S404中,基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型。
在步骤S406中,将确定的隐私保护模型下发到终端设备,隐私保护模型用于触发终端设备对上述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行上述生物识别请求对应的生物识别处理。
本说明书实施例提供一种生物识别的隐私保护方法,通过获取生物识别请求,该生物识别请求中携带有目标用户的生物信息,将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息,将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型,接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理,这样,为了兼顾生物识别的隐私保护部署效率和安全能力,提出了生物识别的隐私保护冷启动方式,从而将每个新的场景(或数据域)解藕成一些用户属性信息的组合,然后,提前在服务器端训练好不同用户属性信息的分布的隐私保护模型,以适配不同的新场景,在部署到新场景后,通过客户端采集数据进行用户属性信息的分析,得到最适合的隐私保护模型,并由服务器下发直接适配,从而避免了针对新场景的长周期准备工作,做到快速的新场景适配。
实施例四
如图5所示,本发明实施例提供的一种生物识别的隐私保护方法,该方法的执行主体可以为服务器,其中,该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。其系统架构可以如图2所示,该方法具体可以包括以下步骤:
在步骤S502中,获取多个不同用户的生物信息样本。
其中,生物信息样本可以是面部信息构成的样本数据。
在实施中,可以对影响隐私保护效果的因素进行抽象,以面部识别为例,主要包含以下多个属性项:{表情的夸张程度、面部的分辨率、性别、年龄、模糊程度},以下的模型训练方法也以面部识别为例,其他生物识别系统可以以此类推。
在步骤S504中,基于生物信息样本和预设的第一损失函数,对生物属性模型进行模型训练,得到训练后的生物属性模型,生物属性模型用于从生物信息样本中提取用户的样本属性信息,该样本属性信息包括属性项和属性值。
在实施中,针对生物属性模型的模型结构:由于需要在终端设备侧运行,因此,可以使用MobileNetV2x0.25作为backbone(主干网络),在最后的feature后面接4个分类器,分别对应4个属性项,即表情的夸张程度、性别、年龄、模糊程度,其中,面部的分辨率可以直接计算得到,可以不需要使用生物属性模型进行预测。
生物属性模型的输入信息可以为承载有面部信息的面部图像,输出信息为面部信息的4个属性项的属性值。可以根据生物属性模型的输入信息和输出信息确定第一损失函数,然后,可以使用生物信息样本和预设的第一损失函数,对生物属性模型进行模型训练,得到训练后的生物属性模型,训练后的生物属性模型可以用于从生物信息样本中提取用户的样本属性信息。
在实际应用中,第一损失函数可以包括多种,除了可以通过上述方式构建外,还可以包括多种构建方式,以下再提供一种可选的构建方式,具体可以包括以下内容:第一损失函数可以是基于预设的分类算法对应的损失函数确定,该分类算法包括二分类算法和/或多分类算法。
在实施中,对于属性项{表情的夸张程度、性别、模糊程度},可以采用基于二分类算法的损失函数,对于上述属性项,可以将基于二分类算法的损失函数作为第一损失函数,对于属性项年龄,可以采用基于多分类算法的损失函数,在实际应用中,可以每隔5岁设置一个类别等。
在步骤S506中,将训练后的生物属性模型下发到终端设备。
在步骤S508中,获取多个不同用户的用户属性信息构成的属性样本集。
在步骤S510中,基于上述属性样本集,确定每个属性项对应的属性值,得到每个属性项对应的用户属性信息的分布。
在实施中,对于上述5个不同的属性项,分别从获取的多个不同用户的用户属性信息构成的属性样本集中,选取多个常见的分布和占比,例如,对于性别来说,假设常见的5个分布包括{男性所占比例为50%女性所占比例为50%;男性所占比例为10%女性所占比例为90%;男性所占比例为90%女性所占比例为10%;男性所占比例为25%女性所占比例为75%;男性所占比例为75%女性所占比例为25%},通过遍历匹配,可以得到5个用户属性信息的分布,即包含55=3125个分布,针对上述3125个分布进行样本数据采样,尽量拟合对应的属性分布,得到3125个训练数据集。
在步骤S512中,将每个属性项和每个属性项对应的用户属性信息的分布作为训练样本,通过训练样本和预设的第二损失函数,分别对隐私保护模型进行模型训练,得到与每个属性项对应的用户属性信息的分布相应的隐私保护模型。
在实施中,针对隐私保护模型的模型结构:隐私保护模型包括3个网络层的卷积网络模型,其中,每个网络层包括3*3的卷积核。隐私保护模型的输入数据可以为生物信息,隐私保护模型的输出数据为脱敏后的生物信息。可以根据隐私保护模型的输入信息和输出信息确定第二损失函数,针对任一属性项,将该属性项和该属性项对应的用户属性信息的分布作为训练样本,通过训练样本和上述第二损失函数,分别对隐私保护模型进行模型训练,得到与该属性项对应的用户属性信息的分布相应的隐私保护模型,可以将该用户属性信息的分布与得到的隐私保护模型对应存储。可以使用同样的方式,确定另一个属性项对应的用户属性信息的分布相应的隐私保护模型,以此类推,可以得到与每个属性项对应的用户属性信息的分布相应的隐私保护模型,针对上述的3125个训练数据集,可以重复上述操作,得到3125个隐私保护模型。
第二损失函数可以包括多种,除了可以通过上述方式构建外,还可以包括多种构建方式,以下再提供一种可选的构建方式,具体可以包括以下内容:第二损失函数是基于逆向欧式距离函数确定。
在实施中,第二损失函数Loss
其中,f表示隐私保护模型的输入信息,f′表示隐私保护模型的输出信息。
在步骤S514中,接收终端设备发送的目标用户的生物信息对应的用户属性信息,目标用户的生物信息是终端设备获取到目标用户的生物识别请求时获取的信息,用户属性信息是将该生物信息输入到预先训练的生物属性模型中,通过生物属性模型从该生物信息中提取的信息。
在实施中,对于新场景,可以先将机具等终端设备部署到对应的场景处,进行试运营,在运营的过程中,可以接收终端设备发送的目标用户的生物信息对应的用户属性信息。
其中,用户属性信息可以是经过加密处理的信息,基于此,可以执行下述步骤的处理。
在步骤S516中,当到达预设的周期时,获取该周期内接收的目标用户的用户属性信息,并对用户属性信息进行解密处理,得到解密后的用户属性信息。
其中,预设的周期可以为24小时或48小时等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,在预设的周期内,可以使用加密的方式进行隐私保护,由于预设的周期的时间相对比较短,可以达到安全要求,在预设的周期内,对于每次面部识别,可以计算得到多个属性项的属性值。当到达预设的周期时,获取该周期内接收的目标用户的用户属性信息,并对用户属性信息进行解密处理,得到解密后的用户属性信息。
在步骤S518中,基于上述周期内的解密后的用户属性信息,确定目标用户的用户属性信息的分布。
在实施中,基于上述周期内的解密后的用户属性信息,可以对试运营阶段的所有属性项和相应的属性值进行分布统计,得到对应的目标用户的用户属性信息的分布。
在步骤S520中,基于目标用户的用户属性信息的分布,确定对上述生物信息进行脱敏处理的隐私保护模型。
在实施中,基于一台新场景的机具等终端设备,可以利用上述方式计算得到其多个属性项对应的用户属性信息的分布,并和已有的上述3125个隐私保护模型的训练数据分布进行对比,找到与其中最接近的用户属性信息的分布,该最接近的用户属性信息的分布对应的隐私保护模型即为能够适配于新场景的模型。
在步骤S522中,将确定的隐私保护模型下发到终端设备,隐私保护模型用于触发终端设备对上述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行上述生物识别请求对应的生物识别处理。
本说明书实施例提供一种生物识别的隐私保护方法,通过获取生物识别请求,该生物识别请求中携带有目标用户的生物信息,将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息,将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型,接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理,这样,为了兼顾生物识别的隐私保护部署效率和安全能力,提出了生物识别的隐私保护冷启动方式,从而将每个新的场景(或数据域)解藕成一些用户属性信息的组合,然后,提前在服务器端训练好不同用户属性信息的分布的隐私保护模型,以适配不同的新场景,在部署到新场景后,通过客户端采集数据进行用户属性信息的分析,得到最适合的隐私保护模型,并由服务器下发直接适配,从而避免了针对新场景的长周期准备工作,做到快速的新场景适配。
实施例五
基于同样的思路,本说明书实施例还提供一种生物识别的隐私保护装置,如图6所示。
该生物识别的隐私保护装置包括:请求获取模块601、属性提取模块602、属性信息发送模块603和脱敏模块604,其中:
请求获取模块601,获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息;
属性提取模块602,将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息;
属性信息发送模块603,将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
脱敏模块604,接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例中,所述生物信息包括面部信息,所述面部信息是基于面部图像确定,所述用户属性信息包括属性项和属性值,所述属性项包括以下中的一项或多项:表情的夸张程度、面部的分辨率、性别、年龄、模糊程度。
本说明书实施例中,所述生物属性模型是以MobileNet作为主干网络,并在feature之后设置多个分类器,所述分类器的数量基于所述用户属性信息中包含的属性项的数量确定。
本说明书实施例中,所述隐私保护模型由包括预设数量的卷积层的卷积神经网络模型构建。
本说明书实施例中,所述预设数量的卷积层为3个的卷积层,每个卷积层包括3*3的卷积核。
本说明书实施例中,所述属性信息发送模块603,包括:
加密单元,基于预设的加密密钥对所述生物信息对应的用户属性信息进行加密处理,得到加密后的用户属性信息;
属性信息发送单元,将加密后的用户属性信息发送给所述服务器,所述加密后的用户属性信息用于触发所述服务器对所述加密后的用户属性信息进行解密处理,得到所述用户属性信息,并基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。
本说明书实施例提供一种生物识别的隐私保护装置,通过获取生物识别请求,该生物识别请求中携带有目标用户的生物信息,将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息,将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型,接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理,这样,为了兼顾生物识别的隐私保护部署效率和安全能力,提出了生物识别的隐私保护冷启动方式,从而将每个新的场景(或数据域)解藕成一些用户属性信息的组合,然后,提前在服务器端训练好不同用户属性信息的分布的隐私保护模型,以适配不同的新场景,在部署到新场景后,通过客户端采集数据进行用户属性信息的分析,得到最适合的隐私保护模型,并由服务器下发直接适配,从而避免了针对新场景的长周期准备工作,做到快速的新场景适配。
实施例六
基于同样的思路,本说明书实施例还提供一种生物识别的隐私保护装置,如图7所示。
该生物识别的隐私保护装置包括:属性信息接收模块701、模型确定模块702和模型下发模块703,其中:
属性信息接收模块701,接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息;
模型确定模块702,基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
模型下发模块703,将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例中,所述装置还包括:
第一样本获取模块,获取多个不同用户的生物信息样本;
第一训练模块,基于所述生物信息样本和预设的第一损失函数,对生物属性模型进行模型训练,得到训练后的生物属性模型,所述生物属性模型用于从所述生物信息样本中提取用户的样本属性信息,所述样本属性信息包括属性项和属性值;
第一模型发发送模块,将所述训练后的生物属性模型下发到所述终端设备。
本说明书实施例中,所述第一损失函数是基于预设的分类算法对应的损失函数确定,所述分类算法包括二分类算法和/或多分类算法。
本说明书实施例中,所述装置还包括:
第二样本获取模块,获取多个不同用户的用户属性信息构成的属性样本集;
信息分布确定模块,基于所述属性样本集,确定每个属性项对应的属性值,得到每个属性项对应的用户属性信息的分布;
第二训练模块,将每个属性项和每个属性项对应的用户属性信息的分布作为训练样本,通过所述训练样本和预设的第二损失函数,分别对所述隐私保护模型进行模型训练,得到与每个属性项对应的用户属性信息的分布相应的隐私保护模型。
本说明书实施例中,所述第二损失函数是基于逆向欧式距离函数确定。
本说明书实施例中,所述用户属性信息是经过加密处理的信息,所述模型确定模块702,包括:
解密单元,当到达预设的周期时,获取所述周期内接收的所述目标用户的用户属性信息,并对所述用户属性信息进行解密处理,得到解密后的用户属性信息;
分布确定单元,基于所述周期内的解密后的用户属性信息,确定所述目标用户的用户属性信息的分布;
模型确定单元,基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。
本说明书实施例提供一种生物识别的隐私保护装置,通过获取生物识别请求,该生物识别请求中携带有目标用户的生物信息,将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息,将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型,接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理,这样,为了兼顾生物识别的隐私保护部署效率和安全能力,提出了生物识别的隐私保护冷启动方式,从而将每个新的场景(或数据域)解藕成一些用户属性信息的组合,然后,提前在服务器端训练好不同用户属性信息的分布的隐私保护模型,以适配不同的新场景,在部署到新场景后,通过客户端采集数据进行用户属性信息的分析,得到最适合的隐私保护模型,并由服务器下发直接适配,从而避免了针对新场景的长周期准备工作,做到快速的新场景适配。
实施例七
以上为本说明书实施例提供的生物识别的隐私保护装置,基于同样的思路,本说明书实施例还提供一种生物识别的隐私保护设备,如图8所示。
所述生物识别的隐私保护设备可以为上述实施例提供终端设备或服务器等。
生物识别的隐私保护设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器801和存储器802,存储器802中可以存储有一个或一个以上存储应用程序或数据。其中,存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对生物识别的隐私保护设备中的一系列计算机可执行指令。更进一步地,处理器801可以设置为与存储器802通信,在生物识别的隐私保护设备上执行存储器802中的一系列计算机可执行指令。生物识别的隐私保护设备还可以包括一个或一个以上电源803,一个或一个以上有线或无线网络接口804,一个或一个以上输入输出接口805,一个或一个以上键盘806。
具体在本实施例中,生物识别的隐私保护设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对生物识别的隐私保护设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息;
将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息;
将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例中,所述生物信息包括面部信息,所述面部信息是基于面部图像确定,所述用户属性信息包括属性项和属性值,所述属性项包括以下中的一项或多项:表情的夸张程度、面部的分辨率、性别、年龄、模糊程度。
本说明书实施例中,所述生物属性模型是以MobileNet作为主干网络,并在feature之后设置多个分类器,所述分类器的数量基于所述用户属性信息中包含的属性项的数量确定。
本说明书实施例中,所述隐私保护模型由包括预设数量的卷积层的卷积神经网络模型构建。
本说明书实施例中,所述预设数量的卷积层为3个的卷积层,每个卷积层包括3*3的卷积核。
本说明书实施例中,所述将所述生物信息对应的用户属性信息发送给服务器,包括:
基于预设的加密密钥对所述生物信息对应的用户属性信息进行加密处理,得到加密后的用户属性信息;
将加密后的用户属性信息发送给所述服务器,所述加密后的用户属性信息用于触发所述服务器对所述加密后的用户属性信息进行解密处理,得到所述用户属性信息,并基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。
具体在本实施例中,生物识别的隐私保护设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对生物识别的隐私保护设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息;
基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例中,还包括:
获取多个不同用户的生物信息样本;
基于所述生物信息样本和预设的第一损失函数,对生物属性模型进行模型训练,得到训练后的生物属性模型,所述生物属性模型用于从所述生物信息样本中提取用户的样本属性信息,所述样本属性信息包括属性项和属性值;
将所述训练后的生物属性模型下发到所述终端设备。
本说明书实施例中,所述第一损失函数是基于预设的分类算法对应的损失函数确定,所述分类算法包括二分类算法和/或多分类算法。
本说明书实施例中,还包括:
获取多个不同用户的用户属性信息构成的属性样本集;
基于所述属性样本集,确定每个属性项对应的属性值,得到每个属性项对应的用户属性信息的分布;
将每个属性项和每个属性项对应的用户属性信息的分布作为训练样本,通过所述训练样本和预设的第二损失函数,分别对所述隐私保护模型进行模型训练,得到与每个属性项对应的用户属性信息的分布相应的隐私保护模型。
本说明书实施例中,所述第二损失函数是基于逆向欧式距离函数确定。
本说明书实施例中,所述用户属性信息是经过加密处理的信息,所述基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型,包括:
当到达预设的周期时,获取所述周期内接收的所述目标用户的用户属性信息,并对所述用户属性信息进行解密处理,得到解密后的用户属性信息;
基于所述周期内的解密后的用户属性信息,确定所述目标用户的用户属性信息的分布;
基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。
本说明书实施例提供一种生物识别的隐私保护设备,通过获取生物识别请求,该生物识别请求中携带有目标用户的生物信息,将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息,将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型,接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理,这样,为了兼顾生物识别的隐私保护部署效率和安全能力,提出了生物识别的隐私保护冷启动方式,从而将每个新的场景(或数据域)解藕成一些用户属性信息的组合,然后,提前在服务器端训练好不同用户属性信息的分布的隐私保护模型,以适配不同的新场景,在部署到新场景后,通过客户端采集数据进行用户属性信息的分析,得到最适合的隐私保护模型,并由服务器下发直接适配,从而避免了针对新场景的长周期准备工作,做到快速的新场景适配。
实施例八
进一步地,基于上述图1A到图5所示的方法,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息;
将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息;
将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例中,所述生物信息包括面部信息,所述面部信息是基于面部图像确定,所述用户属性信息包括属性项和属性值,所述属性项包括以下中的一项或多项:表情的夸张程度、面部的分辨率、性别、年龄、模糊程度。
本说明书实施例中,所述生物属性模型是以MobileNet作为主干网络,并在feature之后设置多个分类器,所述分类器的数量基于所述用户属性信息中包含的属性项的数量确定。
本说明书实施例中,所述隐私保护模型由包括预设数量的卷积层的卷积神经网络模型构建。
本说明书实施例中,所述预设数量的卷积层为3个的卷积层,每个卷积层包括3*3的卷积核。
本说明书实施例中,所述将所述生物信息对应的用户属性信息发送给服务器,包括:
基于预设的加密密钥对所述生物信息对应的用户属性信息进行加密处理,得到加密后的用户属性信息;
将加密后的用户属性信息发送给所述服务器,所述加密后的用户属性信息用于触发所述服务器对所述加密后的用户属性信息进行解密处理,得到所述用户属性信息,并基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。
此外,在另一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息;
基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
本说明书实施例中,还包括:
获取多个不同用户的生物信息样本;
基于所述生物信息样本和预设的第一损失函数,对生物属性模型进行模型训练,得到训练后的生物属性模型,所述生物属性模型用于从所述生物信息样本中提取用户的样本属性信息,所述样本属性信息包括属性项和属性值;
将所述训练后的生物属性模型下发到所述终端设备。
本说明书实施例中,所述第一损失函数是基于预设的分类算法对应的损失函数确定,所述分类算法包括二分类算法和/或多分类算法。
本说明书实施例中,还包括:
获取多个不同用户的用户属性信息构成的属性样本集;
基于所述属性样本集,确定每个属性项对应的属性值,得到每个属性项对应的用户属性信息的分布;
将每个属性项和每个属性项对应的用户属性信息的分布作为训练样本,通过所述训练样本和预设的第二损失函数,分别对所述隐私保护模型进行模型训练,得到与每个属性项对应的用户属性信息的分布相应的隐私保护模型。
本说明书实施例中,所述第二损失函数是基于逆向欧式距离函数确定。
本说明书实施例中,所述用户属性信息是经过加密处理的信息,所述基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型,包括:
当到达预设的周期时,获取所述周期内接收的所述目标用户的用户属性信息,并对所述用户属性信息进行解密处理,得到解密后的用户属性信息;
基于所述周期内的解密后的用户属性信息,确定所述目标用户的用户属性信息的分布;
基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。
本说明书实施例提供一种存储介质,通过获取生物识别请求,该生物识别请求中携带有目标用户的生物信息,将该生物信息输入到预先通过模型训练得到的生物属性模型中,通过生物属性模型从该生物信息中提取目标用户的用户属性信息,得到该生物信息对应的用户属性信息,将该生物信息对应的用户属性信息发送给服务器,以触发服务器基于目标用户的用户属性信息的分布,确定对该生物信息进行脱敏处理的隐私保护模型,接收服务器下发的隐私保护模型,并基于隐私保护模型对该生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行该生物识别请求对应的生物识别处理,这样,为了兼顾生物识别的隐私保护部署效率和安全能力,提出了生物识别的隐私保护冷启动方式,从而将每个新的场景(或数据域)解藕成一些用户属性信息的组合,然后,提前在服务器端训练好不同用户属性信息的分布的隐私保护模型,以适配不同的新场景,在部署到新场景后,通过客户端采集数据进行用户属性信息的分析,得到最适合的隐私保护模型,并由服务器下发直接适配,从而避免了针对新场景的长周期准备工作,做到快速的新场景适配。
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。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书的实施例是参照根据本说明书实施例的方法、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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并设备上,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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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,对于系统实施例而言,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。
以上所述仅为本说明书的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (18)
1.一种生物识别的隐私保护方法,应用于终端设备,所述方法包括:
获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息;
将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息;
将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
2.根据权利要求1所述的方法,所述生物信息包括面部信息,所述面部信息是基于面部图像确定,所述用户属性信息包括属性项和属性值,所述属性项包括以下中的一项或多项:表情的夸张程度、面部的分辨率、性别、年龄、模糊程度。
3.根据权利要求2所述的方法,所述生物属性模型是以MobileNet作为主干网络,并在feature之后设置多个分类器,所述分类器的数量基于所述用户属性信息中包含的属性项的数量确定。
4.根据权利要求1所述的方法,所述隐私保护模型由包括预设数量的卷积层的卷积神经网络模型构建。
5.根据权利要求4所述的方法,所述预设数量的卷积层为3个的卷积层,每个卷积层包括3*3的卷积核。
6.根据权利要求1所述的方法,所述将所述生物信息对应的用户属性信息发送给服务器,包括:
基于预设的加密密钥对所述生物信息对应的用户属性信息进行加密处理,得到加密后的用户属性信息;
将加密后的用户属性信息发送给所述服务器,所述加密后的用户属性信息用于触发所述服务器对所述加密后的用户属性信息进行解密处理,得到所述用户属性信息,并基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。
7.一种生物识别的隐私保护方法,应用于服务器,所述方法包括:
接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息;
基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
8.根据权利要求7所述的方法,所述方法还包括:
获取多个不同用户的生物信息样本;
基于所述生物信息样本和预设的第一损失函数,对生物属性模型进行模型训练,得到训练后的生物属性模型,所述生物属性模型用于从所述生物信息样本中提取用户的样本属性信息,所述样本属性信息包括属性项和属性值;
将所述训练后的生物属性模型下发到所述终端设备。
9.根据权利要求8所述的方法,所述第一损失函数是基于预设的分类算法对应的损失函数确定,所述分类算法包括二分类算法和/或多分类算法。
10.根据权利要求7所述的方法,所述方法还包括:
获取多个不同用户的用户属性信息构成的属性样本集;
基于所述属性样本集,确定每个属性项对应的属性值,得到每个属性项对应的用户属性信息的分布;
将每个属性项和每个属性项对应的用户属性信息的分布作为训练样本,通过所述训练样本和预设的第二损失函数,分别对所述隐私保护模型进行模型训练,得到与每个属性项对应的用户属性信息的分布相应的隐私保护模型。
11.根据权利要求10所述的方法,所述第二损失函数是基于逆向欧式距离函数确定。
12.根据权利要求7所述的方法,所述用户属性信息是经过加密处理的信息,所述基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型,包括:
当到达预设的周期时,获取所述周期内接收的所述目标用户的用户属性信息,并对所述用户属性信息进行解密处理,得到解密后的用户属性信息;
基于所述周期内的解密后的用户属性信息,确定所述目标用户的用户属性信息的分布;
基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型。
13.一种生物识别的隐私保护装置,所述装置包括:
请求获取模块,获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息;
属性提取模块,将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息;
属性信息发送模块,将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
脱敏模块,接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
14.一种生物识别的隐私保护装置,所述装置包括:
属性信息接收模块,接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息;
模型确定模块,基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
模型下发模块,将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
15.一种生物识别的隐私保护设备,所述生物识别的隐私保护设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息;
将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息;
将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
16.一种生物识别的隐私保护设备,所述生物识别的隐私保护设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息;
基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
17.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
获取生物识别请求,所述生物识别请求中携带有目标用户的生物信息;
将所述生物信息输入到预先通过模型训练得到的生物属性模型中,通过所述生物属性模型从所述生物信息中提取所述目标用户的用户属性信息,得到所述生物信息对应的用户属性信息;
将所述生物信息对应的用户属性信息发送给服务器,所述用户属性信息用于触发所述服务器基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
接收所述服务器下发的所述隐私保护模型,并基于所述隐私保护模型对所述生物信息进行脱敏处理,得到脱敏后的生物信息,基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
18.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
接收终端设备发送的目标用户的生物信息对应的用户属性信息,所述目标用户的生物信息是所述终端设备获取到所述目标用户的生物识别请求时获取的信息,所述用户属性信息是将所述生物信息输入到预先训练的生物属性模型中,通过所述生物属性模型从所述生物信息中提取的信息;
基于所述目标用户的用户属性信息的分布,确定对所述生物信息进行脱敏处理的隐私保护模型;
将确定的隐私保护模型下发到所述终端设备,所述隐私保护模型用于触发所述终端设备对所述生物信息进行脱敏处理,得到脱敏后的生物信息,并基于脱敏后的生物信息进行所述生物识别请求对应的生物识别处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689438.XA CN114969826A (zh) | 2022-06-17 | 2022-06-17 | 一种生物识别的隐私保护方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210689438.XA CN114969826A (zh) | 2022-06-17 | 2022-06-17 | 一种生物识别的隐私保护方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114969826A true CN114969826A (zh) | 2022-08-30 |
Family
ID=82964084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210689438.XA Pending CN114969826A (zh) | 2022-06-17 | 2022-06-17 | 一种生物识别的隐私保护方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969826A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071787A (zh) * | 2023-01-06 | 2023-05-05 | 南京航空航天大学 | 一种多光谱掌纹识别方法、系统、电子设备及介质 |
-
2022
- 2022-06-17 CN CN202210689438.XA patent/CN114969826A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071787A (zh) * | 2023-01-06 | 2023-05-05 | 南京航空航天大学 | 一种多光谱掌纹识别方法、系统、电子设备及介质 |
CN116071787B (zh) * | 2023-01-06 | 2023-09-29 | 南京航空航天大学 | 一种多光谱掌纹识别方法、系统、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Veeranna et al. | Using semantic similarity for multi-label zero-shot classification of text documents | |
CN112000940B (zh) | 一种隐私保护下的用户识别方法、装置以及设备 | |
CN112398838B (zh) | 一种基于隐私保护的认证方法、装置、设备及存储介质 | |
CN112200796B (zh) | 一种基于隐私保护的图像处理方法、装置及设备 | |
CN113221747B (zh) | 一种基于隐私保护的隐私数据处理方法、装置及设备 | |
Xi et al. | Mobile device access control: an improved correlation based face authentication scheme and its java me application | |
Belkhede et al. | Biometric mechanism for enhanced security of online transaction on Android system: A design approach | |
CN115983848A (zh) | 加密电子钱包的安全监测方法及系统 | |
CN114880706A (zh) | 一种信息处理方法、装置及设备 | |
CN114969826A (zh) | 一种生物识别的隐私保护方法、装置及设备 | |
CN113221717B (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
CN112837202B (zh) | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 | |
CN114896603A (zh) | 一种业务处理方法、装置及设备 | |
CN114817984A (zh) | 数据处理方法、装置、系统及设备 | |
CN114282019A (zh) | 目标多媒体数据查找方法、装置、计算机设备、存储介质 | |
CN113343295A (zh) | 基于隐私保护的图像处理方法、装置、设备和存储介质 | |
CN112560598A (zh) | 一种活体检测方法、装置及设备 | |
CN113239852B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
Tsimperidis et al. | User attribution through keystroke dynamics-based author age estimation | |
CN115048661A (zh) | 一种模型的处理方法、装置及设备 | |
CN114662144A (zh) | 一种生物检测方法、装置及设备 | |
CN115577336A (zh) | 一种生物识别处理方法、装置及设备 | |
CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
CN112818400A (zh) | 一种基于隐私保护的生物识别方法、装置及设备 | |
CN114758423A (zh) | 一种生物识别方法、装置及设备 |
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 |