CN115567227A - 一种基于大数据安全的身份认证方法及系统 - Google Patents

一种基于大数据安全的身份认证方法及系统 Download PDF

Info

Publication number
CN115567227A
CN115567227A CN202211537937.3A CN202211537937A CN115567227A CN 115567227 A CN115567227 A CN 115567227A CN 202211537937 A CN202211537937 A CN 202211537937A CN 115567227 A CN115567227 A CN 115567227A
Authority
CN
China
Prior art keywords
user
behavior
service behavior
portrait
behavior data
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.)
Granted
Application number
CN202211537937.3A
Other languages
English (en)
Other versions
CN115567227B (zh
Inventor
黄伟强
郑凯
余颐琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Yongde Electronic Technology Co ltd
South China Normal University
Original Assignee
Guangzhou Yongde Electronic Technology Co ltd
South China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Yongde Electronic Technology Co ltd, South China Normal University filed Critical Guangzhou Yongde Electronic Technology Co ltd
Priority to CN202211537937.3A priority Critical patent/CN115567227B/zh
Publication of CN115567227A publication Critical patent/CN115567227A/zh
Application granted granted Critical
Publication of CN115567227B publication Critical patent/CN115567227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3271—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using challenge-response
    • 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
    • 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
    • G06F21/45—Structures or tools for the administration of authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
    • H04L9/3228—One-time or temporary data, i.e. information which is sent for every authentication or authorization, e.g. one-time-password, one-time-token or one-time-key
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2133—Verifying human interaction, e.g., Captcha
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本申请实施例提供的基于大数据安全的身份认证方法及系统，采用目标用户行为画像分析网络分析用户大数据业务行为日志以得到用户行为画像，再通过用户行为画像对应的问答集进行问题验证，以帮助在身份认证过程中引入除传统的生物识别认证、验证信息认证外的针对性认证方式，由于用户大数据业务行为日志并非一成不变且与用户的行为高度关联，对应的用户行为画像也随之进行改变，得到无需用户记忆的动态验证密钥，帮助进行高安全性的身份认证。

Description

一种基于大数据安全的身份认证方法及系统
技术领域
本申请涉及数据处理、人工智能领域，具体而言，涉及一种基于大数据安全的身份认证方法及系统。
背景技术
随着互联网的高速发展，大量传统的线下场景被转移到线上，例如购物、交友、阅读、金融等等。为人们的生活带来方便的同时，也为互联网安全提出了更高的要求，尤其是涉及金融交易的场景。在互联网安全中，用户身份认证是网络安全的基础，身份认证的目的是防止违法分子通过不正常手段获取用户的账号后进行违法操作，常规的身份认证包括验证用户的生物信息（如指纹）、网络环境信息、密钥信息、联系方式结合认证等，这些信息通常是固定不变的，不法分子可以通过诸如窃取密码、窃取终端设备、采集指纹等方式进行破解。基于上述缺陷，本申请提供一种基于用户业务行为动态生成验证问题的机制，以进行身份认证，可以理解，上述提供的技术思路不作为评估本申请创造性的前提。
发明内容
本发明的目的在于提供一种基于大数据安全的身份认证方法及系统，以提供准确可靠的基于用户业务行为动态生成验证问题的机制，进行身份认证。
为了达到上述目的，本申请实施例的实现方式如下：
第一方面，本申请实施例提供一种基于大数据安全的身份认证方法，应用于身份认证服务器，所述身份认证服务器与至少一个客户终端通信连接，所述方法包括：
获取待进行身份认证的用户账号对应的用户大数据业务行为日志，并将所述用户大数据业务行为日志输入至事先调试完成的目标用户行为画像分析网络；
通过所述目标用户行为画像分析网络对所述用户大数据业务行为日志进行分析，得到所述用户大数据业务行为日志的用户行为画像；
响应于身份认证指令，调取与所述用户行为画像匹配的问答集，其中，所述问答集包括对应的问题和多个答案，所述多个答案包括标准答案和干扰答案，所述标准答案对应的业务信息与所述用户行为画像对应的业务信息相匹配；
将所述用户行为画像匹配的问答集发送至所述待进行身份认证的用户账号登陆的客户终端；
接收所述待进行身份认证的用户账号登陆的客户终端返回的答案确认信息，在所述答案确认信息与所述标准答案不对应时，生成身份认证警示信息；
其中，所述目标用户行为画像分析网络通过以下过程进行调试得到：
获取用户行为画像分析网络，并获取训练用户账号的用户大数据业务行为日志样本，其中，所述用户大数据业务行为日志样本包括多组用户业务行为数据样本；
通过所述用户行为画像分析网络对所述用户大数据业务行为日志样本进行表达数组挖掘，得到所述用户大数据业务行为日志样本对应的业务行为日志表达数组，以及所述用户业务行为数据样本对应的用户业务行为数据样本表达数组；
通过所述用户行为画像分析网络将所述业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组；
通过所述用户行为画像分析网络基于每组用户业务行为数据样本对应的整合表达数组，确定所述每组用户业务行为数据样本对应的行为指示支持度；
通过所述用户行为画像分析网络对所述业务行为日志表达数组进行用户行为画像推理，得到所述训练用户账号对应的推理用户行为画像支持度；
基于所述每组用户业务行为数据样本对应的行为指示支持度和所述训练用户账号对应的推理用户行为画像支持度进行误差确定，得到所述训练用户账号对应的行为误差结果和画像误差结果；
基于所述行为误差结果和所述画像误差结果对所述用户行为画像分析网络进行调试，得到所述目标用户行为画像分析网络。
作为一种实施方式，所述通过所述用户行为画像分析网络对所述用户大数据业务行为日志样本进行表达数组挖掘，得到所述用户大数据业务行为日志样本对应的业务行为日志表达数组，以及所述用户业务行为数据样本对应的用户业务行为数据样本表达数组，包括：
通过所述用户行为画像分析网络对所述用户大数据业务行为日志样本的用户业务行为数据样本进行显著性业务行为数据挖掘，得到每组用户业务行为数据样本对应的显著性业务行为数据；
通过所述用户行为画像分析网络将每组用户业务行为数据样本对应的显著性业务行为数据投影到事先部署的表达数组值域中，得到所述用户业务行为数据样本在所述事先部署的表达数组值域中对应的用户业务行为数据样本表达数组；
通过所述用户行为画像分析网络对每组所述用户业务行为数据样本对应的用户业务行为数据样本表达数组进行整合操作，得到所述用户大数据业务行为日志样本对应的基础业务行为日志表达数组；
通过所述用户行为画像分析网络对所述基础业务行为日志表达数组进行表达数组提取，得到所述用户大数据业务行为日志样本对应的业务行为日志表达数组。
作为一种实施方式，所述通过所述用户行为画像分析网络对所述用户大数据业务行为日志样本的用户业务行为数据样本进行显著性业务行为数据挖掘，得到每组用户业务行为数据样本对应的显著性业务行为数据，包括：
通过所述用户行为画像分析网络对所述用户业务行为数据样本进行矢量映射，得到所述用户业务行为数据样本对应的用户业务行为数据样本矢量；
通过所述用户行为画像分析网络中的显著性偏心系数和所述用户业务行为数据样本矢量进行预设计算处理，确定计算处理后的用户业务行为数据样本矢量；
通过所述用户行为画像分析网络中的非线性转换模块对所述计算处理后的用户业务行为数据样本矢量进行分类处理，得到所述每组用户业务行为数据样本对应的显著性业务行为数据。
作为一种实施方式，所述通过所述用户行为画像分析网络对所述基础业务行为日志表达数组进行表达数组提取，得到所述用户大数据业务行为日志样本对应的业务行为日志表达数组，包括：
通过所述用户行为画像分析网络对所述基础业务行为日志表达数组进行至少一次线性变换，得到线性变换表达数组；
通过所述用户行为画像分析网络对所述线性变换表达数组进行正向传递，得到传递后的表达数组；
通过所述用户行为画像分析网络对所述传递后的表达数组进行均匀分布映射处理，得到所述业务行为日志表达数组。
作为一种实施方式，所述通过所述用户行为画像分析网络将所述业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组，包括：
通过所述用户行为画像分析网络对每个所述用户业务行为数据样本表达数组执行转置操作，得到操作后的用户业务行为数据样本表达数组；
将所述用户行为画像分析网络中的整合偏心系数和所述业务行为日志表达数组进行作积，确定计算处理后的整合表达数组；
通过所述用户行为画像分析网络将所述计算处理后的整合表达数组和每个转置操作后的用户业务行为数据表达数组进行作积，得到所述每组用户业务行为数据样本对应的整合表达数组。
作为一种实施方式，所述基于所述每组用户业务行为数据样本对应的行为指示支持度和所述训练用户账号对应的推理用户行为画像支持度进行误差确定，得到所述训练用户账号对应的行为误差结果和画像误差结果，包括：获取用户大数据业务行为日志样本中每组用户业务行为数据样本的对比行为指示信息和所述训练用户账号对应的对比用户行为画像信息；基于所述每组用户业务行为数据样本对应的对比行为指示信息和行为指示支持度确定所述训练用户账号对应的行为误差结果；基于所述对比用户行为画像信息和所述训练用户账号对应的推理用户行为画像支持度确定所述训练用户账号对应的画像误差结果；
所述基于所述每组用户业务行为数据样本对应的对比行为指示信息和行为指示支持度确定所述训练用户账号对应的行为误差结果，包括：基于所述用户业务行为数据样本对应的对比行为指示信息，生成所述用户业务行为数据样本和预设行为指示信息之间对应的行为误差确定参变量；确定用户业务行为数据样本和预设行为指示信息之间对应的行为指示支持度；将用户业务行为数据样本和预设行为指示信息之间的所述行为误差确定参变量和行为指示支持度进行交叉熵函数计算，得到用户业务行为数据样本对应的用户业务行为数据样本误差结果；基于所述用户大数据业务行为日志样本中用户业务行为数据样本的总数和所述预设行为指示信息的总数将用户业务行为数据样本对应的用户业务行为数据样本误差结果进行合并以得到所述行为误差结果；
所述基于所述对比用户行为画像信息和所述训练用户账号对应的推理用户行为画像支持度确定所述训练用户账号对应的画像误差结果，包括：基于所述训练用户账号对应的对比用户行为画像信息，确定所述训练用户账号和预设用户行为画像之间的用户行为画像误差确定参变量；所述训练用户账号和所述预设用户行为画像之间的推理用户行为画像支持度；将所述训练用户账号和所述预设用户行为画像之间的用户行为画像误差确定参变量和推理用户行为画像支持度进行预设计算处理，得到训练用户账号对应的画像误差结果。
作为一种实施方式，所述方法还包括：
获取待进行身份认证的训练用户账号的用户大数据业务行为日志，所述用户大数据业务行为日志包括多组用户业务行为数据；
通过所述目标用户行为画像分析网络对所述用户大数据业务行为日志进行表达数组挖掘，得到所述用户大数据业务行为日志对应的业务行为日志表达数组，以及所述用户业务行为数据对应的用户业务行为数据表达数组；
通过所述目标用户行为画像分析网络将所述用户大数据业务行为日志对应的业务行为日志表达数组和每个用户业务行为数据表达数组进行表达数组整合，得到每个用户业务行为数据对应的整合表达数组；
通过所述目标用户行为画像分析网络基于每个所述用户业务行为数据的整合表达数组，在所述用户业务行为数据中识别出所述待进行身份认证的训练用户账号对应的核心用户业务行为数据；
通过所述目标用户行为画像分析网络对所述业务行为日志表达数组进行用户行为画像推理，得到所述待进行身份认证的训练用户账号对应的用户行为画像。
作为一种实施方式，所述通过所述目标用户行为画像分析网络基于每个所述用户业务行为数据的整合表达数组，在所述用户业务行为数据中识别出所述待进行身份认证的训练用户账号对应的核心用户业务行为数据，包括：
通过所述目标用户行为画像分析网络依据每个所述用户业务行为数据对应的整合表达数组，对每个用户业务行为数据进行指示信息推理，得到每个用户业务行为数据的推理指示支持度；
基于每个用户业务行为数据对应的推理指示支持度，确定每个用户业务行为数据对应的行为指示信息；
基于每个用户业务行为数据对应的行为指示信息，在所述用户业务行为数据中识别出有效用户业务行为数据；
基于每个所述有效用户业务行为数据对应的行为指示信息，将所述有效用户业务行为数据进行合并以得到所述核心用户业务行为数据。
作为一种实施方式，所述基于每个有效用户业务行为数据对应的行为指示信息，将所述有效用户业务行为数据进行合并以得到所述核心用户业务行为数据，包括：
基于所述有效用户业务行为数据对应的行为指示信息，将所述有效用户业务行为数据分隔出多个有效用户业务行为数据集；
确认每个有效用户业务行为数据集中的有效用户业务行为数据的时效信息；
若所述有效用户业务行为数据集中有效用户业务行为数据的时效信息满足时效要求，则将所述有效用户业务行为数据集依时序整理以得到所述核心用户业务行为数据。
第二方面，本申请实施例提供了一种基于大数据安全的身份认证系统，包括身份认证服务器，以及与所述身份认证服务器通信连接的至少一个客户终端；
所述身份认证服务器包括处理器和存储器；
所述存储器存储有程序，所述处理器用于调用所述存储器存储的程序，以执行以上所述的基于大数据安全的身份认证方法。
本申请实施例提供的基于大数据安全的身份认证方法及系统，采用目标用户行为画像分析网络分析用户大数据业务行为日志以得到用户行为画像，再通过用户行为画像对应的问答集进行问题验证，以帮助在身份认证过程中引入除传统的生物识别认证、验证信息认证外的针对性认证方式，由于用户大数据业务行为日志并非一成不变且与用户的行为高度关联，对应的用户行为画像也随之进行改变，相当于得到无需用户记忆的动态验证密钥，帮助进行高安全性的身份认证。
此外，本申请实施例提供的用户行为画像分析网络，通过用户行为画像分析网络对用户大数据业务行为日志样本进行表达数组挖掘，得到用户大数据业务行为日志样本对应的业务行为日志表达数组，以及用户业务行为数据样本对应的用户业务行为数据样本表达数组；通过用户行为画像分析网络将业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组；通过用户行为画像分析网络基于每组用户业务行为数据样本对应的整合表达数组，确定每组用户业务行为数据样本对应的行为指示支持度；通过用户行为画像分析网络对业务行为日志表达数组进行用户行为画像推理，得到训练用户账号对应的推理用户行为画像支持度；基于每组用户业务行为数据样本对应的行为指示支持度和训练用户账号对应的推理用户行为画像支持度进行误差确定，得到训练用户账号对应的行为误差结果和画像误差结果；基于行为误差结果和画像误差结果对用户行为画像分析网络进行调试，得到目标用户行为画像分析网络，基于上述过程可以加强在待进行身份认证的训练用户账号的用户大数据业务行为日志中确定待进行身份认证的训练用户账号的核心用户业务行为数据和用户行为画像的精确度。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示的一种身份认证服务器中硬件和软件组成的示意图。
图2是根据本申请的一些实施例所示的一种基于大数据安全的身份认证方法的流程图。
图3是本申请实施例提供的身份认证装置的架构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本申请的范围。应当知晓的是，这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
请参照图1，本申请实施例提供的基于大数据安全的身份认证系统300的系统架构示意图，包括身份认证服务器100和至少一个客户终端200，客户终端200为用户进行业务行为的终端，如个人电脑、平板电脑、智能手机等。身份认证服务器100和至少一个客户终端200通过网络400通信连接。
本申请实施例提供的基于大数据安全的身份认证方法应用于身份认证服务器，请参照图2，是身份认证服务器100的架构示意图，该身份认证服务器100包括身份认证装置110、存储器120、处理器130和通信单元140。存储器120、处理7器130以及通信单元140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。身份认证装置110包括至少一个可以软件或固件（firmware）的形式存储于存储器120中或固化在身份认证服务器100的操作系统（operating system，OS）中的软件功能模块，处理器130用于执行存储器120中存储的可执行模块，例如身份认证装置110所包括的软件功能模块及计算机程序等。
其中，所述存储器120可以是，但不限于，随机存取存储器（Random AccessMemory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（ProgrammableRead-Only Memory，PROM），可擦除只读存储器（Erasable Programmable Read-OnlyMemory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-OnlyMemory，EEPROM）等，其中，存储器120用于存储程序，处理器130在接收到执行指令后，执行所述程序。通信单元140用于通过网络建立身份认证服务器100与业务交互设备200之间的通信连接，并用于通过网络收发数据。
处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器（DSP)）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
可以理解，图2所示的结构仅为示意，身份认证服务器100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本申请的一些实施例所示的一种基于大数据安全的身份认证方法的流程图，该方法应用于图2中的身份认证服务器100，具体可以包括以下步骤110~步骤150。在以下步骤110~步骤150的基础上，将对一些可选实施例进行说明，这些实施例应当理解为示例，不应理解为实现本方案所必不可少的技术特征。
本申请实施例的基于大数据安全的身份认证方法，可应用于大数据信息平台的用户身份认证，例如互联网平台（如电商、短视频、阅读等）、金融平台（如理财、股市、支付）等。在对用户的身份进行认证时，引入了新的认证机制，采用目标用户行为画像分析网络分析用户大数据业务行为日志以得到用户行为画像，再通过用户行为画像对应的问答集进行问题验证，以帮助在身份认证过程中引入除传统的生物识别认证、验证信息认证外的针对性认证方式，例如可以是单独进行认证，也可以是结合现有的认证方式进行综合认证，例如作为一种实施方案，先通过生物识别认证，认证通过后结合本申请实施例的问答集认证，由于用户大数据业务行为日志并非一成不变且与用户的行为高度关联，对应的用户行为画像也随之进行改变，相当于得到无需用户记忆的动态验证密钥，帮助进行高安全性的身份认证。具体的，问答集认证的过程包括如下步骤S110~步骤S150。
步骤S110：获取待进行身份认证的用户账号对应的用户大数据业务行为日志，并将用户大数据业务行为日志输入至事先调试完成的目标用户行为画像分析网络。
中，用户大数据业务行为日志可以是针对用户的历史业务行为进行检测记录得到的数据集合，例如在电商平台中用户的电商活动数据（如商品搜索、收藏、加购物车、购买、评价等），又如金融平台的金融活动数据（如理财产品浏览、咨询、购买、交易、借贷等），这些业务行为数据由用户通过客户终端产生，与身份认证服务器交互后可经由身份认证服务器进行存储。目标用户行为画像分析网络是预先调试完成的机器学习网络或深度神经网络。
步骤S120：通过目标用户行为画像分析网络对用户大数据业务行为日志进行分析，得到用户大数据业务行为日志的用户行为画像。
目标用户行为画像分析网络的调试过程可以参考后续步骤，此处暂且不表。用户行为画像是针对待进行身份认证的用户账号对应的用户大数据业务行为日志的业务行为描述信息，例如电商场景中，针对用户大数据业务行为日志A进行分析后，得到的业务行为画像为“生活在上海的程序员，近一周对500元以内的电动剃须刀感兴趣”，其中，电动剃须刀为业务信息。
步骤S130：响应于身份认证指令，调取与用户行为画像匹配的问答集。
其中，问答集包括对应的问题和多个答案，多个答案包括标准答案和干扰答案，标准答案对应的业务信息与用户行为画像对应的业务信息相匹配。例如，接续上述电商场景的例子，设问答集中的问题为：“请问以下商品中您对什么最感兴趣
Figure DEST_PATH_IMAGE001
”多个答案包括：“A、电动剃须刀；1、洁面乳；C、机械键盘；D、工学椅”。其中，答案A为标准答案，答案1、C、D为干扰答案。标准答案“A、电动剃须刀”对应的业务信息“电动剃须刀”与用户行为画像对应的业务信息“电动剃须刀”匹配。问答集的问题和答案可以在获取到用户行为画像后，在预设的业务信息库中随机获取对应的标准答案和干扰答案。
步骤S140：将用户行为画像匹配的问答集发送至待进行身份认证的用户账号登陆的客户终端。
步骤S150：接收待进行身份认证的用户账号登陆的客户终端返回的答案确认信7息，在答案确认信息与标准答案不对应时，生成身份认证警示信息。
客户终端返回的答案确认信息是用户或非用户（异常使用对象）确认后返回的信息，如果答案确认信息与标准答案不对应，则可能登陆用户账号的不是本人，但是却通过了先前的生物识别认证或密码验证，则生成警示信息进行提示，如向用户预留联系方式发送警示信息。在一种实施方式中，为了减少偶然事件，标准答案的数量可以为多个，或者，问题的数量可以为多个，在问题的数量为多个时，用户行为画像对应的业务信息种类至少为2个。
通过以上步骤S110~步骤S150，本申请实施例可以提高身份认证的安全性和严谨性，同时与用户的实时状态关联且无需用户进行强行记忆，完成了无记忆动态密钥验证。
可以理解，上述步骤中，需要基于用户行为画像进行问答集的确定，用户行为画像的准确获取，是后续准确认证的前提，本申请实施例中，通过预设的目标用户行为画像分析网络进行分析，下面介绍本申请实施例提供的一种目标用户行为画像分析网络的调试方案，包括：
步骤S10：获取用户行为画像分析网络，以及训练用户账号的用户大数据业务行为日志样本，其中，用户大数据业务行为日志样本包括多组用户业务行为数据样本。
可以理解，用户行为画像分析网络即需要进行调试的机器学习或深度学习网络，其具体的网络架构可以是诸如CNN、RNN、DNN、RCNN、ResNet、LST3等神经网络。用户行为画像分析网络可以是从未调试过的初始网络，或者是历经了调试，但是未收敛的中间型网络。作为一种实施方案，基于对用户行为画像分析网络进行调试可以得到目标用户行为画像分析网络，目标用户行为画像分析网络用以基于待进行身份认证的训练用户账号的用户大数据业务行为日志，得到待进行身份认证的训练用户账号对应的核心用户业务行为数据和推理用户行为画像。
其中，待进行身份认证的训练用户账号的核心用户业务行为数据可以包括训练用户账号产生的对用户行为画像起到关键贡献的行为数据，例如在电商场景，核心用户业务行为数据可以包括搜索行为数据、收藏行为数据和加购物车行为数据，这些行为数据能够较强地反映用户的行为倾向，因此被视作核心用户业务行为数据。
作为一种实施方案，目标用户行为画像分析网络可以包括多个单元，例如包括：表达数组挖掘单元、融合单元、核心用户业务行为数据获取单元和用户行为画像推理单元。其中，表达数组挖掘单元用以对用户大数据业务行为日志进行表达数组挖掘，得到用户大数据业务行为日志对应的业务行为日志表达数组（业务行为日志的特征矢量表达），以及用户业务行为数据对应的用户业务行为数据表达数组，表达数组挖掘单元可以是深度学习模型。对用户大数据业务行为日志进行表达数组挖掘，得到用户大数据业务行为日志对应的初始用户大数据业务行为日志以及用户业务行为数据对应的用户业务行为数据表达数组，再对初始用户大数据业务行为日志进行表达数组再次挖掘，得到用户大数据业务行为日志对应的业务行为日志表达数组。融合单元用以将业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组。核心用户业务行为数据获取单元用以基于每个用户业务行为数据的整合表达数组，在用户业务行为数据中识别出待进行身份认证的训练用户账号对应的核心用户业务行为数据，还用以基于每组用户业务行为数据样本对应的整合表达数组，确定每组用户业务行为数据样本对应的行为指示支持度（业务行为数据对应的可能性）。用户行为画像推理单元用以对业务行为日志表达数组进行用户行为画像推理，得到训练用户账号对应的用户行为画像。此外，用户行为画像推理单元还用以对业务行为日志表达数组进行用户行为画像推理，得到训练用户账号对应的推理用户行为画像支持度。举例而言，用户行为画像推理单元可以基于配置的非线性激活函数实现。
训练用户账号和用户大数据业务行为日志样本为对用户行为画像分析网络进行调试时使用的数据，用户大数据业务行为日志样本的用户业务行为数据样本可以包括用户大数据业务行为日志样本中的至少一组数据。
为一种实施方案，可以对用户大数据业务行为日志样本进行前置处理，比如生成预设行为指示信息，基于预设行为指示信息对用户业务行为数据样本进行指示信息标记，以使每组用户业务行为数据样本均对应有对比行为指示信息。举例而言，预设行为指示信息包括四种，标记为0、1、2、3。0表征无效字符（无实质意义的字符数据），1表征有效字符段的起始字符，2表征有效字符段的结尾字符，3表征有效字符段的内容字符。接着，可以基于预设行为指示信息对用户业务行为数据样本进行指示信息标记，令每组用户业务行为数据样本均对应有对比行为指示信息。
作为一种实施方案，可以通过包含对比信息注释的用户大数据业务行为日志样本对用户行为画像分析网络进行调试，得到目标用户行为画像分析网络。
步骤S20：通过用户行为画像分析网络对用户大数据业务行为日志样本进行表达数组挖掘，得到用户大数据业务行为日志样本对应的业务行为日志表达数组，以及用户业务行为数据样本对应的用户业务行为数据样本表达数组。
作为一种实施方案，通过用户大数据业务行为日志样本对用户行为画像分析网络进行调试可以参考如下过程：通过用户行为画像分析网络对用户大数据业务行为日志样本进行表达数组挖掘，得到用户大数据业务行为日志样本对应的业务行为日志表达数组，以及用户业务行为数据样本对应的用户业务行为数据样本表达数组。业务行为日志表达数组为整体表达数组（全局特征），可以反映整体特性。用户业务行为数据样本表达数组为局部表达数组，依据用户业务行为数据样本表达数组表征每个用户业务行为数据之间的关联信息，用户业务行为数据在用户大数据业务行为日志中的贡献突出度等。
作为一种实施方案，用户行为画像分析网络可以包括表达数组挖掘单元，表达数组挖掘单元可以包括字符编码模型和深度学习模型，可以先通过字符编码模型对用户大数据业务行为日志样本进行表达数组挖掘，得到用户大数据业务行为日志样本对应的基础业务行为日志表达数组，以及用户业务行为数据样本对应的用户业务行为数据样本表达数组，再通过深度学习模型对基础业务行为日志表达数组进行表达数组提取（深度挖掘），得到业务行为日志表达数组。
作为一种实施方案，通过用户行为画像分析网络对用户大数据业务行为日志样本进行表达数组挖掘，得到用户大数据业务行为日志样本对应的业务行为日志表达数组，以及用户业务行为数据样本对应的用户业务行为数据样本表达数组具体包括：通过用户行为画像分析网络对用户大数据业务行为日志样本的用户业务行为数据样本进行显著性业务行为数据挖掘，得到每组用户业务行为数据样本对应的显著性业务行为数据；通过用户行为画像分析网络将每组用户业务行为数据样本对应的显著性业务行为数据投影到事先部署的表达数组值域中，得到用户业务行为数据样本在事先部署的表达数组值域中对应的用户业务行为数据样本表达数组；通过用户行为画像分析网络对将每组用户业务行为数据样本对应的用户业务行为数据样本表达数组进行整合操作，得到用户大数据业务行为日志样本对应的基础业务行为日志表达数组；通过用户行为画像分析网络对基础业务行为日志表达数组进行表达数组提取，得到用户大数据业务行为日志样本对应的业务行为日志表达数组。
作为一种实施方案，为了提高表达数组挖掘的准确度，在对用户行为画像分析网络进行调试时，可以通过用户行为画像分析网络对用户大数据业务行为日志样本的用户业务行为数据样本进行显著性业务行为数据挖掘，得到每组用户业务行为数据样本对应的显著性业务行为数据。
作为一种实施方式，上述通过用户行为画像分析网络对用户大数据业务行为日志样本的用户业务行为数据样本进行显著性业务行为数据挖掘，得到每组用户业务行为数据样本对应的显著性业务行为数据，具体可以包括：通过用户行为画像分析网络对用户业务行为数据样本进行矢量映射，得到用户业务行为数据样本对应的用户业务行为数据样本矢量；通过用户行为画像分析网络中的显著性偏心系数和用户业务行为数据样本矢量进行预设计算处理（如算术运算），确定计算处理后的用户业务行为数据样本矢量；通过用户行为画像分析网络中的非线性转换模块对计算处理后的用户业务行为数据样本矢量进行分类处理，得到每组用户业务行为数据样本对应的显著性业务行为数据。
作为一种实施方案，可以通过用户行为画像分析网络对用户业务行为数据样本进行矢量映射，得到用户业务行为数据样本对应的用户业务行为数据样本矢量。例如，用户行为画像分析网络中可以包括编码网络，通过编码网络将用户业务行为数据样本映射成矢量。作为一种实施方案，可以通过用户行为画像分析网络中的显著性偏心系数和用户业务行为数据矢量进行预设计算处理，确定计算处理后的用户业务行为数据样本矢量。举例而言，用户行为画像分析网络中可以包括多个显著性偏心系数（偏心系数指分配的侧重系数，是一种权值，基于显著性偏心系数锁定业务行为数据中的注意力信息）。接着，可以将用户业务行为数据矢量分别和每个显著性偏心系数作积处理，得到显著性业务行为数据。再之后基于作积后的显著性业务行为数据确定显著性评估值（如将作积得到的显著性业务行为数据执行交叉点乘以获得显著性评估值），再将显著性评估值与设定值进行商运算（显著性评估值除以设定值）以维持梯度。然后使用归一化指数函数对商运算结构进行归一化，如此，全部显著性评估值均为正数且总和等于1。接着将归一化处理后的的显著性评估值乘以用户业务行为数据矢量对应的作积后的显著性业务行为数据，得到目标显著性业务行为数据。再之后，将每个目标显著性业务行为数据求和，确定计算处理后的用户业务行为数据样本矢量。
作为一种实施方案，可以通过用户行为画像分析网络中的非线性转换模块（可预先配置激活函数）对计算处理后的用户业务行为数据样本矢量进行分类处理（如回归分析），得到每组用户业务行为数据样本对应的显著性业务行为数据。如通过ReLU激活函数对计算处理后的用户业务行为数据样本矢量进行分类处理，得到每组用户业务行为数据样本对应的显著性业务行为数据。
作为一种实施方案，可以通过用户行为画像分析网络将每组用户业务行为数据样本对应的显著性业务行为数据投影到事先部署的表达数组值域中，得到用户业务行为数据样本在事先部署的表达数组值域中对应的用户业务行为数据样本表达数组。如将各个用户业务行为数据样本对应的显著性业务行为数据乘以用户行为画像分析网络的映射矩阵，得到用户业务行为数据样本在事先部署的表达数组值域中对应的用户业务行为数据样本表达数组。
作为一种实施方案，可以通过用户行为画像分析网络对将每组用户业务行为数据样本对应的用户业务行为数据样本表达数组进行整合操作，得到用户大数据业务行为日志样本对应的基础业务行为日志表达数组，比如可以将每组用户业务行为数据样本对应的用户业务行为数据样本表达数组进行拼接，再对拼接后用户业务行为数据样本表达数组进行整合操作（如全连接映射），得到用户大数据业务行为日志样本对应的基础业务行为日志表达数组。
为了充分挖掘用户大数据业务行为日志样本的特征信息，以提高目标用户行为画像分析网络的分析能力，作为一种实施方案，通过用户行为画像分析网络对基础业务行为日志表达数组进行表达数组提取，得到用户大数据业务行为日志样本对应的业务行为日志表达数组。其中，通过用户行为画像分析网络对基础业务行为日志表达数组进行表达数组提取，得到用户大数据业务行为日志样本对应的业务行为日志表达数组具体包括：通过用户行为画像分析网络对基础业务行为日志表达数组进行至少一次线性变换（如卷积处理），得到线性变换表达数组；通过用户行为画像分析网络对线性变换表达数组进行正向传递，得到传递后的表达数组；通过用户行为画像分析网络对传递后的表达数组进行均匀分布映射处理，得到业务行为日志表达数组。
举例而言，用户行为画像分析网络中包括多个滤波器（如卷积矩阵），每个滤波器的尺寸或维度不同，通过当前的滤波器对原始用户大数据业务行为日志进行至少一次线性变换，得到线性变换表达数组，再将线性变换表达数组加载至下一滤波器，完成线性变换表达数组的正向传递（沿输入到输出方向按序计算并存储中间变量），得到传递后的表达数组，接着通过用户行为画像分析网络对传递后的表达数组进行均匀分布映射处理，得到业务行为日志表达数组，如通过Sigmoid激活函数对传递后的表达数组进行均匀分布映射处理，得到业务行为日志表达数组。
步骤S30：通过用户行为画像分析网络将业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组。
为了提升目标用户行为画像分析网络对用户大数据业务行为日志的数据识别能力，作为一种实施方案，在对用户行为画像分析网络进行调试时，可以通过用户行为画像分析网络将业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组，如此，整体表达数组和局部表达数组完成信息交互，信息得到融合。目标用户行为画像分析网络还可以通过待进行身份认证的训练用户账号的用户大数据业务行为日志分析得到待进行身份认证的训练用户账号的核心用户业务行为数据和用户行为画像。换言之，目标用户行为画像分析网络涵盖分析待进行身份认证的训练用户账号对应的用户行为画像和识别待进行身份认证的训练用户账号的核心用户业务行为数据两个任务，则在对用户行为画像分析网络进行调试的过程中，需要让目标用户行为画像分析网络准确分析得到待进行身份认证的训练用户账号对应的用户行为画像，同时目标用户行为画像分析网络需要能精准识别待进行身份认证的训练用户账号的核心用户业务行为数据，因此，用户行为画像分析网络还包括融合单元，基于融合单元完成特征碰撞融合。
作为一种实施方案，用户行为画像分析网络中可以包括融合单元，依据融合单元将业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组。融合单元可以是谷歌机器翻译模型，通过机器翻译模型业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组。作为一种实施方案，通过用户行为画像分析网络将业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组具体包括：通过用户行为画像分析网络对每个用户业务行为数据样本表达数组执行转置操作，得到操作后的用户业务行为数据样本表达数组；将用户行为画像分析网络中的整合偏心系数和业务行为日志表达数组进行作积，确定计算处理后的整合表达数组；通过用户行为画像分析网络将计算处理后的整合表达数组和每个操作后的用户业务行为数据表达数组进行作积，得到每组用户业务行为数据样本对应的整合表达数组。
举例而言，每个用户业务行为数据对应的整合表达数组可以通过下述公式计算：As＝K·L·Bsb。其中，K为业务行为日志表达数组，维度DK=1·x；Bs表征第i个用户业务行为数据的用户业务行为数据样本表达数组，维度DB=1·y；L为整合偏心系数（例如为矩阵），L的维度DL=x·y·z；As为第s个用户业务行为数据的整合表达数组，维度DA=1·z。
步骤S40：通过用户行为画像分析网络基于每组用户业务行为数据样本对应的整合表达数组，确定每组用户业务行为数据样本对应的行为指示支持度。
作为一种实施方案，为使目标用户行为画像分析网络精准获取待进行身份认证的训练用户账号的核心用户业务行为数据，通过用户行为画像分析网络基于每组用户业务行为数据样本对应的整合表达数组，确定每组用户业务行为数据样本对应的行为指示支持度，再通过每组用户业务行为数据样本对应的行为指示支持度，确定训练用户账号的行为误差结果，以及通过行为误差结果对用户行为画像分析网络进行调试，得到目标用户行为画像分析网络。
作为一种实施方案，通过用户大数据业务行为日志样本对用户行为画像分析网络进行调试之前，可以对用户大数据业务行为日志样本进行，信息的前置处理如生成预设行为指示信息，基于预设行为指示信息对用户业务行为数据样本进行指示信息标记，如此，每组用户业务行为数据样本均对应有对比行为指示信息。如前例，预设行为指示信息包括四种，0、1、2、3。0表征无效字符，1表征有效字符段的开始字符，2表征有效字符段的结尾字符，3表征有效字符段的内容字符。基于预设行为指示信息对用户业务行为数据样本进行指示信息标记，每组用户业务行为数据样本均对应有对比行为指示信息。行为指示支持度可以包括基于用户业务行为数据样本的整合表达数组，确定得到用户业务行为数据样本和每个预设行为指示信息对应的支持度（可能性，可用概率百分比表示），如行为指示支持度可以包括用户业务行为数据样本是0、1、2、3的支持度，行为指示支持度包括用户业务行为数据是0的支持度为0.4，是1的支持度为0.3，是2的支持度为0.9，是3的支持度为0.1等。
作为一种实施方案，可以通过核心用户业务行为数据获取单元基于每组用户业务行为数据样本对应的整合表达数组，确定每组用户业务行为数据样本对应的行为指示支持度，例如核心用户业务行为数据获取单元可以是条件随机场模型单元。
步骤S50：通过用户行为画像分析网络对业务行为日志表达数组进行用户行为画像推理，得到训练用户账号对应的推理用户行为画像支持度。
作为一种实施方案，可以通过用户行为画像分析网络对用户大数据业务行为日志进行画像识别，得到训练用户账号对应的推理用户行为画像支持度。作为一种实施方案，可以事先确定待进行身份认证的训练用户账号的用户行为画像。比如将待进行身份认证的训练用户账号的用户行为画像确定为I型（每个型对应有相应的用户行为画像）。之后再基于每个训练用户账号的用户大数据业务行为日志样本为训练用户账号匹配对比用户行为画像信息，通过包含了对比用户行为画像信息的训练用户账号对用户行为画像分析网络进行调试。推理用户行为画像支持度表示训练用户账号对于每个预设用户行为画像的推理得到的支持度。作为一种实施方案，可以通过用户行为画像推理单元对业务行为日志表达数组进行用户行为画像推理，得到训练用户账号对应的推理用户行为画像支持度。例如，用户行为画像推理单元可以为归一化指数函数，通过归一化指数函数对业务行为日志表达数组进行用户行为画像推理，得到训练用户账号对应的推理用户行为画像支持度。
步骤S60：基于每组用户业务行为数据样本对应的行为指示支持度和训练用户账号对应的推理用户行为画像支持度进行误差确定，得到训练用户账号对应的行为误差结果和画像误差结果。
作为一种实施方案，可以基于每组用户业务行为数据样本对应的行为指示支持度和训练用户账号对应的推理用户行为画像支持度进行误差确定，得到训练用户账号对应的行为误差结果和画像误差结果，可基于用户大数据业务行为日志样本中每组用户业务行为数据样本的对比行为指示信息和针对训练用户账号的对比用户行为画像信息确定行为误差结果和画像误差结果。基于每组用户业务行为数据样本对应的行为指示支持度和训练用户账号对应的推理用户行为画像支持度进行误差确定，得到训练用户账号对应的行为误差结果和画像误差结果具体包括：获取用户大数据业务行为日志样本中每组用户业务行为数据样本的对比行为指示信息和针对训练用户账号的对比用户行为画像信息；基于每组用户业务行为数据样本对应的对比行为指示信息和行为指示支持度确定训练用户账号对应的行为误差结果；基于对比用户行为画像信息和训练用户账号对应的推理用户行为画像支持度确定训练用户账号对应的画像误差结果。
作为一种实施方案，基于每组用户业务行为数据样本对应的对比行为指示信息和行为指示支持度确定训练用户账号对应的行为误差结果可通过多种方式进行获取，如通过交叉熵、相对熵确定行为误差结果。
作为一种实施方案，基于每组用户业务行为数据样本对应的对比行为指示信息和行为指示支持度确定训练用户账号对应的行为误差结果具体包括：基于用户业务行为数据样本对应的对比行为指示信息，生成用户业务行为数据样本和预设行为指示信息之间对应的行为误差确定参变量；确定用户业务行为数据样本和预设行为指示信息之间对应的行为指示支持度；将用户业务行为数据样本和预设行为指示信息之间的行为误差确定参变量和行为指示支持度进行交叉熵函数计算，得到用户业务行为数据样本对应的用户业务行为数据样本误差结果；基于用户大数据业务行为日志样本中用户业务行为数据样本的总数和预设行为指示信息的总数将用户业务行为数据样本对应的用户业务行为数据样本误差结果进行整合，得到行为误差结果。
作为一种实施方案，可以基于用户业务行为数据样本对应的对比行为指示信息，生成用户业务行为数据样本和预设行为指示信息之间对应的行为误差确定参变量。举例而言，在第m个用户业务行为数据样本属于第n个预设行为指示信息时，预设行为指示信息为1，不属于则为0。作为一种实施方案，可以将用户业务行为数据样本和预设行为指示信息之间的行为误差确定参变量和行为指示支持度进行交叉熵函数计算，得到用户业务行为数据样本对应的用户业务行为数据样本误差结果。
作为一种实施方案，可以基于用户大数据业务行为日志样本中用户业务行为数据样本的总数和预设行为指示信息的总数将用户业务行为数据样本对应的用户业务行为数据样本误差结果进行合并整合（如相加），得到行为误差结果。基于对比用户行为画像信息和训练用户账号对应的推理用户行为画像支持度确定训练用户账号对应的画像误差结果可以通过交叉熵、相对熵等方式确定画像误差结果。
作为一种实施方案，基于对比用户行为画像信息和训练用户账号对应的推理用户行为画像支持度确定训练用户账号对应的画像误差结果具体包括：基于训练用户账号对应的对比用户行为画像信息，生成训练用户账号和预设用户行为画像之间的用户行为画像误差确定参变量；确定训练用户账号和预设用户行为画像之间的推理用户行为画像支持度；将训练用户账号和预设用户行为画像之间的用户行为画像误差确定参变量和推理用户行为画像支持度进行预设计算处理，得到训练用户账号对应的画像误差结果，具体公式此处不做赘述和限制。
作为一种实施方案，将训练用户账号和预设用户行为画像之间的用户行为画像误差确定参变量和推理用户行为画像支持度进行预设计算处理，得到训练用户账号对应的画像误差结果。
步骤S70：基于行为误差结果和画像误差结果对用户行为画像分析网络进行调试，得到目标用户行为画像分析网络。
可以将行为误差结果和画像误差结果进行合并以得到目标误差结果，再基于目标误差结果对用户行为画像分析网络进行调试，得到目标用户行为画像分析网络。比如，目标误差结果Lt＝e·L1+f·L2，L1和L2分别为行为误差结果和画像误差结果，e、f分别为调节参变量，之后将目标误差结果返回用户行为画像分析网络，用户行为画像分析网络基于目标误差结果对整合偏心系数、显著性偏心系数等网络参变量进行优化调节，得到目标用户行为画像分析网络。之后通过目标用户行为画像分析网络对待进行身份认证的训练用户账号的用户大数据业务行为日志进行分析，得到待进行身份认证的训练用户账号的核心用户业务行为数据和用户行为画像。
另外，本申请实施例的方法还包括如下步骤：
获取待进行身份认证的训练用户账号的用户大数据业务行为日志，用户大数据业务行为日志包括多组用户业务行为数据；通过目标用户行为画像分析网络对用户大数据业务行为日志进行表达数组挖掘，得到用户大数据业务行为日志对应的业务行为日志表达数组，以及用户业务行为数据对应的用户业务行为数据表达数组；通过目标用户行为画像分析网络将用户大数据业务行为日志对应的业务行为日志表达数组和每个用户业务行为数据表达数组进行表达数组整合，得到每个用户业务行为数据对应的整合表达数组；通过目标用户行为画像分析网络基于每个用户业务行为数据的整合表达数组，在用户业务行为数据中识别出待进行身份认证的训练用户账号对应的核心用户业务行为数据；通过目标用户行为画像分析网络对业务行为日志表达数组进行用户行为画像推理，得到待进行身份认证的训练用户账号对应的用户行为画像。
作为一种实施方案，通过目标用户行为画像分析网络基于每个用户业务行为数据的整合表达数组，在用户业务行为数据中识别出待进行身份认证的训练用户账号对应的核心用户业务行为数据具体包括：通过目标用户行为画像分析网络基于每个用户业务行为数据对应的整合表达数组，对每个用户业务行为数据进行指示信息推理，得到每个用户业务行为数据的推理指示支持度；基于每个用户业务行为数据对应的推理指示支持度，确定每个用户业务行为数据对应的行为指示信息；基于每个用户业务行为数据对应的行为指示信息，在用户业务行为数据中识别出有效用户业务行为数据；基于每个有效用户业务行为数据对应的行为指示信息，将有效用户业务行为数据进行组合，得到所述核心用户业务行为数据。
举例而言，目标用户行为画像分析网络输出每组用户业务行为数据的推理指示支持度，再基于每个用户业务行为数据对应的推理指示支持度，确定每组用户业务行为数据对应的行为指示信息。如将用户业务行为数据中支持度最高的预设行为指示信息确定为用户业务行为数据对应的行为指示信息。接着基于每个用户业务行为数据对应的行为指示信息，在用户业务行为数据中识别出有效用户业务行为数据，基于每个有效用户业务行为数据对应的行为指示信息，将有效用户业务行为数据进行组合，获得核心用户业务行为数据。
作为一种实施方式，基于每个有效用户业务行为数据对应的行为指示信息，将有7效用户业务行为数据进行组合，获得核心用户业务行为数据具体包括：基于有效用户业务行为数据对应的行为指示信息，将有效用户业务行为数据分隔出多个有效用户业务行为数据集；确认每个有效用户业务行为数据集中的有效用户业务行为数据的时效信息（例如是否是一周内的业务行为数据）；当有效用户业务行为数据集中有效用户业务行为数据的时效信息满足时效要求，将有效用户业务行为数据集依时序整理以得到核心用户业务行为数据。
作为一种实施方案，目标用户行为画像分析网络输出待进行身份认证的训练用户账号的推理用户行为画像支持度，将支持度最高的用户行为画像确定为待进行身份认证的训练用户账号对应的用户行为画像。
作为一种实施方案，本申请实施例可以获取用户行为画像分析网络以及训练用户账号的用户大数据业务行为日志样本，其中，用户大数据业务行为日志样本包括多组用户业务行为数据样本；通过用户行为画像分析网络对用户大数据业务行为日志样本进行表达数组挖掘，得到用户大数据业务行为日志样本对应的业务行为日志表达数组，以及用户业务行为数据样本对应的用户业务行为数据样本表达数组；通过用户行为画像分析网络将业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组；通过用户行为画像分析网络基于每组用户业务行为数据样本对应的整合表达数组，确定每组用户业务行为数据样本对应的行为指示支持度；通过用户行为画像分析网络对业务行为日志表达数组进行用户行为画像推理，得到训练用户账号对应的推理用户行为画像支持度；基于每组用户业务行为数据样本对应的行为指示支持度和训练用户账号对应的推理用户行为画像支持度进行误差确定，得到训练用户账号对应的行为误差结果和画像误差结果；基于行为误差结果和画像误差结果对用户行为画像分析网络进行调试，得到目标用户行为画像分析网络，基于上述过程可以加强在待进行身份认证的训练用户账号的用户大数据业务行为日志中确定待进行身份认证的训练用户账号的核心用户业务行为数据和用户行为画像的精确度。
请参照图3，是本发明实施例提供的身份认证装置110的功能模块架构示意图，该身份认证装置110可用于执行基于大数据安全的身份认证方法，其中，身份认证装置110包括：
数据获取模块111，用于获取待进行身份认证的用户账号对应的用户大数据业务行为日志，并将所述用户大数据业务行为日志输入至事先调试完成的目标用户行为画像分析网络。
画像确定模块112，用于通过所述目标用户行为画像分析网络对所述用户大数据业务行为日志进行分析，得到所述用户大数据业务行为日志的用户行为画像。
验证确定模块113，用于响应于身份认证指令，调取与所述用户行为画像匹配的问答集，其中，所述问答集包括对应的问题和多个答案，所述多个答案包括标准答案和干扰答案，所述标准答案对应的业务信息与所述用户行为画像对应的业务信息相匹配；
验证发送模块114，用于将所述用户行为画像匹配的问答集发送至所述待进行身份认证的用户账号登陆的客户终端；
身份认证模块115，用于接收所述待进行身份认证的用户账号登陆的客户终端返回的答案确认信息，在所述答案确认信息与所述标准答案不对应时，生成身份认证警示信息。
其中，数据获取模块111可用于执行步骤S110；画像确定模块112可用于执行步骤S120；验证确定模块113可用于执行步骤S130；验证发送模块114可用于执行步骤S140；身份认证模块115可用于执行步骤S150。
由于在上述实施例中，已经对本发明实施例提供的基于大数据安全的身份认证方法进行了详细的介绍，而该身份认证装置110的原理与该方法相同，此处不再对身份认证装置110的各模块的执行原理进行赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本发明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）执行本发明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、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、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，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。
需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义。本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种基于大数据安全的身份认证方法，其特征在于，应用于身份认证服务器，所述身份认证服务器与至少一个客户终端通信连接，所述方法包括：
获取待进行身份认证的用户账号对应的用户大数据业务行为日志，并将所述用户大数据业务行为日志输入至事先调试完成的目标用户行为画像分析网络；
通过所述目标用户行为画像分析网络对所述用户大数据业务行为日志进行分析，得到所述用户大数据业务行为日志的用户行为画像；
响应于身份认证指令，调取与所述用户行为画像匹配的问答集，其中，所述问答集包括对应的问题和多个答案，所述多个答案包括标准答案和干扰答案，所述标准答案对应的业务信息与所述用户行为画像对应的业务信息相匹配；
将所述用户行为画像匹配的问答集发送至所述待进行身份认证的用户账号登陆的客户终端；
接收所述待进行身份认证的用户账号登陆的客户终端返回的答案确认信息，在所述答案确认信息与所述标准答案不对应时，生成身份认证警示信息；
其中，所述目标用户行为画像分析网络通过以下过程进行调试得到：
获取用户行为画像分析网络，并获取训练用户账号的用户大数据业务行为日志样本，其中，所述用户大数据业务行为日志样本包括多组用户业务行为数据样本；
通过所述用户行为画像分析网络对所述用户大数据业务行为日志样本进行表达数组挖掘，得到所述用户大数据业务行为日志样本对应的业务行为日志表达数组，以及所述用户业务行为数据样本对应的用户业务行为数据样本表达数组；
通过所述用户行为画像分析网络将所述业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组；
通过所述用户行为画像分析网络基于每组用户业务行为数据样本对应的整合表达数组，确定所述每组用户业务行为数据样本对应的行为指示支持度；
通过所述用户行为画像分析网络对所述业务行为日志表达数组进行用户行为画像推理，得到所述训练用户账号对应的推理用户行为画像支持度；
基于所述每组用户业务行为数据样本对应的行为指示支持度和所述训练用户账号对应的推理用户行为画像支持度进行误差确定，得到所述训练用户账号对应的行为误差结果和画像误差结果；
基于所述行为误差结果和所述画像误差结果对所述用户行为画像分析网络进行调试，得到所述目标用户行为画像分析网络。
2.根据权利要求1所述的方法，其特征在于，所述通过所述用户行为画像分析网络对所述用户大数据业务行为日志样本进行表达数组挖掘，得到所述用户大数据业务行为日志样本对应的业务行为日志表达数组，以及所述用户业务行为数据样本对应的用户业务行为数据样本表达数组，包括：
通过所述用户行为画像分析网络对所述用户大数据业务行为日志样本的用户业务行为数据样本进行显著性业务行为数据挖掘，得到每组用户业务行为数据样本对应的显著性业务行为数据；
通过所述用户行为画像分析网络将每组用户业务行为数据样本对应的显著性业务行为数据投影到事先部署的表达数组值域中，得到所述用户业务行为数据样本在所述事先部署的表达数组值域中对应的用户业务行为数据样本表达数组；
通过所述用户行为画像分析网络对每组所述用户业务行为数据样本对应的用户业务行为数据样本表达数组进行整合操作，得到所述用户大数据业务行为日志样本对应的基础业务行为日志表达数组；
通过所述用户行为画像分析网络对所述基础业务行为日志表达数组进行表达数组提取，得到所述用户大数据业务行为日志样本对应的业务行为日志表达数组。
3.根据权利要求2所述的方法，其特征在于，所述通过所述用户行为画像分析网络对所述用户大数据业务行为日志样本的用户业务行为数据样本进行显著性业务行为数据挖掘，得到每组用户业务行为数据样本对应的显著性业务行为数据，包括：
通过所述用户行为画像分析网络对所述用户业务行为数据样本进行矢量映射，得到所述用户业务行为数据样本对应的用户业务行为数据样本矢量；
通过所述用户行为画像分析网络中的显著性偏心系数和所述用户业务行为数据样本矢量进行预设计算处理，确定计算处理后的用户业务行为数据样本矢量；
通过所述用户行为画像分析网络中的非线性转换模块对所述计算处理后的用户业务行为数据样本矢量进行分类处理，得到所述每组用户业务行为数据样本对应的显著性业务行为数据。
4.根据权利要求2所述的方法，其特征在于，所述通过所述用户行为画像分析网络对所述基础业务行为日志表达数组进行表达数组提取，得到所述用户大数据业务行为日志样本对应的业务行为日志表达数组，包括：
通过所述用户行为画像分析网络对所述基础业务行为日志表达数组进行至少一次线性变换，得到线性变换表达数组；
通过所述用户行为画像分析网络对所述线性变换表达数组进行正向传递，得到传递后的表达数组；
通过所述用户行为画像分析网络对所述传递后的表达数组进行均匀分布映射处理，得到所述业务行为日志表达数组。
5.根据权利要求1所述的方法，其特征在于，所述通过所述用户行为画像分析网络将所述业务行为日志表达数组和每个用户业务行为数据样本表达数组进行表达数组整合，得到每组用户业务行为数据样本对应的整合表达数组，包括：
通过所述用户行为画像分析网络对每个所述用户业务行为数据样本表达数组执行转置操作，得到操作后的用户业务行为数据样本表达数组；
将所述用户行为画像分析网络中的整合偏心系数和所述业务行为日志表达数组进行作积，确定计算处理后的整合表达数组；
通过所述用户行为画像分析网络将所述计算处理后的整合表达数组和每个转置操作后的用户业务行为数据表达数组进行作积，得到所述每组用户业务行为数据样本对应的整合表达数组。
6.根据权利要求1所述的方法，其特征在于，所述基于所述每组用户业务行为数据样本对应的行为指示支持度和所述训练用户账号对应的推理用户行为画像支持度进行误差确定，得到所述训练用户账号对应的行为误差结果和画像误差结果，包括：获取用户大数据业务行为日志样本中每组用户业务行为数据样本的对比行为指示信息和所述训练用户账号对应的对比用户行为画像信息；基于所述每组用户业务行为数据样本对应的对比行为指示信息和行为指示支持度确定所述训练用户账号对应的行为误差结果；基于所述对比用户行为画像信息和所述训练用户账号对应的推理用户行为画像支持度确定所述训练用户账号对应的画像误差结果；
所述基于所述每组用户业务行为数据样本对应的对比行为指示信息和行为指示支持度确定所述训练用户账号对应的行为误差结果，包括：基于所述用户业务行为数据样本对应的对比行为指示信息，生成所述用户业务行为数据样本和预设行为指示信息之间对应的行为误差确定参变量；确定用户业务行为数据样本和预设行为指示信息之间对应的行为指示支持度；将用户业务行为数据样本和预设行为指示信息之间的所述行为误差确定参变量和行为指示支持度进行交叉熵函数计算，得到用户业务行为数据样本对应的用户业务行为数据样本误差结果；基于所述用户大数据业务行为日志样本中用户业务行为数据样本的总数和所述预设行为指示信息的总数将用户业务行为数据样本对应的用户业务行为数据样本误差结果进行合并以得到所述行为误差结果；
所述基于所述对比用户行为画像信息和所述训练用户账号对应的推理用户行为画像支持度确定所述训练用户账号对应的画像误差结果，包括：基于所述训练用户账号对应的对比用户行为画像信息，确定所述训练用户账号和预设用户行为画像之间的用户行为画像误差确定参变量；所述训练用户账号和所述预设用户行为画像之间的推理用户行为画像支持度；将所述训练用户账号和所述预设用户行为画像之间的用户行为画像误差确定参变量和推理用户行为画像支持度进行预设计算处理，得到训练用户账号对应的画像误差结果。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取待进行身份认证的训练用户账号的用户大数据业务行为日志，所述用户大数据业务行为日志包括多组用户业务行为数据；
通过所述目标用户行为画像分析网络对所述用户大数据业务行为日志进行表达数组挖掘，得到所述用户大数据业务行为日志对应的业务行为日志表达数组，以及所述用户业务行为数据对应的用户业务行为数据表达数组；
通过所述目标用户行为画像分析网络将所述用户大数据业务行为日志对应的业务行为日志表达数组和每个用户业务行为数据表达数组进行表达数组整合，得到每个用户业务行为数据对应的整合表达数组；
通过所述目标用户行为画像分析网络基于每个所述用户业务行为数据的整合表达数组，在所述用户业务行为数据中识别出所述待进行身份认证的训练用户账号对应的核心用户业务行为数据；
通过所述目标用户行为画像分析网络对所述业务行为日志表达数组进行用户行为画像推理，得到所述待进行身份认证的训练用户账号对应的用户行为画像。
8.根据权利要求7所述的方法，其特征在于，所述通过所述目标用户行为画像分析网络基于每个所述用户业务行为数据的整合表达数组，在所述用户业务行为数据中识别出所述待进行身份认证的训练用户账号对应的核心用户业务行为数据，包括：
通过所述目标用户行为画像分析网络依据每个所述用户业务行为数据对应的整合表达数组，对每个用户业务行为数据进行指示信息推理，得到每个用户业务行为数据的推理指示支持度；
基于每个用户业务行为数据对应的推理指示支持度，确定每个用户业务行为数据对应的行为指示信息；
基于每个用户业务行为数据对应的行为指示信息，在所述用户业务行为数据中识别出有效用户业务行为数据；
基于每个所述有效用户业务行为数据对应的行为指示信息，将所述有效用户业务行为数据进行合并以得到所述核心用户业务行为数据。
9.根据权利要求8所述的方法，其特征在于，所述基于每个有效用户业务行为数据对应的行为指示信息，将所述有效用户业务行为数据进行合并以得到所述核心用户业务行为数据，包括：
基于所述有效用户业务行为数据对应的行为指示信息，将所述有效用户业务行为数据分隔出多个有效用户业务行为数据集；
确认每个有效用户业务行为数据集中的有效用户业务行为数据的时效信息；
若所述有效用户业务行为数据集中有效用户业务行为数据的时效信息满足时效要求，则将所述有效用户业务行为数据集依时序整理以得到所述核心用户业务行为数据。
10.一种基于大数据安全的身份认证系统，其特征在于，包括身份认证服务器，以及与所述身份认证服务器通信连接的至少一个客户终端；
所述身份认证服务器包括处理器和存储器；
所述存储器存储有程序，所述处理器用于调用所述存储器存储的程序，以执行如权利要求1~9任意一项所述的基于大数据安全的身份认证方法。
CN202211537937.3A 2022-12-02 2022-12-02 一种基于大数据安全的身份认证方法及系统 Active CN115567227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211537937.3A CN115567227B (zh) 2022-12-02 2022-12-02 一种基于大数据安全的身份认证方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211537937.3A CN115567227B (zh) 2022-12-02 2022-12-02 一种基于大数据安全的身份认证方法及系统

Publications (2)

Publication Number Publication Date
CN115567227A true CN115567227A (zh) 2023-01-03
CN115567227B CN115567227B (zh) 2023-04-07

Family

ID=84770695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211537937.3A Active CN115567227B (zh) 2022-12-02 2022-12-02 一种基于大数据安全的身份认证方法及系统

Country Status (1)

Country Link
CN (1) CN115567227B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150365395A1 (en) * 2014-06-17 2015-12-17 Whatagoober, Llc Social content integration
CN107341679A (zh) * 2016-04-29 2017-11-10 腾讯科技（深圳）有限公司 获取用户画像的方法及装置
CN111953763A (zh) * 2020-08-06 2020-11-17 腾讯科技（深圳）有限公司 一种业务数据推送方法、装置及存储介质
CN113052629A (zh) * 2021-03-10 2021-06-29 浙江工商大学 基于cecu体系智能算法模型的网络用户画像方法
CN113244627A (zh) * 2021-06-24 2021-08-13 腾讯科技（深圳）有限公司 识别外挂的方法、装置、电子设备以及存储介质
US20220300858A1 (en) * 2020-10-14 2022-09-22 Ennew Digital Technology Co., Ltd Data measurement method and apparatus, electronic device and computer-readable medium
CN115146263A (zh) * 2022-09-05 2022-10-04 北京微步在线科技有限公司 用户账号的失陷检测方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150365395A1 (en) * 2014-06-17 2015-12-17 Whatagoober, Llc Social content integration
CN107341679A (zh) * 2016-04-29 2017-11-10 腾讯科技（深圳）有限公司 获取用户画像的方法及装置
CN111953763A (zh) * 2020-08-06 2020-11-17 腾讯科技（深圳）有限公司 一种业务数据推送方法、装置及存储介质
US20220300858A1 (en) * 2020-10-14 2022-09-22 Ennew Digital Technology Co., Ltd Data measurement method and apparatus, electronic device and computer-readable medium
CN113052629A (zh) * 2021-03-10 2021-06-29 浙江工商大学 基于cecu体系智能算法模型的网络用户画像方法
CN113244627A (zh) * 2021-06-24 2021-08-13 腾讯科技（深圳）有限公司 识别外挂的方法、装置、电子设备以及存储介质
CN115146263A (zh) * 2022-09-05 2022-10-04 北京微步在线科技有限公司 用户账号的失陷检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115567227B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Mayer et al. Forensic similarity for digital images
CN108596616B (zh) 用户数据真实性分析方法及装置、存储介质、电子设备
CN112837069B (zh) 基于区块链与大数据的安全支付方法及云平台系统
CN112651841B (zh) 线上业务办理方法、装置、服务器及计算机可读存储介质
CN111145006A (zh) 基于用户画像的汽车金融反欺诈模型训练方法和装置
CN112581259A (zh) 账户风险识别方法及装置、存储介质、电子设备
CN112633925A (zh) 物品价值评估方法、装置、计算机设备和存储介质
CN112883990A (zh) 数据分类方法及装置、计算机存储介质、电子设备
CN111241873A (zh) 图像翻拍检测方法及其模型的训练方法、支付方法及装置
Drozdowski et al. Multi-biometric identification with cascading database filtering
CN116739704A (zh) 基于人工智能的电商平台兴趣分析式商品推荐方法及系统
CN109685104B (zh) 一种识别模型的确定方法和装置
Kopčan et al. Anomaly detection using Autoencoders and Deep Convolution Generative Adversarial Networks
CN115567227B (zh) 一种基于大数据安全的身份认证方法及系统
CN116629423A (zh) 用户行为预测方法、装置、设备及存储介质
Mallick et al. The influence of the other-race effect on susceptibility to face morphing attacks
CN116523303A (zh) 一种风险客户检测方法、装置、存储介质及设备
CN110555007A (zh) 盗号行为判别方法、装置、计算设备及存储介质
US20220067151A1 (en) Defense mechanism against component-wise hill climbing using synthetic face generators
CN116958622A (zh) 数据的分类方法、装置、设备、介质及程序产品
US20220284213A1 (en) Methods and systems for real-time electronic verification of content with varying features in data-sparse computer environments
CN114418767A (zh) 一种交易意图识别方法及装置
CN113469816A (zh) 基于多组学技术的数字货币识别方法、系统和存储介质
CN113807870B (zh) 车辆信息认证方法、装置、计算机设备和存储介质
CN115689648B (zh) 应用于定向投放的用户信息处理方法及系统

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