CN115731641A - 基于学习的用户属性的机器学习辅助标识 - Google Patents

Abstract

用于机器学习辅助用户标识的系统和方法。在一些实施例中，系统包括至少一个处理器和存储由至少一个处理器可执行的指令的存储器，所述指令当被执行时使所述系统：获得用户的认证信息，所述认证信息包括第一认证因子；基于来自一个或多个传感器的输出信号来确定用户的一个或多个属性；使用用户的所获得的认证信息和所确定的一个或多个属性来训练机器学习系统的标识模型，所述标识模型配置成标识用户；以及使用所训练的标识模型基于用户的所确定的一个或多个属性来标识用户。

Description

基于学习的用户属性的机器学习辅助标识

相关申请的交叉引用

本申请要求保护2021年9月1日提交的美国临时申请号 63/260,812的权益，其内容全部并入于此。

技术领域

本发明一般涉及用户标识，以及更具体涉及基于所学习的用户属性的机器学习辅助用户标识。

背景技术

认证方法一般要求预定义因子来标识个体。标识因子被设置在登记过程流程期间收集的静态配置文件中。但是，在静态定义的登记配置文件中，每个因子为合格/不合格，而不考虑动态条件或变化因素。另外，登记过程有时可能是昂贵的，并且可能阻碍新技术的采用，因为它通常要求新登记。

发明内容

本公开的方面涉及用于基于学习的用户属性的机器学习辅助用户标识的方法、设备和/或系统。

在一些实施例中，一种用于机器学习辅助用户标识的系统包括至少一个处理器和存储器，所述存储器存储由所述至少一个处理器可执行的指令。在一些实施例中，所述指令当被执行时使所述系统：获得用户的认证信息，所述认证信息包括第一认证因子；基于来自一个或多个传感器的输出信号来确定所述用户的一个或多个属性；使用所述用户的所获得的认证信息和所确定的一个或多个属性来训练机器学习系统的标识模型，所述标识模型配置成标识用户；以及使用所训练的标识模型基于所述用户的所确定的一个或多个属性来标识所述用户。

在一些实施例中，所述指令使所述系统：从访问控制系统获得用户的访问控制信息，所述访问控制信息指示当使用认证信息时是否准予访问；以及基于指示是否准予访问的访问控制信息来更新所训练的标识模型。

在一些实施例中，用户的一个或多个属性包括用户的生物测定或行为特性中的一个或多个。

在一些实施例中，所述指令使所述系统从访问控制系统获得用户的访问控制信息，所述访问控制信息基于所述认证信息来指示是否准予访问，并且其中标识模型进一步基于所述访问控制信息。

在一些实施例中，所述指令使所述系统响应于指示拒绝访问的访问控制信息而从用来训练标识模型的数据中过滤用户的认证信息和用户的属性。

在一些实施例中，所述指令使所述系统基于由标识模型的标识来确定用于认证用户的附加认证因子，所述附加认证因子基于用户的所确定的一个或多个属性。

在一些实施例中，所述指令使所述系统构建用户的认证配置文件，所述认证配置文件包括第一认证因子和附加认证因子。

在一些实施例中，所述指令使所述系统基于随时间过去的用户的新确定的属性来动态更新认证配置文件。

在一些实施例中，一种用于机器学习辅助用户标识的系统包括至少一个处理器和存储器，所述存储器存储指令由所述至少一个处理器可执行的指令，所述指令当被执行时使所述系统：获得用户的认证信息；从访问控制系统获得用户的访问控制信息，所述访问控制信息基于所述认证信息来指示是否准予访问；响应于指示准予访问的访问控制信息而基于来自一个或多个传感器的输出信号来确定用户的一个或多个属性；以及基于用户的认证信息、一个或多个属性来标识用户。

在一些实施例中，一种机器学习辅助用户标识的方法，所述方法在计算系统中被实现，所述计算系统包括至少一个处理器和存储指令的存储器，所述方法包括：获得用户的认证信息，所述认证信息包括第一认证因子；基于来自一个或多个传感器的输出信号来确定所述用户的一个或多个属性；使用所述用户的所获得的认证信息和所确定的一个或多个属性来训练机器学习系统的标识模型，所述标识模型配置成标识用户；以及使用所训练的标识模型基于所述用户的所确定的一个或多个属性来标识所述用户。

通过本发明的详细描述及其所附附图，本发明的各个其它方面、特征和优点将是显而易见的。还要理解，前述一般描述和以下详细描述均是示例，而不是对本发明的范围的限制。

附图说明

在本说明书所附权利要求书中特别指出并明确要求保护被视作本公开的主题。附图的以下描述无论如何都不应当被理解为进行限制。参照附图，相似元件被相似地编号：

图1-A示出根据一个或多个实施例的用于机器学习辅助用户标识的系统的示例。

图1示出根据一个或多个实施例的用于机器学习辅助用户标识的系统的示例。

图2示出根据一个或多个实施例的训练系统的示例。

图3示出根据一个或多个实施例的受控区域的示例。

图4是示出根据一个或多个实施例的用户标识的方法的示例的流程图。

图5示出可用来实现本文所述的技术的方面的计算机系统的示例。

具体实施方式

为了说明的目的，在以下描述中阐述大量具体细节，以便提供对本发明的实施例的透彻了解。但是本领域的那些技术人员将领会，可在没有这类具体细节或者具有等效布置的情况下实施本发明的实施例。在其它情况下，众所周知的结构和装置通过框图形式示出，以便避免不必要地模糊本发明的实施例。

本公开提供一种用于用户标识的系统100。在一些实施例中，系统100可配置成基于随时间过去所学习的用户属性来标识用户。所学习的用户属性可用来构建用于认证用户的认证配置文件。所述认证配置文件可包括能够用来认证用户的认证因子（基于所学习的属性所确定）。例如，所学习的用户属性可包括生物测定特性、行为特性或者其它用户特定特性（或属性）。例如，行为特性可包括：用户移动特性（例如，步态、协调、步行速度、所进行的步数、步调、方式和步行模式或其它移动特性）；用户的一个或多个身体部位的运动、定位、手势、取向（例如，手势、面部表情、眼睛移动、头部定位等）或者指示可标识用户的其它有意识或无意识行为。

特别是，系统100可配置成基于用户属性来训练深度学习标识模型以标识用户。标识学习模型可使用用户的可用认证信息来学习用户属性。例如，用户的可用认证信息可以是访问卡（例如，在初始登记过程期间配置，以标识用户并且提供通过访问卡的访问）。标识模型可配置成每次用户使用访问卡时学习用户的属性（例如，用户的步态）。所学习的用户步态可用来标识用户。另外，作为认证因子的步态可被添加到用户的认证配置文件（作为对访问卡的补充），以认证用户。在这种情况下，步态可单独地或者作为对访问卡的补充被用来认证用户。

在一些实施例中，可自动训练标识学习模型（无监督学习），以学习用户属性，并且基于用户的验证的访问控制信息来确定用户的身份。例如，在一些实施例中，来自访问控制系统的与当用户使用认证因子（例如，访问卡）时是准予还是拒绝访问有关的访问控制信息可作为对认证因子和用户属性的补充被用来训练标识模型。例如，系统100可在使用认证信息训练标识模型之前验证认证信息。在一些实施例中，系统100可使用来自访问控制系统的与用户是否已经访问受控区域（例如，建筑物）有关的反馈来动态更新标识学习模型。例如，访问控制结果（访问被准予/拒绝或者人员实际进入或未进入）可用作所学习的属性的肯定或否定确认，这随时间过去允许标识模型学习（或更新）什么生物测定或行为特性（例如，步态/移动）标识用户。

在一些实施例中，来自一个或多个传感器（例如，光学传感器）的传感器数据可用来确定用户的属性。在一些实施例中，传感器数据可用来确定与场景（用户和受控区域的背景（setting）或环境）有关的信息。在一些实施例中，所训练的标识模型可以是场景特定的（例如，场景可以是具有周围区域的建筑物的前门）、用户特定的、访问点特定的或者在系统管理要求的任何其它个性化中个性化。

系统100的标识学习模型可配置成通过连续迭代和自学习动态适配和适应不同背景，而不必经过监督学习（这可能是费时和高费用的）。在一些实施例中，标识学习模型可对特定场景被个性化，但是能够动态适应场景的变化。例如，第一背景（例如，建筑物的前门）中可指示用户的身份的行为可能与第二背景（例如，走廊）中指示身份的行为是不同的。类似地，标识学习模型可适应相同背景中的不同条件（例如，人群、障碍物、时刻等）。此外，标识学习模型可适应如下文所述用户的不同条件（例如，物理变化、生理变化等）。这可以是有益的，因为标识模型不断自学习，而无需被重新训练（例如，每次存在新用户时或者每次访问门发生变化时等）。另外，所公开的方法不要求大的训练集合（例如，特定于每个场景、每个访问点、每个受控区域、每个用户、场景或用户中的每个变化等）。也就是说，并非所有实施例必定提供所有这些益处，以及一些实施例可提供其它截然不同的优点，这不是暗示在一些实施例中也可以不省略本文所述的任何其它特征。例如，系统100的操作可用来为用户提供无缝体验（身份可在用户到达访问点之前被确定，并且可准予更快进入）。其它优点可包括，用户无需“教导”系统来识别用户，学习自动进行。

图1示出根据一个或多个实施例的用于用户标识的系统100的示例。在一些实施例中，系统100可包括训练系统110、一个或多个传感器102、用户装置104、访问控制装置106、访问控制系统108和/或其它组件。本领域的普通技术人员已知的其它组件可被包含在系统100中，以采集、处理、传送、接收、获取和提供结合所公开的实施例使用的信息。另外，系统100可进一步包括其它组件，所述组件执行或辅助执行符合所公开实施例的一个或多个过程。例如，本文所述的一个或多个实施例可在边缘装置中实现，所述边缘装置配置用于提供对网络之间的数据流的控制。图1-A示出配置用于执行本公开的一个或多个实施例的边缘装置10的示例。所述边缘装置可配置成执行或辅助执行本文所述的一个或多个实施例（例如，接收、处理、存储或传送结合所公开的实施例使用的信息）。所述边缘装置可包括其它组件（例如，系统100的一个或多个组件或者其它组件），以辅助执行所公开的实施例。

在一些实施例中，传感器102可配置成生成输出信号，所述信号递送与用户、受控区域和/或其它传感器信息相关的信息。在一些实施例中，传感器信息可用来检测、标识或认证用户。在一些实施例中，由传感器102所提供的传感器信息可用于确定一个或多个用户属性，所述用户属性能够用来确定用户身份、用户认证信息或其它用户相关信息（例如，传感器信息可用来训练机器标识学习模型，以基于用户属性或者基于其它传感器信息来确定用户的身份）。在一些实施例中，传感器信息可包括：行为信息、生理信息、生物测定信息、标识信息；与受控区域（例如，建筑物）或者受控区域的周围环境相关的信息；和/或其它信息。在一些实施例中，传感器102可包括光学传感器、加速器、位置传感器、全球定位系统（GPS）传感器、定位传感器、计步器、运动检测器、音频传感器或者用于提供用户相关或受控区域信息的其它传感器中的一个或多个。在一些实施例中，传感器102可被定位在允许传感器测量的任何位置或者多个位置（在系统100之内或之外）。例如，传感器102可包括位于访问装置106、用户装置104处或附近、伴随用户（例如，用户通过装置拥有传感器或者传感器与用户直接耦合）、在访问装置104或用户的周围区域（例如，门、走廊、建筑物、建筑物外部等）中或者其它位置中的传感器。

在一些实施例中，传感器102可包括配置成生成一个或多个图像数据的光学传感器。在一些实施例中，图像数据可用来标识用户。在一些实施例中，系统100可使用传感器所获得的图像数据来训练标识模型以标识用户。例如，图像数据可用于使用机器学习系统从自光学传感器接收的数据集中的特征或信息提取（如下文所解释）。在一些实施例中，光学传感器可包括图像或视频摄像机、热成像传感器、深度传感器、扫描仪、LIDAR传感器、RADAR传感器、3D摄像机、红外光传感器、超光谱成像器、多光谱成像器和/或其它传感器中的一个或多个。在一些实施例中，从传感器102获得的传感器数据可被处理（例如，使用本文参照图5所述的处理器510）以提取图像信息。在一些实施例中，处理器可被包含在传感器中。在一些实施例中，由传感器102获得的传感器数据可包括图像、视频、多维深度图像、热图像、红外光测量、光反射时间测量、无线电波测量、范围、角度和/或其它传感器数据。在一些实施例中，来自传感器102的多个传感器的多个传感器数据可被组合，以提取信息。例如，来自不同位置和角度的图像、多维深度图像、热图像、范围、角度和/或从传感器102所获得的其它图像数据可被组合，以提供与用户和/或受控区域有关的信息。在一些实施例中，计算机视觉技术可用来从光学传感器来提取与用户或受控区域有关的信息。在一些实施例中，计算机视觉可用于人或物体检测、识别或标识。

在一些实施例中，由传感器102生成的信息可包括（或者用来确定）用户的行为特性（或属性）。在一些实施例中，用户的行为特性可用来检测、标识或认证用户。用户的行为特性可包括用户移动特性（例如，步态、协调、步行速度、所进行的步数、步调、方式和步行模式或其它移动特性）。在一些实施例中，行为特性可包括用户的一个或多个身体部位的运动、定位或取向（例如，手势、面部表情、眼睛移动、头部定位等）。在一些实施例中，由传感器102生成的信息可包括（或者用来确定）生理信息（或者参数或属性）。例如，生理参数可包括体温、心率、脉搏、呼吸参数（例如，呼吸率、吸气/呼气持续期、呼吸周期或其它呼吸参数）或者其它生理参数。在一些实施例中，用户的生理参数可用来检测、标识或认证用户。

在一些实施例中，由传感器102生成的信息可包括（或者用来确定）用户的生物测定信息（或属性）。生物测定信息可包括用户的物理特性（或属性）（例如，身高、头发、眼睛、体形、性别、种族、年龄、身体标识、面部、声音特性、指纹或其它生物测定特性）。在一些实施例中，用户的生物测定信息可用来检测、标识或认证用户。

在一些实施例中，由传感器102生成的信息可包括认证信息。所述认证信息可包括用户名、ID、访问凭证、访问级别、密码、代码等。在一些实施例中，生物测定信息或认证信息可用来检测、标识、识别或认证用户。例如，可响应于用户向传感器102提供信息（例如，通过使用传感器来提供标识/认证凭证）来生成标识信息。在一些实施例中，传感器可配置成（例如，从图像数据中）自动检测标识信息。在一些实施例中，生物测定信息或标识信息可从本文所述的用户装置104、访问控制装置106或访问控制系统108来获得。

在一些实施例中，由传感器102生成的信息可包括与场景（例如，受控区域和受控区域的周围环境）相关的信息。在与场景相关的信息中可包括：受控区域的大小、形状、尺寸；访问点的数量和位置；周围区域中的其它现有结构或障碍物；人行道；道路；自然特征（树木等）；或者与受控区域及其周围环境相关的其它物理信息。应当领会，本文所述的传感器类型和操作的示例将被视为仅为了说明的目的的实施例的示例。其它类型的传感器以及传感器信息提取的技术被设想并且符合本公开。

在一些实施例中，访问控制装置106可配置成控制对区域或资产（例如，结构、建筑物、房间、公寓、车辆、盒、装置、机器或者对其的访问受控的其它区域或资产）的访问。在一些实施例中，访问控制装置106可包括锁定机构，所述锁定机构能够锁定、紧固和/或控制（例如，对可控资产或受控区域的）访问。在一些实施例中，访问控制装置106可包括机械或电气组件。在一些实施例中，访问控制装置106可配置成从系统100的一个或多个组件接收信号并且向其转移信号。在一些实施例中，访问控制装置106可认证用户或者用户装置104。在一些实施例中，访问控制装置106可包括认证程序（或应用），所述认证程序（或应用）配置成经由多因子认证、接近认证、密码、密钥的交换、配对、注册、生物测定、形成私有链接或者其它形式的认证来认证用户（或者用户装置104）。虽然访问控制装置106在图1中描绘为单个装置，但是在一些实施例中，访问控制装置106可包括能够执行本文所述功能的多个互连装置。在一些实施例中，访问控制装置106可配置成请求和/或验证数字证书信息、对信息进行解密/加密和/或其它类型的信息处理操作。在一些实施例中，访问控制装置106可包括计算资源，诸如处理器和用于存储指令的存储器装置（例如，以下参照图5所述的计算系统500）。处理器可配置成执行软件指令，以执行符合本公开的一个或多个实施例的各种操作。

在一些实施例中，访问控制装置106可包括一个或多个传感器102（本文所述）。例如，访问控制装置106可包括光学传感器、RFID读取器、生物测定读取器、接近传感器、运动传感器和/或其它传感器中的一个或多个。在一些实施例中，访问控制装置106可配置成向一个或多个传感器提供或者全部处理能力。在一些实施例中，访问控制装置106可配置成将传感器数据传递到训练系统110、访问控制系统108或者到系统100的其它组件。

在一些实施例中，访问控制系统108可配置成向控制访问装置106提供管理功能（例如，控制、编程、监测、认证、交换信息等）。在一些实施例中，访问控制系统108可配置成存储与用户相关的访问控制信息（例如，用户的访问凭证、标识或认证信息）。在一些实施例中，访问控制信息可包括与访问事件相关的信息。例如，访问事件信息可包括与用户访问或设法访问受控区域时的事件有关的细节（例如，时间、所使用的凭证、访问被准予/拒绝等）。在一些实施例中，访问控制系统108可配置成向系统100的一个或多个组件传递访问控制信息。例如，访问控制系统108可向训练系统110提供访问事件信息，以使用用户访问受控区域的事件来训练机器学习标识模型（如本文所述）。在一些实施例中，可包括本领域的普通技术人员已知的一个或多个处理器、存储器、数据库或其它组件，以采集、处理、传送、接收、获取和提供结合所公开的实施例所使用的信息。

用户装置104可包括能够向访问控制装置106传递用户认证凭证的任何装置。在一些实施例中，用户装置104可配置成通过短程无线通信技术与访问控制装置106进行通信。例如，用户装置104可以是具有与访问控制装置106进行通信的能力的任何用户装置（例如，移动电话、可佩戴计算装置、平板等）。在一些实施例中，用户装置104可以是钥匙卡（例如，访问卡或徽章等），所述钥匙卡配置成向访问控制装置106传递用户认证凭证。在一些实施例中，钥匙卡可以是接触式卡（例如，磁条卡、条形码、磁卡或接触式智能卡）或者是能够通过短程无线通信进行通信的非接触式卡。在一些实施例中，用户装置104可配置成使用一个或多个短程通信技术（例如，RFID、NFC、BLE、BTLE、Wi-Fi、超宽带（UWB）或者其它短程通信技术）与访问控制装置106或者系统100的其它组件进行通信。

在一些实施例中，用户装置104可包括传感器102中的一个或多个（本文所述）。例如，用户装置104可包括加速器、计步器、位置传感器、GPS、接近、运动和/或其它传感器中的一个或多个。在一些实施例中，用户装置104可配置成向一个或多个传感器提供或者全部处理能力。在一些实施例中，用户装置104可配置成将传感器数据传递到训练系统110、访问控制系统106、访问控制系统108或者传递到系统100的其它组件。例如，响应于用户装置104接近访问控制装置106（或者访问控制装置的环境中），可在用户装置与系统100的一个或多个组件之间建立短程通信，以允许传递传感器数据或其它通信（例如，认证）。

在一些实施例中，训练系统110可包括用户信息模块120、访问控制信息模块130、标识确定模块140和/或其它组件。在一些实施例中，训练系统110可包括计算资源，诸如处理器和用于存储指令的存储器装置（例如，以下参照图5所述的计算系统500）。处理器可配置成执行软件指令，以执行系统100的各种操作。计算资源可包括软件指令，以执行模块120、130、140和/或系统110和100的其它组件的操作。

用户信息模块120可配置成获得（或确定）与用户相关的信息。如上所述，用户信息可包括行为信息、生理信息、生物测定信息、标识信息、认证信息或其它用户相关信息。在一些实施例中，可从传感器102所生成的输出信号来确定用户信息。在一些实施例中，可从用户装置104、访问装置106、访问控制系统108或者系统100之内或之外的其它组件（例如，数据库）来获得用户信息。

例如，用户信息模块120可配置成获得或确定认证信息。所述认证信息可包括用户名、ID、访问凭证、访问级别、密码、代码等。在一些实施例中，用户的认证信息包括在初始登记过程期间向用户发出的凭证。例如，认证信息可包括用于认证用户的第一认证器因子（例如，徽章）。在一些实施例中，认证信息可包括多于一个认证因子（例如，徽章、别针、用户名+密码等）。在一些实施例中，可从用户、传感器102、用户装置104、访问装置106、访问控制系统108或者系统100的其它组件中的一个或多个来确定或者获得认证信息。

在一些实施例中，用户信息模块120可配置成基于来自传感器102的输出信号来确定用户的行为特性。例如，用户的行为特性可包括：用户移动特性（例如，步态、协调、步行速度、所进行的步数、步调、方式和步行模式或其它移动特性）；用户的一个或多个身体部位的运动、定位或取向（例如，手势、面部表情、眼睛移动、头部定位等）或者其它行为特性。在一些实施例中，用户信息模块120可配置成从图像数据中提取用户的行为特性。例如，可使用图像/视频分析技术来确定用户的步态。在一些实施例中，可基于来自多个传感器102（例如，光学传感器、位置传感器、加速器、计步器等）的信息的组合来确定用户的行为特性。在一些实施例中，所确定的行为属性可被映射到用户的认证信息或者与用户相关的访问信息，以标识用户或者训练标识模型以基于所确定的属性来标识用户（如本文所解释）。

在一些实施例中，用户信息模块120可配置成基于来自传感器102的输出信号来确定用户的生物测定属性。用户的生物测定属性可包括用户的物理特性（或属性）（例如，身高、头发、眼睛、体形、性别、种族、年龄、身体标识、面部、声音特性、指纹或其它生物测定特性）。在一些实施例中，用户信息模块120可配置成从图像数据中提取用户的生物测定属性。例如，可使用图像/视频分析技术来确定用户的一个或多个或多个物理特性。在一些实施例中，可基于来自多个传感器102（例如，光学传感器、位置传感器、加速器、计步器等）的信息的组合来确定用户的生物测定属性。在一些实施例中，所确定的生物测定属性可被映射到用户的认证信息或者与用户相关的访问信息，以标识用户或者训练标识模型以基于所确定的生物测定属性来标识用户（如本文所解释）。

在一些实施例中，用户信息模块120可配置成基于来自传感器102的输出信号来确定用户的一个或多个生理属性（或参数）。在一些实施例中，生理参数可包括体温、心率、脉搏、血氧测定、呼吸参数（例如，呼吸率、吸气/呼气持续期、呼吸周期或其它呼吸参数）或者其它生理参数。在一些实施例中，传感器102可包括直接测量这类参数（例如，通过与用户的流体通信）的一个或多个传感器或者通过来自系统100之内或之外的其它传感器或其它组件（例如，运动传感器、加速器、光学传感器、音频传感器和/或其它传感器）的测量间接生成与一个或多个生理参数相关的输出信号的传感器。在一些实施例中，与用户相关的生理参数可用来标识用户或者训练标识模型以基于所确定的生理属性来标识用户。

在一些实施例中，访问控制信息模块130可配置成获得与用户相关的访问信息。在一些实施例中，可从访问装置106、访问控制系统108、传感器102或者从系统100之内或之外的其它组件来获得访问信息。在一些实施例中，访问控制信息可包括与访问事件相关的信息。例如，访问事件信息可包括与用户访问或设法访问受控区域时的事件有关的细节（例如，时间、所使用的凭证、访问被准予/拒绝等）。在一些实施例中，模块130可配置成基于所接收的访问信息来确定用户是否访问（进入）受控区域。在一些实施例中，访问控制信息模块130可配置成基于来自多个访问点的访问事件来确定用户何时“实际”进入受控区域。例如，如果用户的访问事件包括来自访问控制装置106（例如，处于建筑物的前面）或者来自位于建筑物内部的另一个访问控制装置（例如，电梯、楼层、停车场、办公室、咖啡机、打印机或者建筑物内部的其它受控区域或资产）的事件，则用户可被确定为已经进入建筑物。在一些实施例中，除了访问信息之外，模块130还可基于标识建筑物内部的用户的信息或事件（例如，来自建筑物内部的一个或多个传感器的标识用户的数据）来确定用户进入受控区域。类似地，访问控制信息模块130可配置成确定用户何时没有受控区域。例如，访问控制信息模块130可确定用户被拒绝访问（例如，因为它没有访问权或者由于认证问题）。在一些实施例中，访问控制信息模块130可确定用户甚至在成功认证之后也没有访问受控区域（用户只是经过访问点而不打算进入）。

在一些实施例中，标识模块150可配置成标识用户。在一些实施例中，标识模块150可配置成基于从用户信息模块120所获得的用户信息（行为信息、生理信息、生物测定信息、标识信息、认证信息或者其它用户相关信息）来标识用户。在一些实施例中，可基于用户的行为特性来确定用户标识。例如，可基于用户移动特性（例如，步态、协调、步行速度、所进行的步数、步调、方式和步行模式或其它移动特性）来确定用户标识。在一些实施例中，可基于用户的一个或多个身体部位的运动、定位或取向（例如，手势、面部表情、眼睛移动、头部定位等）来标识用户。在一些实施例中，可基于其它用户信息（例如，以上所述的用户信息）来确定用户标识。在一些实施例中，可基于用户的认证信息、访问控制信息、与背景相关的信息和/或其它信息来确定用户标识。例如，在一些实施例中，标识模块150可配置成映射用户的认证信息（例如，徽章/别针）与用户信息（例如，行为、生理或其它用户信息），以确定用户的身份。例如，当用户出示它的徽章以访问受限区域时，系统确定用户的属性（例如，步态），并且将所述属性映射到用户认证信息（从徽章所获得）。所述属性这时可用来标识用户。

在一些实施例中，由用户信息模块120所获得的用户信息可被输入到配置成训练一个或多个标识模块以标识用户的标识模块150的机器学习系统中。在一些实施例中，标识模块可配置成基于用户属性来标识用户。标识学习模型可使用用户的可用认证信息来学习用户属性。例如，用户的可用认证信息可以是访问卡（例如，在初始登记过程期间配置，以标识用户并且提供通过访问卡的访问）。标识模型可配置成每次用户使用访问卡时学习用户的属性（例如，用户的步态）。

在一些实施例中，来自访问控制模块130的访问控制信息可用来训练标识模块150的标识学习模型。例如，可自动训练标识学习模型（无监督学习），以学习用户属性，并且基于用户的验证的访问控制信息来确定用户的身份。例如，在一些实施例中，来自访问控制模块130的与当用户使用认证因子（例如，访问卡）时是准予还是拒绝访问有关的访问控制信息可作为对认证因子和用户属性的补充被用来训练标识模型。例如，标识模块150可配置成在使用认证信息训练标识模型之前验证认证信息。在一些实施例中，标识学习模型可配置成在用户已被成功认证之后标识用户。在一些实施例中，用来训练机器学习标识模型的用户信息、认证信息或访问控制信息与首先被认证的用户相关。在一些实施例中，标识模块150可配置成从机器学习系统中使用的数据中丢弃（或滤出）与未被认证、未通过认证步骤或者没有对特定访问点的访问权的用户相关的数据。在一些实施例中，这可提供更准确的标识训练。在一些实施例中，可接近受控区域检测多个用户。在这些情况下，标识模块可使用过滤步骤来移除未被认证的用户，并且使用来自被认证的用户（具有对受控区域的访问权）的用户信息来训练标识模型。

在一些实施例中，系统100可使用来自访问控制系统的与用户是否已经访问受控区域（例如，建筑物）有关的反馈来动态更新标识学习模型。例如，访问控制结果（访问被准予/拒绝或者人员实际进入或未进入）可用作所学习的属性的肯定或否定确认，这随时间过去允许标识模型学习（或更新）什么生物测定或行为特性（例如，步态/移动）标识用户。

图2示出根据本公开的一个或多个实施例的训练系统的示例操作200。在一些实施例中，标识模块250可包括机器学习系统254，所述机器学习系统配置成训练一个或多个标识模型以确定标识用户（例如，深度学习模型）。在一些实施例中，机器学习系统250使用无监督学习算法来训练一个或多个标识模型。在一些实施例中，机器学习系统240的无监督学习算法可配置成接收特定背景的用户信息和访问控制信息作为输入。所述输入数据未被标记、分类或归类。在一些实施例中，机器学习系统250的无监督学习算法可配置成标识输入数据中的类似性，并且基于所标识的类似性存在或缺失对新数据进行编组。使用无监督学习算法可以是有益的，因为它可允许发现隐藏趋势和模式，或者从如果使用其它技术原本难以获得的输入数据（例如，用户信息）中提取数据特征。例如，所训练的标识模型可以能够检测每个用户特定的可标识所述用户的微动手势或下意识移动。

要理解，机器学习系统在这里描述为用于标识用户的技术的示例。但是，其它技术也被本公开所设想。因此，用于基于用户属性来标识用户的任何计算机实现技术或机器学习技术被本公开所设想。例如，机器学习系统250可实现如本文所述的标识用户的任何类型的机器学习技术。机器学习系统254可使用监督学习、半监督、无监督学习、加强学习和/或其它机器学习技术中的一个或多个。在一些实施例中，机器学习模型可包括决策树、支持向量机、回归分析、贝叶斯网络、随机森林学习、降维算法、提升算法、人工神经网络（例如，完全连接神经网络、深度卷积神经网络或者递归神经网络）、深度学习和/或其它机器学习模型。

在一些实施例中，标识模块150可配置成在确定用户身份中使用与特定场景相关的信息。在一些实施例中，与场景相关的信息可用来训练机器学习模型，以确定用户身份（当用户处于那个特定场景中时）。在一些实施例中，标识模型150可在确定身份（或者教导标识模型）中使用：建筑物的大小、形状、尺寸；访问点的数量和位置；周围区域中的其它现有结构或障碍物；人行道；道路；自然特征（树木等）；或者与受控区域及其周围环境相关的其它物理信息。在一些实施例中，标识模块150可配置成基于（例如，与前面建筑物中的多个门之中的门特定的）访问点来标识用户。在一些实施例中，用户的标识可基于用户接近访问点的接近角度（或者位置、定位或取向）。这些技术中的一个或多个可适用于图3中所示的示例。图3示出按照一个或多个实施例的场景300的示例。场景300包括受控区域320、访问点330和用户340。如从图3能够看到，多个用户从访问点的多个侧面（或者角度）正在接近。如上所解释，标识模块150可配置成基于与用户340相关的信息（例如，学习的属性）、用户340的访问控制信息、与场景300相关的信息、访问点330、接近角度或者其它用户或受控区域（场景）信息来标识用户340中的一个或多个。

返回到图1，在一些实施例中，系统100的标识学习模型可配置成通过连续迭代和自学习动态适配和适应不同背景，而无需经过监督学习（这可能是费时和高费用的）。在一些实施例中，标识学习模型可对特定场景被个性化，但是能够动态适应场景的变化。例如，可标识第一背景（例如，建筑物的前门）中的用户的行为可能与标识第二背景（例如，走廊）中的用户的行为是不同的。类似地，标识学习模型可适应相同背景中的不同条件（例如，人群、障碍物、时刻等）。此外，标识学习模型可适应用户的不同条件（例如，物理变化、生理变化等）。这可以是有益的，因为所述模型不断自学习，而无需被重新训练（例如，每次存在新用户时或者每次访问门发生变化时等）。也就是说，并非所有实施例必定提供所有这些益处，以及一些实施例可提供其它截然不同的优点，这不是暗示在一些实施例中也可以不省略本文所述的任何其它特征。例如，系统100的操作可用来为用户提供无缝体验（用户的身份在用户到达访问点之前被确定，并且可准予更快进入）。其它优点可包括，用户无需“教导”系统来标识它们，学习自动进行。

在一些实施例中，标识模块150可配置成构建用于使用所学习的用户属性来认证用户的认证配置文件。所述认证配置文件可包括能够用来认证用户的认证因子（基于所学习的属性所确定）。例如，所学习的用户属性可包括生物测定特性、行为特性或者其它用户特定特性（或属性）。例如，行为特性可包括：用户移动特性（例如，步态、协调、步行速度、所进行的步数、步调、方式和步行模式或其它移动特性）；用户的一个或多个身体部位的运动、定位、手势、取向（例如，手势、面部表情、眼睛移动、头部定位等）或者可单独或组合地用来标识或认证用户的其它有意识或无意识行为。在一些实施例中，所学习的属性在被用作认证因子之前可能需要被确认（或者被授权）。可使用监督或半监督机器学习模型来确认所学习的属性。在一些实施例中，所学习的属性可由管理员来确认或授权。

在一些实施例中，系统100的一个或多个组件可通过一个或多个专用通信链路直接通信。在一些实施例中，系统100可包括连接系统100的一个或多个组件的网络190。在一些实施例中，网络190可以是配置成提供系统100的组件之间的通信的任何类型的网络。例如，网络可以是提供通信、交换信息和/或促进信息的交换的任何类型的有线或无线网络（包括基础设施），诸如因特网、近场通信（NFC）、光码扫描仪、蜂窝网络、公共交换电话网络（“PSTN”）、文本消息传递系统（例如，SMS、MMS）、频率（RF）链路、Bluetooth®、Wi-Fi、专用数据网络、虚拟专用网络、Wi-Fi网络、LAN或WAN网络或者能够实现系统100的组件之间的信息的发送和接收的其它适当连接。将领会，这不是意在进行限制，以及本公开的范围包括其中系统100的客户端一个或多个组件经由一些其它通信介质在操作上链接的实现。

应当领会，所示的组件被描绘为离散的功能块，但是实施例不限于其中本文所述的功能性如图所示被组织的系统。由组件中的每个提供的功能性可由与当前描绘地不同地组织的软件或硬件模块来提供，例如这样的软件或硬件可被混合、联合、重复、分解、分布（例如，在数据中心内或者在地理上）或者以不同方式被组织。本文所述的功能性可由一个或多个计算机的一个或多个处理器执行存储在有形非暂态机器可读介质上的代码来提供。

图4示出根据本公开的一个或多个实施例的用户标识的方法400。下面提供的方法400的操作意在是说明性的。在一些实现中，可采用未描述的一个或多个附加操作和/或在没有所述操作中的一个或多个的情况下实现方法400。另外，图4中示出和以下描述方法400的操作的顺序不是意在进行限制。

在一些实施例中，方法可在一个或多个处理装置（例如，数字处理器、模拟处理器、设计成处理信息的数字电路、设计成处理信息的模拟电路、状态机和/或用于以电子方式处理信息的其它机构）中实现。处理装置可包括一个或多个装置，所述装置响应于电子存储介质上以电子方式存储的指令而执行方法的操作的一些或全部。处理装置可包括一个或多个装置，所述装置通过硬件、固件和/或软件来配置为专门设计用于执行所述方法的操作中的一个或多个。

在方法400的操作402，可获得用户的认证信息。在一些实施例中，用户信息可包括用户的行为信息。在一些实施例中，操作402可由与用户信息模块120（图1中所示和本文所述）相同或类似的用户信息模块来执行。

在方法400的操作404，可确定用户的一个或多个属性。在一些实施例中，可从一个或多个传感器来获得用户的属性。在一些实施例中，操作404可由与用户信息模块120（图1中所示和本文所述）相同或类似的用户信息模块来执行。

在方法400的操作406，可使用所获得的认证信息和用户的所确定的一个或多个属性来训练机器学习系统的标识学习模型。在一些实施例中，标识模型可配置成标识用户。在一些实施例中，操作406可由与标识模块150（图1中所示和本文所述）相同或类似的标识模块来执行。

在方法400的操作408，所训练的标识模型可用来基于用户的所确定的一个或多个属性来标识用户。在一些实施例中，操作408可由与标识模块150（图1中所示和本文所述）相同或类似的标识模块来执行。

如本文所述的本公开的一个或多个技术的实施例可在一个或多个计算机系统上执行，所述计算机系统可与各种其它装置进行交互。一个这种计算机系统通过图5示出。图5示出可用来实现本文所述技术的方面的计算机系统的示例。在不同实施例中，计算机系统500可包括能够执行所指示功能的硬件或软件的任何组合，包括但不限于计算机、个人计算机系统、台式计算机、膝上型、笔记本或上网本计算机、大型计算机系统、手持计算机、工作站、网络计算机、摄像机、机顶盒、移动装置、网络装置、因特网设备、PDA、无线电话、寻呼机、消费者装置、视频游戏控制台、手持视频游戏装置、应用服务器、存储装置、诸如交换机、调制解调器、路由器之类的外围装置或者另一类型的计算或电子装置。

在所示实施例中，计算机系统500包括一个或多个处理器510，所述处理器经由输入/输出（I/O）接口530来耦合到系统存储器520。计算机系统500进一步包括：网络接口540，被耦合到I/O接口530；以及一个或多个输入/输出装置550，诸如光标控制装置560、键盘570和（一个或多个）显示器580。在一些实施例中，设想可使用计算机系统500的单个实例来实现实施例，而在其它实施例中，多个这类系统或者组成计算机系统500的多个节点可配置成托管实施例的不同部分或实例。例如，在一个实施例中，一些元件可经由计算机系统500中与实现其它元件的那些节点截然不同的一个或多个节点来实现。

在各个实施例中，计算机系统500可以是包括一个处理器510的单处理器系统或者包括若干处理器510（例如，二、四、八或另一个适当数量）的多处理器系统。处理器510可以是能够执行指令的任何适当处理器。可由（一个或多个）半导体和/或晶体管来组成（例如，电子集成电路（IC））。在这种上下文中，处理器可执行指令可以是电子可执行指令。例如，在各个实施例中，处理器510可以是实现多种指令集架构（ISA）的任何ISA（诸如x86、PowerPC、SPARC或MIPS ISA或者任何其它适当ISA）的通用或嵌入式处理器。在多处理器系统中，处理器510中的每个可通常但不一定实现相同ISA。

在一些实施例中，至少一个处理器510可以是图形处理单元。图形处理单元或GPU可被认为是用于个人计算机、工作站、游戏控制台或者另一计算或电子装置的专用图形渲染装置。现代GPU在操纵和显示计算机图形上非常有效，并且它们的高并行结构可使它们对于复杂图形算法的范围比典型CPU更加有效。例如，图形处理器可按照如下方式实现多个图形基元操作：与采用主机中央处理器（CPU）直接绘制到屏幕相比，使执行它们要快许多。在各个实施例中，本文所公开的图像处理方法可至少部分通过程序指令来实现，所述程序指令配置用于在这类GPU之一上执行或者在这类GPU的两个或更多上并行执行。（一个或多个）GPU可实现一个或多个应用程序员接口（API），所述API准许程序员调用（一个或多个）GPU的功能性。适当GPU可从诸如NVIDIA Corporation、ATI Technologies（AMD）等等的供应商购买。在一些实施例中，一个或多个计算机可包括并行操作的多个处理器。处理器可以是中央处理器（CPU）或专用计算装置，诸如图形处理单元（GPU）、集成电路或芯片上系统、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、复杂可编程逻辑装置（CPLD）或专用集成电路。

系统存储器520可配置成存储由处理器510可访问的程序指令和/或数据。在各个实施例中，可使用诸如静态随机存取存储器（SRAM）、同步动态RAM（SDRAM）、非易失性/闪速类型存储器或者任何其它类型的存储器之类的任何适当存储器技术来实现系统存储器520。在所示实施例中，实现诸如本公开中所述的那些功能之类的期望功能的程序指令和数据示为分别作为程序指令525和数据存储535被存储在系统存储器520内。在其它实施例中，程序指令和/或数据可被接收、发送或者存储在不同类型的计算机可访问介质上或者与系统存储器520或计算机系统500分离的类似介质上。一般来说，计算机可访问介质可包括存储介质或存储器介质，诸如磁或光学介质，例如经由I/O接口530被耦合到计算机系统500的磁盘或CD/DVD-ROM。经由计算机可访问介质所存储的程序指令和数据可通过诸如电气、电磁或数字信号之类的传输介质或信号来传送，所述信号可经由诸如网络和/或无线链路（诸如可经由网络接口540来实现）之类的通信介质来递送。

在一个实施例中，I/O接口530可配置成协调处理器510、系统存储器520和装置中的任何外围装置（包括网络接口540或者其它外围接口，诸如输入/输出装置550）之间的I/O业务。在一些实施例中，I/O接口530可执行任何必要协议、定时或其它数据传送，以把来自一个组件（例如，系统存储器520）的数据信号转换为适合供另一个组件（例如，处理器510）使用的格式。在一些实施例中，I/O接口530可包括对于通过各种类型的外围总线（例如，诸如外设部件互连（PCI）总线标准或通用串行总线（USB）标准的变体）所附连的装置的支持。在一些实施例中，I/O接口530的功能可被拆分为两个或更多独立组件，例如，诸如北桥和南桥。另外，在一些实施例中，I/O接口530（诸如到系统存储器520的接口）的功能性的一些或全部可直接结合到处理器510中。

网络接口540可配置成允许数据在计算机系统500与被附连到网络的其它装置（诸如其它计算机系统）之间或者计算机系统500的节点之间被交换。在各个实施例中，网络接口540可支持经由有线或无线通用数据网络（例如，诸如任何适当类型的以太网网络）、经由电信/电话网络（诸如模拟语音网络或数字光纤通信网络）、经由存储区域网络（诸如光纤信道SAN）或者经由任何其它适当类型的网络和/或协议的通信。

在一些实施例中，输入/输出装置550包括一个或多个显示终端、光标控制装置（例如，鼠标）、键盘、小键盘、触摸板、触摸屏、扫描装置、语音或光学识别装置或者适合于由一个或多个计算机系统500输入或检索数据的任何其它装置。多个输入/输出装置550可存在于计算机系统500中，或者可分布在计算机系统500的各种节点上。在一些实施例中，类似的输入/输出装置可与计算机系统500分离，并且可诸如通过网络接口540通过有线或无线连接与计算机系统500的一个或多个进行交互。

本领域的那些技术人员将领会，计算机系统500只是说明性的，而不是意在限制本公开的范围。特别是，计算机系统500还可被连接到未示出的其它装置，或者而是可作为独立系统进行操作。另外，由所示组件所提供的功能性在一些实施例中可被组合在更少组件中或者分布在附加组件中。类似地，在一些实施例中，所示组件的一些组件的功能性可能未被提供，和/或其它附加功能性可能是可用的。

应当理解，说明书和附图并非意在将本发明限制为所公开的特定形式，而是相反，其意图是涵盖落入如所附权利要求书所限定的本发明的精神和范围之内的所有修改、等效和备选方案。鉴于本说明书，本发明的各个方面的进一步修改和备选实施例对本领域技术人员将是显而易见的。相应地，本说明书和附图要被解释为仅说明性的，并且是出于教导本领域技术人员实行本发明的一般方式的目的。要理解，本文示出和描述的本发明的形式将被视为实施例的示例。可以用元件和材料代替本文中示出和描述的那些元件和材料，可以对部分和过程进行反转或省略，以及可单独利用本发明的某些特征，所有这些对本领域技术人员在受益于本发明的本说明书之后将是显而易见的。在不背离如所附权利要求书中描述的本发明的精神和范围的情况下，可对本文所述的元件中进行变化。本文所使用的标题仅用于组织目的，而不是表示用来限制本说明书的范围。

如本申请中通篇所使用，词语“可”按照准许的意义（即，表示有可能）而不是强制的意义（即，表示“必须”）来使用。词语“包括”、“包含”等表示包括但不限于。如本申请中通篇所使用，除非内容另外明确指示，否则单数形式“一”、“一个”和“所述”包括复数对象。因此，例如，对“一元件”、“一个元件”的引用包括两个或更多元件的组合，尽管对于一个或多个元件使用其它术语和短语，诸如“一个或多个”。除非另外指示，否则术语“或者”是非排它的，即，包含“和”以及“或”两者。描述条件关系的术语（例如，“响应于X、Y”、“在X、Y时”、“如果X、Y”、“当X、Y时”等）包含因果关系，其中前项是必要因果条件、前项是充分因果条件、或者前项是后项的促成因果条件，例如“状态X在条件Y获得时发生”泛指“X只在Y时发生”和“X在Y和Z时发生”。这类条件关系并不局限于紧接前项获得之后的结果，因为一些结果可能被延迟，以及在条件陈述中，前项被连接到其后项，例如前项与后项发生的似然相关。此外，除非另加指示，否则一个值或动作“基于”另一个条件或值的陈述包含其中所述条件或值是唯一因子的实例以及其中所述条件或值是多个因子之中的一个因子的实例。除非另加指示，否则某个集合的“每个”实例具有某个性质的陈述不应当被解读为不包括较大集合的一些原本相同或类似成员没有所述性质的情况，即，每个不一定表示每个和每一个。如从本论述显而易见，除非另加具体说明，否则要领会，在本说明书中，利用诸如“处理”、“计算”、“运算”、“确定”或诸如此类的术语的论述表示特定设备（诸如专用计算机或类似专用电子处理/计算装置）的动作或过程。

虽然参照一个或多个示例性实施例描述了本公开，但是本领域的那些技术人员将会理解，在不背离本公开的范围的情况下，可进行各种变化，并且等效方案可取代其元件。另外，可进行多种修改以使特定状况或材料适合本公开的理论，而不背离其实质范围。因此，预计本公开并不局限于作为实行本公开所设想的最佳模式所公开的特定实施例，本公开而是将包括落入权利要求书的范围之内的全部实施例。

Claims (17)

1.一种用于用户标识的系统，所述系统包括：

至少一个处理器；以及

存储器，存储由所述至少一个处理器可执行的指令，所述指令当被执行时使所述系统：

获得用户的认证信息，所述认证信息包括第一认证因子；

基于来自一个或多个传感器的输出信号来确定所述用户的一个或多个属性；

使用所获得的认证信息和所述用户的所确定的一个或多个属性来训练机器学习系统的标识模型，所述标识模型配置成标识所述用户；以及

使用所训练的标识模型来基于所述用户的所述所确定的一个或多个属性来标识所述用户。

2.如权利要求1所述的系统，其中，所述指令当被执行时使所述系统：

从访问控制系统获得所述用户的访问控制信息，所述访问控制信息指示当使用所述认证信息时是否准予访问；以及

基于指示是否准予访问的所述访问控制信息来更新所训练的模型。

3.如权利要求1所述的系统，其中，所述用户的所述一个或多个属性包括所述用户的生物测定或行为特性中的一个或多个。

4.如权利要求1所述的系统，其中，所述指令当被执行时使所述系统：

从访问控制系统获得所述用户的访问控制信息，所述访问控制信息基于所述认证信息来指示是否准予访问，以及其中

训练所述标识模型进一步基于所述访问控制信息。

5.如权利要求4所述的系统，其中，所述指令当被执行时使所述系统：

响应于指示拒绝所述访问的所述访问控制信息，从用来训练所述标识模型的数据中过滤所述用户的所述认证信息和所述用户的属性。

6.如权利要求1所述的系统，其中，所述指令当被执行时使所述系统：

基于由所述标识模型的所述标识来确定用于认证所述用户的附加认证因子，所述附加认证因子基于所述用户的所述所确定的一个或多个属性。

7.如权利要求6所述的系统，其中，所述指令当被执行时使所述系统：

构建所述用户的认证配置文件，所述认证配置文件包括所述第一认证因子和所述附加认证因子。

8.如权利要求7所述的系统，其中，所述指令当被执行时使所述系统：

基于随时间过去的所述用户的新确定的属性来动态更新所述认证配置文件。

9.一种用于用户标识的系统，所述系统包括：

至少一个处理器；以及

存储器，存储由所述至少一个处理器可执行的指令，所述指令当被执行时使所述系统：

获得用户的认证信息；

从访问控制系统获得所述用户的访问控制信息，所述访问控制信息基于所述认证信息来指示是否准予访问；

响应于指示准予所述访问的所述访问控制信息，基于来自一个或多个传感器的输出信号来确定所述用户的一个或多个属性；以及

基于所述认证信息、所述用户的一个或多个属性来标识所述用户。

10.一种机器学习辅助用户标识的方法，所述方法在包括至少一个处理器和存储指令的存储器的计算系统中实现，所述方法包括：

获得用户的认证信息，所述认证信息包括第一认证因子；

基于来自一个或多个传感器的输出信号来确定所述用户的一个或多个属性；

使用所获得的认证信息和所述用户的所确定的一个或多个属性来训练机器学习系统的标识模型，所述标识模型配置成标识所述用户；以及

使用所训练的标识模型来基于所述用户的所述所确定的一个或多个属性来标识所述用户。

11.如权利要求10所述的方法，包括：

从访问控制系统获得所述用户的访问控制信息，所述访问控制信息指示当使用所述认证信息时是否准予访问；以及

基于指示是否准予访问的所述访问控制信息来更新所训练的模型。

12.如权利要求10所述的方法，其中，所述用户的所述一个或多个属性包括所述用户的生物测定或行为特性中的一个或多个。

13.如权利要求10所述的方法，进一步包括：

从访问控制系统获得所述用户的访问控制信息，所述访问控制信息基于所述认证信息来指示是否准予访问，以及其中

训练所述标识模型进一步基于所述访问控制信息。

14.如权利要求13所述的方法，进一步包括：

响应于指示拒绝所述访问的所述访问控制信息，从用来训练所述标识模型的数据中过滤所述用户的所述认证信息和所述用户的属性。

15.如权利要求10所述的方法，进一步包括：

基于由所述标识模型的所述标识来确定用于认证所述用户的附加认证因子，所述附加认证因子基于所述用户的所述所确定的一个或多个属性。

16.如权利要求15所述的方法，进一步包括：

构建所述用户的认证配置文件，所述认证配置文件包括所述第一认证因子和所述附加认证因子。

17.如权利要求16所述的方法，进一步包括：

基于随时间过去的所述用户的新确定的属性来动态更新所述认证配置文件。

Images