CN116308762B - 一种基于人工智能的可信度评估及授信处理方法 - Google Patents

一种基于人工智能的可信度评估及授信处理方法 Download PDF

Info

Publication number
CN116308762B
CN116308762B CN202310567015.5A CN202310567015A CN116308762B CN 116308762 B CN116308762 B CN 116308762B CN 202310567015 A CN202310567015 A CN 202310567015A CN 116308762 B CN116308762 B CN 116308762B
Authority
CN
China
Prior art keywords
user
identity
similarity
leakage
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310567015.5A
Other languages
English (en)
Other versions
CN116308762A (zh
Inventor
毛秀允
华允慧
韩杰
宋明君
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.)
Hangzhou Qiandai Digital Technology Co ltd
Original Assignee
Hangzhou Qiandai Digital Technology Co ltd
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 Hangzhou Qiandai Digital Technology Co ltd filed Critical Hangzhou Qiandai Digital Technology Co ltd
Priority to CN202310567015.5A priority Critical patent/CN116308762B/zh
Publication of CN116308762A publication Critical patent/CN116308762A/zh
Application granted granted Critical
Publication of CN116308762B publication Critical patent/CN116308762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供一种基于人工智能的可信度评估及授信处理方法，属于数据处理技术领域，具体包括：基于用户的人脸识别结果确定历史身份泄露次数，并将用户的最近一次的身份泄露时间与当前的时间的差值作为泄露时间差，并基于泄露时间差和历史身份泄露次数确定不存在身份冒用风险时，基于用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定，并结合历史身份泄露次数、移动终端的类型，采用基于机器学习算法的评估模型得到所述用户的可信度，基于用户的可信度以及基础授信额度，得到用户的授信额度，并完成远端授信处理，从而实现了对用户信息的保护。

Description

一种基于人工智能的可信度评估及授信处理方法
技术领域
本发明属于数据处理技术领域，尤其涉及一种基于人工智能的可信度评估及授信处理方法。
背景技术
随着互联网和通信技术的快速发展，同时也为了提升客户的体验，对银行对客户的授信处理也逐渐从线下转移到线上，因此如何实现在线上对客户的身份验证和较快的授信处理成为亟待解决的技术问题。
为了实现对远程授信的管理和处理，在授权发明专利授权公告号CN111507834B《授信额度处理方法及装置、用户资源处理方法及装置》中通过获取目标用户录入的身份信息，以及作物地块的地块信息；向目标用户展示地图页面；若检测到在地图页面输入的标注动作，确定标注动作对应的地块边界信息；基于地块边界信息计算作物地块的标注面积；根据标注面积、地块信息以及基于身份信息获取的用户数据，确定目标用户的授信额度，但是却存在以下技术问题：
1、在进行远程授信处理时，未考虑结合用户的历史身份泄露次数进行对用户的人脸识别的相似度的阈值的动态调整，现有的在进行授信处理的过程中，特别是在进行远程的授信处理时，往往是采用人脸识别的方式对身份信息进行识别，当人脸相似度大于一定阈值时即识别成功，但是却未考虑历史中向授信银行告知过出现过身份泄露的用户，其再次发生身份泄露或者身份被冒用的可能性极大，若不能结合其历史身份泄露次数进行人脸识别的相似度的阈值的动态调整，从而可能导致产生经济损失或者其它纠纷问题的出现。
2、在进行远程授信处理时，未考虑结合用户的移动终端类型、历史身份泄露次数、人脸相似度等进行用户的可信度的评估，不仅会使得用户的身份验证的可信度的准确性无法得到保证，同时还有可能导致产生经济损失或者其它纠纷问题的出现。
针对上述技术问题，本发明提供了一种基于人工智能的可信度评估及授信处理方法。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种基于人工智能的可信度评估及授信处理方法。
一种基于人工智能的可信度评估及授信处理方法，其特征在于，具体包括：
S11基于用户的人脸识别结果确定所述用户的历史身份泄露次数，并基于历史身份泄露次数确定能够进行远端授信处理时，进入步骤S12；
S12将所述用户的最近一次的身份泄露时间与当前的时间的差值作为泄露时间差，并基于泄露时间差和历史身份泄露次数确定是否存在身份冒用风险，若是，则进入步骤S13；若否，则进入步骤S14；
S13至少基于历史身份泄露次数、移动终端的累计登录次数、泄露时间差得到相似度评估值，并判断所述用户的人脸识别的相似度是否大于相似度评估值，若是，则进入步骤S14，若否，则确定无法进行远端授信处理；
S14基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定，并结合所述用户的历史身份泄露次数、移动终端的类型，采用基于机器学习算法的评估模型得到所述用户的可信度，并基于所述用户的可信度确定是否能够进行远端授信处理，若是，则进入步骤S15，若否，则确定无法进行远端授信处理；
S15基于所述用户的可信度以及基础授信额度，得到所述用户的授信额度，并完成远端授信处理。
进一步的技术方案在于，所述用户的历史身份泄露次数根据所述用户向授信处理机构的申报的历史身份泄露情况进行确定。
进一步的技术方案在于，所述相似度评估值大于所述初始相似度设定值，且所述相似度评估值和初始相似度设定值的取值范围均在0到1之间。
进一步的技术方案在于，所述面部图像的图像清晰度的取值范围在0到1之间，其中基于空域清晰度评价结果和频域清晰度评价结果得到所述面部图像的图像清晰度，具体包括：
当空域清晰度评价结果和频域清晰度评价结果的差值小于清晰度设定偏差量时，则将空域清晰度评价结果和所述频域清晰度评价结果中的平均值作为所述面部图像的图像清晰度；
当空域清晰度评价结果和频域清晰度评价结果的差值不小于清晰度设定偏差量时，则将空域清晰度评价结果和所述频域清晰度评价结果中的最小值作为所述面部图像的图像清晰度。
另一方面，本申请实施例中提供一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于人工智能的可信度评估及授信处理方法。
另一方面，本申请实施例中提供一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于人工智能的可信度评估及授信处理方法。
本发明的有益效果在于：
通过基于历史身份泄露次数对是否能够进行远端授信处理进行判断，从而避免了由于历史身份泄露次数较多导致的身份被冒用的风险，不仅减少了授信系统处理的数量，同时也保证了用户的信息安全。
通过结合泄露时间差和历史身份泄露次数对是否存在身份冒用风险进行判断，从而不仅仅考虑到用户的历史身份泄露次数，同时也考虑到泄露的时间，从而更进一步保证了用户的身份信息的安全，避免了由于身份信息被盗用导致的资产损失等问题的出现。
通过至少基于历史身份泄露次数、移动终端的累计登录次数、泄露时间差得到相似度评估值，从而不仅实现了从移动终端以及用户的历史身份泄露情况的角度对用户登录的风险情况的判断，同时也保证了存在风险的用户采用更高的人脸相似度，从而进一步保证了用户的身份信息的安全。
通过基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定，并结合所述用户的历史身份泄露次数、移动终端的类型，采用基于机器学习算法的评估模型得到所述用户的可信度，从而不仅仅实现了基于人脸识别模型以及图像清晰度的角度对相似度进行进一步的修正，保证了人脸的相似度的准确性，同时也进一步结合用户的身份泄露情况和移动终端的情况，从而实现了从多个角度对用户的可信度的评估，从而为进一步实现对用户的区别性的授信处理奠定了基础。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显；
图1是根据实施例1的一种基于人工智能的可信度评估及授信处理方法的流程图；
图2是根据实施例1的确定是否存在身份冒用风险的具体步骤的流程图；
图3是根据实施例1的相似度评估值确定的具体步骤的流程图；
图4根据实施例1的可信度评估的具体步骤的流程图；
图5根据实施例1的另外一种的可信度评估的具体步骤的流程图；
图6根据实施例2的一种计算机系统的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题，根据本发明的一个方面，如图1所示，提供了根据本发明的一个方面，提供了一种基于人工智能的可信度评估及授信处理方法。
一种基于人工智能的可信度评估及授信处理方法，其特征在于，具体包括：
S11基于用户的人脸识别结果确定所述用户的历史身份泄露次数，并基于历史身份泄露次数确定能够进行远端授信处理时，进入步骤S12；
需要说明的是，所述用户的历史身份泄露次数根据所述用户向授信处理机构的申报的历史身份泄露情况进行确定。
具体的举例说明，所述用户的历史身份泄露次数可以通过用户通过各种渠道向授信处理机构的申报记录进行确定，其中申报记录包括身份泄露时间、身份泄露类型。
在本实施例中，通过基于历史身份泄露次数对是否能够进行远端授信处理进行判断，从而避免了由于历史身份泄露次数较多导致的身份被冒用的风险，不仅减少了授信系统处理的数量，同时也保证了用户的信息安全。
S12将所述用户的最近一次的身份泄露时间与当前的时间的差值作为泄露时间差，并基于泄露时间差和历史身份泄露次数确定是否存在身份冒用风险，若是，则进入步骤S13；若否，则进入步骤S14；
具体的举例说明，如表1所示，为基于泄露时间差和历史身份泄露次数确定是否存在身份冒用风险的方法；
表1基于泄露时间差和历史身份泄露次数确定是否存在身份冒用风险的方法
其中当泄露时间差小于两周或者历史身份泄露次数大于三次时，则确定存在身份冒用风险。
具体的举例说明，如图2所示，确定是否存在身份冒用风险的具体步骤为：
S21基于所述泄露时间差确定所述用户的身份冒用风险是否满足要求，若是，则进入步骤S23，若否，则进入步骤S22；
可以理解的是，当泄露时间差小于2周以内时，则确定用户的身份冒用风险较大，此时无法满足要求。
S22基于所述历史身份泄露次数确定是否存在身份冒用风险，若是，则确定存在身份冒用风险，若否，则进入步骤S23；
具体的，当所述用户的历史身份泄露次数大于设定次数时，则确定所述用户存在身份冒用风险。
具体的举个例子，设定次数一般取2到3次以上的数量，当历史身份泄露次数较多时，则确定用户存在身份冒用风险。
S23基于所述泄露时间差和所述历史身份泄露次数确定所述用户的冒用风险值，并基于所述冒用风险值确定是否存在身份冒用风险。
具体的举个例子，冒用风险值跟泄露时间差成反比，与历史身份泄露次数成正比，其中泄露时间差越短，历史身份泄露次数越多，则冒用风险值越大。
在本实施例中，通过结合泄露时间差和历史身份泄露次数对是否存在身份冒用风险进行判断，从而不仅仅考虑到用户的历史身份泄露次数，同时也考虑到泄露的时间，从而更进一步保证了用户的身份信息的安全，避免了由于身份信息被盗用导致的资产损失等问题的出现。
S13至少基于历史身份泄露次数、移动终端的累计登录次数、泄露时间差得到相似度评估值，并判断所述用户的人脸识别的相似度是否大于相似度评估值，若是，则进入步骤S14，若否，则确定无法进行远端授信处理；
具体的举例说明，如图3所示，所述相似度评估值确定的具体步骤为：
S31基于所述移动终端的累计登录次数以及登录累计时长进行所述移动终端的可靠性的评估，并基于所述移动终端的可靠性确定所述移动终端是否可靠，若是，则进入步骤S32，若否，则进入步骤S34；
S32基于所述用户的身份泄露次数确定所述用户的身份是否可靠，若是，则进入步骤S33，若否，则基于所述用户的身份泄露次数对初始相似度设定值进行修正得到相似度评估值；
S33基于所述用户的泄露时间差确定所述用户的身份是否可靠，若是，则进入步骤S33，若否，则基于所述用户的泄露时间差对初始相似度设定值进行修正得到相似度评估值；
S34基于所述移动终端的可靠性、身份泄露次数、泄露时间差构建相似度修正量，并基于所述初始相似度设定值和所述相似度修正量进行所述相似度评估值的确定。
具体的举例说明，相似度修正量跟移动终端的可靠性成反比、身份泄露次数成正比、泄露时间差成反比，其中移动终端的可靠性越大，身份泄露次数越少，泄露时间差越大，则相似度修正量越小。
可以理解的是，所述相似度评估值大于所述初始相似度设定值，且所述相似度评估值和所述初始相似度设定值的取值范围均在0到1之间。
在本实施例中，通过至少基于历史身份泄露次数、移动终端的累计登录次数、泄露时间差得到相似度评估值，从而不仅实现了从移动终端以及用户的历史身份泄露情况的角度对用户登录的风险情况的判断，同时也保证了存在风险的用户采用更高的人脸相似度，从而进一步保证了用户的身份信息的安全。
S14基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定，并结合所述用户的历史身份泄露次数、移动终端的类型，采用基于机器学习算法的评估模型得到所述用户的可信度，并基于所述用户的可信度确定是否能够进行远端授信处理，若是，则进入步骤S15，若否，则确定无法进行远端授信处理；
具体的举例说明，如图4所示，所述可信度评估的具体步骤为：
S41获取所述用户的人脸识别的面部图像，并基于所述面部图像的Tenengrad 梯度函数和图像梯度能量数得到所述面部图像的空域清晰度评价结果，将所述面部图像通过离散小波变换将图像分解为高频分量和低频分量，并基于高频分量与所述低频分量的比值以及高频分量的绝对值构建频域清晰度评价结果，并基于所述空域清晰度评价结果和所述频域清晰度评价结果得到所述面部图像的图像清晰度；
S42判断所述面部图像的图像清晰度是否大于清晰度设定量，若是，则基于所述用户的人脸识别的相似度和人脸识别模型的准确度进行所述人脸识别的修正相似度的确定，若否，则基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定；
S43基于所述移动终端的类型确定所述移动终端的最近登录时间、移动终端的累计登录次数以及累计登录时间、设定时间内的累计登录次数以及累计登录时间进行所述移动终端的综合可靠度的评估；
S44基于所述移动终端的综合可靠度、人脸识别的修正相似度、历史用户泄露次数，采用基于PSO-GRU算法的评估模型得到所述用户的可信度。
需要说明的是，基于PSO-GRU算法的评估模型构建的具体步骤为：
步骤1：构建GRU模型以及输入集的数据的初始化。选择第一层GRU神经元数量、学习率、批处理大小作为寻优的参数，并且确定每个参数寻优的大小范围，输入集数据的初始化，划分为训练集和测试集，具体的按照8比2的比例进行划分，其中输入集的输入数据为X={x1、x2、x3}，其中x1、x2、x3分别为移动终端的综合可靠度、人脸识别的修正相似度、历史用户泄露次数，Y为用户的可信度。
步骤2：随机生成一个四维的种群粒子(g1,l,b),g1代表的是GRU的第一个隐含层神经元数量，l代表的是学习率， b代表的是批处理大小，然后完成粒子位置和速度的初始化工作;
步骤3：计算粒子的适应度。适应度函数越小代表拟合精度越高，适应度函数公式如下：
式中：m和n分别表示训练集和测试集的长度，k表示数据的维度，/>和/>代表训练集中的预测值和实际值，/>和代表测试集中的预测值和实际值;
步骤4：比较粒子的适应度值，然后更新粒子的个体最优位置(pest)和全局最优位置(gbest);
步骤5：满足最大迭代次数执行步骤6，未达到最大迭代次数返回执行步骤3;
步骤6：最终生成的最优粒子就是最优参数组合。通过PSO算法对GRU模型中的参数进行优化，得到神经元数量、学习率和批处理值。
在另外一种可能的实施例中，对所述PSO算法的惯性权重进行优化，提升寻优速度，其中所述PSO算法的惯性权重的计算公式为：
其中/>为惯性权重的最大值，/>为惯性权重的最小值，t为当前的迭代次数，Tmax为最大迭代次数，/>为第t次迭代时的惯性权重，rand（0，1）为0到1之间的随机函数。
具体的，所述面部图像的图像清晰度的取值范围在0到1之间，其中基于所述空域清晰度评价结果和所述频域清晰度评价结果得到所述面部图像的图像清晰度，具体包括：
当所述空域清晰度评价结果和所述频域清晰度评价结果的差值小于清晰度设定偏差量时，则将空域清晰度评价结果和所述频域清晰度评价结果中的平均值作为所述面部图像的图像清晰度；
当所述空域清晰度评价结果和所述频域清晰度评价结果的差值不小于清晰度设定偏差量时，则将空域清晰度评价结果和所述频域清晰度评价结果中的最小值作为所述面部图像的图像清晰度。
具体的举例说明，如图5所示，另外一种的可信度评估的具体步骤为：
S51将所述面部图像通过离散小波变换将图像分解为高频分量和低频分量，并基于高频分量与所述低频分量的比值以及高频分量的绝对值构建频域清晰度评价结果，并结合所述面部图像的高斯噪声确定所述图像的图像清晰度，并判断所述图像的图像清晰度是否大于清晰度设定量，若是，则进入步骤S53，若否，则进入步骤S52；
S52获取所述面部图像的每个像素点在至少四个设定方向上的梯度值，并将所述四个设定方向上的梯度值中的最大值和最小值作为该像素点的梯度值向量，并采用卷积核得到该像素点的梯度能量，最后基于所述面部图像的所有的像素点的梯度能量的和以及像素点的数量对所述图像的图像清晰度进行修正，并将修正后的图像清晰度作为新的图像清晰度，并判断所述新的图像清晰度是否大于清晰度设定量，若是，则进入步骤S53，若否，则确定图像质量较差，无法进行可信度的评估；
S53基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定，基于所述移动终端的类型确定所述移动终端的最近登录时间、移动终端的累计登录次数以及累计登录时间、设定时间内的累计登录次数以及累计登录时间进行所述移动终端的综合可靠度的评估；
S54基于所述移动终端的综合可靠度、人脸识别的修正相似度、历史用户泄露次数，采用基于PSO-GRU算法的评估模型得到所述用户的可信度。
在本实施例中，通过基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定，并结合所述用户的历史身份泄露次数、移动终端的类型，采用基于机器学习算法的评估模型得到所述用户的可信度，从而不仅仅实现了基于人脸识别模型以及图像清晰度的角度对相似度进行进一步的修正，保证了人脸的相似度的准确性，同时也进一步结合用户的身份泄露情况和移动终端的情况，从而实现了从多个角度对用户的可信度的评估，从而为进一步实现对用户的区别性的授信处理奠定了基础。
S15基于所述用户的可信度以及基础授信额度，得到所述用户的授信额度，并完成远端授信处理。
以下给出一最佳实施例：
基于用户的人脸识别结果确定所述用户的历史身份泄露次数，并基于历史身份泄露次数确定能够进行远端授信处理时，进入下一步骤；
将所述用户的最近一次的身份泄露时间与当前的时间的差值作为泄露时间差，并基于泄露时间差和历史身份泄露次数确定不存在身份冒用风险时，进入下一步骤：
获取所述用户的人脸识别的面部图像，并基于所述面部图像的Tenengrad 梯度函数和图像梯度能量数得到所述面部图像的空域清晰度评价结果，将所述面部图像通过离散小波变换将图像分解为高频分量和低频分量，并基于高频分量与所述低频分量的比值以及高频分量的绝对值构建频域清晰度评价结果，并基于所述空域清晰度评价结果和所述频域清晰度评价结果得到所述面部图像的图像清晰度；
判断所述面部图像的图像清晰度是否大于清晰度设定量，若是，则基于所述用户的人脸识别的相似度和人脸识别模型的准确度进行所述人脸识别的修正相似度的确定，若否，则基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定；
基于所述移动终端的类型确定所述移动终端的最近登录时间、移动终端的累计登录次数以及累计登录时间、设定时间内的累计登录次数以及累计登录时间进行所述移动终端的综合可靠度的评估；
基于所述移动终端的综合可靠度、人脸识别的修正相似度、历史用户泄露次数，采用基于PSO-GRU算法的评估模型得到所述用户的可信度；
基于所述用户的可信度以及基础授信额度，得到所述用户的授信额度，并完成远端授信处理。
实施例2
另一方面，如图6所示，本申请实施例中提供一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于人工智能的可信度评估及授信处理方法。
其中上述的一种基于人工智能的可信度评估及授信处理方法，具体包括：
基于用户的人脸识别结果确定所述用户的历史身份泄露次数，并基于历史身份泄露次数确定能够进行远端授信处理时，进入下一步骤；
将所述用户的最近一次的身份泄露时间与当前的时间的差值作为泄露时间差，并基于泄露时间差和历史身份泄露次数确定不存在身份冒用风险时，进入下一步骤：
将所述面部图像通过离散小波变换将图像分解为高频分量和低频分量，并基于高频分量与所述低频分量的比值以及高频分量的绝对值构建频域清晰度评价结果，并结合所述面部图像的高斯噪声确定所述图像的图像清晰度，并判断所述图像的图像清晰度不大于清晰度设定量时，进入下一步骤；
获取所述面部图像的每个像素点在至少四个设定方向上的梯度值，并将所述四个设定方向上的梯度值中的最大值和最小值作为该像素点的梯度值向量，并采用卷积核得到该像素点的梯度能量，最后基于所述面部图像的所有的像素点的梯度能量的和以及像素点的数量对所述图像的图像清晰度进行修正，并将修正后的图像清晰度作为新的图像清晰度，并判断所述新的图像清晰度大于清晰度设定量时，进入下一步骤；
基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定，基于所述移动终端的类型确定所述移动终端的最近登录时间、移动终端的累计登录次数以及累计登录时间、设定时间内的累计登录次数以及累计登录时间进行所述移动终端的综合可靠度的评估；
基于所述移动终端的综合可靠度、人脸识别的修正相似度、历史用户泄露次数，采用基于PSO-GRU算法的评估模型得到所述用户的可信度；
基于所述用户的可信度以及基础授信额度，得到所述用户的授信额度，并完成远端授信处理。
实施例3
另一方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于人工智能的可信度评估及授信处理方法。
其中上述的一种基于人工智能的可信度评估及授信处理方法，具体包括：
基于用户的人脸识别结果确定所述用户的历史身份泄露次数，并基于历史身份泄露次数确定能够进行远端授信处理时，进入下一步骤；
将所述用户的最近一次的身份泄露时间与当前的时间的差值作为泄露时间差，并基于泄露时间差和历史身份泄露次数确定存在身份冒用风险时，进入下一步骤：
基于所述移动终端的累计登录次数以及登录累计时长进行所述移动终端的可靠性的评估，并基于所述移动终端的可靠性确定所述移动终端可靠时，进入下一步骤；
基于所述用户的身份泄露次数确定所述用户的身份可靠时，进入下一步骤；
基于所述用户的泄露时间差确定所述用户的身份可靠时，进入下一步骤；
基于所述移动终端的可靠性、身份泄露次数、泄露时间差构建相似度修正量，并基于所述初始相似度设定值和所述相似度修正量进行所述相似度评估值的确定，并当用户的人脸识别的相似度小于相似度评估值时，则确定无法进行远端授信处理。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统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系统、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，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。
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系统(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。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种基于人工智能的可信度评估及授信处理方法，其特征在于，具体包括：
S11基于用户的人脸识别结果确定所述用户的历史身份泄露次数，并基于历史身份泄露次数确定能够进行远端授信处理时，进入步骤S12；
S12将所述用户的最近一次的身份泄露时间与当前的时间的差值作为泄露时间差，并基于泄露时间差和历史身份泄露次数确定是否存在身份冒用风险，若是，则进入步骤S13；若否，则进入步骤S14；
确定是否存在身份冒用风险的具体步骤为：
S21基于所述泄露时间差确定所述用户的身份冒用风险是否满足要求，若是，则进入步骤S23，若否，则进入步骤S22；
S22基于所述历史身份泄露次数确定是否存在身份冒用风险，若是，则确定存在身份冒用风险，若否，则进入步骤S23；
S23基于所述泄露时间差和所述历史身份泄露次数确定所述用户的冒用风险值，并基于所述冒用风险值确定是否存在身份冒用风险；
S13至少基于历史身份泄露次数、移动终端的累计登录次数、泄露时间差得到相似度评估值，并判断所述用户的人脸识别的相似度是否大于相似度评估值，若是，则进入步骤S14，若否，则确定无法进行远端授信处理；
所述相似度评估值确定的具体步骤为：
S31基于所述移动终端的累计登录次数以及登录累计时长进行所述移动终端的可靠性的评估，并基于所述移动终端的可靠性确定所述移动终端是否可靠，若是，则进入步骤S32，若否，则进入步骤S34；
S32基于所述用户的身份泄露次数确定所述用户的身份是否可靠，若是，则进入步骤S33，若否，则基于所述用户的身份泄露次数对初始相似度设定值进行修正得到相似度评估值；
S33基于所述用户的泄露时间差确定所述用户的身份是否可靠，若是，则进入步骤S34，若否，则基于所述用户的泄露时间差对初始相似度设定值进行修正得到相似度评估值；
S34基于所述移动终端的可靠性、身份泄露次数、泄露时间差构建相似度修正量，并基于所述初始相似度设定值和所述相似度修正量进行所述相似度评估值的确定；
S14基于所述用户的人脸识别的相似度、人脸识别模型的准确度、人脸识别的图像清晰度进行人脸识别的修正相似度的确定，并结合所述用户的历史身份泄露次数、移动终端的类型，采用基于机器学习算法的评估模型得到所述用户的可信度，并基于所述用户的可信度确定是否能够进行远端授信处理，若是，则基于所述用户的可信度以及基础授信额度，得到所述用户的授信额度，并完成远端授信处理，若否，则确定无法进行远端授信处理；
所述可信度评估的具体步骤为：
获取所述用户的人脸识别的面部图像，并基于所述面部图像的Tenengrad 梯度函数和图像梯度能量数得到所述面部图像的空域清晰度评价结果，将所述面部图像通过离散小波变换将图像分解为高频分量和低频分量，并基于高频分量与所述低频分量的比值以及高频分量的绝对值构建频域清晰度评价结果，并基于所述空域清晰度评价结果和所述频域清晰度评价结果得到所述面部图像的图像清晰度；
所述面部图像的图像清晰度的取值范围在0到1之间，其中基于所述空域清晰度评价结果和所述频域清晰度评价结果得到所述面部图像的图像清晰度，具体包括：
当所述空域清晰度评价结果和所述频域清晰度评价结果的差值小于清晰度设定偏差量时，则将空域清晰度评价结果和所述频域清晰度评价结果中的平均值作为所述面部图像的图像清晰度；
当所述空域清晰度评价结果和所述频域清晰度评价结果的差值不小于清晰度设定偏差量时，则将空域清晰度评价结果和所述频域清晰度评价结果中的最小值作为所述面部图像的图像清晰度。
2.如权利要求1所述的可信度评估及授信处理方法，其特征在于，所述用户的历史身份泄露次数根据所述用户向授信处理机构的申报的历史身份泄露情况进行确定。
3.如权利要求1所述的可信度评估及授信处理方法，其特征在于，当所述用户的历史身份泄露次数大于设定次数时，则确定所述用户存在身份冒用风险。
4.如权利要求1所述的可信度评估及授信处理方法，其特征在于，所述相似度评估值大于所述初始相似度设定值，且所述相似度评估值和所述初始相似度设定值的取值范围均在0到1之间。
5.一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行权利要求1-4任一项所述的一种基于人工智能的可信度评估及授信处理方法。
6.一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-4任一项所述的一种基于人工智能的可信度评估及授信处理方法。
CN202310567015.5A 2023-05-19 2023-05-19 一种基于人工智能的可信度评估及授信处理方法 Active CN116308762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310567015.5A CN116308762B (zh) 2023-05-19 2023-05-19 一种基于人工智能的可信度评估及授信处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310567015.5A CN116308762B (zh) 2023-05-19 2023-05-19 一种基于人工智能的可信度评估及授信处理方法

Publications (2)

Publication Number Publication Date
CN116308762A CN116308762A (zh) 2023-06-23
CN116308762B true CN116308762B (zh) 2023-08-11

Family

ID=86796394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310567015.5A Active CN116308762B (zh) 2023-05-19 2023-05-19 一种基于人工智能的可信度评估及授信处理方法

Country Status (1)

Country Link
CN (1) CN116308762B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630033B (zh) * 2023-07-20 2023-11-07 杭银消费金融股份有限公司 信息审核方法、系统与存储介质
CN117173796B (zh) * 2023-08-14 2024-05-14 杭州锐颖科技有限公司 一种基于双目深度信息的活体检测方法与系统
CN116797357B (zh) * 2023-08-24 2023-11-21 杭银消费金融股份有限公司 一种基于金融终端的授信处理方法与设备
CN117576826B (zh) * 2024-01-17 2024-04-09 杭银消费金融股份有限公司 一种基于金融自助终端的授信处理方法与金融自助终端

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657525A (zh) * 2017-08-29 2018-02-02 深圳市佰仟金融服务有限公司 一种贷款审批方法及服务器
CN109376518A (zh) * 2018-10-18 2019-02-22 深圳壹账通智能科技有限公司 基于人脸识别的防止隐私泄露方法及相关设备
WO2020015089A1 (zh) * 2018-07-18 2020-01-23 平安科技（深圳）有限公司 身份信息风险评定方法、装置、计算机设备和存储介质
CN111932231A (zh) * 2020-08-12 2020-11-13 中国银行股份有限公司 进行转账处理的方法及装置
CN113168633A (zh) * 2017-09-01 2021-07-23 百恩福有限公司 用于预测用户可信度的基于位置的验证方法和系统
WO2021196830A1 (zh) * 2020-03-30 2021-10-07 深圳壹账通智能科技有限公司 智能双录方法、装置及存储介质
WO2022001811A1 (zh) * 2020-06-30 2022-01-06 浙江网商银行股份有限公司 授信额度处理方法及装置、作物识别方法及装置
WO2022126970A1 (zh) * 2020-12-15 2022-06-23 平安科技（深圳）有限公司 金融欺诈风险识别方法、装置、计算机设备及存储介质
CN115567301A (zh) * 2022-09-28 2023-01-03 宋舒涵 一种基于局域网络的信息安全认证传输方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11449603B2 (en) * 2017-08-31 2022-09-20 Proofpoint, Inc. Managing data exfiltration risk

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657525A (zh) * 2017-08-29 2018-02-02 深圳市佰仟金融服务有限公司 一种贷款审批方法及服务器
CN113168633A (zh) * 2017-09-01 2021-07-23 百恩福有限公司 用于预测用户可信度的基于位置的验证方法和系统
WO2020015089A1 (zh) * 2018-07-18 2020-01-23 平安科技（深圳）有限公司 身份信息风险评定方法、装置、计算机设备和存储介质
CN109376518A (zh) * 2018-10-18 2019-02-22 深圳壹账通智能科技有限公司 基于人脸识别的防止隐私泄露方法及相关设备
WO2021196830A1 (zh) * 2020-03-30 2021-10-07 深圳壹账通智能科技有限公司 智能双录方法、装置及存储介质
WO2022001811A1 (zh) * 2020-06-30 2022-01-06 浙江网商银行股份有限公司 授信额度处理方法及装置、作物识别方法及装置
CN111932231A (zh) * 2020-08-12 2020-11-13 中国银行股份有限公司 进行转账处理的方法及装置
WO2022126970A1 (zh) * 2020-12-15 2022-06-23 平安科技（深圳）有限公司 金融欺诈风险识别方法、装置、计算机设备及存储介质
CN115567301A (zh) * 2022-09-28 2023-01-03 宋舒涵 一种基于局域网络的信息安全认证传输方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于一种新的联邦优化算法的信用风险预测方法》;刘紫微，郑山红;长春工业大学学报;第58-64页 *

Also Published As

Publication number Publication date
CN116308762A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN116308762B (zh) 一种基于人工智能的可信度评估及授信处理方法
CN109948658B (zh) 面向特征图注意力机制的对抗攻击防御方法及应用
Zhang et al. Variational few-shot learning
CN111475797B (zh) 一种对抗图像生成方法、装置、设备以及可读存储介质
WO2021189364A1 (zh) 一种对抗图像生成方法、装置、设备以及可读存储介质
CN110334749B (zh) 基于注意力机制的对抗攻击防御模型、构建方法及应用
CN110852447A (zh) 元学习方法和装置、初始化方法、计算设备和存储介质
CN115943382A (zh) 用于防御对联邦学习系统的对抗性攻击的方法和装置
Wang et al. Adversarial attacks and defenses in machine learning-empowered communication systems and networks: A contemporary survey
CN109840413B (zh) 一种钓鱼网站检测方法及装置
CN113449783A (zh) 一种对抗样本生成方法、系统、计算机设备和存储介质
CN111783996B (zh) 一种数据处理方法、装置及设备
CN113569611A (zh) 图像处理方法、装置、计算机设备和存储介质
CN112597993A (zh) 基于补丁检测的对抗防御模型训练方法
CN115907029B (zh) 面向联邦学习投毒攻击的防御方法及系统
CN117940936A (zh) 用于评估对抗鲁棒性的方法和装置
Chou et al. Villandiffusion: A unified backdoor attack framework for diffusion models
CN117424754B (zh) 针对集群联邦学习攻击的防御方法、终端及存储介质
CN111476668B (zh) 可信关系的识别方法、装置、存储介质和计算机设备
CN116994167A (zh) 一种基于机器学习算法的网站安全监测方法
CN115830351B (zh) 图像处理方法、设备以及存储介质
CN116664922A (zh) 基于缩放变换的智能对抗攻击样本生成方法及系统
CN116188439A (zh) 一种基于身份识别概率分布的伪造换脸图像检测方法和装置
CN116028933A (zh) 一种基于特征训练的联邦学习中毒防御方法和装置
CN114332982A (zh) 一种人脸识别模型攻击防御方法、装置、设备及存储介质

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