CN117113304A - 资源交互方法、装置、计算机设备和存储介质 - Google Patents
资源交互方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117113304A CN117113304A CN202310847680.XA CN202310847680A CN117113304A CN 117113304 A CN117113304 A CN 117113304A CN 202310847680 A CN202310847680 A CN 202310847680A CN 117113304 A CN117113304 A CN 117113304A
- Authority
- CN
- China
- Prior art keywords
- account
- risk
- detection model
- image recognition
- risk detection
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims abstract description 24
- 230000002452 interceptive effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开涉及一种资源交互方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：接收账户发送的图像识别认证请求；在所述账户通过图像识别认证的情况下，获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到；按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求。采用本方法能够提高资源交互安全性提升用户体验感。
Description
技术领域
本公开涉及数据处理技术领域，特别是涉及一种资源交互方法、装置、计算机设备和存储介质。
背景技术
随着人工智能的快速发展，资源交互逐渐向数字化转型，在一些资源交互场景中，为了保证资源交互的安全性，可以使用图像识别等方法对资源交互方进行身份认证。
然而，这种方式存在利用伪造图像进行身份认证的隐患，很难保证资源交互的安全性和可靠性。
发明内容
基于此，有必要针对上述技术问题，提供一种提高资源交互安全性提升用户体验感的资源交互方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面，本公开实施例提供了一种资源交互方法。所述方法包括：
接收账户发送的图像识别认证请求；
在所述账户通过图像识别认证的情况下，获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到；
按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求。
在其中一个实施例中，所述风险检测模型的获取方式，包括：
获取历史图像识别失败数据样本集合，所述集合中包括标注有风险值标签的历史图像识别失败数据样本；
构建初始风险检测模型，所述初始风险检测模型中设置有训练参数；
将所述历史图像识别失败数据样本集合输入至所述初始风险检测模型，经所述初始风险检测模型得到输出结果；
基于所述输出结果和对应的风险值标签之间的差异，对所述初始风险检测模型进行迭代调整，直至所述差异符合预设要求，得到风险检测模型。
在其中一个实施例中，所述按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求，包括：
确定所述风险值所属的目标风险等级；
基于风险等级和交互操作类型之间的关联关系，确定与所述目标风险等级相匹配的目标交互操作类型；
按照所述目标交互操作类型执行所述账户发送的资源交互请求。
在其中一个实施例中，所述按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求，包括：
在所述风险值大于预设阈值的情况下，拒绝所述账户发送的资源交互请求，并利用预设标签标记所述账户。
在其中一个实施例中，所述获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据，包括：
获取所述账户的账户数据，所述账户数据包括历史资源交互数据、账户所属用户数据、所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
所述将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到，包括：
将所述账户数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于账户数据样本和风险值标签之间的对应关系训练得到。
第二方面，本公开实施例还提供了一种资源交互装置。所述装置包括：
接收模块，用于接收账户发送的图像识别认证请求；
获取模块，用于在所述账户通过图像识别认证的情况下，获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
输入模块，用于将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到；
执行模块，用于按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求。
在其中一个实施例中，所述风险检测模型的获取模块，包括：
第一获取子模块，用于获取历史图像识别失败数据样本集合，所述集合中包括标注有风险值标签的历史图像识别失败数据样本；
构建模块，用于构建初始风险检测模型，所述初始风险检测模型中设置有训练参数；
第一输入子模块，用于将所述历史图像识别失败数据样本集合输入至所述初始风险检测模型，经所述初始风险检测模型得到输出结果；
调整模块，用于基于所述输出结果和对应的风险值标签之间的差异，对所述初始风险检测模型进行迭代调整，直至所述差异符合预设要求，得到风险检测模型。
在其中一个实施例中，所述执行模块，包括：
第一确定子模块，用于确定所述风险值所属的目标风险等级；
第二确定子模块，用于基于风险等级和交互操作类型之间的关联关系，确定与所述目标风险等级相匹配的目标交互操作类型；
第一执行子模块，用于按照所述目标交互操作类型执行所述账户发送的资源交互请求。
在其中一个实施例中，所述执行模块，包括：
第二执行子模块，用于在所述风险值大于预设阈值的情况下，拒绝所述账户发送的资源交互请求，并利用预设标签标记所述账户。
在其中一个实施例中，所述获取模块，包括：
第二获取子模块，用于获取所述账户的账户数据，所述账户数据包括历史资源交互数据、账户所属用户数据、所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
所述输入模块，包括：
第二输入子模块，用于将所述账户数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于账户数据样本和风险值标签之间的对应关系训练得到。
第三方面，本公开实施例还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本公开实施例中任一项所述的方法的步骤。
第四方面，本公开实施例还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本公开实施例中任一项所述的方法的步骤。
第五方面，本公开实施例还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开实施例中任一项所述的方法的步骤。
本公开实施例，在账户进行资源交互时，接收账户发送的图像识别认证请求，并在账户所属用户通过图像识别认证的情况下，获取账户通过图像识别认证之前预设时段内的历史图像识别失败数据，并根据获取到的历史图像识别失败数据进行风险检测，得到账户的风险值，根据账户的风险值对应的交互操作类型执行账户发送的资源交互请求，从而能够在账户进行图像识别认证时，在图像识别认证通过的情况下，根据识别失败数据进行风险的进一步判断，降低了伪造图像通过图像识别认证的概率，提高了资源交互的安全性，根据图像识别通过后的风险值执行资源交互请求，保证了对资源交互请求的资源交互操作的准确性，保证了账户资源的安全性，提升了用户的体验感；基于历史图像识别失败数据样本和风险值标签训练得到风险检测模型，保证了风险检测模型输出风险值的准确性，提高了后续交互操作的准确性，进一步保证了资源交互的安全性和可靠性。
附图说明
图1为一个实施例中资源交互方法的流程示意图；
图2为一个实施例中风险检测模型的获取方式的流程示意图；
图3为一个实施例中资源交互方法的流程示意图；
图4为一个实施例中资源交互方法的流程示意图；
图5为一个实施例中资源交互装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。
在一个实施例中，如图1所示，提供了一种资源交互方法，所述方法包括：
步骤S110，接收账户发送的图像识别认证请求；
本公开实施例中，接收账户发送的图像识别认证请求。本实施例中，当账户需要发起资源交互时，首先需要进行图像识别认证，在一个示例中，图像识别认证请求的触发条件可以设置为账户发送资源交互请求，当账户发送资源交互请求时，发送图像识别认证请求。通常情况下，图像识别认证能够对账户进行身份认证，在一个示例中，图像识别认证包括但不限于人像识别等认证方式。在一个示例中，图像识别认证请求可以包括资源交互请求，账户发送图像识别认证请求的同时，发送了资源交互请求，例如，账户发送人像识别资源交互请求。
步骤S120，在所述账户通过图像识别认证的情况下，获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
本公开实施例中，当账户通过图像识别认证时，获取账户通过图像识别认证之前预设时段内的历史图像识别失败数据。其中，预设时段可以为根据实际应用场景设置得到，在一个示例中，可以根据图像识别认证所需时间确定预设时段，以获取当前账户通过图像识别认证前失败的失败数据。例如，当账户经过两次识别失败，第三次通过识别认证时，可以根据预设时段，获取两次识别失败对应的图像识别失败数据。历史图像识别失败数据可以包括但不限于失败时间、失败图像数据等，具体可以根据实际应用场景设置得到，本公开对此不做限制。
步骤S130，将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到；
本公开实施例中，将获取到的历史图像识别失败数据输入至风险检测模型，经风险检测模型输出账户的风险值，根据账户的风险值可以判断此时账户进行资源交互的风险，通常情况下，风险值越高，账户进行资源交互的风险越高。其中，风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到，历史图像识别失败数据样本可以为基于历史图像识别场景中的数据确定得到。在一个示例中，还可以结合其他维度的数据进行风险检测，对应的风险检测模型的训练样本也可以根据实际应用场景中用于进行风险检测的数据进行调整，通常情况下，风险检测模型的训练样本和用于进行风险检测的数据包含的数据类型相同。
步骤S140，按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求。
本公开实施例中，根据确定得到的风险值相匹配的交互操作类型执行账户发送的资源交互请求，交互操作类型可以为事先根据实际应用场景进行划分得到，不同的风险值对应的资源交互风险不同，因此，可以对应设置不同的交互操作类型，风险值和交互操作类型之间存在对应关系，在一个示例中，可以根据实际应用场景设置风险值和交互操作类型之间的关联关系。在一个示例中，交互操作类型可以包括但不限于交互限制、交互预警、标记账户等。
本公开实施例，在账户进行资源交互时，接收账户发送的图像识别认证请求，并在账户所属用户通过图像识别认证的情况下，获取账户通过图像识别认证之前预设时段内的历史图像识别失败数据，并根据获取到的历史图像识别失败数据进行风险检测，得到账户的风险值，根据账户的风险值对应的交互操作类型执行账户发送的资源交互请求，从而能够在账户进行图像识别认证时，在图像识别认证通过的情况下，根据识别失败数据进行风险的进一步判断，降低了伪造图像通过图像识别认证的概率，提高了资源交互的安全性，根据图像识别通过后的风险值执行资源交互请求，保证了对资源交互请求的资源交互操作的准确性，保证了账户资源的安全性，提升了用户的体验感；基于历史图像识别失败数据样本和风险值标签训练得到风险检测模型，保证了风险检测模型输出风险值的准确性，提高了后续交互操作的准确性，进一步保证了资源交互的安全性和可靠性。
在一个实施例中，如图2所示，所述风险检测模型的获取方式，包括：
步骤S210，获取历史图像识别失败数据样本集合，所述集合中包括标注有风险值标签的历史图像识别失败数据样本；
步骤S220，构建初始风险检测模型，所述初始风险检测模型中设置有训练参数；
步骤S230，将所述历史图像识别失败数据样本集合输入至所述初始风险检测模型，经所述初始风险检测模型得到输出结果；
步骤S240，基于所述输出结果和对应的风险值标签之间的差异，对所述初始风险检测模型进行迭代调整，直至所述差异符合预设要求，得到风险检测模型。
本公开实施例中，获取风险检测模型时，获取历史图像识别失败数据样本集合，集合中包括标注有风险值标签的历史图像识别失败数据样本。在一个示例中，历史图像识别失败数据样本可以为基于多个账户历史图像识别认证过程中通过认证之前预设时段内的图像识别失败数据确定得到，风险值标签可以为根据历史图像失败数据对应的资源交互的风险确定得到。构建初始风险检测模型，初始风险检测模型中设置有训练参数，其中，可以根据实际应用场景选择合适的机器学习算法构建初始风险检测模型，不同的算法可以对应有不同的训练参数。将历史图像识别失败数据样本集合输入至初始风险检测模型，经初始风险检测模型可以得到输出结果。通常情况下，由于初始风险检测模型为未经训练的模型，模型输出准确率较低，因此，输出结果和对应的风险值标签之间的差异较大，需要对模型进行调整，以减小模型输出结果和风险值标签之间的差异，提高模型输出准确率。基于输出结果和对应的风险值标签之间的差异，对风险检测模型进行迭代调整，当模型输出结果和对应的标签之间的差异符合预设要求时，可以认为此时模型输出准确率较高，可以用于进行风险检测，确定此时的模型为风险检测模型。预设要求可以为根据实际应用场景确定得到，当模型输出结果和标签之间的差异符合该预设要求时，可以认为此时的模型输出结果在误差允许范围以内，无需继续进行迭代调整。
本公开实施例，通过历史图像识别失败数据样本训练得到风险检测模型，使得模型能够根据图像识别失败数据进行风险值的输出，保证了风险检测模型输出风险值的准确性，能够及时对有风险的资源交互请求进行响应，保证了资源交互的安全性和可靠性，提升了用户的体验感。
在一个实施例中，如图3所示，所述按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求，包括：
步骤S141，确定所述风险值所属的目标风险等级；
步骤S142，基于风险等级和交互操作类型之间的关联关系，确定与所述目标风险等级相匹配的目标交互操作类型；
步骤S143，按照所述目标交互操作类型执行所述账户发送的资源交互请求。
本公开实施例中，获取模型输出的风险值后，确定风险值所属的目标风险等级。在一个示例中，根据不同风险值可以划分得到不同的风险等级；在另一个示例中，还可以设置模型直接输出对应的风险等级。本实施例中，不同的风险等级表示资源交互的风险不同，根据不同的风险等级，可以对应设置不同的交互操作类型，在接收到账户发送的资源交互请求后，根据目标风险等级确定相匹配的目标交互操作类型，并执行账户发送的资源交互请求。通常情况下，账户发送图像识别认证请求的目的为进行资源交互，因此，图像识别认证通过后，根据账户的风险值可以确定如何执行账户发送的资源交互请求。在一个示例中，可以根据实际应用场景设置不同的交互操作类型，并建立风险等级和交互操作类型之间的关联关系。
本公开实施例，根据风险值所属的目标风险等级确定目标交互操作类型，并执行账户发送的资源交互请求，实现了根据风险值对交互操作的细分，不同的风险值对应不同的交互操作类型，通过风险等级的划分，实现了根据风险值执行对应的资源交互请求，保证了资源交互的安全性和可靠性，提升了用户的体验感。
在一个实施例中，如图4所示，所述按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求，包括：
步骤S144，在所述风险值大于预设阈值的情况下，拒绝所述账户发送的资源交互请求，并利用预设标签标记所述账户。
本公开实施例中，获取风险值后，当风险值大于预设阈值时，可以认为此时账户执行资源交互风险较高，因此，确定对应的目标资源交互类型为拒绝资源交互请求并标记账户。通常情况下，预设阈值可以为根据实际应用场景设置得到的一个风险值，当风险值大于该预设阈值时，可以认为此时账户资源交互风险较大，例如，可能存在伪造图像通过图像识别认证的风险，因此，拒绝资源交互请求，并利用预设标签标记所述账户。在一个示例中，预设标签可以为根据实际应用场景设置得到，用于表明该账户为风险账户。在一个示例中，可以对有预设标签的账户进行整体评估，确定账户是否存在被盗用的情况。在一个示例中，账户可以绑定有对应的第二账户，当风险值大于预设阈值时，还可以向对应的第二账户发送预警信息，具体可以根据实际应用场景确定得到。
本公开实施例，在风险值大于预设阈值时，拒绝资源交互请求并对账户进行标记，能够在风险较高的情况下，执行对应的交互操作，保证了资源交互的安全性和可靠性，避免因伪造图像进行识别认证造成的资源交互隐患的问题，提升了用户的体验感。
在一个实施例中，所述获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据，包括：
获取所述账户的账户数据，所述账户数据包括历史资源交互数据、账户所属用户数据、所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
所述将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到，包括：
将所述账户数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于账户数据样本和风险值标签之间的对应关系训练得到。
本公开实施例中，在进行风险检测时，可以结合历史图像识别失败数据和其他维度的数据确定风险值。本实施例中，利用账户数据进行风险检测，其中，账户数据包括账户的历史资源交互数据、账户所属用户数据以及所述账户通过图像识别认证之前预设时段内的历史图像失败数据。将账户数据输入至风险检测模型，经风险检测模型输出账户的风险值，其中，风险检测模型为基于账户数据样本和风险值标签之间的对应关系训练得到，账户数据样本可以为基于历史账户数据确定得到。账户数据和账户数据样本相对应，账户数据样本中包含的数据类型和账户数据相同，在一个示例中，账户数据中还可以包括其他维度的数据，账户数据样本中也对应包括其他维度的数据样本。在一个示例中，历史资源交互数据包括该账户之前进行资源交互时对应的资源交互数据。
本公开实施例，基于多个维度的账户数据进行风险检测，进一步提高了模型输出风险值的准确性，能够对账户的资源交互的风险进行准确的判断，从而执行对应的交互操作，保证了资源交互的安全性和可靠性，进一步提升了用户的体验感。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，附图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的资源交互方法的资源交互装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个资源交互装置实施例中的具体限定可以参见上文中对于资源交互方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种资源交互装置，包括：
接收模块510，用于接收账户发送的图像识别认证请求；
获取模块520，用于在所述账户通过图像识别认证的情况下，获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
输入模块530，用于将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到；
执行模块540，用于按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求。
在一个实施例中，所述风险检测模型的获取模块，包括：
第一获取子模块，用于获取历史图像识别失败数据样本集合，所述集合中包括标注有风险值标签的历史图像识别失败数据样本；
构建模块，用于构建初始风险检测模型，所述初始风险检测模型中设置有训练参数；
第一输入子模块，用于将所述历史图像识别失败数据样本集合输入至所述初始风险检测模型，经所述初始风险检测模型得到输出结果；
调整模块，用于基于所述输出结果和对应的风险值标签之间的差异，对所述初始风险检测模型进行迭代调整，直至所述差异符合预设要求，得到风险检测模型。
在一个实施例中，所述执行模块，包括：
第一确定子模块，用于确定所述风险值所属的目标风险等级；
第二确定子模块，用于基于风险等级和交互操作类型之间的关联关系，确定与所述目标风险等级相匹配的目标交互操作类型；
第一执行子模块，用于按照所述目标交互操作类型执行所述账户发送的资源交互请求。
在一个实施例中，所述执行模块，包括：
第二执行子模块，用于在所述风险值大于预设阈值的情况下，拒绝所述账户发送的资源交互请求，并利用预设标签标记所述账户。
在一个实施例中，所述获取模块，包括：
第二获取子模块，用于获取所述账户的账户数据，所述账户数据包括历史资源交互数据、账户所属用户数据、所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
所述输入模块，包括：
第二输入子模块，用于将所述账户数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于账户数据样本和风险值标签之间的对应关系训练得到。
上述资源交互装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史图像识别失败数据等本实施例中所述的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源交互方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本公开实施例方案相关的部分结构的框图，并不构成对本公开实施例方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本公开实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本公开实施例所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本公开实施例所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开实施例专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例的保护范围应以所附权利要求为准。
Claims (10)
1.一种资源交互方法，其特征在于，所述方法包括：
接收账户发送的图像识别认证请求；
在所述账户通过图像识别认证的情况下，获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到；
按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求。
2.根据权利要求1所述的方法，其特征在于，所述风险检测模型的获取方式，包括：
获取历史图像识别失败数据样本集合，所述集合中包括标注有风险值标签的历史图像识别失败数据样本；
构建初始风险检测模型，所述初始风险检测模型中设置有训练参数；
将所述历史图像识别失败数据样本集合输入至所述初始风险检测模型，经所述初始风险检测模型得到输出结果；
基于所述输出结果和对应的风险值标签之间的差异，对所述初始风险检测模型进行迭代调整，直至所述差异符合预设要求，得到风险检测模型。
3.根据权利要求1所述的方法，其特征在于，所述按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求，包括：
确定所述风险值所属的目标风险等级；
基于风险等级和交互操作类型之间的关联关系，确定与所述目标风险等级相匹配的目标交互操作类型；
按照所述目标交互操作类型执行所述账户发送的资源交互请求。
4.根据权利要求1所述的方法，其特征在于，所述按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求，包括：
在所述风险值大于预设阈值的情况下，拒绝所述账户发送的资源交互请求，并利用预设标签标记所述账户。
5.根据权利要求1所述的方法，其特征在于，所述获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据，包括：
获取所述账户的账户数据，所述账户数据包括历史资源交互数据、账户所属用户数据、所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
所述将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到，包括：
将所述账户数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于账户数据样本和风险值标签之间的对应关系训练得到。
6.一种资源交互装置，其特征在于，所述装置包括：
接收模块，用于接收账户发送的图像识别认证请求；
获取模块，用于在所述账户通过图像识别认证的情况下，获取所述账户通过图像识别认证之前预设时段内的历史图像识别失败数据；
输入模块，用于将所述历史图像识别失败数据输入至风险检测模型，经所述风险检测模型输出所述账户的风险值，所述风险检测模型为基于历史图像识别失败数据样本和风险值标签之间的对应关系训练得到；
执行模块，用于按照与所述风险值相匹配的交互操作类型执行所述账户发送的资源交互请求。
7.根据权利要求6所述的装置，其特征在于，所述风险检测模型的获取模块，包括：
第一获取子模块，用于获取历史图像识别失败数据样本集合，所述集合中包括标注有风险值标签的历史图像识别失败数据样本；
构建模块，用于构建初始风险检测模型，所述初始风险检测模型中设置有训练参数；
第一输入子模块，用于将所述历史图像识别失败数据样本集合输入至所述初始风险检测模型，经所述初始风险检测模型得到输出结果；
调整模块，用于基于所述输出结果和对应的风险值标签之间的差异，对所述初始风险检测模型进行迭代调整，直至所述差异符合预设要求，得到风险检测模型。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的资源交互方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的资源交互方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5中任一项所述的资源交互方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310847680.XA CN117113304A (zh) | 2023-07-11 | 2023-07-11 | 资源交互方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310847680.XA CN117113304A (zh) | 2023-07-11 | 2023-07-11 | 资源交互方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117113304A true CN117113304A (zh) | 2023-11-24 |
Family
ID=88801006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310847680.XA Pending CN117113304A (zh) | 2023-07-11 | 2023-07-11 | 资源交互方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113304A (zh) |
-
2023
- 2023-07-11 CN CN202310847680.XA patent/CN117113304A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Coverless image steganography using partial-duplicate image retrieval | |
| CN111917740B (zh) | 一种异常流量告警日志检测方法、装置、设备及介质 | |
| CN113469366B (zh) | 一种加密流量的识别方法、装置及设备 | |
| CN114244603B (zh) | 异常检测及对比嵌入模型训练、检测方法、装置及介质 | |
| CN110796269B (zh) | 一种生成模型的方法、装置、信息处理的方法及装置 | |
| 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 | |
| CN117422783A (zh) | 图像样本生成模型的训练方法、图像样本生成方法及装置 | |
| CN115035347A (zh) | 图片识别方法、装置及电子设备 | |
| CN113420665B (zh) | 对抗人脸图像生成、人脸识别模型训练方法、装置及设备 | |
| CN110532773B (zh) | 恶意访问行为识别方法、数据处理方法、装置和设备 | |
| CN113434857A (zh) | 一种应用深度学习的用户行为安全解析方法及系统 | |
| CN117331956A (zh) | 任务处理方法、装置、计算机设备及存储介质 | |
| CN112839055A (zh) | 面向tls加密流量的网络应用识别方法及装置 | |
| CN117113304A (zh) | 资源交互方法、装置、计算机设备和存储介质 | |
| CN115622793A (zh) | 一种攻击类型识别方法、装置、电子设备及存储介质 | |
| CN114816964A (zh) | 风险模型构建方法、风险检测方法、装置、计算机设备 | |
| CN117592123A (zh) | 签名检验方法、装置、计算机设备和存储介质 | |
| CN113763283B (zh) | 图像是否去雾的检测方法、装置和智能设备 | |
| CN117710100B (zh) | 基于区块链的数据分析方法及计算服务器 | |
| CN115150439B (zh) | 感知数据的解析方法、系统及存储介质、电子设备 | |
| US20240235861A1 (en) | System and method for machine learning based security incidents detection and classification in a blockchain ecosystem | |
| CN109902699B (zh) | 一种信息处理方法、装置和计算机存储介质 | |
| CN115905340A (zh) | 用户画像验证方法、装置、计算机设备和存储介质 | |
| CN116882999A (zh) | 资源交互方法、装置、计算机设备和存储介质 | |
| CN117113342A (zh) | 应用识别方法、装置、计算机设备和存储介质 |
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 |