CN117787998B - 移动互联网安全支付验证方法及系统 - Google Patents
移动互联网安全支付验证方法及系统 Download PDFInfo
- Publication number
- CN117787998B CN117787998B CN202410212993.2A CN202410212993A CN117787998B CN 117787998 B CN117787998 B CN 117787998B CN 202410212993 A CN202410212993 A CN 202410212993A CN 117787998 B CN117787998 B CN 117787998B
- Authority
- CN
- China
- Prior art keywords
- data
- payment
- user
- verification
- generate
- 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
Links
- 238000012795 verification Methods 0.000 title claims abstract description 389
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims description 125
- 238000012544 monitoring process Methods 0.000 claims description 96
- 230000014509 gene expression Effects 0.000 claims description 73
- 230000008859 change Effects 0.000 claims description 58
- 230000006854 communication Effects 0.000 claims description 48
- 238000004891 communication Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000013139 quantization Methods 0.000 claims description 26
- 238000011002 quantification Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 230000008921 facial expression Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 15
- 230000001815 facial effect Effects 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 210000001747 pupil Anatomy 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 238000005538 encapsulation Methods 0.000 claims description 10
- 238000011049 filling Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000008451 emotion Effects 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 claims description 5
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000003706 image smoothing Methods 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000007175 bidirectional communication Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 10
- 238000013524 data verification Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 15
- 230000006399 behavior Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 7
- 230000036544 posture Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003339 best practice Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明涉及数据验证技术领域,尤其涉及一种移动互联网安全支付验证方法及系统。所述方法包括以下步骤:获取用户面部图像集;对用户面部图像集进行图像预处理,生成标准用户面部图像集;对标准用户面部图像集进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行空间变换重构,从而生成微表情增强数据;获取用户订单数据;对用户订单数据进行数据预处理,生成标准用户订单数据;本发明通过综合利用三维时空建模、微表情增强数据、订单金额划分、中间人攻击防范以及动态支付环境加密预测,提高了生物特征识别的精确性和难以仿造性,同时提高了对未知安全风险的识别和防范能力。
Description
技术领域
本发明涉及数据验证技术领域,尤其涉及一种移动互联网安全支付验证方法及系统。
背景技术
最初,移动支付主要依赖于简单的密码验证。但这种方式存在密码被盗窃或猜测的风险,安全性不够。随后,双因素认证逐渐成为主流,结合密码和短信验证码。这提高了安全性,但仍受到钓鱼攻击和SIM卡交换等漏洞的威胁。随着技术的进步,指纹识别、人脸识别等生物识别技术被引入。这些技术提供了更高级别的安全性和便利性,但也面临着仿造和篡改的风险。为了提高安全性,多层次认证成为一个趋势。这包括结合生物识别、设备识别、行为分析等多种因素,确保支付的安全性。例如,利用设备指纹识别,结合用户行为模式分析。人工智能和机器学习技术被广泛应用于支付安全领域,用于检测异常交易和模式识别。这些技术能够实时监测并自适应地改进支付验证流程。然而目前传统的生物特征识别,比如人脸识别,容易受到仿造攻击,同时订单金额往往被整体对待,无法进行更精准的验证,另外传统支付验证方法容易受到中间人攻击,使得交易数据被篡改或窃取。
发明内容
基于此,有必要提供一种移动互联网安全支付验证方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种移动互联网安全支付验证方法,包括以下步骤:
步骤S1:获取用户面部图像集;对用户面部图像集进行图像预处理,生成标准用户面部图像集;对标准用户面部图像集进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行空间变换重构,从而生成微表情增强数据;
步骤S2:获取用户订单数据;对用户订单数据进行数据预处理,生成标准用户订单数据;对标准用户订单数据进行订单金额划分,生成用户大额订单支付金额数据和用户小额订单支付金额数据;利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据;
步骤S3:将微表情安全验证结果数据和快速安全验证结果数据进行交易数据封装,生成交易传输验证数据;对交易传输验证数据进行中间人攻击判别,生成中间人攻击量化数据;基于中间人攻击量化数据对交易传输验证数据进行双向通信监测,生成支付验证传输监测数据;
步骤S4:对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行支付验证风险决策训练,生成支付环境加密预测模型;将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密可视化,生成安全支付动态验证结果界面。
本发明通过收集用户面部的图像数据集,这可以通过摄像头、图像数据库或其他来源完成,确保图像质量高,包括清晰度、光线等因素,以提高后续处理和分析的准确性。预处理操作包括但不限于裁剪、去噪、对比度调整和标准化等,以确保图像具有一致的质量和特征,确保图像在尺寸、方向和灰度等方面具有一致性。将图像序列转换为时空数据结构,可能使用深度学习或其他计算机视觉技术进行三维时空建模,以捕捉微表情在不同时间和空间的变化,建立模型以识别和描述微表情在三维时空上的变化模式。应用变换、滤波器或重建技术,以增强或突出微表情的特定方面,提供更详细的信息或更好的识别。通过建立三维时空模型并对其进行重构,有助于更精细地分析和理解微表情的特征和变化,提高微表情识别的准确性和可靠性。获取用户的订单数据,可能包括订单号、商品信息、支付金额等,确保在处理订单数据时遵循隐私法规和最佳实践,以保护用户的隐私信息。对订单数据进行清理,包括去重、处理缺失值等,确保数据的一致性和可用性,确保订单数据的格式和结构是一致的,方便后续处理。将订单按照金额大小划分为大额和小额订单,这可能有助于采取不同的安全验证策略,通过划分订单金额,可以更好地了解用户的购买行为和偏好。使用微表情增强数据进行安全验证,这可能是一种生物识别或身份验证的手段,有助于确保大额订单的支付是合法的,微表情安全验证可能提高支付系统的安全性,因为微表情是一种生物特征,每个人的表情模式是独特的。对小额订单采用更快速的安全支付流程,以提高用户体验,通过在小额订单上采用更简化的安全验证,可以提高支付流程的效率,使用户能够更快速地完成交易。通过中间人攻击判别和监测,提高了交易传输过程的安全性,防范了中间人攻击可能带来的风险。监测数据的生成允许实时响应任何潜在的威胁,使系统能够及时采取措施应对安全问题。通过封装和监测,有助于确保交易数据的完整性,防止数据在传输过程中被篡改或丢失。改善了用户对支付系统的信任,因为系统在交易传输中采取了主动的安全措施。结合历史数据和预测模型,系统能够实时识别和响应支付验证过程中的安全威胁。安全支付动态验证结果界面可以增强用户的信任和满意度,因为他们可以实时了解支付的安全状态。通过动态通信加密和可视化,系统可以更有效地保护支付数据的安全,减少潜在的安全风险。基于历史数据和模型预测,可以做出更为准确和智能的支付验证决策,提高整体的支付安全水平。因此,本发明通过综合利用三维时空建模、微表情增强数据、订单金额划分、中间人攻击防范以及动态支付环境加密预测,提高了生物特征识别的精确性和难以仿造性,同时提高了对未知安全风险的识别和防范能力。
在本说明书中,还提供了一种移动互联网安全支付验证系统,用于执行上述移动互联网安全支付验证方法,该移动互联网安全支付验证系统包括:
微表情建模模块,用于获取用户面部图像集;对用户面部图像集进行图像预处理,生成标准用户面部图像集;对标准用户面部图像集进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行空间变换重构,从而生成微表情增强数据;
支付管理模块,用于获取用户订单数据;对用户订单数据进行数据预处理,生成标准用户订单数据;对标准用户订单数据进行订单金额划分,生成用户大额订单支付金额数据和用户小额订单支付金额数据;利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据;
支付通信传输模块,用于将微表情安全验证结果数据和快速安全验证结果数据进行交易数据封装,生成交易传输验证数据;对交易传输验证数据进行中间人攻击判别,生成中间人攻击量化数据;基于中间人攻击量化数据对交易传输验证数据进行双向通信监测,生成支付验证传输监测数据;
支付结果加密模块,用于对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行支付验证风险决策训练,生成支付环境加密预测模型;将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密可视化,生成安全支付动态验证结果界面。
本发明的有益效果在于通过图像预处理,确保面部图像集是经过标准化处理的,有助于提高微表情模型的准确性。通过三维时空建模,系统可以更全面地捕捉用户的微表情,为后续的安全验证提供更为细致的数据。空间变换重构可生成微表情增强数据,有助于提高微表情安全验证的精确性。数据预处理确保订单数据是干净、一致的,有助于提高后续模型的性能。将订单金额划分为大额和小额,有助于对不同金额级别的支付进行不同的验证处理。对大额订单支付金额数据进行微表情安全验证,这是一种创新的生物特征验证方法,可以提高支付安全性。对小额订单支付金额数据进行快速安全支付,为小额交易提供更为高效的验证流程。将微表情安全验证结果和快速安全验证结果整合成交易传输验证数据,有助于综合分析不同验证结果。通过判别中间人攻击,系统可以防范可能的安全威胁,确保交易的完整性和可靠性。基于中间人攻击量化数据进行双向通信监测,增加了系统对支付验证传输的实时监控,提高了整体安全性。通过对支付验证传输监测数据的历史数据收集,系统可以建立对过去支付验证行为的深入理解,为模型训练提供更多数据支持。利用历史数据进行支付验证风险决策训练,生成支付环境加密预测模型,提高对未知威胁的预测能力。将支付验证传输监测数据与预测模型结合,通过动态通信加密可视化,系统可以更直观地展示支付环境的安全状态。提供安全支付动态验证结果界面,使用户能够实时了解支付的安全状况,增强用户的信任感和安全感。结合面部图像和订单数据,采用微表情、金额验证、中间人攻击判别等多层次验证手段,提高了支付系统的安全性。通过动态通信加密可视化和实时监测,系统能够及时响应潜在的安全威胁,降低风险。提供安全支付动态验证结果界面,增强用户对支付安全的感知,提高用户体验。利用历史数据进行模型训练,提高系统对未知威胁的识别和决策能力。因此,本发明通过综合利用三维时空建模、微表情增强数据、订单金额划分、中间人攻击防范以及动态支付环境加密预测,提高了生物特征识别的精确性和难以仿造性,同时提高了对未知安全风险的识别和防范能力。
附图说明
图1为一种移动互联网安全支付验证方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图2中步骤S24的详细实施步骤流程示意图;
图4为图2中步骤S25的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种移动互联网安全支付验证方法,所述方法包括以下步骤:
步骤S1:获取用户面部图像集;对用户面部图像集进行图像预处理,生成标准用户面部图像集;对标准用户面部图像集进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行空间变换重构,从而生成微表情增强数据;
步骤S2:获取用户订单数据;对用户订单数据进行数据预处理,生成标准用户订单数据;对标准用户订单数据进行订单金额划分,生成用户大额订单支付金额数据和用户小额订单支付金额数据;利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据;
步骤S3:将微表情安全验证结果数据和快速安全验证结果数据进行交易数据封装,生成交易传输验证数据;对交易传输验证数据进行中间人攻击判别,生成中间人攻击量化数据;基于中间人攻击量化数据对交易传输验证数据进行双向通信监测,生成支付验证传输监测数据;
步骤S4:对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行支付验证风险决策训练,生成支付环境加密预测模型;将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密可视化,生成安全支付动态验证结果界面。
本发明通过收集用户面部的图像数据集,这可以通过摄像头、图像数据库或其他来源完成,确保图像质量高,包括清晰度、光线等因素,以提高后续处理和分析的准确性。预处理操作包括但不限于裁剪、去噪、对比度调整和标准化等,以确保图像具有一致的质量和特征,确保图像在尺寸、方向和灰度等方面具有一致性。将图像序列转换为时空数据结构,可能使用深度学习或其他计算机视觉技术进行三维时空建模,以捕捉微表情在不同时间和空间的变化,建立模型以识别和描述微表情在三维时空上的变化模式。应用变换、滤波器或重建技术,以增强或突出微表情的特定方面,提供更详细的信息或更好的识别。通过建立三维时空模型并对其进行重构,有助于更精细地分析和理解微表情的特征和变化,提高微表情识别的准确性和可靠性。获取用户的订单数据,可能包括订单号、商品信息、支付金额等,确保在处理订单数据时遵循隐私法规和最佳实践,以保护用户的隐私信息。对订单数据进行清理,包括去重、处理缺失值等,确保数据的一致性和可用性,确保订单数据的格式和结构是一致的,方便后续处理。将订单按照金额大小划分为大额和小额订单,这可能有助于采取不同的安全验证策略,通过划分订单金额,可以更好地了解用户的购买行为和偏好。使用微表情增强数据进行安全验证,这可能是一种生物识别或身份验证的手段,有助于确保大额订单的支付是合法的,微表情安全验证可能提高支付系统的安全性,因为微表情是一种生物特征,每个人的表情模式是独特的。对小额订单采用更快速的安全支付流程,以提高用户体验,通过在小额订单上采用更简化的安全验证,可以提高支付流程的效率,使用户能够更快速地完成交易。通过中间人攻击判别和监测,提高了交易传输过程的安全性,防范了中间人攻击可能带来的风险。监测数据的生成允许实时响应任何潜在的威胁,使系统能够及时采取措施应对安全问题。通过封装和监测,有助于确保交易数据的完整性,防止数据在传输过程中被篡改或丢失。改善了用户对支付系统的信任,因为系统在交易传输中采取了主动的安全措施。结合历史数据和预测模型,系统能够实时识别和响应支付验证过程中的安全威胁。安全支付动态验证结果界面可以增强用户的信任和满意度,因为他们可以实时了解支付的安全状态。通过动态通信加密和可视化,系统可以更有效地保护支付数据的安全,减少潜在的安全风险。基于历史数据和模型预测,可以做出更为准确和智能的支付验证决策,提高整体的支付安全水平。因此,本发明通过综合利用三维时空建模、微表情增强数据、订单金额划分、中间人攻击防范以及动态支付环境加密预测,提高了生物特征识别的精确性和难以仿造性,同时提高了对未知安全风险的识别和防范能力。
本发明实施例中,参考图1所述,为本发明一种移动互联网安全支付验证方法的步骤流程示意图,在本实例中,所述一种移动互联网安全支付验证方法包括以下步骤:
步骤S1:获取用户面部图像集;对用户面部图像集进行图像预处理,生成标准用户面部图像集;对标准用户面部图像集进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行空间变换重构,从而生成微表情增强数据;
本发明实施例中,通过使用合适的设备(如摄像头)进行用户面部图像的采集。这可以通过专门的面部识别应用程序、摄像头捕捉或其他图像采集方式完成。将图像转换为灰度图,减少计算复杂度。然后,对图像进行归一化,确保所有图像具有相似的亮度和对比度。使用面部检测算法,如Haar级联分类器或深度学习模型,定位和提取图像中的面部区域。对所有面部图像进行对齐,确保它们具有相似的位置和大小。这可以通过关键点标定或仿射变换来实现。使用面部关键点检测算法(如Dlib或OpenCV)跟踪面部表情的关键点,以捕捉微表情的动态变化,生成标准用户面部图像集。将每个关键点的运动序列组合成三维时空模型。可以使用基于点云的方法或者考虑连续帧之间的运动来建立时空关系。对三维时空微表情模型进行空间变换,通过旋转、缩放或平移等操作,引入微表情的扰动,生成三维时空微表情模型。利用变换后的模型生成新的面部表情图像序列。这可以通过将变换后的关键点位置映射回图像空间,并使用图像合成技术(如变形网格)来完成,从而生成微表情增强数据。
步骤S2:获取用户订单数据;对用户订单数据进行数据预处理,生成标准用户订单数据;对标准用户订单数据进行订单金额划分,生成用户大额订单支付金额数据和用户小额订单支付金额数据;利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据;
本发明实施例中,通过从合法的渠道获取用户的订单数据,可能包括订单号、订单金额、购买商品信息、下单时间等。确保在数据收集和存储过程中遵循相关法规和隐私政策。清除缺失值、异常值或错误数据,确保数据的质量和一致性。将数据统一到相同的格式,方便后续处理。例如,确保订单金额以相同的货币单位表示。制定划分标准,例如,将订单金额大于一定阈值的定义为用户大额订单支付金额数据,小于该阈值的定义为用户小额订单支付金额数据。根据划分标准将订单数据分为大额和小额两组。使用在步骤S1中生成的三维时空微表情模型将用户大额订单支付金额数据与微表情增强数据结合,形成验证数据集。使用模型对验证数据集进行微表情安全验证,生成相应的微表情安全验证结果数据。部署安全支付系统,可能包括身份验证、交易加密等安全机制。对小额订单数据使用安全支付系统进行快速安全支付验证,记录验证结果数据,生成快速安全验证结果数据。
步骤S3:将微表情安全验证结果数据和快速安全验证结果数据进行交易数据封装,生成交易传输验证数据;对交易传输验证数据进行中间人攻击判别,生成中间人攻击量化数据;基于中间人攻击量化数据对交易传输验证数据进行双向通信监测,生成支付验证传输监测数据;
本发明实施例中,通过将微表情安全验证结果数据和快速安全验证结果数据整合成一个交易传输验证数据。使用合适的数据封装协议,将交易传输验证数据打包成一个传输验证数据包。常见的协议包括JSON、XML等。使用安全的传输协议,如HTTPS,以加密传输数据,减少中间人攻击的可能性。对传输数据进行数字签名,确保数据的完整性和来源可信性。使用技术,如证书固定、HSTS(HTTP Strict Transport Security)等,检测和防范中间人攻击,生成中间人攻击量化数据。部署实时监测系统,对双向通信进行持续监测,生成支付验证传输监测数据。分析传输数据的流量模式,检测异常行为和潜在攻击。利用机器学习或规则引擎,分析通信行为,识别异常交互模式。
步骤S4:对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行支付验证风险决策训练,生成支付环境加密预测模型;将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密可视化,生成安全支付动态验证结果界面。
本发明实施例中,通过设计一个安全可靠的数据存储系统,将支付验证传输监测数据按时间序列存储,确保数据的完整性和可检索性,从而进行历史数据收集,得到历史支付验证传输监测数据。对历史支付验证传输监测数据进行清洗和去重,确保数据的质量和一致性。从历史支付验证传输监测数据中提取与支付验证风险相关的特征,包括通信模式、用户行为、设备信息等。为历史支付验证传输监测数据标注支付验证结果,形成训练集,例如正常验证和异常验证标签。使用机器学习或深度学习算法,训练支付环境加密预测模型。常用的模型包括决策树、支持向量机、神经网络等。将训练好的支付环境加密预测模型集成到实时监测系统中。实时将最新的支付验证传输监测数据导入模型中进行实时分析。根据模型的输出结果,动态调整通信加密策略,确保支付环境的实时安全性。设计用户友好的安全支付动态验证结果界面,以直观展示支付验证的安全状态。界面实时更新,反映最新的支付验证风险决策模型的输出结果。集成警报系统,及时通知管理员或用户有关支付环境的异常情况。
优选的,步骤S1包括以下步骤:
步骤S11:利用摄像头采集用户面部图像集;
步骤S12:对用户面部图像集进行图像亮度校正,生成用户面部亮度校正图像集;对用户面部亮度校正图像集进行双仿射变换,生成用户面部变换图像集;通过反梯度平均方法对用户面部变换图像集进行图像平滑,生成标准用户面部图像集;
步骤S13:对标准用户面部图像集进行图像集重合,得到标准用户面部重合图像;对标准用户面部重合图像进行面部变化偏离分析,生成面部表情偏离数据;利用面部表情偏离数据对标准用户面部重合图像进行频率分割,生成频率分割微表情数据;
步骤S14:将频率分割微表情数据进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行多尺度时序特征提取,生成多尺度时序微表情特征数据;利用空间变换网络对多尺度时序微表情特征数据进行空间变换重构,从而生成微表情增强数据。
本发明通过摄像头收集用户的面部图像,获取面部表情和特征,提供了初始数据,为后续处理提供了基础。对面部图像进行亮度校正、双仿射变换和平滑处理,以生成标准用户面部图像集,确保不同环境下的光照变化对后续分析的影响降到最低。对面部进行几何变换,使得后续处理对于不同角度和姿态更具鲁棒性,减少图像中的噪声,提高后续分析的准确性。对标准用户面部图像集进行重合分析,生成面部表情偏离数据,并通过该数据进行频率分割,生成频率分割微表情数据。检测并量化面部表情的微小变化,为后续建模提供更准确的数据,识别和提取微表情中的不同频率成分,进一步细化了对微表情的分析。将频率分割微表情数据进行三维时空建模,提取多尺度时序特征,并通过空间变换网络进行重构,生成微表情增强数据。
本发明实施例中,通过使用摄像头捕捉用户的面部图像序列,常见的计算机视觉库如OpenCV可用于图像采集,得到用户面部图像集。使用直方图均衡化等方法对用户面部图像集进行亮度校正,应用双线性插值等技术对用户面部图像集进行仿射变换,使用反梯度平均等滤波方法对用户面部图像集进行图像平滑。使用特征点匹配、图像配准等方法对标准用户面部图像集进行重合,使用深度学习模型或传统的计算机视觉方法进行变化分析,生成面部表情偏离数据。使用信号处理技术如快速傅里叶变换 (FFT) 对标准用户面部重合图像进行频率分割,生成频率分割微表情数据。使用3D卷积神经网络 (CNN) 或类似的模型对频率分割微表情数据进行时空建模,生成三维时空微表情模型。应用时序分析技术,如循环神经网络 (RNN) 或长短时记忆网络 (LSTM) 进行时序特征提取。使用空间变换网络 (STN) 进行特征的空间变换和重构,生成微表情增强数据。
优选的,步骤S2包括以下步骤:
步骤S21:基于支付云平台获取用户订单数据;
步骤S22:对用户订单数据进行数据清洗,生成用户订单清洗数据;对用户订单清洗数据进行数据缺失值填充,生成用户订单填充数据;对用户订单填充数据进行数据离散化,生成用户订单离散数据;根据最大-最小标准化方法对用户订单离散数据进行数据标准化,生成标准用户订单数据;
步骤S23:对标准用户订单数据进行订单金额提取,得到用户订单支付金额数据;将用户订单支付金额数据和预设的支付金额阈值进行对比,当用户订单支付金额数据大于或等于预设的支付金额阈值时,则对用户订单支付金额数据进行大额支付标记,生成用户大额订单支付金额数据;当用户订单支付金额数据小于预设的支付金额阈值时,则对用户订单支付金额数据进行小额支付标记,生成用户小额订单支付金额数据;
步骤S24:确认用户订单支付金额数据为用户大额订单支付金额数据时,则利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;
步骤S25:确认用户订单支付金额数据为用户小额订单支付金额数据时,则对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据。
本发明通过云平台获取用户订单数据,确保数据的可靠性和实时性,为后续处理提供了准确的原始数据,清除无效或错误数据,提高数据质量。处理缺失值,避免在后续分析中引入偏差。将连续型数据转换为离散型,有助于后续模型的处理和理解。通过最大-最小标准化方法,统一数据范围,有助于模型训练的稳定性和收敛速度。这些步骤提高了数据的一致性和可处理性,有助于后续的分析和建模。从标准用户订单数据中提取支付金额信息。将支付金额与预设的阈值进行比较,判断订单的大小。通过设置支付金额阈值,可以对订单进行分类,为后续的验证和支付决策提供依据。利用微表情增强数据对大额订单进行额外验证。通过微表情验证增加了额外的安全层,提高了对大额订单的身份验证和安全性。对小额订单进行快速安全支付,减少支付流程的复杂性。针对小额订单的快速安全支付提高了用户体验,同时确保了支付的安全性。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:基于支付云平台获取用户订单数据;
本发明实施例中,通过支付云平台通常提供了一组API(应用程序接口),用于与平台进行交互。通过这些API,可以请求并获取用户订单数据。在调用支付云平台的API之前,需要进行身份验证和授权,确保只有授权的系统或应用程序可以访问订单数据。这通常涉及使用API密钥、访问令牌或其他凭证。利用合适的API端点,发送请求以获取用户订单数据。请求可能包括参数,例如日期范围、订单状态或其他筛选条件,以确保只获取所需的数据。支付云平台通常返回数据,可能以JSON或XML等格式呈现。在接收到数据后,需要进行解析和格式处理,以便在后续步骤中进行进一步的操作。
步骤S22:对用户订单数据进行数据清洗,生成用户订单清洗数据;对用户订单清洗数据进行数据缺失值填充,生成用户订单填充数据;对用户订单填充数据进行数据离散化,生成用户订单离散数据;根据最大-最小标准化方法对用户订单离散数据进行数据标准化,生成标准用户订单数据;
本发明实施例中,通过检测并移除重复的订单数据,以确保数据的唯一性。通过设定阈值或其他方法检测和处理异常值,确保数据的准确性。统一数据格式、单位或其他属性,以确保数据的一致性。检测数据中的缺失值,确定缺失值的位置和数量。使用合适的填充策略,例如使用均值、中位数、众数等来填充缺失的数据。对于时间序列数据,可以使用插值方法来填充。根据具体业务需求和数据特性,选择适当的离散化方法。常见的包括等宽离散化和等频离散化。将订单数据中的连续型变量,如金额,划分为离散的区间。例如,将订单金额分为不同的金额范围。对离散数据进行最大-最小值的计算,确定范围。使用标准化的公式将数据映射到指定的范围,通常是[0, 1]。标准化公式为:[ X_{\text{标准化}} = \frac{X - X_{\text{min}}}{X_{\text{max}} - X_{\text{min}}} ]。对离散化后的数据应用最大-最小标准化,确保数据在相同的尺度上,有助于模型的训练和分析。
步骤S23:对标准用户订单数据进行订单金额提取,得到用户订单支付金额数据;将用户订单支付金额数据和预设的支付金额阈值进行对比,当用户订单支付金额数据大于或等于预设的支付金额阈值时,则对用户订单支付金额数据进行大额支付标记,生成用户大额订单支付金额数据;当用户订单支付金额数据小于预设的支付金额阈值时,则对用户订单支付金额数据进行小额支付标记,生成用户小额订单支付金额数据;
本发明实施例中,通过从标准用户订单数据中提取支付金额信息,根据支付云平台提供的数据结构,识别并提取订单支付金额字段的数值。将用户订单支付金额数据与预设的支付金额阈值进行比较。设定预设的支付金额阈值,该阈值可以根据业务需求和风险管理策略来确定,进行比较操作,判断订单支付金额是大于等于还是小于预设的支付金额阈值。根据比较结果对用户订单支付金额数据进行标记生成,如果订单支付金额大于等于预设的支付金额阈值,则标记为大额支付,如果订单支付金额小于预设的支付金额阈值,则标记为小额支付。将标记后的数据整理成用户大额/小额订单支付金额数据,将大额支付和小额支付的订单金额数据分别存储或标记,以备后续处理和分析使用。
步骤S24:确认用户订单支付金额数据为用户大额订单支付金额数据时,则利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;
本发明实施例中,通过在确认用户订单支付金额数据为大额时,进行微表情数据的增强,以提高验证模型的性能。可以使用已有的微表情数据集,或者通过一些数据增强技术来生成微表情样本,确保样本涵盖多种表情和光照条件。对微表情样本进行预处理,包括图像大小调整、亮度调整等,以适应验证模型的输入要求。利用预处理后的微表情数据对用户大额订单支付金额数据进行验证。使用深度学习模型或传统的机器学习模型,例如卷积神经网络(CNN)或支持向量机(SVM),来学习微表情的特征并进行分类。使用微表情数据集对模型进行训练,确保模型能够准确识别微表情与情感状态的关联。根据验证结果不断调优模型,以提高微表情验证的准确性和鲁棒性。将微表情验证模型应用于用户大额订单支付金额数据,生成微表情安全验证结果数据。
步骤S25:确认用户订单支付金额数据为用户小额订单支付金额数据时,则对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据。
本发明实施例中,通过定义用于快速安全支付的验证参数,这可以包括支付金额的阈值、支付时效、用户身份验证要求等。在进行支付前,确保对用户的身份进行有效验证,以防止未经授权的支付操作。这可以包括使用双因素身份验证、指纹识别、面部识别等方式。调用支付接口进行小额支付。确保支付接口是安全的,采用加密传输,防范中间人攻击等安全威胁。在支付过程中实时监控交易,包括金额、支付来源等信息。如果检测到异常情况,及时触发安全预警或停止支付操作。根据支付结果生成快速安全验证结果数据,标识支付操作是否成功,并记录相关的支付信息和验证结果。
优选的,步骤S24包括以下步骤:
步骤S241:确认用户订单支付金额数据为用户大额订单支付金额数据时,则对微表情增强数据进行变化幅度划分,生成正幅度表情变化数据和负幅度表情变化数据;将正幅度表情变化数据和负幅度表情变化数据进行差值计算,生成表情幅度变化差值数据;
步骤S242:利用表情风险识别检测公式对表情幅度变化差值数据进行微表情风险量化,生成微表情风险量化数据;将微表情风险量化数据和预设的标准微表情风险量化阈值进行对比,当微表情风险量化数据大于或等于预设的标准微表情风险量化阈值时,则生成一级风险模式;当微表情风险量化数据小于预设的标准微表情风险量化阈值时,则生成二级风险模式;
步骤S243:确认风险模式为一级风险模式时,则基于支付设备摄像头对用户进行瞳孔拍摄,得到用户瞳孔图像;对用户瞳孔图像进行虹膜特征提取,得到用户虹膜数据;根据用户虹膜数据对用户进行身份识别,生成一级风险验证结果数据;
步骤S244:确认风险模式为二级风险模式时,则基于支付设备触摸屏对用户进行掌纹提取,得到用户掌纹数据;对用户掌纹数据进行历史掌纹信息提取,得到用户历史掌纹信息数据;将用户掌纹数据和用户历史掌纹信息数据进行重合对比,生成二级风险验证结果数据;
步骤S245:将一级风险验证结果数据和二级风险验证结果数据进行数据合并,从而得到微表情安全验证结果数据。
本发明通过对大额订单支付时的微表情进行变化幅度划分和差值计算有助于提取微表情的特征,进而量化微表情的风险。利用表情风险识别检测公式对微表情的变化进行量化,能够客观评估微表情的风险水平。设定预设的标准微表情风险量化阈值,使系统能够将微表情分为一级和二级风险模式。对于被标记为一级风险模式的情况,采用支付设备摄像头进行瞳孔拍摄和虹膜特征提取,可通过虹膜识别进行高度可靠的用户身份验证。对于被标记为二级风险模式的情况,通过支付设备触摸屏进行掌纹提取,并与用户历史掌纹信息进行对比,可以增强对用户身份的验证。将一级风险验证结果和二级风险验证结果进行数据合并,得到微表情安全验证结果。这种综合验证能够更全面地评估支付操作的风险,提高系统的安全性。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S24包括:
步骤S241:确认用户订单支付金额数据为用户大额订单支付金额数据时,则对微表情增强数据进行变化幅度划分,生成正幅度表情变化数据和负幅度表情变化数据;将正幅度表情变化数据和负幅度表情变化数据进行差值计算,生成表情幅度变化差值数据;
本发明实施例中,通过从支付设备的摄像头或其他相关传感器中获取用户的微表情增强数据。这可以包括用户面部表情的视频或图像序列。系统需要判定当前用户的订单支付金额是否为大额订单。这可以基于预设的金额阈值进行判断。一旦确认为大额订单支付,对微表情增强数据进行变化幅度的划分。这可能包括以下步骤:将微表情增强数据转换成对应的表情幅度数值;根据预设的阈值,判定表情变化的幅度是正还是负。将被划分为正幅度和负幅度的微表情数据分别提取出来,形成正幅度表情变化数据和负幅度表情变化数据。将正幅度表情变化数据和负幅度表情变化数据进行差值计算。这可以通过简单的减法运算实现,得到表情幅度变化差值数据。将生成的表情幅度变化差值数据输出,以供后续步骤使用,如微表情风险量化。
步骤S242:利用表情风险识别检测公式对表情幅度变化差值数据进行微表情风险量化,生成微表情风险量化数据;将微表情风险量化数据和预设的标准微表情风险量化阈值进行对比,当微表情风险量化数据大于或等于预设的标准微表情风险量化阈值时,则生成一级风险模式;当微表情风险量化数据小于预设的标准微表情风险量化阈值时,则生成二级风险模式;
本发明实施例中,通过使用前一步骤中生成的表情幅度变化差值数据作为输入。建立表情风险识别检测的算法或模型,这可能是基于机器学习、深度学习或统计方法构建的模型。该模型将表情幅度变化差值数据作为输入,并输出微表情风险量化数据。将表情幅度变化差值数据输入到表情风险识别检测公式中,得到微表情风险量化数据。设定预先确定的标准微表情风险量化阈值。这个阈值可以是根据先前的研究、实验或业界经验设定的。根据以下条件判断生成不同级别的风险模式:如果微表情风险量化数据大于或等于预设的标准微表情风险量化阈值,则生成一级风险模式;如果微表情风险量化数据小于预设的标准微表情风险量化阈值,则生成二级风险模式。输出生成的风险模式,以供进一步处理或警示使用。
步骤S243:确认风险模式为一级风险模式时,则基于支付设备摄像头对用户进行瞳孔拍摄,得到用户瞳孔图像;对用户瞳孔图像进行虹膜特征提取,得到用户虹膜数据;根据用户虹膜数据对用户进行身份识别,生成一级风险验证结果数据;
本发明实施例中,通过在确认风险模式为一级风险后,支付设备的摄像头会启动,对用户的眼部区域进行瞳孔拍摄。这可能需要明确的指示或者用户的明确同意。从瞳孔拍摄中得到的图像需要进行预处理,包括图像增强、去噪等操作,以确保后续的特征提取步骤的准确性和稳定性。采用图像处理和计算机视觉技术,对瞳孔图像进行虹膜特征提取。这可能包括边缘检测、纹理分析、特征点提取等步骤,以捕获虹膜的独特特征。从虹膜特征提取过程中得到的信息构成了用户的虹膜数据。这些数据通常以数字化的形式表示用户的虹膜特征,可能是一组数值或特征向量。利用先前建立的虹膜识别系统或算法,将用户的虹膜数据与已存储的虹膜数据进行比对。这个比对过程可以采用模式匹配、特征匹配或机器学习模型等技术,以确认用户的身份。根据身份识别的结果,生成一级风险验证结果数据,表明用户的身份是否通过验证。这个数据可能包括验证成功/失败的信息以及相关的时间戳等。
步骤S244:确认风险模式为二级风险模式时,则基于支付设备触摸屏对用户进行掌纹提取,得到用户掌纹数据;对用户掌纹数据进行历史掌纹信息提取,得到用户历史掌纹信息数据;将用户掌纹数据和用户历史掌纹信息数据进行重合对比,生成二级风险验证结果数据;
本发明实施例中,通过在确认风险模式为二级时,支付设备的触摸屏可以用于采集用户的掌纹信息。这可能需要用户的明确同意或者操作指导。触摸屏收集用户的掌纹数据。这可能包括对手掌表面的高分辨率图像采集或者传感器检测,以获取掌纹图像或相关的掌纹特征。从先前采集并存储的用户历史掌纹数据中提取相应的信息。这些历史数据可以包括之前验证过的掌纹信息、特征或模板。将当前采集到的用户掌纹数据与历史掌纹信息进行比对和匹配。这可能涉及到图像处理、特征提取、模式识别或机器学习算法,以进行掌纹数据的相似性或匹配度评估。根据掌纹数据对比的结果,生成二级风险验证结果数据。验证结果可能表明掌纹匹配的程度或相似性评分,用于确认用户身份的匹配程度。
步骤S245:将一级风险验证结果数据和二级风险验证结果数据进行数据合并,从而得到微表情安全验证结果数据。
本发明实施例中,通过确定一级风险验证和二级风险验证的结果数据格式。这可能涉及到字段的定义、数据类型和结构等方面。确保两个级别的验证结果能够被一致地解释和合并。根据某种唯一标识符或用户标识,将一级风险验证结果数据和二级风险验证结果数据进行匹配和关联。这可以是用户ID、设备ID等。将匹配的一级和二级验证结果数据进行合并。这可能包括将两个结果数据集中的相关字段合并到一个新的数据结构中。确定合并的规则和逻辑。这可能涉及到两个级别结果的权重赋值、逻辑运算或其他合并算法,具体规则取决于验证结果的性质。根据合并的结果生成微表情安全验证结果数据。这可能是一个包含综合验证信息的新数据集,其中包括一级和二级验证的信息。
优选的,步骤S242中的表情风险识别检测公式具体如下:
;
式中,表示为微表情风险量化数据,/>表示为观察表情的起始时间,/>表示为观察表情的结束时间,/>表示为平衡控制风险评估权重,/>表示为平衡微表情变化的参数,/>表示为表情幅度变化差值数据相对于时间的变化率,/>表示为表情幅度变化差值数据,/>表示为情感变化差值数据,/>表示为身体姿势变化差值数据,/>表示为注意力变化差值数据,/>表示为面部表情变化差值数据,/>表示为声音变化差值数据,/>表示为环境变化差值数据,/>表示为个体特征变化差值数据,/>表示为观察表情的时间差值数据。
本发明构建了一种表情风险识别检测公式,公式中的微表情风险量化数据表示对观察表情的风险程度进行量化的结果。通过公式的计算,可以得到一个数值来指示表情的风险水平。观察表情的起始时间/>和结束时间/>确定了观察表情的时间段,从中提取变化数据进行风险量化分析。调整表情幅度变化、情感变化和身体姿势变化对最终风险量化结果的权重/>。平衡微表情变化对风险量化的影响/>。微表情变化可以提供关于情感状态的重要信息,通过调整/>的值,可以控制微表情变化在风险量化中的权重。适当调整/>的值可以平衡不同因素的影响,使得风险量化更符合实际情况。调整表情幅度变化对最终风险量化结果的影响/>。/>的值表示表情幅度变化随时间变化的速率,较大的/>值表示更重视表情幅度变化的速度。/>(表情幅度变化差值数据)、/>(情感变化差值数据)、/>(身体姿势变化差值数据)、/>(注意力变化差值数据)、/>(面部表情变化差值数据)、/>(声音变化差值数据)、(环境变化差值数据)、/>(个体特征变化差值数据):这些是不同方面的变化差值数据,用于描述观察表情期间的各种变化。通过分析这些差值数据,可以获得关于表情、情感、身体姿势以及环境等方面的信息,从而对表情风险进行量化。考虑观察表情的时间差异,可以将风险量化与表情的时长相关联。在使用本领域常规的表情风险识别检测公式时,可以得到微表情风险量化数据,通过应用本发明提供的表情风险识别检测公式,可以更加精确的计算出微表情风险量化数据。通过综合考虑上述参数的变化和权重调整,公式可以量化表情风险,从而在情感识别、行为分析等领域产生有益效果。它可以帮助识别情感状态的变化、评估表情风险,为情感识别、心理健康评估、娱乐等领域提供有价值的数据和指导。
优选的,步骤S25包括以下步骤:
步骤S251:确认用户订单支付金额数据为用户小额订单支付金额数据时,则对用户小额订单支付金额数据进行订单合法性验证,生成订单合法性验证结果数据;根据订单合法性验证结果数据对用户小额订单支付金额数据进行用户支付密码验证,生成用户小额身份验证结果数据;
步骤S252:基于用户小额身份验证结果数据进行支付账户余额确认,生成用户小额支付账户余额验证数据;将用户小额支付账户余额验证数据和用户小额订单支付金额数据进行对比,当用户小额支付账户余额验证数据小于用户小额订单支付金额数据时,则进行支付取消处理;
步骤S253:当用户小额支付账户余额验证数据大于或等于用户小额订单支付金额数据时,则通过支付接口对用户小额订单支付金额数据进行模拟支付,得到支付稳定性数据;根据支付稳定性数据对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据。
本发明通过对小额订单进行合法性验证和用户身份验证,可以减少非法或欺诈性的支付行为。用户知道其订单和身份都经过了验证,因此对支付过程更有信心。通过自动验证,可以避免由于人为错误或系统故障导致的支付错误。通过与用户支付账户余额进行比较,可以确保用户不会因为支付超出其余额而透支。如果余额不足以支付订单金额,系统可以及时进行支付取消处理,避免用户欠款或产生额外费用。及时的余额检查和支付取消处理可以提高用户体验,避免不必要的支付延迟或问题。通过模拟支付获取的支付稳定性数据可以确保支付系统的稳定性和可靠性。根据支付稳定性数据进行快速安全支付可以提供高效的支付体验,减少用户等待时间。通过先进行模拟支付,可以在真实支付之前识别和解决潜在的支付问题或风险,从而降低支付失败或错误的风险。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S25包括:
步骤S251:确认用户订单支付金额数据为用户小额订单支付金额数据时,则对用户小额订单支付金额数据进行订单合法性验证,生成订单合法性验证结果数据;根据订单合法性验证结果数据对用户小额订单支付金额数据进行用户支付密码验证,生成用户小额身份验证结果数据;
本发明实施例中,通过输入用户小额订单支付金额数据,对订单数据进行检查,包括但不限于订单号、商品信息、支付金额、支付时间等,生成订单合法性验证结果数据,标明订单数据是否符合系统要求。通过对订单合法性验证结果数据进行风险分析,检查订单是否存在潜在的欺诈或异常情况,根据风险分析结果,更新订单合法性验证结果数据,标记可能存在的风险情况。对用户小额订单支付金额数据、订单合法性验证结果数据提取相关订单信息,获取用户支付密码,使用安全的加密算法验证用户支付密码的准确性,生成用户小额身份验证结果数据,指示支付密码验证是否通过。最终,步骤S251将生成两个重要的验证结果数据:订单合法性验证结果数据包括订单的基本信息和合法性验证的结果,用户小额身份验证结果数据 包括用户支付密码验证的结果。
步骤S252:基于用户小额身份验证结果数据进行支付账户余额确认,生成用户小额支付账户余额验证数据;将用户小额支付账户余额验证数据和用户小额订单支付金额数据进行对比,当用户小额支付账户余额验证数据小于用户小额订单支付金额数据时,则进行支付取消处理;
本发明实施例中,通过在用户进行小额支付之前,首先需要进行身份验证。这可以包括用户提供的身份信息、生物识别数据或其他安全手段。确保这些数据的准确性和安全性。使用获取的身份验证数据来确认用户的身份。这可能涉及到与用户数据库进行比对或使用其他身份验证服务。一旦用户身份验证成功,系统需要获取用户的支付账户余额数据。这可以通过支付系统的接口或数据库查询来完成。利用步骤3中获取的支付账户余额数据,生成用于验证的数据。这可能包括对余额进行签名或使用其他加密手段确保数据完整性和安全性。系统需要获取用户小额订单的支付金额数据。将生成的用户小额支付账户余额验证数据与用户小额订单支付金额数据进行比对。如果余额验证数据小于订单支付金额数据,表示余额不足,需要进行下一步处理。如果余额验证数据小于订单支付金额数据,系统应当触发支付取消处理。这可能包括向用户发送通知、记录支付取消的原因等。无论支付是否取消,都应当记录交易信息,以便进行后续的审计和分析。如果余额验证数据大于等于订单支付金额数据,表示支付可以继续。系统应当执行相应的支付流程,更新支付账户余额等信息。无论支付成功还是取消,都需要向用户发送相应的通知,说明支付的结果和原因。
步骤S253:当用户小额支付账户余额验证数据大于或等于用户小额订单支付金额数据时,则通过支付接口对用户小额订单支付金额数据进行模拟支付,得到支付稳定性数据;根据支付稳定性数据对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据。
本发明实施例中,通过获取并验证了用户小额支付账户余额验证数据。确保余额验证数据大于或等于用户小额订单支付金额数据。利用支付系统的模拟支付接口,对用户小额订单支付金额数据进行模拟支付。这个过程不会实际产生真实的金钱交易,但会模拟支付流程,包括支付请求、交易处理等步骤。在模拟支付过程中,记录和获取支付稳定性数据。这可能包括支付接口的响应时间、系统处理速度、交易成功率等指标。这些数据用于评估支付系统的性能和稳定性。对获取的支付稳定性数据进行分析,确保支付系统在模拟支付过程中表现良好,没有异常情况发生。这有助于提前发现潜在的支付系统问题,以确保后续的实际支付能够顺利进行。根据分析结果,如果支付系统表现正常,可以进行实际的快速安全支付。这可能涉及向支付接口发送真实的支付请求,并确保支付过程快速、安全、可靠。在实际支付完成后,生成快速安全验证结果数据。这些数据可以包括支付成功与否、支付金额、交易时间等信息。记录实际支付的相关信息,以便进行后续的审计和追踪。
优选的,步骤S3包括以下步骤:
步骤S31:根据微表情安全验证结果数据和快速安全验证结果数据对标准用户订单数据进行交易数据封装,生成交易数据包;利用HTTPS加密通道对交易数据包进行SSL证书有效性验证,生成交易传输验证数据包;
步骤S32:对交易传输验证数据包进行交易地址接收频率分析,生成交易地址接收频率数据;通过中间人攻击威胁判别公式对交易地址接收频率数据进行中间人攻击判别,生成中间人攻击量化数据;
步骤S33:基于中间人攻击量化数据对交易传输验证数据进行证书固定,生成支付传输固定证书数据;利用PKI技术对支付传输固定证书数据进行双向通信监测,生成支付验证传输监测数据。
本发明通过将微表情安全验证和快速安全验证的结果数据结合使用,有助于提高身份验证的准确性。综合多个验证层面的数据可以更全面地确认用户的身份,降低冒充或欺诈的可能性。将验证结果数据与标准用户订单数据进行封装形成交易数据包,有助于确保交易的完整性和一致性。这种封装提供了一个一致的数据结构,有助于后续的传输和处理。使用HTTPS加密通道和SSL证书有效性验证,可以确保交易数据在传输过程中的保密性和完整性。有效的SSL证书验证可以防止中间人攻击,提供了一种安全的通信渠道。生成交易传输验证数据包,将验证数据和订单数据整合在一起,为后续的验证和监测提供了一个综合的数据集。通过对交易地址接收频率的分析,可以识别出异常的交易行为。例如,异常频繁的交易地址接收可能表明存在中间人攻击或其他恶意活动。利用中间人攻击威胁判别公式,对交易地址接收频率数据进行分析,可以量化中间人攻击的可能性。这有助于提前发现并应对潜在的安全威胁。生成中间人攻击量化数据,为后续的决策提供了一个可操作的指标。这种量化数据可以用于制定进一步的防御策略。基于中间人攻击量化数据,进行证书固定,有助于防范中间人攻击。证书固定是一种防止SSL证书被替换的技术手段,提高了通信的安全性。利用PKI技术对支付传输固定证书数据进行双向通信监测,可以实时检测并响应潜在的安全威胁。PKI技术提供了一种强大的加密和身份验证机制,确保通信的安全性。通过对支付传输固定证书数据的监测,生成支付验证传输监测数据,这为实时监控和安全响应提供了关键的信息。
本发明实施例中,通过使用图像处理和计算机视觉技术对用户的微表情进行分析,以进行身份验证,快速安全验证可能包括基于生物特征的验证,如指纹、虹膜扫描等。将微表情安全验证结果数据、快速安全验证结果数据与标准用户订单数据整合,形成交易数据包。使用HTTPS协议确保通信通道的安全性,在通信过程中使用SSL/TLS协议,通过验证SSL证书确保通信双方的身份,将交易数据包封装成传输验证数据包,包含验证结果和订单信息。对交易传输验证数据包进行解析,提取交易地址信息,分析交易地址的接收频率,记录每个地址的交易次数。使用中间人攻击威胁判别公式,可能涉及到数学和统计模型,用于识别异常的交易地址接收行为。根据中间人攻击判别结果,生成量化数据,例如中间人攻击的可能性分值或级别。基于中间人攻击量化数据,对交易传输验证数据进行证书固定。这可能包括采用公钥固定的方法,确保通信的终端使用事先确定的SSL证书。利用PKI技术,使用数字证书确保通信的安全性,实施双向通信监测,验证通信双方的身份,确保数据的完整性。监测支付传输固定证书数据的通信,记录监测结果,包括成功的支付、异常情况等。
优选的,步骤S32中的中间人攻击威胁判别公式具体如下:
;
式中,表示为中间人攻击量化指标,/>表示为观察交易的起始时间,/>表示为观察交易的结束时间,/>表示为控制攻击评估权重,/>表示为交易接收频率的参数,/>表示为交易地址接收频率数据,/>表示为交易地址接收频率数据相对于时间/>的变化率,/>表示为高斯分布的均值,/>表示为高斯分布的均值标准差,/>表示为中间人攻击频率分布的随机变量,/>表示为高斯分布的归一化项,/>表示为中间人攻击威胁判别异常调整值。
本发明构建了一种中间人攻击威胁判别公式,公式的原理是通过综合考虑交易地址接收频率数据的变化率、高斯分布的概率密度函数以及异常调整值,来量化中间人攻击的威胁程度。具体而言,公式的第一项是考虑了交易地址接收频率数据的变化率对中间人攻击的影响,第二项是考虑了中间人攻击频率分布的概率密度函数对攻击量化的贡献,而异常调整值用于对量化结果进行修正,以应对特殊情况或根据实际需求进行调整。根据观察交易的起始时间与以上各参数之间的相互关系构成了一种函数关系:
;
通过调节和/>参数允许根据特定需求调整攻击评估的权重和交易接收频率的影响,使量化结果更符合实际场景。/>的存在考虑了交易地址接收频率数据的变化率,使得公式能够对频率变化较大的情况进行更准确的评估。/>和/>参数描述了中间人攻击频率分布的特征,通过高斯分布的概率密度函数对攻击量化进行建模,使得公式能够更好地捕捉攻击频率的分布情况。通过中间人攻击威胁判别异常调整值/>,用于校正由于实际系统的复杂性和非理想性而引起的误差和偏差。它可以纠正公式中的理论假设与实际系统之间的差异,提高中间人攻击威胁判别的准确性和可靠性,更加准确的生成中间人攻击量化指标/>,同时公式中的控制攻击评估权重、交易接收频率的参数等参数可以根据实际情况进行调整,从而适应不同的中间人攻击威胁判别场景,提高了算法的适用性和灵活性。在使用本领域常规的中间人攻击威胁判别公式时,可以得到中间人攻击量化指标,通过应用本发明提供的中间人攻击威胁判别公式,可以更加精确的计算出中间人攻击量化指标。通过合理选择和调整这些参数,中间人攻击威胁判别公式能够提供一种量化指标,帮助评估中间人攻击的威胁程度,并根据实际需求进行进一步的分析和决策。
优选的,步骤S4包括以下步骤:
步骤S41:对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行数据集划分,生成模型训练集和模型测试集;
步骤S42:通过决策树算法对模型训练集进行支付验证风险决策训练,生成环境加密预模型;根据模型测试集对环境加密预模型进行模型测试,从而生成支付环境加密预测模型;
步骤S43:将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密,生成安全支付动态密钥数据;根据数据可视化技术对安全支付动态密钥数据进行界面可视化,从而生成安全支付动态验证结果界面。
本发明通过对历史支付验证传输监测数据的收集,系统能够建立对过去交易的全面了解,为后续的模型训练提供有用的信息。将历史数据划分为模型训练集和模型测试集,有助于评估模型的性能和泛化能力。决策树算法可以有效地进行支付验证风险决策训练,通过学习历史数据中的模式和规律,系统能够识别潜在的支付风险。生成的环境加密预模型能够在实时交易中进行预测,提高对支付风险的检测和响应能力。通过将支付验证传输监测数据导入支付环境加密预测模型,实现动态通信加密,提高了对实时交易的安全性,防范潜在的威胁和攻击。生成的安全支付动态密钥数据可以用于确保支付过程中的通信安全,降低信息泄露和中间人攻击的风险。利用数据可视化技术,将安全支付动态密钥数据呈现为直观的界面,有助于操作人员快速了解支付系统的安全状态,提高管理和监控效率。
本发明实施例中,通过使用数据收集工具,例如日志记录系统、传感器、或其他监测设备,收集支付验证传输监测数据。对收集到的数据进行清理和预处理,包括去除异常值、处理缺失数据,并进行特征工程以提取关键特征。将历史数据划分为模型训练集和模型测试集,通常采用随机划分或按时间划分的方式。使用决策树算法,例如ID3、C4.5或随机森林,对模型训练集进行支付验证风险决策训练。使用模型测试集对生成的环境加密预模型进行测试,评估模型的性能,包括准确率、召回率等指标。将实时的支付验证传输监测数据导入支付环境加密预测模型中,进行动态通信加密,可能涉及使用对称密钥或公钥加密算法。根据模型的输出,生成安全支付动态密钥数据,确保支付通信的安全性。利用数据可视化工具,如Tableau、matplotlib等,对安全支付动态密钥数据进行界面可视化,以便操作人员能够直观地了解支付系统的状态。根据可视化结果,生成安全支付动态验证结果界面,可能包括实时风险评估、通信加密状态等信息。
在本说明书中,还提供了一种移动互联网安全支付验证系统,用于执行上述移动互联网安全支付验证方法,该移动互联网安全支付验证系统包括:
微表情建模模块,用于获取用户面部图像集;对用户面部图像集进行图像预处理,生成标准用户面部图像集;对标准用户面部图像集进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行空间变换重构,从而生成微表情增强数据;
支付管理模块,用于获取用户订单数据;对用户订单数据进行数据预处理,生成标准用户订单数据;对标准用户订单数据进行订单金额划分,生成用户大额订单支付金额数据和用户小额订单支付金额数据;利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据;
支付通信传输模块,用于将微表情安全验证结果数据和快速安全验证结果数据进行交易数据封装,生成交易传输验证数据;对交易传输验证数据进行中间人攻击判别,生成中间人攻击量化数据;基于中间人攻击量化数据对交易传输验证数据进行双向通信监测,生成支付验证传输监测数据;
支付结果加密模块,用于对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行支付验证风险决策训练,生成支付环境加密预测模型;将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密可视化,生成安全支付动态验证结果界面。
本发明的有益效果在于通过图像预处理,确保面部图像集是经过标准化处理的,有助于提高微表情模型的准确性。通过三维时空建模,系统可以更全面地捕捉用户的微表情,为后续的安全验证提供更为细致的数据。空间变换重构可生成微表情增强数据,有助于提高微表情安全验证的精确性。数据预处理确保订单数据是干净、一致的,有助于提高后续模型的性能。将订单金额划分为大额和小额,有助于对不同金额级别的支付进行不同的验证处理。对大额订单支付金额数据进行微表情安全验证,这是一种创新的生物特征验证方法,可以提高支付安全性。对小额订单支付金额数据进行快速安全支付,为小额交易提供更为高效的验证流程。将微表情安全验证结果和快速安全验证结果整合成交易传输验证数据,有助于综合分析不同验证结果。通过判别中间人攻击,系统可以防范可能的安全威胁,确保交易的完整性和可靠性。基于中间人攻击量化数据进行双向通信监测,增加了系统对支付验证传输的实时监控,提高了整体安全性。通过对支付验证传输监测数据的历史数据收集,系统可以建立对过去支付验证行为的深入理解,为模型训练提供更多数据支持。利用历史数据进行支付验证风险决策训练,生成支付环境加密预测模型,提高对未知威胁的预测能力。将支付验证传输监测数据与预测模型结合,通过动态通信加密可视化,系统可以更直观地展示支付环境的安全状态。提供安全支付动态验证结果界面,使用户能够实时了解支付的安全状况,增强用户的信任感和安全感。结合面部图像和订单数据,采用微表情、金额验证、中间人攻击判别等多层次验证手段,提高了支付系统的安全性。通过动态通信加密可视化和实时监测,系统能够及时响应潜在的安全威胁,降低风险。提供安全支付动态验证结果界面,增强用户对支付安全的感知,提高用户体验。利用历史数据进行模型训练,提高系统对未知威胁的识别和决策能力。因此,本发明通过综合利用三维时空建模、微表情增强数据、订单金额划分、中间人攻击防范以及动态支付环境加密预测,提高了生物特征识别的精确性和难以仿造性,同时提高了对未知安全风险的识别和防范能力。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种移动互联网安全支付验证方法,其特征在于,包括以下步骤:
步骤S1:获取用户面部图像集;对用户面部图像集进行图像预处理,生成标准用户面部图像集;对标准用户面部图像集进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行空间变换重构,从而生成微表情增强数据;步骤S1包括以下步骤:
步骤S11:利用摄像头采集用户面部图像集;
步骤S12:对用户面部图像集进行图像亮度校正,生成用户面部亮度校正图像集;对用户面部亮度校正图像集进行双仿射变换,生成用户面部变换图像集;通过反梯度平均方法对用户面部变换图像集进行图像平滑,生成标准用户面部图像集;
步骤S13:对标准用户面部图像集进行图像集重合,得到标准用户面部重合图像;对标准用户面部重合图像进行面部变化偏离分析,生成面部表情偏离数据;利用面部表情偏离数据对标准用户面部重合图像进行频域分析,生成频率分割微表情数据;
步骤S14:将频率分割微表情数据进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行多尺度时序特征提取,生成多尺度时序微表情特征数据;利用空间变换网络对多尺度时序微表情特征数据进行空间变换重构,从而生成微表情增强数据;
步骤S2:获取用户订单数据;对用户订单数据进行数据预处理,生成标准用户订单数据;对标准用户订单数据进行订单金额划分,生成用户大额订单支付金额数据和用户小额订单支付金额数据;利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据;
步骤S3:将微表情安全验证结果数据和快速安全验证结果数据进行交易数据封装,生成交易传输验证数据;对交易传输验证数据进行中间人攻击判别,生成中间人攻击量化数据;基于中间人攻击量化数据对交易传输验证数据进行双向通信监测,生成支付验证传输监测数据;步骤S3包括以下步骤:
步骤S31:根据微表情安全验证结果数据和快速安全验证结果数据对标准用户订单数据进行交易数据封装,生成交易数据包;利用HTTPS加密通道对交易数据包进行SSL证书有效性验证,生成交易传输验证数据包;
步骤S32:对交易传输验证数据包进行交易地址接收频率分析,生成交易地址接收频率数据;通过中间人攻击威胁判别公式对交易地址接收频率数据进行中间人攻击判别,生成中间人攻击量化数据;
步骤S33:基于中间人攻击量化数据对交易传输验证数据进行证书固定,生成支付传输固定证书数据;利用PKI技术对支付传输固定证书数据进行双向通信监测,生成支付验证传输监测数据;
步骤S4:对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行支付验证风险决策训练,生成支付环境加密预测模型;将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密可视化,生成安全支付动态验证结果界面。
2.根据权利要求1所述的移动互联网安全支付验证方法,其特征在于,步骤S2包括以下步骤:
步骤S21:基于支付云平台获取用户订单数据;
步骤S22:对用户订单数据进行数据清洗,生成用户订单清洗数据;对用户订单清洗数据进行数据缺失值填充,生成用户订单填充数据;对用户订单填充数据进行数据离散化,生成用户订单离散数据;根据最大-最小标准化方法对用户订单离散数据进行数据标准化,生成标准用户订单数据;
步骤S23:对标准用户订单数据进行订单金额提取,得到用户订单支付金额数据;将用户订单支付金额数据和预设的支付金额阈值进行对比,当用户订单支付金额数据大于或等于预设的支付金额阈值时,则对用户订单支付金额数据进行大额支付标记,生成用户大额订单支付金额数据;当用户订单支付金额数据小于预设的支付金额阈值时,则对用户订单支付金额数据进行小额支付标记,生成用户小额订单支付金额数据;
步骤S24:确认用户订单支付金额数据为用户大额订单支付金额数据时,则利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;
步骤S25:确认用户订单支付金额数据为用户小额订单支付金额数据时,则对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据。
3.根据权利要求2所述的移动互联网安全支付验证方法,其特征在于,步骤S24包括以下步骤:
步骤S241:确认用户订单支付金额数据为用户大额订单支付金额数据时,则对微表情增强数据进行变化幅度划分,生成正幅度表情变化数据和负幅度表情变化数据;将正幅度表情变化数据和负幅度表情变化数据进行差值计算,生成表情幅度变化差值数据;
步骤S242:利用表情风险识别检测公式对表情幅度变化差值数据进行微表情风险量化,生成微表情风险量化数据;将微表情风险量化数据和预设的标准微表情风险量化阈值进行对比,当微表情风险量化数据大于或等于预设的标准微表情风险量化阈值时,则生成一级风险模式;当微表情风险量化数据小于预设的标准微表情风险量化阈值时,则生成二级风险模式;
步骤S243:确认风险模式为一级风险模式时,则基于支付设备摄像头对用户进行瞳孔拍摄,得到用户瞳孔图像;对用户瞳孔图像进行虹膜特征提取,得到用户虹膜数据;根据用户虹膜数据对用户进行身份识别,生成一级风险验证结果数据;
步骤S244:确认风险模式为二级风险模式时,则基于支付设备触摸屏对用户进行掌纹提取,得到用户掌纹数据;对用户掌纹数据进行历史掌纹信息提取,得到用户历史掌纹信息数据;将用户掌纹数据和用户历史掌纹信息数据进行重合对比,生成二级风险验证结果数据;
步骤S245:将一级风险验证结果数据和二级风险验证结果数据进行数据合并,从而得到微表情安全验证结果数据。
4.根据权利要求3所述的移动互联网安全支付验证方法,其特征在于,步骤S242中的表情风险识别检测公式如下所示:
;
式中,表示为微表情风险量化数据,/>表示为观察表情的起始时间,/>表示为观察表情的结束时间,/>表示为平衡控制风险评估权重,/>表示为平衡微表情变化的参数,/>表示为表情幅度变化差值数据相对于时间的变化率,/>表示为表情幅度变化差值数据,/>表示为情感变化差值数据,/>表示为身体姿势变化差值数据,/>表示为注意力变化差值数据,/>表示为面部表情变化差值数据,/>表示为声音变化差值数据,/>表示为环境变化差值数据,/>表示为个体特征变化差值数据,/>表示为观察表情的时间差值数据。
5.根据权利要求3所述的移动互联网安全支付验证方法,其特征在于,步骤S25包括以下步骤:
步骤S251:确认用户订单支付金额数据为用户小额订单支付金额数据时,则对用户小额订单支付金额数据进行订单合法性验证,生成订单合法性验证结果数据;根据订单合法性验证结果数据对用户小额订单支付金额数据进行用户支付密码验证,生成用户小额身份验证结果数据;
步骤S252:基于用户小额身份验证结果数据进行支付账户余额确认,生成用户小额支付账户余额验证数据;将用户小额支付账户余额验证数据和用户小额订单支付金额数据进行对比,当用户小额支付账户余额验证数据小于用户小额订单支付金额数据时,则进行支付取消处理;
步骤S253:当用户小额支付账户余额验证数据大于或等于用户小额订单支付金额数据时,则通过支付接口对用户小额订单支付金额数据进行模拟支付,得到支付稳定性数据;根据支付稳定性数据对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据。
6.根据权利要求1所述的移动互联网安全支付验证方法,其特征在于,步骤S32中的中间人攻击威胁判别公式如下所示:
;
式中,表示为中间人攻击量化指标,/>表示为观察交易的起始时间,/>表示为观察交易的结束时间,/>表示为控制攻击评估权重,/>表示为交易接收频率的参数,/>表示为交易地址接收频率数据,/>表示为交易地址接收频率数据相对于时间/>的变化率,/>表示为高斯分布的均值,/>表示为高斯分布的均值标准差,/>表示为中间人攻击频率分布的随机变量,/>表示为高斯分布的归一化项,/>表示为中间人攻击威胁判别异常调整值。
7.根据权利要求1所述的移动互联网安全支付验证方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行数据集划分,生成模型训练集和模型测试集;
步骤S42:通过决策树算法对模型训练集进行支付验证风险决策训练,生成环境加密预模型;根据模型测试集对环境加密预模型进行模型测试,从而生成支付环境加密预测模型;
步骤S43:将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密,生成安全支付动态密钥数据;根据数据可视化技术对安全支付动态密钥数据进行界面可视化,从而生成安全支付动态验证结果界面。
8.一种移动互联网安全支付验证系统,其特征在于,用于执行如权利要求1所述的移动互联网安全支付验证方法,该移动互联网安全支付验证系统包括:
微表情建模模块,用于获取用户面部图像集;对用户面部图像集进行图像预处理,生成标准用户面部图像集;对标准用户面部图像集进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行空间变换重构,从而生成微表情增强数据;微表情建模模块具体用于:
步骤S11:利用摄像头采集用户面部图像集;
步骤S12:对用户面部图像集进行图像亮度校正,生成用户面部亮度校正图像集;对用户面部亮度校正图像集进行双仿射变换,生成用户面部变换图像集;通过反梯度平均方法对用户面部变换图像集进行图像平滑,生成标准用户面部图像集;
步骤S13:对标准用户面部图像集进行图像集重合,得到标准用户面部重合图像;对标准用户面部重合图像进行面部变化偏离分析,生成面部表情偏离数据;利用面部表情偏离数据对标准用户面部重合图像进行频域分析,生成频率分割微表情数据;
步骤S14:将频率分割微表情数据进行三维时空建模,生成三维时空微表情模型;对三维时空微表情模型进行多尺度时序特征提取,生成多尺度时序微表情特征数据;利用空间变换网络对多尺度时序微表情特征数据进行空间变换重构,从而生成微表情增强数据;
支付管理模块,用于获取用户订单数据;对用户订单数据进行数据预处理,生成标准用户订单数据;对标准用户订单数据进行订单金额划分,生成用户大额订单支付金额数据和用户小额订单支付金额数据;利用微表情增强数据对用户大额订单支付金额数据进行微表情安全验证,生成微表情安全验证结果数据;对用户小额订单支付金额数据进行快速安全支付,生成快速安全验证结果数据;
支付通信传输模块,用于将微表情安全验证结果数据和快速安全验证结果数据进行交易数据封装,生成交易传输验证数据;对交易传输验证数据进行中间人攻击判别,生成中间人攻击量化数据;基于中间人攻击量化数据对交易传输验证数据进行双向通信监测,生成支付验证传输监测数据;支付通信传输模块具体用于:
步骤S31:根据微表情安全验证结果数据和快速安全验证结果数据对标准用户订单数据进行交易数据封装,生成交易数据包;利用HTTPS加密通道对交易数据包进行SSL证书有效性验证,生成交易传输验证数据包;
步骤S32:对交易传输验证数据包进行交易地址接收频率分析,生成交易地址接收频率数据;通过中间人攻击威胁判别公式对交易地址接收频率数据进行中间人攻击判别,生成中间人攻击量化数据;
步骤S33:基于中间人攻击量化数据对交易传输验证数据进行证书固定,生成支付传输固定证书数据;利用PKI技术对支付传输固定证书数据进行双向通信监测,生成支付验证传输监测数据;
支付结果加密模块,用于对支付验证传输监测数据进行历史数据收集,得到历史支付验证传输监测数据;对历史支付验证传输监测数据进行支付验证风险决策训练,生成支付环境加密预测模型;将支付验证传输监测数据导入至支付环境加密预测模型中进行动态通信加密可视化,生成安全支付动态验证结果界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410212993.2A CN117787998B (zh) | 2024-02-27 | 2024-02-27 | 移动互联网安全支付验证方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410212993.2A CN117787998B (zh) | 2024-02-27 | 2024-02-27 | 移动互联网安全支付验证方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787998A CN117787998A (zh) | 2024-03-29 |
CN117787998B true CN117787998B (zh) | 2024-05-17 |
Family
ID=90389576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410212993.2A Active CN117787998B (zh) | 2024-02-27 | 2024-02-27 | 移动互联网安全支付验证方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787998B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636401A (zh) * | 2018-11-30 | 2019-04-16 | 上海爱优威软件开发有限公司 | 一种基于用户微表情的支付方法及系统 |
CN112491867A (zh) * | 2020-11-24 | 2021-03-12 | 北京航空航天大学 | 一种基于会话相似性分析的ssh中间人攻击检测系统 |
CN114333002A (zh) * | 2021-12-27 | 2022-04-12 | 南京邮电大学 | 基于图深度学习和人脸三维重建的微表情识别方法 |
CN116645718A (zh) * | 2023-06-09 | 2023-08-25 | 厦门大学 | 一种基于多流架构的微表情识别方法及系统 |
CN117557270A (zh) * | 2024-01-08 | 2024-02-13 | 深圳合纵富科技有限公司 | 移动终端安全支付管理方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3073429A1 (en) * | 2015-03-26 | 2016-09-28 | Gemalto Sa | A method to validate a dynamic security code in a payment transaction |
US10515393B2 (en) * | 2016-06-30 | 2019-12-24 | Paypal, Inc. | Image data detection for micro-expression analysis and targeted data services |
-
2024
- 2024-02-27 CN CN202410212993.2A patent/CN117787998B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636401A (zh) * | 2018-11-30 | 2019-04-16 | 上海爱优威软件开发有限公司 | 一种基于用户微表情的支付方法及系统 |
CN112491867A (zh) * | 2020-11-24 | 2021-03-12 | 北京航空航天大学 | 一种基于会话相似性分析的ssh中间人攻击检测系统 |
CN114333002A (zh) * | 2021-12-27 | 2022-04-12 | 南京邮电大学 | 基于图深度学习和人脸三维重建的微表情识别方法 |
CN116645718A (zh) * | 2023-06-09 | 2023-08-25 | 厦门大学 | 一种基于多流架构的微表情识别方法及系统 |
CN117557270A (zh) * | 2024-01-08 | 2024-02-13 | 深圳合纵富科技有限公司 | 移动终端安全支付管理方法及系统 |
Non-Patent Citations (1)
Title |
---|
Spatiotemporal Recurrent Convolutional Networks for Recognizing Spontaneous Micro-Expressions;Zhaoqiang Xia等;IEEE TRANSACTIONS ON MULTIMEDIA;20200331;第22卷(第3期);626-640 * |
Also Published As
Publication number | Publication date |
---|---|
CN117787998A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10579784B2 (en) | System, device, and method of secure utilization of fingerprints for user authentication | |
US20210117529A1 (en) | Authenticating an identity of a person | |
JP4954979B2 (ja) | 詐欺監視、検出、および階層状ユーザ認証のためのシステムおよび方法 | |
CN108351932A (zh) | 基于图像的captcha挑战 | |
WO2018082011A1 (zh) | 活体指纹识别方法及装置 | |
CN110458662B (zh) | 反欺诈风控方法及装置 | |
CA3048775A1 (en) | Atm with biometric security | |
Arora et al. | Fingerprint spoofing detection to improve customer security in mobile financial applications using deep learning | |
Joshi et al. | A comprehensive security analysis of match-in-database fingerprint biometric system | |
CN116776386B (zh) | 一种云服务数据信息安全管理方法及系统 | |
CN117557270B (zh) | 移动终端安全支付管理方法及系统 | |
CN205318544U (zh) | 一种基于三维人脸识别的atm机防欺诈装置及系统 | |
Alkhowaiter et al. | Evaluating perceptual hashing algorithms in detecting image manipulation over social media platforms | |
Hamadouche et al. | A replay attack detection scheme based on perceptual image hashing | |
CN117787998B (zh) | 移动互联网安全支付验证方法及系统 | |
CN114780932B (zh) | 管理三化平台的跨区块链数据交互验证方法、系统及设备 | |
US20230027253A1 (en) | Method for confirming the identity of a user in a browsing session of an online service | |
Dissanayake et al. | “Trust Pass”-Blockchain-Based Trusted Digital Identity Platform Towards Digital Transformation | |
Geradts et al. | Interpol review of forensic video analysis, 2019–2022 | |
Iorliam | Application of power laws to biometrics, forensics and network traffic analysis | |
CN115906028A (zh) | 用户身份验证方法、装置和自助服务终端 | |
Ashiba | Proposed framework for cancelable face recognition system | |
Liashenko et al. | Implementation biometric data security in remote authentication systems via network steganography | |
GB2576521A (en) | Systems and methods for remotely verifying user identities | |
WO2021130979A1 (ja) | 取引制御装置、制御方法、及びプログラム |
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 |