JP6926337B2 - 通信装置によって行われるユーザ認証を改善する方法 - Google Patents

Description

本発明は、通信装置によって行われるユーザ認証を改善する方法に関する。本発明は、サーバコンピューティング環境における機械学習に適用することができる。

人工ニューラルネットワーク（ＡＮＮ：Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）は、動物の脳から着想を得たコンピューティングシステムである。人工ニューラルネットワークは、人工シナプスを使用して互いに接続されている複数の人工ニューロンから成る。人工ニューラルネットワークは、人工ニューラルネットワークの経験に基づいて学習し、人工ニューラルネットワーク自体を改良するための能力を有する機械学習アルゴリズムを実装することを可能にする。

機械学習アルゴリズムは、いわゆる学習フェーズの間に訓練されることを必要とする。その後、機械学習アルゴリズムは動作可能となり、新規な刺激（ｓｔｉｍｕｌｕｓ）を受け取ることにより、それ自体を適合させ続ける。

機械学習および人工知能への関心は増大していると考えられ、これらの技術はサーバコンピューティング環境において実施され得る。

サーバコンピューティングは、一般に、ストレージおよびアプリケーションなどの共有リソースへのアクセスを可能にするネットワークインフラを指す。これは、クラウドコンピューティングと呼んでいるものを含む。サーバコンピューティングは、ローカル装置、例えばインターネットに接続されたパーソナルコンピュータがこれらの共有リソースに遠隔でアクセスすることを可能にする。したがって、ユーザは、そのプライベートデータをネットワークインフラの１つまたはいくつかのリモートサーバに格納することができ、および／または、そのローカル装置においてではなくサーバで実行されるアプリケーションソフトウェアの恩恵を受けることができる。

サーバにおいて実施される機械学習および人工知能のために、ニューラルネットワークは、サーバサービスを使用する潜在的に無制限の数のユーザの入力のおかげで、恒久的にアップデートされ、改善されることができる。

機械学習アルゴリズムがサーバにおいて実装される既存のソリューションが存在する。例えば、ＢｅｈａｖｉｏｓｅｃおよびＵｎｉｆｙｌＤにより提供される技術は、いかなるエンドユーザアクションもなしにエンドユーザを認証することが可能である。機械学習技術は、認証目的のためにユーザの挙動を分析する。

ユーザの挙動の分析は、ユーザの歩き方を考慮することができる。この目的のために、モバイルアプリケーションは、微小電気機械システム（ｍｉｃｒｏｅｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌ ｓｙｓｔｅｍ）（ＭＥＭＳ）からデータを得て、それらをリモートサーバに送信する。分析は、ユーザの座位の特性を考慮することもできる。一例として、シートに埋め込まれた専用装置は、ユーザの座位に対応するデータを生成して、それをリモートサーバに送信する。加えて、ユーザの運転の仕方も分析されることができて、サーバに報告されることができる。

この種の機械学習技術の１つの欠点は、利用できるときに、データをキャプチャするように構成される装置が、常にキャプチャされたデータを報告するためにオンラインであることを必要とするということである。これは、必ずしも利用できるとは限らないオンラインの接続性を必要とする。例えば、車に埋め込まれた装置は、オンラインの接続性が利用できない地下駐車場に配置されることがあり得る。

本発明は、認証システムに属する通信装置によって行われるユーザ認証効率を改善する方法であって、通信装置が、Ｎ個の異なるタイプの入力信号を処理するように適合された、Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉのセットを備えるローカル機械学習エンジン（ＬＭＬＥ）を具備する方法に関する。

本方法は以下のステップ：
− 認証目的のためにリクエストユーザにより提供される、異なるタイプのＮ個の入力信号Ｓ＿１（ｉ）の第１のセットを受信すること；
− Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉによって、Ｎ個の入力信号Ｓ＿１（ｉ）のそれぞれに対して、所与の入力信号が、通信装置により提供される少なくともサービスにアクセスすることができる正当なユーザによって提供された尤度のＮ個の推定ＬＨ（ｉ）をそれぞれ決定すること；
− Ｎ個の推定ＬＨ（ｉ）を用いて確立されるリスクスコアリングに基づいて、リクエストユーザが正当なユーザとして認証されるかどうかを決定すること；
− リクエストユーザが認証された場合、所与の入力信号Ｓ＿１（ｊ）に対して決定された少なくとも１つの尤度推定が所定の閾値Ｔ_Ｃ，ｉ未満であるかどうかを決定すること、および、そうである場合は：
− サーバ機械学習エンジン（ＳＭＬＥ）を実装するリモートサーバに、入力信号Ｓ＿１（ｊ）を送信し、サーバ機械学習エンジン（ＳＭＬＥ）は、前記Ｎ個の異なるタイプの入力信号を処理するように適合され、かつ、最も近い候補と呼ばれ、リクエストユーザとは異なり、送信された入力信号Ｓ＿１（ｊ）が最良にマッチしている結果を提供するユーザＵ＿Ｃを識別するように訓練されており、リモートサーバが次に、最も近い候補Ｕ＿Ｃに関連付けられており、Ｓ＿１（ｊ）と同じタイプの入力信号Ｓ＿２（ｊ）を提供すること；
− 最も近い候補Ｕ＿Ｃに関連付けられた入力信号Ｓ＿２（ｊ）を受信し、ローカル機械学習エンジン（ＬＭＬＥ）によって、リクエストユーザに関連付けられない入力信号として入力信号Ｓ＿２（ｊ）を用いて追加の学習フェーズを実行すること
を含む。

一例によれば、Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉは、追加の学習フェーズの前に適用される最初の学習フェーズの間に、正当なユーザにより提供される入力信号の第２のセットを用いて通信装置に正当なユーザのアクセスをセットアップする時に、訓練される。

一例によれば、本方法は、サーバ機械学習エンジン（ＳＭＬＥ）を訓練するために、最初の学習フェーズの後に適用される、サーバ機械学習エンジン（ＳＭＬＥ）に入力信号の第２のセットを送信するステップを含む。

一例によれば、入力信号の第２のセットは、認証システムの異なるユーザにより提供される入力信号の他のセットも格納されるデータベースに格納されて、入力信号のこれらのセットは、認証システムに属する複数の通信装置の追加の学習フェーズをセットアップするために用いられる。

一例によれば、Ｎ個の入力信号Ｓ＿１（ｉ）のうちの少なくとも１つは、通信装置のマイクロホンによってキャプチャされる音声信号である。

一例によれば、Ｎ個の入力信号Ｓ＿１（ｉ）のうちの少なくとも１つは、ユーザの歩行（ｇａｉｔ）を表す歩行信号である。

一例によれば、歩行信号は、通信装置とデータ交換ができ、ユーザ周辺に取り付けられたビデオカメラによってキャプチャされる。

一例によれば、Ｎ個の入力信号Ｓ＿１（ｉ）のうちの少なくとも１つは、通信装置に組み入れられた指紋センサによってキャプチャされる指紋信号である。

一例によれば、Ｎ個の入力信号Ｓ＿１（ｉ）のうちの少なくとも１つは、ワイヤレスネットワークアクセスポイント識別子などの環境信号である。

一例によれば、入力信号Ｓ２（ｊ）は、入力信号Ｓ２（ｊ）に関連付けられたユーザの識別を可能にするいかなる識別情報もなしに通信装置によって受信される。

本発明は、認証システムに属する通信装置にも関し、通信装置は、Ｎ個の異なるタイプの入力信号を処理するように適合された、Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉのセットを備えるローカル機械学習エンジン（ＬＭＬＥ）を具備し、通信装置は：
− 認証目的のためにリクエストユーザにより提供される、異なるタイプのＮ個の入力信号Ｓ＿１（ｉ）の第１のセットを受信し；
− Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉによって、Ｎ個の入力信号Ｓ＿１（ｉ）のそれぞれに対して、所与の入力信号が、通信装置により提供される少なくともサービスにアクセスすることができる正当なユーザによって提供された尤度のＮ個の推定ＬＨ（ｉ）をそれぞれ決定し；
− Ｎ個の推定ＬＨ（ｉ）を用いて確立されるリスクスコアリングに基づいて、リクエストユーザが正当なユーザとして認証されるかどうかを決定し；
− リクエストユーザが認証された場合、所与の入力信号Ｓ＿１（ｊ）に対して決定された少なくとも１つの尤度推定が所定の閾値Ｔ_Ｃ，ｉ未満であるかどうかを決定し、および、そうである場合は：
− 前記Ｎ個の異なるタイプの入力信号を処理するように適合され、最も近い候補と呼ばれるユーザＵ＿Ｃを識別するように訓練されているサーバ機械学習エンジン（ＳＭＬＥ）を実装するリモートサーバに、入力信号Ｓ＿１（ｊ）を送信し、リモートサーバが次に、最も近い候補Ｕ＿Ｃに関連付けられており、Ｓ＿１（ｊ）と同じタイプの入力信号Ｓ＿２（ｊ）を提供し、最も近い候補Ｕ＿Ｃは、リクエストユーザとは異なっており、送信された入力信号Ｓ＿１（ｊ）が最良にマッチしている結果を提供するものであり；
− 最も近い候補Ｕ＿Ｃに関連付けられた入力信号Ｓ＿２（ｊ）を受信し、ローカル機械学習エンジン（ＬＭＬＥ）によって、リクエストユーザに関連付けられない入力信号として入力信号Ｓ＿２（ｊ）を用いて追加の学習フェーズを実行する
ように構成されている。

本発明は、上記の方法のステップを実行するための手段を備える、通信装置およびリモートサーバを具備する認証システムにも関する。

本発明は、命令を含む、コンピュータプログラム製品であって、命令は、プログラムがコンピュータによって実行されると、コンピュータに、上記の方法のステップを実行させる、コンピュータプログラム製品にも関する。

本発明のさらなる特徴および利点は、指針的および非限定的な例として与えられる、本発明の１つの好ましい実施形態の詳細な説明を、以下の図面と併せて読めば、より明確に理解することができるであろう。

分散型機械学習エンジンによる認証メカニズムを実施するシステムの一例の図である。 ユーザ認証効率を改善するための、リモート機械学習エンジンとローカル機械学習エンジンとの協働を例示する図である。 分散型機械学習エンジンを用いてユーザを認証する方法を実施するフローチャートの一例の図である。

図１は、分散型機械学習エンジンによる認証メカニズムを実施するシステムの一例である。

通信装置１１０−１１５に、または、この通信装置１１０−１１５によって操作される１つまたはいくつかのサービスにアクセスするために、ユーザは、認証されることを必要とする。

この明細書において、通信装置に、または、この通信装置により提供される１つまたはいくつかのサービスにアクセスを要求しているユーザは、リクエストユーザと呼ばれる。所与の通信装置に正当にアクセスすることができるユーザは、正当なユーザと呼ばれる。効率的な認証メカニズムでは正当なユーザが成功裏に認証されることができるが、通信装置にアクセスする権利がないリクエストユーザの認証は失敗する。

認証システム１５０は、人工知能を使用して認証メカニズムを実施する。認証メカニズムは、２つの機械学習エンジンを用いて通信ごとに実施される。所与の通信装置のために、１つの機械学習エンジン１３０−１３５が、ローカルに１１０−１１５に実装され、ローカル機械学習エンジンＬＭＬＥと呼ばれる。別のもの１４１は、サーバネットワーク１５０のサーバ１４０に遠隔で実装されて、サーバ機械学習エンジンＳＭＬＥと参照される。認証プロセスは、サーバネットワークのエッジでのローカル機械学習エンジンのおかげで通信装置上でローカルに実行される。

所与の通信装置１１０−１１５において実装されたローカル機械学習エンジンＬＭＬＥ１３０−１３５は、サーバネットワークのエッジで自律的にリクエストユーザ１２０−１２５を認証することが可能である。しかしながら、認証の効率を改善するために、リモートサーバ１４１に実装されたサーバ機械学習エンジンＳＬＭＥ１４１が用いられる。これらの２つの異なる機械学習エンジンは、一緒に操作されるときに、分散型機械学習エンジンを形成する。

１つの目的は、認証されたユーザのプロフィールのわずかな変化にローカル機械学習エンジンを適合させることである。リクエストユーザのプロフィールは、通信装置によって認証されるこのユーザに関連付けられた特性のセットを指す。これらの特性の１つは、ユーザの声とすることができる。ユーザの声がかすれる場合、この変化は考慮されて、ローカル機械学習エンジンＬＭＬＥはサーバ機械学習エンジンＳＬＭＥと協働することによって、それに応じて適合される。

この分散型機械学習エンジンの別の目的は、認証システムのすべてのユーザにより提供されるデータを考慮することによって偽陽性比率を最小化することである。偽陽性比率は、リクエストユーザが、自分は通信装置におよび／または通信装置により提供される１つまたはいくつかのサービスにアクセスする権利がないという事実にもかかわらず、正当なユーザとして識別される確率と定義され得る。

所与の通信装置のローカル機械学習エンジンＬＭＬＥは、前記所与の通信装置を使用する権利がある正当なユーザの特性を除いて、認証システム１５０のユーザの特性を知らない。ローカル機械学習エンジンＬＭＬＥは、通信装置の正当なユーザにより提供される入力信号を使用して訓練される。ローカル機械学習エンジンＬＭＬＥの主機能は、リクエストユーザが正当なユーザであるかどうか決定することである。この目的のために、ローカル機械学習エンジンＬＭＬＥは、正当なユーザにより提供される入力信号を使用して、学習フェーズの間に、訓練される。

リクエストユーザが認証された信頼度に応じて、サーバ機械学習エンジンＳＭＬＥは、認証の効率を改善するように適合された１つまたはいくつかの入力信号をローカル機械学習エンジンに提供するよう依頼されることができる。これは、これらの提供される入力信号を用いてローカル機械学習エンジンＬＭＬＥを訓練することによって達成される。これらの特定の入力信号は、サーバ機械学習エンジンＳＭＬＥによって、認証システムの他のユーザについてのその知識のおかげで、選択される。

図２は、ユーザ認証効率を改善するための、リモート機械学習エンジンとのローカル機械学習エンジンの協働を例示する。

この例によれば、通信装置２００は、リクエストユーザを認証するためのローカル機械学習エンジンＬＭＬＥ２０１を備える。このローカル機械学習エンジンＬＭＬＥ２０１は、リモートサーバ２１０に実装されたサーバ機械学習エンジンＳＭＬＥ２１１と協働するように構成される。

リクエストユーザの認証は、ローカル機械学習エンジンＬＭＬＥ２０１によって行われる。その目的のために、Ｎ個の入力信号が、ｉ∈［０，Ｎ−１］を用いてＡＮＮ１，ｉで示されるＮ個の人工ニューラルネットワーク２２０−２２２のセットに提供される。

これらの人工ニューラルネットワークのそれぞれが所与のタイプの信号入力を処理するように適合されており、例えば、１つの人工ニューラルネットワークは指紋データを搬送している信号を処理するように適合され、一つの別の人工ニューラルネットワークはリクエストユーザの虹彩画像を搬送している信号を処理するように適合される。

動作可能なローカル機械学習エンジンＬＭＬＥ、人工ニューラルネットワークＡＮＮ１，ｉは、刺激入力信号によって訓練される。一例によれば、これらの刺激入力信号は、本明細書において最初の学習フェーズと呼ばれる学習フェーズの間、正当なユーザによって提供される。

一旦訓練されると、ローカル機械学習エンジンＬＭＬＥの所与の人工ニューラルネットワークは、所与のタイプの入力信号が認証目的のための、正当なユーザによって提供されている尤度２７０−２７２を推定することが可能である。異なるタイプの複数の入力信号がリクエストユーザによって提供されて、人工ニューラルネットワークによって処理されるので、通信装置２００において実装されるリスクエンジン２６０は、入力信号ごとに決定される尤度結果２７０−２７２を統合して、認証が成功したかまたは失敗したかどうか決めることが可能である。

成功認証の場合、リスクエンジンはまた、必要なとき、認証の効率を改善するために、とくに、所与のＡＮＮ１，ｉニューラルネットワークの効率を改善するために、追加の学習フェーズをセットアップするように構成される。したがって、この改良された認証メカニズムによれば、ローカル機械学習エンジンＬＭＬＥは、最初の学習フェーズに加えて、１回または数回訓練されることができる。最初の学習フェーズは、例えば、正当なユーザを登録する時に、すなわち、通信装置に正当なユーザのアクセスをセットアップする時に適用される。そして、１つまたはいくつかの追加の学習フェーズは、認証の効率を改善するために、後でトリガされることができる。

一実施形態によれば、最初の学習フェーズのための、認証システムのユーザによって与えられる刺激は、サーバ機械学習エンジンＳＭＬＥに、または、サーバ機械学習エンジンＳＭＬＥからアクセス可能なデータベースに送信される。それらは、追加の学習フェーズをセットアップするために、後ほど使われることができる。

リクエストユーザが正当なユーザとして識別されると、それがどれだけ良好に成功したのかも検証される。その目的のために、リクエストユーザの認証の間に決定された尤度結果２７０−２７２に基づく基準を定めることができる。それが満たされる場合、認証目的のための、リクエストユーザによって提供された入力信号の１つまたはいくつかは、リモートサーバ２１０のサーバ機械学習エンジンＳＭＬＥ２１１に送信される２４０。サーバ機械学習エンジンＳＭＬＥ２１１は、ｋ∈［０、Ｋ−１］、Ｋ≧Ｎを用いてＡＮＮ２，ｋで示されるＫ個の人工ニューラルネットワーク２３０−２３２のセットを備える。これらの人工ニューラルネットワークのそれぞれは、特定のタイプの入力信号によって訓練されるが、通信装置２００に実装される人工ニューラルネットワークＡＮＮ１，ｉとの１つの重要な違いは、それが認証システムの複数のユーザに関係する知識を有していることである。

Ｋ個の人工ニューラルネットワーク２３０−２３２であるＡＮＮ２，ｋ、ｋ∈［０、Ｋ−１］は、認証システムの通信装置にアクセスができる正当なユーザにより提供される、異なるタイプの入力信号を使用して訓練される。

一実施形態によれば、サーバ機械学習エンジンＳＭＬＥを訓練するために用いられる入力信号は、ローカル機械学習エンジンＬＭＬＥを訓練するために用いられるものと同じである。正当なユーザが、その通信装置に対する、および／またはその通信装置により提供される１つまたはいくつかのサービスに対するそのアクセスを構成するときに、ユーザはその装置のローカル機械学習エンジンＬＭＬＥによって適用される最初の学習フェーズのために入力信号を提供するよう要求される。一実施形態によれば、これらの入力信号は、サーバ機械学習エンジンＳＭＬＥを訓練するために用いられるリモートサーバ２１０に送信される。その場合、認証システムで動作可能な通信装置のあらゆる正当なユーザは、サーバ機械学習エンジンＳＭＬＥを訓練するために異なるタイプの複数の入力信号を提供する。

一旦リクエストユーザが正当であると認証されると、それから、追加の学習フェーズを走らせるべきか否かが決められる。一例によれば、この決定は、リクエストユーザを認証するときに人工ニューラルネットワーク２２０−２２２によって取得された尤度結果を考慮して、リスクエンジン２６０によって行うことができる。

追加の学習フェーズを走らせることが決められると、正当であると認証されたリクエストユーザによって提供され、関連付けられた尤度が識別閾値より例えば低い入力信号Ｓ＿１のうちの少なくとも１つが、サーバ機械学習エンジンＳＭＬＥによって処理されるためにリモートサーバ２１０に送信される２４０。Ｓ＿１のタイプの入力信号を処理するように適合されたサーバ機械学習エンジンＳＭＬＥの人工ニューラルネットワークは、リモートサーバ２１０によって知られている、入力信号Ｓ＿１と最良にマッチする、通信装置２００によって正当であると認証されたリクエストユーザと異なる、少なくとも１人のユーザを識別するように構成されている。結局、この識別されたユーザは、最も近い候補として指定される。

例えば、サーバ機械学習エンジンＳＭＬＥは、リクエストユーザと異なり、認証システムによって知られているユーザごとに、彼らがＳ＿１と類似の入力信号を提供し得る尤度の推定を提供するように構成されている。最も近い候補のうちの少なくとも１つがリモートサーバによって識別されると、前記最も近い候補の少なくとも１つに関連付けられた入力信号Ｓ＿２が提供され、通信装置２００に送信される２５０。

入力信号Ｓ＿２は、例えば、サーバ機械学習エンジンＳＭＬＥによって、または、サーバ機械学習エンジンＳＭＬＥからアクセス可能なデータベースに記憶される。一実施形態によれば、入力信号、例えば記憶されるかまたはＳＭＬＥによってアクセス可能であるＳ＿２は、最初の学習フェーズの間、認証システムのユーザによって提供される。

それから、この入力信号Ｓ＿２が、追加の学習フェーズの間、ローカル機械学習エンジンＬＭＬＥによって訓練刺激として使われる。ローカル機械学習エンジンは、受信された入力信号Ｓ＿２が、通信装置２００によって認証された正当なユーザに関連付けられた信号でないことを暗黙に、または、明示的に通知される。この追加の学習フェーズの実行後に、認証手続きは、より効率的となる。

図３は、分散型機械学習エンジンを用いてユーザを認証する方法を実施するフローチャートの一例である。

前に例示されたように、通信装置はローカル機械学習エンジンＬＭＬＥを埋め込む。ローカル機械学習エンジンは、認証目的のための、リクエストユーザにより提供される入力信号を処理するように構成されるＭ個の人工ニューラルネットワークのセットを備える。

これらのＭ個の人工ニューラルネットワークは、サーバに遠隔で実装される第２の機械学習エンジンＳＭＬＥにより提供される入力信号を使用して、１つまたはいくつかの追加のトレーニングフェーズの間、改善されることができる。

リクエストユーザを認証することが必要であるときに、Ｎ個の入力信号が使われる。これらの信号は、通信装置に組み入れられた１つまたはいくつかのセンサまたはインタフェースのおかげでリクエストユーザによって提供される３００、Ｎ個の刺激に対応する。これらの刺激は、通信装置とデータを交換する別の装置によって提供されることもできる。一例によれば、３つの入力信号がローカル機械学習エンジンに提供される：
− 通信装置のマイクロホンによってキャプチャされる音声信号。
− 例えば通信装置とデータ交換ができ、ユーザ周辺に取り付けられたビデオカメラによってキャプチャされる、ユーザの歩行を表す歩行信号。
− 通信装置に組み入れられた指紋センサによってキャプチャされる指紋信号。

当業者は、このリストが制限的でなく、また、入力信号の他のタイプまたは組合せも考えられると認めるだろう。バイオメトリックデータを搬送する入力信号は特に役立つが、他のタイプのデータも都合よく使われることができる。例えば、ワイヤレスネットワークアクセスポイント識別子または名称などの環境信号、位置測位、ユーザからの、または、装置からの挙動に関する情報、熱消散信号または雑音信号などの他の装置の静的または動的特性がある。

入力信号の組合せは、これらの信号を生成するための、通信装置能力、および、データ可用性に依存する。例えば、歩行分析のためには十分な期間の入力信号が必要である。正確な歩行分析のために十分に長い入力信号を提供するために、利用できるデータが十分である場合、それは考慮されない。

要約すると、ローカル機械学習エンジンＬＭＬＥは、認証目的のために、Ｍ個の入力信号まで処理するように適合されている。しかしながら、いくつかの入力信号がリクエストユーザを認証する時に利用可能でない場合があるので、Ｎ≦Ｍ個の入力信号が実際には使われてもよい。

ローカル機械学習エンジンＬＭＬＥは、Ｍ個の人工ニューラルネットワークから成る。Ｍ個の人工ニューラルネットワークのそれぞれは、所与のタイプの入力信号が通信装置の正当なユーザに対応しそうかどうか検出するように適合されている。これらのＭ個の人工ニューラルネットワークは、ｋ∈［０、Ｍ−１］を用いてＡＮＮ１，ｋと示され、正当なユーザを認識するために訓練される。

Ｍ個の人工ニューラルネットワークのそれぞれの学習フェーズは、本明細書に記載されておらず、従来の方法を用いて実装され得る。

リクエストユーザを正当であると認証する時に、異なるタイプのＮ個の入力信号が、提供され３００、ｉ∈［０、Ｎ−１］を用いてＳ＿１（ｉ）で示される。

ｉ番目の入力信号のそれぞれは、それが正当なユーザにより提供された尤度の推定を取得するために、その対応する人工ニューラルネットワークによって処理される３０１：
ＬＨ（ｉ）＝ＡＮＮ１，ｉ（Ｓ＿１（ｉ））、ここでｉ∈［０、Ｎ−１］

尤度ＬＨ（ｉ）は、Ｓ＿１（ｉ）が入力信号として使われるときに、ＡＮＮ１，ｉにより提供される出力データに対応する。

この段階で、おそらくローカル機械学習エンジンＬＭＬＥに実装されているリスクエンジンは、リクエストユーザを正当なものとして認証する３０２ことが可能である。いくつかの代替が、この目的のため使われることができる。

例えば、累積的な尤度：

が、使われることができる。

その後、累積的な尤度Ｃ_ＬＨは認証閾値Ｔ_ＡＵＴＨと比較することができる。Ｃ_ＬＨがＴ_ＡＵＴＨより大きい場合、リクエストユーザは、正当であると認証される。Ｃ_ＬＨがＴ_ＡＵＴＨ以下またはＴ_ＡＵＴＨと等しい場合、認証は失敗する。

他の代替も、リクエストユーザを認証するために考えられる。例えば、Ｎ個の尤度ＬＨ（ｉ）のそれぞれは、それに関連付けられた特定の閾値Ｔ_{ＡＵＴＨ＿Ｓ，ｉ}と比較されることができて、閾値は対応する入力信号によって搬送される刺激のタイプに依存する。Ｎ個の人工ニューラルネットワークによって提供されるＮ個の尤度ＬＨ（ｉ）のうち少なくともＰ個が、それらの対応する閾値Ｔ_{ＡＵＴＨ＿Ｓ，ｉ}、ｉ∈［０，Ｎ−１］より大きいときに、リクエストユーザは認証されているとみなされ得る。それらの対応する閾値Ｔ_{ＡＵＴＨ＿Ｓ，ｉ}より大きい尤度ＬＨ（ｉ）が、Ｐ個より少ない場合、リクエストユーザの認証は失敗する。

ローカル機械学習エンジンＬＭＬＥにより提供される認証プロセスに加えて、特に失敗した認証の場合、追加の認証メカニズムが実施され得る。

例えば、パスワードおよびユーザ名を用いた追加の認証メカニズムがセットアップされ得る。あるいは、この第２の認証メカニズムは、指紋およびパスワードの組合せに基づくことができる。当業者は、他の良く知られている方法が、この追加の認証を実施するために用いられることができると認めるだろう。

リクエストユーザが正当であると認証されない場合、ユーザは通信装置および／または要求されたサービスにアクセスすることが許されない。

３０３で、リクエストユーザが正当であると認証されると、ローカル機械学習エンジンＬＭＬＥは、サーバ機械学習エンジンＳＭＬＥのおかげでセットアップされる追加の学習フェーズによって改善されることができる。

この目的のため、Ｎ個の尤度ＬＨ（ｉ）は、Ｎ個の閾値Ｔ_Ｃ，ｉと比較される３０４。各閾値Ｔ_Ｃ，ｉは、その対応する人工ニューラルネットワークＡＮＮ１，ｉおよびそれが処理することになっている入力信号のタイプに適合している。一実施形態によれば、Ｔ_Ｃ，ｉは、認証のために使われる閾値Ｔ_{ＡＵＴＨ＿Ｓ，ｉ}と同一であり得る：
Ｔ_Ｃ，ｉ＝Ｔ_{ＡＵＴＨ＿Ｓ，ｉ}

Ｎ個の尤度ＬＨ（ｉ）とＮ個の対応する閾値Ｔ_Ｃ，ｉの間の比較に基づいて、ＬＨ（ｊ）＜Ｔ_Ｃ，ｊである少なくとも１つのｊがあるかどうかが検証される３０４。これは、サーバ機械学習エンジンＳＭＬＥのサポートおよび、ローカル機械学習エンジンＬＭＬＥによる追加の学習フェーズの実行を要求する条件である。

別の例によれば、サーバ機械学習エンジンＳＭＬＥのサポートは、（ｊ）＜Ｔ_Ｃ，ｊ、Ｋ＞１である少なくともＫ個のｊがあると検出される３０４場合、要求される。

この条件が満たされる場合、閾値Ｔ_Ｃ，ｊに達していない少なくとも１つの入力信号Ｓ＿１（ｊ）は、サーバ機械学習エンジンＳＭＬＥに送信される３０５。一実施形態によれば、入力信号Ｓ＿１（ｊ）は、正当なユーザの識別子と共に送信される。それは例えば、その名称、その電話番号、電子メールアドレスまたは、ＳＭＬＥが入力信号Ｓ＿１（ｊ）を送信しているユーザを識別することができる他のいかなるタイプの識別子でもあることができる。

サーバ機械学習エンジンＳＭＬＥは、ｋ∈［０、Ｍ−１］を用いてＡＮＮ２，ｋで示されるＭ個の人工ニューラルネットワークのセットを備える。各人工ニューラルネットワークＡＮＮ２，ｋは、認証システムのすべてのユーザにより提供される入力データによって訓練される。

ＡＮＮ２，ｋで示されるＭ個の人工ニューラルネットワークのそれぞれは、正当であると認証されたリクエストユーザＵ＿Ａにより用いられる通信装置から受信される入力信号を処理して、その結果、Ｕ＿Ａとは異なっており、送信された入力信号が最良にマッチしている結果を提供する候補ユーザＵ＿Ｃを識別する３０６ように適合されている。別の言い方をすれば、Ｓ＿１（ｊ）はＡＮＮ２，ｋによる入力信号として使用され、それはユーザＵ＿Ｃの識別を可能とする入力信号の１つである。次に、サーバ機械学習エンジンＳＭＬＥにより提供され、ユーザＵ＿Ｃに対応する入力信号Ｓ＿２（ｊ）が、信号データベースから取得されて、提供されて３０７、通信装置に送信される３０８。この信号データベースは、サーバ機械学習エンジンＳＭＬＥを実装しているリモートサーバ２１０で維持されるか、または、代わりに、リモートサーバ２１０によるアクセスが可能な別のサーバで維持される。

Ｓ２（ｊ）は、ユーザＵ＿ＡがユーザＵ＿Ｃを識別することを可能にするいかなる識別情報もなしに通信装置に送信される３０８。これは、認証システムユーザのプライバシーを都合よく保護する。Ｓ＿２（ｊ）は次いで、ローカル機械学習エンジンＬＭＬＥによって、ＡＮＮ１，ｊを訓練するためにＵ＿Ａを識別していない学習信号として使用されて３０９、入力信号Ｓ＿１（ｊ）を提供している正当なユーザを他のユーザとより良く区別する。

Claims (13)

1. 認証システムに属する通信装置によって行われるユーザ認証効率を改善する方法であって、通信装置（２００）は、Ｎ個の異なるタイプの入力信号を処理するように適合された、Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉのセット（２２０−２２２）を備えるローカル機械学習エンジン（ＬＭＬＥ、２０１）を具備し、方法は、以下のステップ、
   認証目的のためにリクエストユーザにより提供される、異なるタイプのＮ個の入力信号Ｓ＿１（ｉ）の第１のセットを受信すること（３００）、
   Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉによって、Ｎ個の入力信号Ｓ＿１（ｉ）のそれぞれに対して、所与の入力信号が、通信装置により提供される少なくともサービスにアクセスすることができる正当なユーザによって提供された尤度のＮ個の推定ＬＨ（ｉ）をそれぞれ決定すること（３０１）、
   Ｎ個の推定ＬＨ（ｉ）を用いて確立されるリスクスコアリングに基づいて、リクエストユーザが正当なユーザとして認証されるかどうかを決定すること（３０２）、
   リクエストユーザが認証された場合（３０３）、所与の入力信号Ｓ＿１（ｊ）に対して決定された少なくとも１つの尤度推定が所定の閾値Ｔ_Ｃ，ｉ未満であるかどうかを決定すること（３０４）、および、そうである場合は、
   サーバ機械学習エンジン（ＳＭＬＥ、２１１）を実装するリモートサーバ（２１０）に、入力信号Ｓ＿１（ｊ）を送信し（３０５）、サーバ機械学習エンジン（ＳＭＬＥ、２１１）は、前記Ｎ個の異なるタイプの入力信号を処理するように適合され、かつ、最も近い候補と呼ばれ、リクエストユーザとは異なり、送信された入力信号Ｓ＿１（ｊ）が最良にマッチしている結果を提供するユーザＵ＿Ｃを識別するように訓練されており、リモートサーバが次に、最も近い候補Ｕ＿Ｃに関連付けられており、Ｓ＿１（ｊ）と同じタイプの入力信号Ｓ＿２（ｊ）を提供すること、
   最も近い候補Ｕ＿Ｃに関連付けられた入力信号Ｓ＿２（ｊ）を受信し、ローカル機械学習エンジン（ＬＭＬＥ、２０１）によって、リクエストユーザに関連付けられない入力信号として入力信号Ｓ＿２（ｊ）を用いて追加の学習フェーズ（３０９）を実行すること（３０９）
   を含む、方法。
2. Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉが、追加の学習フェーズの前に適用される最初の学習フェーズの間に、正当なユーザにより提供される入力信号の第２のセットを用いて、通信装置に正当なユーザのアクセスをセットアップする時に訓練される、請求項１に記載の方法。
3. サーバ機械学習エンジン（ＳＭＬＥ、２１１）を訓練するために、最初の学習フェーズの後に適用される、サーバ機械学習エンジン（ＳＭＬＥ、２１１）に入力信号の第２のセットを送信するステップを含む、請求項２に記載の方法。
4. 入力信号の第２のセットが、認証システムの異なるユーザにより提供される入力信号の他のセットも格納されるデータベースに格納され、入力信号のこれらのセットが、認証システムに属する複数の通信装置の追加の学習フェーズをセットアップするために用いられる、請求項３に記載の方法。
5. Ｎ個の入力信号Ｓ＿１（ｉ）のうちの少なくとも１つが、通信装置のマイクロホンによってキャプチャされる音声信号である、請求項１から４のいずれか一項に記載の方法。
6. Ｎ個の入力信号Ｓ＿１（ｉ）のうちの少なくとも１つが、ユーザの歩行を表す歩行信号である、請求項１から５のいずれか一項に記載の方法。
7. 歩行信号が、通信装置とデータを交換することができ、ユーザ周辺に取り付けられたビデオカメラによってキャプチャされる、請求項６に記載の方法。
8. Ｎ個の入力信号Ｓ＿１（ｉ）のうちの少なくとも１つが、通信装置に組み入れられた指紋センサによってキャプチャされる指紋信号である、請求項１から７のいずれか一項に記載の方法。
9. Ｎ個の入力信号Ｓ＿１（ｉ）のうちの少なくとも１つが、ワイヤレスネットワークアクセスポイント識別子などの環境信号である、請求項１から８のいずれか一項に記載の方法。
10. 入力信号Ｓ２（ｊ）が、入力信号Ｓ２（ｊ）が関連付けられたユーザの識別を可能にするいかなる識別情報もなしに通信装置によって受信される（３０８）、請求項１から９のいずれか一項に記載の方法。
11. 認証システムに属する通信装置（２００）であって、通信装置（２００）は、Ｎ個の異なるタイプの入力信号を処理するように適合された、Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉのセット（２２０−２２２）を備えるローカル機械学習エンジン（ＬＭＬＥ、２０１）を具備し、通信装置は、
    認証目的のためにリクエストユーザにより提供される、異なるタイプのＮ個の入力信号Ｓ＿１（ｉ）の第１のセットを受信し（３００）、
    Ｎ個の人工ニューラルネットワークＡＮＮ１，ｉによって、Ｎ個の入力信号Ｓ＿１（ｉ）のそれぞれに対して、所与の入力信号が、通信装置により提供される少なくともサービスにアクセスすることができる正当なユーザによって提供された尤度のＮ個の推定ＬＨ（ｉ）をそれぞれ決定し（３０１）、
    Ｎ個の推定ＬＨ（ｉ）を用いて確立されるリスクスコアリングに基づいて、リクエストユーザが正当なユーザとして認証されるかどうかを決定し（３０２）、
    リクエストユーザが認証された場合（３０３）、所与の入力信号Ｓ＿１（ｊ）に対して決定された少なくとも１つの尤度推定が所定の閾値Ｔ_Ｃ，ｉ未満であるかどうかを決定し（３０４）、および、そうである場合は、
    前記Ｎ個の異なるタイプの入力信号を処理するように適合され、認証システムの複数のユーザによって提供される入力信号を区別するように訓練されているサーバ機械学習エンジン（ＳＭＬＥ、２１１）を実装するリモートサーバ（２１０）に入力信号Ｓ＿１（ｊ）を送信し（３０５）、リクエストユーザとは異なっており、送信された入力信号Ｓ＿１（ｊ）が最良にマッチしている結果を提供する候補ユーザＵ＿Ｃが識別され（３０６）、候補ユーザＵ＿Ｃに関連付けられており、Ｓ＿１（ｊ）と同じタイプの対応する入力信号Ｓ＿２（ｊ）が提供され（３０７）、
    候補ユーザＵ＿Ｃに関連付けられた入力信号Ｓ＿２（ｊ）を受信し、ローカル機械学習エンジン（ＬＭＬＥ、２０１）によって、リクエストユーザに関連付けられない入力信号として入力信号Ｓ＿２（ｊ）を用いて追加の学習フェーズ（３０９）を実行する（３０９）
    ように構成されている、通信装置。
12. 請求項１から１０のいずれか一項に記載の方法のステップを実行するための手段を備える、通信装置（２００）およびリモートサーバ（２１０）を備える、認証システム。
13. 命令を含むコンピュータプログラム製品であって、命令は、プログラムがコンピュータによって実行されると、コンピュータに、請求項１から１０のいずれか一項に記載の方法のステップを実行させる、コンピュータプログラム製品。

Images