基于CNN的身份验证方法、用户设备、存储介质及装置制造方法及图纸

本发明专利技术公开了基于CNN的身份验证方法、用户设备、存储介质及装置。本发明专利技术中中，通过采集生物行为数据，对收集的所述生物行为数据进行预处理得到训练样本，基于所述训练样本对预设卷积神经网络模型进行训练，从而构建得到人机区分模型，再利用人机区分模型对用户的当前生物行为数据与根据人机区分模型进行验证，根据判断结果输出验证结果。本发明专利技术技术方案中通过预设卷积神经网络模型得到的人机区分模型对用户行为进行验证，无需复杂的验证步骤及操作，极大的提高了验证速度。

Authentication method, user equipment, storage medium and device based on CNN

【技术实现步骤摘要】
基于CNN的身份验证方法、用户设备、存储介质及装置
本专利技术涉及互联网领域，尤其涉及基于CNN的身份验证方法、用户设备、存储介质及装置。
技术介绍
验证码是一种反图灵测试，用作人机区分，阻挡机器交互请求。传统验证码为字符类型，通过对图片中的字符进行变形、扭曲、增加干扰，对抗机器识别。随着技术不断发展，使用OCR(OpticalCharacterRecognition，光学字符识别)、机器学习等手段对传统验证码的识别成功率高达99％，为了对抗自动图像识别，传统验证码不得不变得越来越复杂，用户在进行验证时需要耗费时间长且验证操作复杂，身份验证效率低下。所以，当前在网页登录验证时存在验证效率低的技术问题。上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
本专利技术的主要目的在于提供基于CNN的身份验证方法、用户设备、存储介质及装置，旨在解决现有技术中在网页登录验证时存在验证效率低的技术问题。为实现上述目的，本专利技术提供一种基于CNN的身份验证方法，所述基于CNN的身份验证方法包括以下步骤：采集生物行为数据；对收集的所述生物行为数据进行预处理得到训练样本；基于所述训练样本对预设卷积神经网络模型进行训练得到人机区分模型；将用户的当前生物行为数据与根据人机区分模型进行验证，得到行为相似值；根据行为相似值和预设验证阈值判断所述用户行为是否正常；根据判断结果输出验证结果。优选地，所述采集生物行为数据，包括：通过埋点获取用户的鼠标活动数据；从所述鼠标活动数据中提取特征样本集，将所述特征样本集作为生物行为数据。优选地，所述对收集的所述生物行为数据进行预处理得到训练样本，包括：从所述特征样本集中提取预设维度的鼠标行为特征向量，将所述预设维度的特征向量作为训练样本。优选地，所述预设维度包括频率分部、静止事件占空比、移动时间频率、单击时间间隔、双击时间间隔及平均移动速度。优选地，所述基于所述训练样本对预设卷积神经网络模型进行训练得到人机区分模型方法包括：设定代价函数；将所述训练样本输入至预设卷积神经网络模型；通过调整所述代价函数对所述卷积神经网络模型进行训练得到人机区分模型。优选地，所述卷积神经网络模型的池化层采用最大池化层，连接偏置初始化为零，权重初始化采用高斯函数进行初始化。优选地，其特征在于，所述根据行为相似值和预设验证阈值判断所述用户行为是否正常：当行为相似值小于预设验证阈值时，判断所述用户行为不正常；当行为相似值大于预设验证阈值时，判断所述用户行为正常。为实现上述目的，本专利技术还提出一种用户设备，所述用户设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行基于CNN的身份验证程序，所述基于CNN的身份验证程序被所述处理器执行时实现如上所述的基于CNN的身份验证方法的步骤。为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有基于CNN的身份验证程序，所述基于CNN的身份验证程序被处理器执行时实现如上所述的基于CNN的身份验证方法的步骤。为实现上述目的，本专利技术还提出一种基于CNN的身份验证装置，所述基于CNN的身份验证装置包括：采集模块，用于采集生物行为数据；数据处理模块，用于对收集的所述生物行为数据进行预处理得到训练样本；训练模块，用于基于所述训练样本对预设卷积神经网络模型进行训练得到人机区分模型；验证模块，用于将用户的当前生物行为数据与根据人机区分模型进行验证，得到行为相似值；判断模块，用于根据行为相似值和预设验证阈值判断所述用户行为是否正常；输出模块，用于根据判断结果输出验证结果。本专利技术技术方案中，通过采集生物行为数据，对收集的所述生物行为数据进行预处理得到训练样本，基于所述训练样本对预设卷积神经网络模型进行训练，从而构建得到人机区分模型，再利用人机区分模型对用户的当前生物行为数据与根据人机区分模型进行验证，根据判断结果输出验证结果。本专利技术技术方案中通过预设卷积神经网络模型得到的人机区分模型对用户行为进行验证，无需复杂的验证步骤及操作，极大的提高了验证速度。附图说明图1是本专利技术实施例方案涉及的硬件运行环境的用户设备结构示意图；图2为本专利技术基于CNN的身份验证方法第一实施例的流程示意图；图3为图1中步骤S10的细化流程图；图4为图1中步骤S30的细化流程图；图5为本专利技术基于CNN的身份验证装置第一实施例的功能模块图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，该用户设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的用户设备结构并不构成对用户设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及终端的语言检测程序。在图1所示的用户设备中，网络接口1004主要用于连接外网，与其他网络设备进行数据通信；用户接口1003主要用于连接用户终端，与终端进行数据通信；本专利技术用户设备通过处理器1001调用存储器1005中存储的楼盘推荐程序，并执行本专利技术实施例提供的终端的语言检测方法。所述用户设备可为个人电脑或智能手机等电子设备。在图1所示的用户设备中，网络接口1004主要用于连终端，与终端进行数据通信；而处理器1001可以用于调用存储器1003中存储的基于CNN的身份验证程序，并执行以下操作：采集生物行为数据；对收集的所述生物行为数据进行预处理得到训练样本；基于所述训练样本对预设卷积神经网络模型进行训练得到人机区分模型；将用户的当前生物行为数据与根据人机区分模型进行验证，得到行为相似值；根据行为相似值和预设验证阈值判断所述用户行为是否正常；根据判断结果输出验证结果。优选地，所述采集生物行为数据，包括：通过埋点获取用户的鼠标活动数据；从所述鼠标活动数据中提取特征样本集，将所述特征样本文档来自技高网...

【技术保护点】
1.一种基于CNN的身份验证方法，其特征在于，所述基于CNN的身份验证方法包括以下步骤：/n采集生物行为数据；/n对收集的所述生物行为数据进行预处理得到训练样本；/n基于所述训练样本对预设卷积神经网络模型进行训练得到人机区分模型；/n将用户的当前生物行为数据与根据人机区分模型进行验证，得到行为相似值；/n根据行为相似值和预设验证阈值判断所述用户行为是否正常；/n根据判断结果输出验证结果。/n

【技术特征摘要】
1.一种基于CNN的身份验证方法，其特征在于，所述基于CNN的身份验证方法包括以下步骤：
采集生物行为数据；
对收集的所述生物行为数据进行预处理得到训练样本；
基于所述训练样本对预设卷积神经网络模型进行训练得到人机区分模型；
将用户的当前生物行为数据与根据人机区分模型进行验证，得到行为相似值；
根据行为相似值和预设验证阈值判断所述用户行为是否正常；
根据判断结果输出验证结果。


2.如权利要求1所述的基于CNN的身份验证方法，其特征在于，所述采集生物行为数据，包括：
通过埋点获取用户的鼠标活动数据；
从所述鼠标活动数据中提取特征样本集，将所述特征样本集作为生物行为数据。


3.如权利要求2所述的基于CNN的身份验证方法，其特征在于，所述对收集的所述生物行为数据进行预处理得到训练样本，包括：
从所述特征样本集中提取预设维度的鼠标行为特征向量，将所述预设维度的特征向量作为训练样本。


4.如权利要求3所述的基于CNN的身份验证方法，其特征在于，所述预设维度包括频率分部、静止事件占空比、移动时间频率、单击时间间隔、双击时间间隔及平均移动速度。


5.如权利要求1所述的基于CNN的身份验证方法，其特征在于，所述基于所述训练样本对预设卷积神经网络模型进行训练得到人机区分模型方法包括：
设定代价函数；
将所述训练样本输入至预设卷积神经网络模型；
通过调整所述代价函数对所述卷积神经网络模型进行训练得到人机区分模型。


6.如权利要求1所述...

【专利技术属性】
技术研发人员：陈国庆，汪智勇，陈晨，
申请(专利权)人：武汉极意网络科技有限公司，
类型：发明
国别省市：湖北;42