一种验证方法及装置制造方法及图纸

本申请实施例提供一种验证方法及装置，该方法包括：获取用户验证数据，所述用户验证数据为经用户行为产生的验证数据；根据所述用户验证数据，通过机器模拟生成机器验证数据；所述机器验证数据用于表征经机器行为产生的验证数据；将所述用户验证数据作为正样本，所述机器验证数据作为负样本，经机器学习生成用户验证行为模型；所述用户验证行为模型用于判断验证请求为用户行为还是机器行为。

【技术实现步骤摘要】
一种验证方法及装置
本申请涉及网页开发
，尤其涉及一种验证方法及装置。
技术介绍
目前，在网络浏览器界面中为了增加网络信息的安全性，例如：防止恶意破解密码、刷票、论坛灌水、或对特定注册用户使用特定程序暴力破解方式进行不断的登陆尝试的行为，一般会使用验证信息进行验证。在用户输入用户名及静态密码后，网络侧会发送一个随机的验证信息至客户端，用户通过肉眼识别此验证信息的内容，并输入到客户端的输入框中，提交到网站进行验证，在验证成功后用户便可以通过客户端进行正常的后续操作。目前，浏览器对于用户的访问请求所采用的验证信息包括以下几种：1、数字和字母形式的验证信息：此验证信息可能全部是字母，也可能全部是数字，也可能是字母和数字的结合，例如随机生成的4位字符串，这种验证信息很容易被验证信息的识别程序破解，不能防止恶意提交行为。2、汉字形式的验证信息：此验证信息是随机生成的至少一个汉字，这种验证信息也可以被验证信息的识别程序破解，并且用户在输入汉字时需要切换输入法，比较麻烦，不利于用户体验。3、图片形式的验证信息：此验证信息是将随机的数字和字母生成BMP格式或JPG格式的图片，其中，数字和字母在图片中的颜色和位置可变，这种验证信息也可以被验证信息的识别程序破解。或者，将生成的验证信息图片中的数字和字母扭曲，这种验证信息不利于用户识别。上述现有方案生成的验证信息都可能被识别程序破解，不能正确过滤机器，达到对页面进行安全认证的目的，尤其是不能避免对页面恶意提交的行为，造成了网络安全隐患。
技术实现思路
本申请实施例提供了一种验证方法及装置，用以增强安全认证的可靠性。本申请实施例提供一种验证方法，包括：获取用户验证数据，所述用户验证数据为经用户行为产生的验证数据；根据所述用户验证数据，通过机器模拟生成机器验证数据；所述机器验证数据用于表征经机器行为产生的验证数据；将所述用户验证数据作为正样本，所述机器验证数据作为负样本，经机器学习生成用户验证行为模型；所述用户验证行为模型用于判断验证请求为用户行为还是机器行为。一种可能的实现方式，所述根据所述用户验证数据，通过机器模拟生成机器验证数据，包括：将所述用户验证数据根据预设规则转换为第一图片；通过深度卷积生产对抗网络，对所述第一图片进行特征提取，并根据提取的特征生成第二图片；将所述第二图片根据所述预设规则转换为机器验证数据。一种可能的实现方式，所述将所述用户验证数据根据预设规则转换为第一图片，包括：若确定所述用户验证数据为3维数据，则将所述3维数据转换为所述第一图片的3维颜色数据；若确定所述用户验证数据为4维数据，则将所述4维数据转换所述第一图片的3维颜色数据和透明度数据。一种可能的实现方式，所述用户验证数据包括以下至少之一：用户鼠标移动数据，用户滑动轨迹数据，用户鼠标点击数据，用户光标变化数据，用户设备的传感器数据；所述用户验证数据包括位置数据和时间数据；所述用户鼠标点击数据还包括点击键数据，所述用户光标变化数据还包括光标变化触发类型数据；所述用户设备的传感器数据还包括压力传感数据或陀螺仪传感数据。一种可能的实现方式，所述将所述用户验证数据作为正样本，所述机器验证数据作为负样本，经机器学习生成用户验证行为模型，包括：根据所述用户验证数据，确定M个特征点；将所述M个特征点划分为N个特征集；从所述正样本和所述负样本中，确定训练样本和测试样本；通过集成机器学习模型和所述训练样本，训练所述N个特征集对应的N个模型；根据所述测试样本，确定所述N个模型的准确率；根据各模型的准确率，确定从各模型对应的特征集中选取的特征点的数量；根据选取的特征点更新所述N个特征集，并返回至训练所述N个特征集对应的N个模型的步骤；其中，选取的特征点的数量与准确率呈正向关系；若确定相邻两次训练的N个模型的准确率小于预设阈值，则将最后一次训练的N个模型作为所述用户验证行为模型；所述N为大于1的正整数。一种可能的实现方式，最后一次训练为第P次；根据各模型的准确率，确定从各模型对应的特征集中选取的特征点的数量，包括：针对第2至第P-1次中的每一次，执行：从当前N个模型和前一次N个模型中，选取准确率最高的N个模型；根据所述准确率最高的N个模型的准确率，确定从各模型对应的特征集中选取的特征点的数量；所述根据选取的特征点更新所述N个特征集，包括：将选取的特征点随机交叉，生成N个特征集。本申请实施例提供一种验证方法，包括：获取验证请求中的用户验证数据；将所述用户验证数据输入用户验证行为模型，确定所述验证请求为用户行为还是机器行为，所述用户验证行为模型为根据上述任一项所述的方法得到的。本申请实施例提供一种验证装置，包括：获取单元，用于获取用户验证数据，所述用户验证数据为经用户行为产生的验证数据；处理单元，用于根据所述用户验证数据，通过机器模拟生成机器验证数据；所述机器验证数据用于表征经机器行为产生的验证数据；将所述用户验证数据作为正样本，所述机器验证数据作为负样本，经机器学习生成用户验证行为模型；所述用户验证行为模型用于判断验证请求为用户行为还是机器行为。一种可能的实现方式，所述处理单元具体用于：将所述用户验证数据根据预设规则转换为第一图片；通过深度卷积生产对抗网络，对所述第一图片进行特征提取，并根据提取的特征生成第二图片；将所述第二图片根据所述预设规则转换为机器验证数据。一种可能的实现方式，所述处理单元具体用于：若确定所述用户验证数据为3维数据，则将所述3维数据转换为所述第一图片的3维颜色数据；若确定所述用户验证数据为4维数据，则将所述4维数据转换所述第一图片的3维颜色数据和透明度数据。一种可能的实现方式，所述用户验证数据包括以下至少之一：用户鼠标移动数据，用户滑动轨迹数据，用户鼠标点击数据，用户光标变化数据，用户设备的传感器数据；所述用户验证数据包括位置数据和时间数据；所述用户鼠标点击数据还包括点击键数据，所述用户光标变化数据还包括光标变化触发类型数据；所述用户设备的传感器数据还包括压力传感数据或陀螺仪传感数据。一种可能的实现方式，所述处理单元具体用于：根据所述用户验证数据，确定M个特征点；将所述M个特征点划分为N个特征集；从所述正样本和所述负样本中，确定训练样本和测试样本；通过集成机器学习模型和所述训练样本，训练所述N个特征集对应的N个模型；根据所述测试样本，确定所述N个模型的准确率；根据各模型的准确率，确定从各模型对应的特征集中选取的特征点的数量；根据选取的特征点更新所述N个特征集，并返回至训练所述N个特征集对应的N个模型的步骤；其中，选取的特征点的数量与准确率呈正向关系；若确定相邻两次训练的N个模型的准确率小于预设阈值，则将最后一次训练的N个模型作为所述用户验证行为模型；所述N为大于1的正整数。一种可能的实现方式，所述处理单元具体用于：最后一次训练为第P次；针对第2至第P-1次中的每一次，执行：从当前N个模型和前一次N个模型中，选取准确率最高的N个模型；根据所述准确率最高的N个模型的准确率，确定从各模型对应的特征集中选取的特征点的数量；将选取的特征点随机交叉，生成N个特征集。本申请实施例提供一种验证装置，包括：获取单元，用于获取验证请求中的用户验证数据；处理单元，用于将所述用户验证数据输入用户验证行为模型本文档来自技高网...

【技术保护点】
1.一种验证方法，其特征在于，包括：获取用户验证数据，所述用户验证数据为经用户行为产生的验证数据；根据所述用户验证数据，通过机器模拟生成机器验证数据；所述机器验证数据用于表征经机器行为产生的验证数据；将所述用户验证数据作为正样本，所述机器验证数据作为负样本，经机器学习生成用户验证行为模型；所述用户验证行为模型用于判断验证请求为用户行为还是机器行为。

【技术特征摘要】
1.一种验证方法，其特征在于，包括：获取用户验证数据，所述用户验证数据为经用户行为产生的验证数据；根据所述用户验证数据，通过机器模拟生成机器验证数据；所述机器验证数据用于表征经机器行为产生的验证数据；将所述用户验证数据作为正样本，所述机器验证数据作为负样本，经机器学习生成用户验证行为模型；所述用户验证行为模型用于判断验证请求为用户行为还是机器行为。2.如权利要求1所述的方法，其特征在于，所述根据所述用户验证数据，通过机器模拟生成机器验证数据，包括：将所述用户验证数据根据预设规则转换为第一图片；通过深度卷积生产对抗网络，对所述第一图片进行特征提取，并根据提取的特征生成第二图片；将所述第二图片根据所述预设规则转换为机器验证数据。3.如权利要求2所述的方法，其特征在于，所述将所述用户验证数据根据预设规则转换为第一图片，包括：若确定所述用户验证数据为3维数据，则将所述3维数据转换为所述第一图片的3维颜色数据；若确定所述用户验证数据为4维数据，则将所述4维数据转换所述第一图片的3维颜色数据和透明度数据。4.如权利要求3所述的方法，其特征在于，所述用户验证数据包括以下至少之一：用户鼠标移动数据，用户滑动轨迹数据，用户鼠标点击数据，用户光标变化数据，用户设备的传感器数据；所述用户验证数据包括位置数据和时间数据；所述用户鼠标点击数据还包括点击键数据，所述用户光标变化数据还包括光标变化触发类型数据；所述用户设备的传感器数据还包括压力传感数据或陀螺仪传感数据。5.如权利要求1所述的方法，其特征在于，所述将所述用户验证数据作为正样本，所述机器验证数据作为负样本，经机器学习生成用户验证行为模型，包括：根据所述用户验证数据，确定M个特征点；将所述M个特征点划分为N个特征集；从所述正样本和所述负样本中，确定训练样本和测试样本；通过集成机器学习模型和所述训练样本，训练所述N个特征集对应的N个模型；根据所述测试样本，确定所述N个模型的准确率；根据各模型的准确率，确定从各模型对应的特征集中选取的特征点的数量；根据选取的特征点更新所述N个特征集，并返回至训练所述N个特征集对应的N个模型的步骤；其中，选取的特征点的数量与准确率呈正向关系；若确定相邻两次训练的N个模型的准确率小于预设阈值，则将最后一次训练的N个模型作为所述用户验证行为模型；所述N为大于1的正整数。6.如权利要求4所述的方法，其特征在于，最后一次训练为第P次；根据各模型的准确率，确定从各模型对应的特征集中选取的特征点的数量，包括：针对第2至第P-1次中的每一次，执行：从当前N个模型和前一次N个模型中，选取准确率最高的N个模型；根据所述准确率最高的N个模型的准确率，确定从各模型对应的特征集中选取的特征点的数量；所述根据选取的特征点更新所述N个特征集，包括：将选取的特征点随机交叉，生成N个特征集。7.一种验证方法，其特征在于，包括：获取验证请求中的用户验证数据；将所述用户验证数据输入用户验证行为模型，确定所述验证请...

【专利技术属性】
技术研发人员：吕伟，孙黎明，唐旭东，陈卓，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：上海,31