人机识别方法及装置、电子设备、存储介质制造方法及图纸

本公开是关于一种人机识别方法及装置、电子设备、存储介质，涉及机器学习技术领域，该方法包括：通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；对所述待识别数据进行采样，以生成样本数据；将所述样本数据输入识别模型，以获取识别概率；通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。本公开可以提高识别的准确率，以进行有效反欺诈。

Man-machine identification method and device, electronic equipment and storage medium

【技术实现步骤摘要】
人机识别方法及装置、电子设备、存储介质
本公开涉及机器学习
，具体而言，涉及一种人机识别方法、人机识别装置、电子设备以及计算机可读存储介质。
技术介绍
随着互联网技术的快速发展，各种欺诈行为频频发生，虽然网站一般有反欺诈或反作弊机制，但是黑色产业仍能够躲避这些机制，进行各种欺诈行为。为了解决上述问题，相关技术中大多通过以下方式进行人机识别反欺诈：一、基于IP的检测，常用的限制手段例如包括速率限制、限制已知恶意IP地址黑名单、位置信息限制、数据中心异步检测限制；二、基于浏览器和设备指纹识别，首先从客户端代码中挖掘出例如插件、系统字体以及浏览器特征支持等关于浏览器的信息，并将这些信息通过javascript引擎对浏览器版本特征进行匹配以及将设备指纹识别与风险策略结合，提供更高层次的保护措施。但是，虚拟机、模拟器技术结合低成本的IP，使得黑色产业依旧可以使用无限多的IP地址发起网络攻击，因此基于IP的检测的方法可靠性较差；部分网络攻击者精通于改变以及操纵数据，导致通过浏览器和设备指纹识别方法，并不能准确识别机器人操纵的数据，进行反欺诈的效果较差。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于提供一种人机识别方法及装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的识别准确率低的问题。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的一个方面，提供一种人机识别方法，包括：通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；对所述待识别数据进行采样，以生成样本数据；将所述样本数据输入识别模型，以获取识别概率；通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。在本公开的一种示例性实施例中，所述方法还包括：获取来自于用户的传感器数据，生成第一数据；获取来自于机器人的传感器数据，生成第二数据；通过所述第一数据与所述第二数据对卷积神经网络模型进行训练，以获取所述识别模型。在本公开的一种示例性实施例中，加速度传感器的数据包括三个子维度数据，陀螺仪传感器的数据包括三个子维度数据，所述第一数据与所述第二数据的维度均为6维。在本公开的一种示例性实施例中，通过第一数据与第二数据对卷积神经网络模型进行训练，以获取所述识别模型，包括：将所述第一数据与所述第二数据在每个维度上做归一化处理，以生成第一训练数据与第二训练数据；通过第一训练数据与第二训练数据对所述卷积神经网络模型进行训练，以获取所述识别模型。在本公开的一种示例性实施例中，所述方法还包括：在训练次数大于预设值时，停止对所述卷积神经网络模型进行训练，以将所述卷积神经网络模型确定为所述识别模型。在本公开的一种示例性实施例中，通过所述第一数据与所述第二数据对卷积神经网络模型进行训练包括：通过正态分布对所述卷积神经网络模型的权重进行初始化。在本公开的一种示例性实施例中，所述卷积神经网络模型包括一个输入层、两个卷积层、一个池化层、一个稠密层以及一个输出层。在本公开的一种示例性实施例中，所述输入层包括6通道，且每个通道对应一个维度的传感器数据。在本公开的一种示例性实施例中，通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人，包括：如果所述识别概率大于所述预设阈值，确定操作所述智能电子设备的对象是用户；如果所述识别概率小于所述预设阈值，确定操作所述智能电子设备的对象是机器人。在本公开的一种示例性实施例中，采样频率为20Hz，每个所述待识别数据的采样时间为6.4秒。根据本公开的一个方面，提供一种人机识别装置，包括：数据获取模块，通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；数据采样模块，用于对所述待识别数据进行采样，以生成样本数据；概率确定模块，用于将所述样本数据输入识别模型，以获取识别概率；对象识别模块，用于通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。在本公开的一种示例性实施例中，所述装置还包括：第一数据生成模块，用于获取来自于用户的传感器数据，生成第一数据；第二数据生成模块，用于获取来自于机器人的传感器数据，生成第二数据；识别模型获取模块，用于通过所述第一数据与所述第二数据对卷积神经网络模型进行训练，以获取所述识别模型。在本公开的一种示例性实施例中，所述识别模型获取模块包括：归一化模块，用于将所述第一数据与所述第二数据在每个维度上做归一化处理，以生成第一训练数据与第二训练数据；模型训练模块，用于通过第一训练数据与第二训练数据对所述卷积神经网络模型进行训练，以获取所述识别模型。在本公开的一种示例性实施例中，所述对象识别模块包括：第一识别模块，用于如果所述识别概率大于所述预设阈值，确定操作所述智能电子设备的对象是用户；第二识别模块，用于如果所述识别概率小于所述预设阈值，确定操作所述智能电子设备的对象是机器人。根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的人机识别方法。根据本公开的一个方面，提供一种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上述任意一项所述的人机识别方法。本公开示例性实施例中提供的一种人机识别方法、人机识别装置、电子设备以及计算机可读存储介质中，通过加速度传感器以及陀螺仪传感器获取待识别数据，并根据识别模型获取识别概率，进而通过对比识别概率与预设阈值，确定操作智能电子设备的对象是用户或机器人。一方面，通过加速度传感器以及陀螺仪传感器获取待识别数据，由于数据不能被修改和操控，提高了可靠性；另一方面，通过对加速度传感器以及陀螺仪传感器获取的待识别数据采用识别模型进行识别，可以通过待识别数据准确确定操作智能电子设备的对象，提高识别准确率，进而能够有效进行反欺诈。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示意性示出本公开示例性实施例中一种人机识别方法示意图；图2示意性示出本公开示例性实施例中一种卷积神经网络模型的结构图；图3示意性示出本公开示例性实施例中构建识别模型的流程图；图4示意性示出本公开示例性实施例中一种人机识别装置的框图；图5示意性示出本公开示例性实施例中一种人机识别装置的具体框图；图6示意性示出本公开示例性实施例中一种电子设备的框图；图7示意性示出本公开示例性实施例中一种程序产品。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。本文档来自技高网...

【技术保护点】
1.一种人机识别方法，其特征在于，包括：通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；对所述待识别数据进行采样，以生成样本数据；将所述样本数据输入识别模型，以获取识别概率；通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。

【技术特征摘要】
1.一种人机识别方法，其特征在于，包括：通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；对所述待识别数据进行采样，以生成样本数据；将所述样本数据输入识别模型，以获取识别概率；通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。2.根据权利要求1所述的人机识别方法，其特征在于，所述方法还包括：获取来自于用户的传感器数据，生成第一数据；获取来自于机器人的传感器数据，生成第二数据；通过所述第一数据与所述第二数据对卷积神经网络模型进行训练，以获取所述识别模型。3.根据权利要求2所述的人机识别方法，其特征在于，加速度传感器的数据包括三个子维度数据，陀螺仪传感器的数据包括三个子维度数据，所述第一数据与所述第二数据的维度均为6维。4.根据权利要求3所述的人机识别方法，其特征在于，通过第一数据与第二数据对卷积神经网络模型进行训练，以获取所述识别模型，包括：将所述第一数据与所述第二数据在每个维度上做归一化处理，以生成第一训练数据与第二训练数据；通过第一训练数据与第二训练数据对所述卷积神经网络模型进行训练，以获取所述识别模型。5.根据权利要求4所述的人机识别方法，其特征在于，所述方法还包括：在训练次数大于预设值时，停止对所述卷积神经网络模型进行训练，以将所述卷积神经网络模型确定为所述识别模型。6.根据权利要求2所述的人机识别方法，其特征在于，通过所述第一数据与所述第二数据对卷积神经网络模型进行训练包括：通过正态分布对所述卷积神经网络模型的权重进行初始化。7.根据权利要求2所述的人机识别方法，其特征在于，所述卷积神经网络模型包括一个输入层、两个卷积层、一个池化层、一个稠密层以及一个输出层。8.根据权利要求7所述的人机识别方法，其特征在于，所述输入层包括6通道，且每个通道对应一个维度的传感器数据。9.根据权利要求1所述的人机识别方法，其特征在于，通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人，包括：如果所述识别概率大于所述预设阈值，确定操作...

【专利技术属性】
技术研发人员：王健，吕军，王美青，鲍珣，
申请(专利权)人：北京京东金融科技控股有限公司，
类型：发明
国别省市：北京,11