一种生物识别处理方法、装置及设备制造方法及图纸

本说明书实施例公开了一种生物识别处理方法、装置及设备，该方法包括：获取目标用户的生物识别请求，该生物识别请求中包括目标用户的用户生物信息；将该用户生物信息分别输入到模型架构相同的两个脱敏模型中，得到每个脱敏模型输出的脱敏后的用户生物信息，两个脱敏模型在进行模型训练的过程中使用的训练样本数据不同，且其中的一个脱敏模型使用的训练样本数据的类型分布中存在长尾分布的数据类型在另一个脱敏模型使用的训练样本数据的类型分布中不属于长尾分布；基于两个脱敏模型输出的脱敏后的用户生物信息，确定该生物识别请求对应的隐私保护后的用户生物信息；基于确定的隐私保护后的用户生物信息对目标用户进行生物识别处理。识别处理。识别处理。

【技术实现步骤摘要】
一种生物识别处理方法、装置及设备


[0001]本文件涉及计算机
，尤其涉及一种生物识别处理方法、装置及设备。

技术介绍

[0002]近年来，生物识别技术得到了飞速发展，生物识别的应用已经进入到了人们的工作和生活中，例如某小区的人脸门禁、某超市中的人脸收银机、手机的指纹解锁等。然而，在生物识别系统为用户提供便利的同时，由于生物识别系统需要对用户生物信息进行了采集、传输、处理和存储等处理，从而使得用户的隐私信息(即用户生物信息)处于高危的状态，一旦用户的隐私信息泄漏，其财产和信息安全将受到很大的威胁。
[0003]隐私保护能力成为生物识别系统的重要能力，通常，可以通过深度学习的方式进行隐私保护处理，具体地，一般通过常见的公开数据集(或者与业务数据具有相同数据分布的数据集等)进行模型训练，但是，上述数据集中往往会出现数量占比较低的中长尾数据，这样就会直接导致最终训练的模型的隐私保护效果在上述中长尾数据对应的数据类型的隐私信息上衰减严重，从而使得上述隐私数据更加容易泄露。基于此，需要提供一种安全性更高、隐私保护能力更强的用户生物识别的技术方案。

技术实现思路

[0004]本说明书实施例的目的是提供一种安全性更高、隐私保护能力更强的用户生物识别的技术方案。
[0005]为了实现上述技术方案，本说明书实施例是这样实现的：
[0006]本说明书实施例提供的一种生物识别处理方法，所述方法包括：获取目标用户的生物识别请求，所述生物识别请求中包括所述目标用户的用户生物信息。将所述用户生物信息分别输入到模型架构相同的两个脱敏模型中，得到每个脱敏模型输出的脱敏后的用户生物信息，所述两个脱敏模型在进行模型训练的过程中使用的训练样本数据不同，且其中的一个脱敏模型使用的训练样本数据的类型分布中存在长尾分布的数据类型在另一个脱敏模型使用的训练样本数据的类型分布中不属于长尾分布。基于两个脱敏模型输出的脱敏后的用户生物信息，确定所述生物识别请求对应的隐私保护后的用户生物信息。基于确定的所述隐私保护后的用户生物信息对所述目标用户进行生物识别处理。
[0007]本说明书实施例提供的一种生物识别处理装置，所述装置包括：请求模块，获取目标用户的生物识别请求，所述生物识别请求中包括所述目标用户的用户生物信息。脱敏模块，将所述用户生物信息分别输入到模型架构相同的两个脱敏模型中，得到每个脱敏模型输出的脱敏后的用户生物信息，所述两个脱敏模型在进行模型训练的过程中使用的训练样本数据不同，且其中的一个脱敏模型使用的训练样本数据的类型分布中存在长尾分布的数据类型在另一个脱敏模型使用的训练样本数据的类型分布中不属于长尾分布。隐私保护模块，基于两个脱敏模型输出的脱敏后的用户生物信息，确定所述生物识别请求对应的隐私保护后的用户生物信息。生物识别处理模块，基于确定的所述隐私保护后的用户生物信息
对所述目标用户进行生物识别处理。
[0008]本说明书实施例提供的一种生物识别处理设备，所述生物识别处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取目标用户的生物识别请求，所述生物识别请求中包括所述目标用户的用户生物信息。将所述用户生物信息分别输入到模型架构相同的两个脱敏模型中，得到每个脱敏模型输出的脱敏后的用户生物信息，所述两个脱敏模型在进行模型训练的过程中使用的训练样本数据不同，且其中的一个脱敏模型使用的训练样本数据的类型分布中存在长尾分布的数据类型在另一个脱敏模型使用的训练样本数据的类型分布中不属于长尾分布。基于两个脱敏模型输出的脱敏后的用户生物信息，确定所述生物识别请求对应的隐私保护后的用户生物信息。基于确定的所述隐私保护后的用户生物信息对所述目标用户进行生物识别处理。
[0009]本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取目标用户的生物识别请求，所述生物识别请求中包括所述目标用户的用户生物信息。将所述用户生物信息分别输入到模型架构相同的两个脱敏模型中，得到每个脱敏模型输出的脱敏后的用户生物信息，所述两个脱敏模型在进行模型训练的过程中使用的训练样本数据不同，且其中的一个脱敏模型使用的训练样本数据的类型分布中存在长尾分布的数据类型在另一个脱敏模型使用的训练样本数据的类型分布中不属于长尾分布。基于两个脱敏模型输出的脱敏后的用户生物信息，确定所述生物识别请求对应的隐私保护后的用户生物信息。基于确定的所述隐私保护后的用户生物信息对所述目标用户进行生物识别处理。
附图说明
[0010]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0011]图1为本说明书一种生物识别处理方法实施例；
[0012]图2为本说明书另一种生物识别处理方法实施例；
[0013]图3为本说明书又一种生物识别处理方法实施例；
[0014]图4为本说明书一种生物识别处理系统的结构示意图；
[0015]图5为本说明书一种生物识别处理装置实施例；
[0016]图6为本说明书一种生物识别处理设备实施例。
具体实施方式
[0017]本说明书实施例提供一种生物识别处理方法、装置及设备。
[0018]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于
本说明书保护的范围。
[0019]实施例一
[0020]如图1所示，本说明书实施例提供一种生物识别处理方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：
[0021]在步骤S102中，获取目标用户的生物识别请求，该生物识别请求中包括目标用户的用户生物信息。
[0022]其中，目标用户可以是任意用户，如上述终端设备的拥有者，目标用户可以通过该终端设备发起生物识别请求。用户生物信息可以包括多种，例如用户的指纹信息、掌纹信息、面部信息或虹膜信息等，在实际应用中，上述用户生物信息的承载体可以包括多种，例如可以通过图像的方式承载上述各种用户生物信息等，具体可以根据实际情况设定，本说明书实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生物识别处理方法，所述方法包括：获取目标用户的生物识别请求，所述生物识别请求中包括所述目标用户的用户生物信息；将所述用户生物信息分别输入到模型架构相同的两个脱敏模型中，得到每个脱敏模型输出的脱敏后的用户生物信息，所述两个脱敏模型在进行模型训练的过程中使用的训练样本数据不同，且其中的一个脱敏模型使用的训练样本数据的类型分布中存在长尾分布的数据类型在另一个脱敏模型使用的训练样本数据的类型分布中不属于长尾分布；基于两个脱敏模型输出的脱敏后的用户生物信息，确定所述生物识别请求对应的隐私保护后的用户生物信息；基于确定的所述隐私保护后的用户生物信息对所述目标用户进行生物识别处理。2.根据权利要求1所述的方法，所述基于两个脱敏模型输出的脱敏后的用户生物信息，确定所述生物识别请求对应的隐私保护后的用户生物信息，包括计算两个脱敏模型输出的脱敏后的用户生物信息的平均值；将计算得到的平均值对应的用户生物信息作为所述生物识别请求对应的隐私保护后的用户生物信息。3.根据权利要求1所述的方法，所述基于确定的所述隐私保护后的用户生物信息对所述目标用户进行生物识别处理，包括：将所述确定的所述隐私保护后的用户生物信息发送给服务器，所述确定的所述隐私保护后的用户生物信息用于触发所述服务器基于预先存储的基准用户生物信息和所述隐私保护后的用户生物信息，对所述目标用户进行生物识别处理；接收所述服务器发送的对所述目标用户进行生物识别处理的生物识别结果。4.根据权利要求1所述的方法，所述两个脱敏模型包括第一脱敏模型和第二脱敏模型，所述方法还包括：从不存在长尾分布的第一训练样本池中获取第一数量的第一训练样本数据，并从存在长尾分布的第二训练样本池中获取第二数量的第二训练样本数据，所述第一数量大于所述第二数量，基于所述第一数量的第一训练样本数据和所述第二数量的第二训练样本数据构建第三训练样本集；从不存在长尾分布的第一训练样本池中获取第二数量的第一训练样本数据，并从存在长尾分布的第二训练样本池中获取第一数量的第二训练样本数据，基于所述第二数量的第一训练样本数据和所述第一数量的第二训练样本数据构建第四训练样本集；基于所述第三训练样本集中的训练样本数据和预设的第一损失函数对所述第一脱敏模型进行模型训练，得到训练后的第一脱敏模型；基于所述第四训练样本集中的训练样本数据和预设的第二损失函数对所述第二脱敏模型进行模型训练，得到训练后的第二脱敏模型。5.根据权利要求4所述的方法，所述方法还包括：基于所述第一损失函数对所述第三训练样本集中的训练样本数据对应的权重进行调整，得到调整后的权重；所述基于所述第三训练样本集中的训练样本数据和预设的第一损失函数对所述第一脱敏模型进行模型训练，得到训练后的第一脱敏模型，包括：
基于所述第三训练样本集中的训练样本数据、所述调整后的权重和预设的第一损失函数对所述第一脱敏模型进行模型训练，得到训练后的第一脱敏模型。6.根据权利要求4或5所述的方法，所述基于所述第三训练样本集中的训练样本数据和预设的第一损失函数对所述第一脱敏模型进行模型训练，得到训练后的第一脱敏模型，包括：分别将所述第三训练样本集中的训练样本数据输入到所述第一脱敏模型中，得到所述第三训练样本集中每个训练样本数据对应的脱敏后的第一样本数据；分别将所述第三训练样本集中每个训练样本数据对应的脱敏后的第一样本数据输入到第一反脱敏模型中，以对所述脱敏后的第一样本数据进行样本还原，得到所述第三训练样本集中重建的训练样本数据；基于所述第三训练样本集中的训练样本数据、所述脱敏后的第一样本数据和所述第三训练样本集中重建的训练样本数据，通过预设的第一损失函数，确定所述第一脱敏模型和所述第一反脱敏模型是否收敛，如果否，则基于所述第三训练样本集继续对所述第一脱敏模型和所述第一反脱敏模型进行模型训练，直到所述第一脱敏模型和所述第一反脱敏模型收敛，得到训练后的第一脱敏模型。7.根据权利要求6所述的方法，所述第一损失函数由所述脱敏后的第一样本数据与所述脱敏后的第一样本数据对应的原始训练样本数据之间的相似度的最大值，以及所述脱敏后的第一样本数据中是否包括用户的身份信息的特征确定。8.根据权利要求4所述的方法，所述方法还包括：基于所述第二损失函数对所述第四训练样本集中的训练样本数据对应的权重进行调整，得到调整后的权重；所述基于所述第四训练样本集中的训练样本数据和预设的第二损失函数对所述第二脱敏模型进行模型训练，得到训练后的第二脱敏模型，包括：基于所述第四训练样本集中的训练样本数据、所述调整后的权重和预设的第二损失函数对所述第二脱敏模型进行模型训练，得到训练后的第二脱敏模型。9.根据权利要求4或8所述的方法，所述基于所述第四训练样本集中的训练样本数据和预设的第二损失...

【专利技术属性】
技术研发人员：曹佳炯，丁菁汀，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：