一种协同身份辨识与虚假属性检测的认证方法

1.本发明涉及可信身份验证技术领域，尤其涉及一种协同身份辨识与虚假属性检测的认证方法。


背景技术：

2.生物识别系统面临来自假属性的安全威胁，如照片攻击、视频攻击、硅胶面具和假指纹。这些攻击旨在影响生物计量系统的正常运行，以混淆或假冒他人，其中新型未知攻击构成了重大挑战。本文试图通过多种生物特征属性的协同识别，以非监督学习的方式解决未知类型的攻击，以提高身份识别系统的安全性。
3.在复杂的动态场景中，单一模式的生物特征识别系统容易受到非通用性、环境变化和欺骗攻击的限制。这些因素威胁着单模生物特征识别系统的识别精度和系统安全性。受多源信息融合技术可以降低错误概率、增强系统鲁棒性的启发，研究者将目光转向多模态生物特征识别技术，该技术通过融合不同的生物特征信息来完成身份识别。
4.对于当前身份识别系统面临欺骗攻击或未知攻击的问题，主流方法主要是通过人工提取特征或机器学习来学习真假样本的区别。它们对于检测2d攻击和部分3d攻击更好，但是对于检测未知攻击不太有效。大多数现有的未知攻击方法都是基于有先验知识的监督学习来学习真假之间的判定界限。然而，在现实的复杂场景中，先验知识可能无法用于学习，因此无监督的未知攻击检测方法将是未来的发展方向。


技术实现要素：

5.本发明通过提供一种协同身份辨识与虚假属性检测的认证方法，有效解决了现有技术中未知攻击难以检测，且在现实的复杂场景中，先验知识无法用于学习的问题，进而实现了利用无监督的未知攻击检测方法，提高了身份辨识方法的准确性以及系统的安全性能以便实现身份的精准辨识的目的。
6.第一方面，本发明实施例提供了一种协同身份辨识与虚假属性检测的认证方法，该方法包括：
7.获取待测对象的多维身份属性分别对应的多个第一特征，在数据库中查找与每个所述第一特征对应的多条数据，并将所述多条数据合并为识别结果集合topl；
8.将所述识别结果集合topl输入至训练好的深度训练器中，得到最优深度；
9.利用逐阶共识方法对所述识别结果集合topl与所述最优深度进行计算，得到共识身份集合，并分别计算所述共识身份集合中各共识身份的汇聚度，确定所述汇聚度最小的共识身份为最优共识身份；
10.判断所述最优共识身份的多个第二特征是否在第一集合topδ中，得到判断结果，并根据判断结果对特征标识进行赋值，分别得到所述最优共识身份的多个第二特征的特征标识；其中，
11.输出所述最优共识身份的多个第二特征对应的所述特征标识，完成所述待测对象
的身份认证。
12.结合第一方面，在一种可能的实现方式中，所述数据库中包括多条已知对象的数据，每条所述已知对象的数据包括：共识身份、多维身份属性以及与所述多维身份属性对应的多个第三特征。
13.结合第一方面，在一种可能的实现方式中，所述在数据库中查找与每个所述第一特征对应的多条数据，并将所述多条数据合并为识别结果集合topl，具体包括：
14.分别计算所述多个第一特征中每个第一特征与数据库中每条数据的多个第三特征中的相同特征之间的相似度，并根据所述相似度对所述已知对象进行排序，得到与每个所述第一特征对应的已知对象的排序；
15.确定所述每个所述第一特征对应的已知对象的排序为前l的多条数据，将多条数据组成识别结果集合topl。
16.结合第一方面，在一种可能的实现方式中，所述利用逐阶共识方法对所述识别结果集合topl与所述最优深度进行计算，得到共识身份集合，具体包括：
17.初始化所述共识身份集合、共识值集合以及汇聚度值集合；其中，所述共识值集合的大小与所述数据库中数据的数量相同；
18.在所述识别结果集合topl中，分别查找与多个所述第一特征的特征值相等的数据，得到多个查找数据；
19.对所述多个查找数据中相同数据出现的次数进行统计，并将统计结果记录在所述共识值集合中；
20.结合所述最优深度，获取所述共识值集合中所述统计结果大于或者等于第二阈值的数据，并将对应的已知对象存储至所述共识身份集合中，得到所述共识身份集合。
21.结合第一方面，在一种可能的实现方式中，所述分别计算所述共识身份集合中各共识身份的汇聚度，具体包括：
22.分别判断所述共识身份的多维身份属性的多个第二特征是否在所述识别结果集合topl中，若否，则将所述第二特征对应的第二特征汇聚度赋值为1，所述汇聚度的取值范围为(0,1]；
23.若是，分别对所述共识身份的多维身份属性的多个第二特征进行汇聚度计算，得到多个第二特征汇聚度的值，并将多个第二汇聚度的值相加求平均值，得到所述共识身份的汇聚度。
24.结合第一方面，在一种可能的实现方式中，所述汇聚度具体表示为：
[0025][0026]
其中，s表示已知对象m在所述识别结果集合topl中的排序位置；n表示所述多维身份属性的维数；l表示所述识别结果集合topl的大小；k(m)表示已知对象m的汇聚度。
[0027]
结合第一方面，在一种可能的实现方式中，所述第一集合topδ的大小表示为：
[0028]
δ＝min(8+s,l)
[0029]
其中，s表示所述最优深度；l表示所述识别结果集合topl的大小。
[0030]
结合第一方面，在一种可能的实现方式中，所述根据判断结果对特征标识进行赋
值，具体包括：
[0031]
若所述判断结果为是，则将所述特征的所述特征标识设置为真；
[0032]
若所述判断结果为否，则将所述特征的所述特征标识设置为假。
[0033]
结合第一方面，在一种可能的实现方式中，待测对象的多维身份属性包括真实属性和虚假属性。
[0034]
第二方面，本发明提供了一种协同身份辨识与虚假属性检测的认证装置，该装置包括：
[0035]
识别结果集合获取模块，用于获取待测对象的多维身份属性分别对应的多个第一特征，在数据库中查找与每个所述第一特征对应的多条数据，并将所述多条数据合并为识别结果集合topl；
[0036]
最优深度计算模块，用于将所述识别结果集合topl输入至训练好的深度训练器中，得到最优深度；
[0037]
最优共识身份获取模块，用于利用逐阶共识方法对所述识别结果集合topl与所述最优深度进行计算，得到共识身份集合，并分别计算所述共识身份集合中各共识身份的汇聚度，确定所述汇聚度最小的共识身份为最优共识身份；
[0038]
特征标识获取模块，用于判断所述最优共识身份的多个第二特征是否在第一集合topδ中，得到判断结果，并根据判断结果对特征标识进行赋值，分别得到所述最优共识身份的多个第二特征的特征标识；其中，
[0039]
特征标识输出模块，用于输出所述最优共识身份的多个第二特征对应的所述特征标识，完成所述待测对象的身份认证。
[0040]
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0041]
本发明通过采用了一种协同身份辨识与虚假属性检测的认证方法，该方法包括：该方法包括：获取待测对象的多维身份属性分别对应的多个第一特征，在数据库中查找与每个第一特征对应的多条数据，并将多条数据合并为识别结果集合topl，将虚假身份属性检测从低维空间防伪检测问题转换为高维空间样本差异性研究问题，摆脱了传统有监督检测技术需要学习大量已知攻击数据的方法制约，可以很好地解决未知攻击；将识别结果集合topl输入至训练好的深度训练器中，得到最优深度，通过在高维空间研究不同样本最优汇聚深度差异通过无监督学习更好的解决属性伪造问题；利用逐阶共识方法对识别结果集合topl与最优深度进行计算，得到共识身份集合，并分别计算共识身份集合中各共识身份的汇聚度，确定汇聚度最小的共识身份为最优共识身份，判断最优共识身份的多个第二特征是否在第一集合topδ中，得到判断结果，并根据判断结果对特征标识进行赋值，分别得到最优共识身份的多个第二特征的特征标识；其中，将多维属性信息融合进行身份识别，可以提高身份辨识精度，避免因算法或环境误差造成识别准确率下降问题；输出最优共识身份的多个第二特征对应的特征标识，完成待测对象的身份认证；有效解决了现有技术中未知攻击难以检测，且在现实的复杂场景中，先验知识无法用于学习的问题，进而实现了利用无监督的未知攻击检测方法，提高了身份辨识方法的准确性以及系统的安全性能以便实现身份的精准辨识的目的。
附图说明
[0042]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对本发明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，下面描述中的附图是本发明的一些实施例，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。
[0043]
图1为本发明实施例提供的协同身份辨识与虚假属性检测的认证方法的步骤流程图；
[0044]
图2为本发明实施例提供的一个具体使用实施例的流程图。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]
第一方面，本发明实施例提供了一种协同身份辨识与虚假属性检测的认证方法，如图1所示，该方法包括以下步骤s101至步骤s105。
[0047]
s101，获取待测对象的多维身份属性分别对应的多个第一特征，在数据库中查找与每个第一特征对应的多条数据，并将多条数据合并为识别结果集合topl。
[0048]
数据库中包括多条已知对象的数据，每条已知对象的数据包括：共识身份、多维身份属性以及与多维身份属性对应的多个第三特征。
[0049]
在本发明提供的一个具体的实施例中，本发明是在已建立数据库模板的基础上，给定未知身份对象的n个身份属性，其中可能包含大于50％的虚假属性，根据n个属性的识别结果序列，分析并检测出虚假属性，计算真实身份，保证身份的可信辨识，且算法简单，计算复杂度低。定义混合属性集合是指一个待测对象的身份属性中同时包含正常采集的属性和虚假属性。混合属性集合-真实属性集合距离：指待测对象的混合属性集合与其实际身份对应的属性模板之间的距离。
[0050]
本发明的技术方案的原理是正常/虚假属性所导致的样本最优深度不同，即待测对象的正常/虚假属性分布不同其最优深度存在显著差异，其中造假比例越高，其身份计算的最优深度越深；造假比例低的样本，其最优深度相对较高。在此差异基础上，我们发现在虚假属性比例大于50％的条件下，混合属性集合-真实属性集合距离之间存在部分汇聚特点，而虚假属性则相对发散，在随机造假的情况下，真实属性在多维属性结果上的表现是汇聚在一起的，而虚假属性由于是随机产生的，即使虚假属性占绝大多数，但是其在多维属性集合上的分布是相对发散的，只有极个别情况会产生汇聚。
[0051]
因此，基于真实/虚假属性汇聚状态的差异，分析多维属性的识别结果序列找出真实身份，并检测虚假属性。
[0052]
在本发明提供的一个具体的实施例中，构建数据库中的数据包括：
[0053]
步骤1，采集包含m个对象的n维身份属性信息，建立已知身份属性信息库，其中身份表示为o1，o2，o3，
…
，om，属性表示为小写字母a，b，c，d
…
，n，具体采集建立方式如下：
[0054]
依次采集m个身份对象的n个属性，首先采集m个身份对象的a属性，并以标准化命
名唯一标识身份，其次采集m个身份对象的b属性，同样标准化命名，依次类推采集m个对象的剩余属性，直到n个属性采集完成，即可以形成m个身份对象库，其中c(i,j)表示第i个对象的第j维属性；
[0055]
步骤2，建立m个对象的身份属性对象的特征模板，形成n条特征模板，建立方式如下：
[0056]
依次提取m个身份对象的n个身份属性对应的特征，特征的选择根据属性的种类来确定，每种属性建立一条特征模板，特征模板中保存对应的特征以及身份标识，首先提取s个身份对象的属性a特征，其次提取属性b特征，最后提取属性c特征，依次类推提取剩余属性的特征，形成n条特征模板，分别记为f(j)，其中j∈{1,2,...,n}。
[0057]
给定待测对象(未知身份)x的n维身份属性，其n维身份属性为x(j)，其中j∈{1,2,...,n}，在这n维属性中既有正常属性，也有虚假属性。虚假属性的数量为n
fake
，满足条件n
fake
≥50％
×
n，该方法的前提要求至少有两个及以上的正常采集属性，这样真实属性之间才会产生汇聚现象。
[0058]
在步骤s101中，在数据库中查找与每个第一特征对应的多条数据，并将多条数据合并为识别结果集合topl，具体包括以下步骤：
[0059]
(1)分别计算多个第一特征中每个第一特征与数据库中每条数据的多个第三特征中的相同特征之间的相似度，并根据相似度对已知对象进行排序，得到与每个第一特征对应的已知对象的排序。
[0060]
(2)确定每个第一特征对应的已知对象的排序为前l的多条数据，将多条数据组成识别结果集合topl。
[0061]
在本发明提供的一个具体的实施例中，针对待测对象x的n维身份属性x(j)，其中j∈{1,2,...,n}，选择对应属性的前言识别算法，得到对应属性的n个特征，并将其与数据库中的特征模板f(j)进行对比，得到n条识别结果序列，识别结果中身份选择相似度排序为前l的多条数据的多条数据，识别结果记为ra,rb,rc,...，识别方式分析如下：
[0062]
对于身份属性x(1)，以f(1)为已知身份对象特征模板库，提取属性x(1)的特征，并与模板f(1)进行匹配对比，选取相似度排序为前l的多条数据作为属性a1的识别结果，记为ra，例如ra＝{o2,o4,o6,...,o
l
}，依次类推，可以得到属性x(2)，x(3)
…
的识别结果rb，rc。将识别结果ra，rb，rc加入到识别结果集合topl中。
[0063]
s102，将识别结果集合topl输入至训练好的深度训练器中，得到最优深度。
[0064]
s103，利用逐阶共识方法对识别结果集合topl与最优深度进行计算，得到共识身份集合，并分别计算共识身份集合中各共识身份的汇聚度，确定汇聚度最小的共识身份为最优共识身份。由于在本项目的场景中虚假属性所占比例较大，因此不排除出现两个及以上的共识身份，因此需要通过汇聚度计算来确定唯一的共识身份。
[0065]
在步骤s103中，利用逐阶共识方法对识别结果集合topl与最优深度进行计算，得到共识身份集合，具体包括以下步骤：
[0066]
(1)初始化共识身份集合、共识值集合以及汇聚度值集合；其中，共识值集合的大小与数据库中数据的数量相同。将m个身份都作为共识身份，其共识值设为0，即d[oi]＝0，汇聚度值同理，即dcon[oi]＝0。
[0067]
(2)在识别结果集合topl中，分别查找与多个第一特征的特征值相等的数据，得到
多个查找数据。
[0068]
(3)对多个查找数据中相同数据出现的次数进行统计，并将统计结果记录在共识值集合中。
[0069]
(4)结合最优深度，获取共识值集合中统计结果大于或者等于第二阈值的数据，并将对应的已知对象存储至共识身份集合中，得到共识身份集合。
[0070]
汇聚度具体表示为：
[0071][0072]
其中，s表示已知对象m在识别结果集合topl中的排序位置；n表示多维身份属性的维数；l表示识别结果集合topl的大小；k(m)表示已知对象m的汇聚度。
[0073]
若在属性集合前l位中对象m没有出现，则取s＝l，则
[0074][0075]
在识别算法精度较高、采集环境理想的情况下，l的取值较低，一般在5左右，而当识别算法精度较低或者采集样本环境恶劣的情况下，l的取值较高，一般在10左右，之后的取值我们认为不属于汇聚的范围，因此不作考虑。
[0076]
s104，判断最优共识身份的多个第二特征是否在第一集合topδ中，得到判断结果，并根据判断结果对特征标识进行赋值，分别得到最优共识身份的多个第二特征的特征标识；其中，第一集合topδ的大小表示为：
[0077]
δ＝min(8+s,l)
[0078]
其中，s表示最优深度；l表示识别结果集合topl的大小。
[0079]
在步骤s104中，分别计算共识身份集合中各共识身份的汇聚度，具体包括：
[0080]
(1)分别判断共识身份的多维身份属性的多个第二特征是否在识别结果集合topl中，若否，则将第二特征对应的第二特征汇聚度赋值为1，汇聚度的取值范围为(0,1]。
[0081]
(2)若是，分别对共识身份的多维身份属性的多个第二特征进行汇聚度计算，得到多个第二特征汇聚度的值，并将多个第二汇聚度的值相加求平均值，得到共识身份的汇聚度。
[0082]
在步骤s104中，根据判断结果对特征标识进行赋值，具体包括：
[0083]
(1)若判断结果为是，则将特征的特征标识设置为真，flag_a＝true。
[0084]
(2)若判断结果为否，则将特征的特征标识设置为假，flag_a＝false。
[0085]
本发明将虚假身份属性检测从低维空间防伪检测问题转换为高维空间样本差异性研究问题，摆脱了传统有监督检测技术需要学习大量已知攻击数据的方法制约，可以很好地解决未知攻击。传统虚假属性检测方法针对已知攻击的解决效果良好，对于未知攻击的解决是通过学习已知攻击的训练数据进行，但是现实生活中攻击者总能想出层出不穷的手段混淆身份辨识方法，有监督学习的方式存在一定程度的缺陷，因此本发明通过无监督学习方式，研究攻击和正常采集的样本在高维空间的数据分布差异进行虚假属性检测和真实身份计算。
[0086]
本发明在高维空间研究虚假属性检测问题，将多维属性信息融合进行身份识别，
可以提高身份辨识精度，避免因算法或环境误差造成识别准确率下降问题，并且本发明可以适用于非合作无感知身份认证场景，优化用户体验，提高系统安全性。传统多模态生物特征检测仅关注首选身份，通过多数决策思想进行身份识别，在识别算法误差和环境干扰严重的情况下，身份辨识的准确率降低，本发明通过研究识别身份结果的排序序列，研究首选身份之后排序第二、第三等的身份，在高维空间研究真实属性之间的汇聚现象进行虚假属性检测和真实身份计算。
[0087]
s105，输出最优共识身份的多个第二特征对应的特征标识，完成待测对象的身份认证。
[0088]
本发明提供给一个具体的使用实施例，如图2所示，待测对象的n个身份属性，通过分析检测出其中包含的虚假属性。为能满足实验中真实属性至少为2个，虚假属性的数量大于总属性数量的50％，显然，n的取值为大于等于4的自然数。本发明技术方案可以采用计算机软件技术实现自动运行，实施例中n的取值为5，其实现流程包含以下步骤：
[0089]
步骤1，采集包含m个对象的n维身份属性信息，建立已知身份属性信息库，其中身份表示为o1，o2，o3，
…
，om，属性表示为小写字母a，b，c，d，e，具体采集建立方式如下：实施例中n的取值为5，属性表示为a，b，c，d，e，依次采集m个身份对象的5个属性，首先采集m个身份对象的a属性，并以标准化命名唯一标识身份，其次采集m个身份对象的b属性，同样标准化命名，依次类推采集m个对象的剩余属性，直到5个属性采集完成，即可以形成m个身份对象库，其中c(i,j)表示第i个对象的第j维属性。
[0090]
步骤2，建立m个对象的身份属性对象的特征模板，形成n条特征模板，建立方式如下：实施例中n的取值为5，依次提取m个身份对象的5个身份属性对应的特征，特征的选择根据属性的种类来确定，每种属性建立一条特征模板，特征模板中保存对应的特征以及身份标识，形成5条特征模板，分别记为f(1)，f(2)，f(3)，f(4)，f(5)存入至识别结果集合topl中。
[0091]
步骤3建立一个最优深度预测器，并对其进行训练，使得每输入一个样本，都可以预测出该样本的最优深度。
[0092]
步骤4，给定待测对象x的n维身份属性x(j)，其中j＝1～n，在这n维属性中既有正常属性，也有虚假属性。虚假属性的数量n
fake
，满足条件n
fake
≥50％
×
n，该方法的前提要求至少有两个及以上的正常采集属性，这样真实属性之间才会产生汇聚现象。
[0093]
步骤5，针对待测对象x的n维身份属性x(j)，n的取值为5时，身份属性x(j)表示为：x(1)，x(2)，x(3)，x(4)，x(5)，选择对应属性的识别算法，得到对应属性的n个识别结果，选择与每个第一特征对应的相似度排序为前l的多条数据选择topl个身份，识别识别结果集合topl。
[0094]
步骤6，将识别结果集合topl输入到最优深度训练器中预测出该样本的最优深度s。
[0095]
步骤7，针对步骤5中获得的识别结果集合topl，进行逐阶共识计算，得到最有可能的共识身份identity，由于在本项目的场景中虚假属性所占比例较大，因此不排除出现两个及以上的共识身份，因此需要通过汇聚度计算来确定唯一的共识身份；
[0096]
步骤7.1，初始化共识身份、共识值和汇聚度值，将m个身份都作为共识身份，其共识值设为0，即d[oi]＝0，汇聚度值同理，即d_con[oi]＝0。
[0097]
步骤7.2，通过逐阶共识算法得到共识值d[oi]≥2的身份，实现方法如下，根据逐阶共识算法依次逐阶遍历识别结果ra，rb，rc，rd，re，分别根据识别结果的身份出现个数更新共识值，并保留共识值d[oi]≥2的身份。
[0098]
步骤7.3，判断共识值d[oi]≥2的身份是否有多个，若无，即只有一个共识身份，则输出得到共识身份identity进入步骤8，若有多个身份，则进入步骤7.4。
[0099]
步骤7.4，分别计算多个身份om，o
t
对应序列的局部汇聚度值，汇聚度计算公式如下。
[0100]
对象m在多维属性上的汇聚度，计算公式为将n个维度中的每一个维度的汇聚度值k(m,n)相加求平均值，即为待测对象x与数据集中第m个对象的汇聚度k(m)，汇聚度的取值范围是0《k(m)≤1，值越小代表汇聚度越大。
[0101][0102]
其中，s代表对象m的身份匹配结果排列在第s位(取自前l位)，若在属性集合前l位中对象m没有出现，则取s＝l，则：
[0103][0104]
在实验中l的取值由经验进行判断，在识别算法精度较高、采集环境理想的情况下，l的取值较低，一般在5左右，而当识别算法精度较低或者采集样本环境恶劣的情况下，l的取值较高，一般在10左右，之后的取值我们认为不属于汇聚的范围，因此不作考虑。
[0105]
步骤7.5，判断汇聚度值的大小，取汇聚度值最小的对应身份作为共识身份identity，进入步骤8。
[0106]
步骤8，判断共识身份identity是否在识别结果集合topl中，若共识身份identity在待检测属性a1在识别结果集合topl的ra中，设置特征标识flag_a＝true，否则设置flag_a＝false，同理可以获得待检测属性b1，c1的特征标识。
[0107]
实施例中n的取值为5，待检测属性x(1)，x(2)，x(3)，x(4)，x(5)的识别结果分别ra，rb，rc，rd，re，结合步骤5中所获得的identity，依次判断共识身份identity是否在待检测属性x(1)，x(2)，x(3)，x(4)，x(5)的识别结果集合topl中的ra，rb，rc，rd，re中，获得待检测属性x(1)，x(2)，x(3)，x(4)，x(5)的特征标识flag_a，flag_b，flag_c，flag_d，flag_e。
[0108]
步骤9，判断步骤6中所获得的特征标识，若特征标识flag_a为false，则认为属性a1为虚假属性，否则认为属性a1为真实属性，同理判断其余待检测属性b1，c1…
为真实或者虚假属性。
[0109]
实施例中n的取值为5，依次根据步骤6中所获得的特征标识flag_a，flag_b，flag_c，flag_d，flag_e，去判断待检测属性x(1)，x(2)，x(3)，x(4)，x(5)的真假性。
[0110]
步骤10，输出检测到的虚假身份属性，共识身份identity作为可信身份，虚假检测和身份计算完成。
[0111]
采用本发明提供的虚假身份属性检测方法，首先建立已知对象身份属性库，经过上述步骤可以实现对获取的未知身份对象的多维属性的检测，发现其中包含的虚假属性，并计算其真实身份，算法执行效率高，一定程度上有利于实现身份的可信辨识。
[0112]
第二方面，本发明提供了一种协同身份辨识与虚假属性检测的认证装置，该装置包括：识别结果集合获取模块、最优深度计算模块、最优共识身份获取模块、特征标识获取模块以及特征标识输出模块。
[0113]
识别结果集合获取模块，用于获取待测对象的多维身份属性分别对应的多个第一特征，在数据库中查找与每个第一特征对应的多条数据，并将多条数据合并为识别结果集合topl；
[0114]
最优深度计算模块，用于将识别结果集合topl输入至训练好的深度训练器中，得到最优深度；
[0115]
最优共识身份获取模块，用于利用逐阶共识方法对识别结果集合topl与最优深度进行计算，得到共识身份集合，并分别计算共识身份集合中各共识身份的汇聚度，确定汇聚度最小的共识身份为最优共识身份；
[0116]
特征标识获取模块，用于判断最优共识身份的多个第二特征是否在第一集合topδ中，得到判断结果，并根据判断结果对特征标识进行赋值，分别得到最优共识身份的多个第二特征的特征标识；其中，
[0117]
特征标识输出模块，用于输出最优共识身份的多个第二特征对应的特征标识，完成待测对象的身份认证。
[0118]
本发明的结构可以为三个模块：身份识别模块、样本最优深度预测模块、虚假属性检测模块。身份识别模块包括获取未知对象的身份属性信息，以及身份属性识别结果排序，将各个属性的身份识别结果进行排序。
[0119]
样本最优深度预测模块包括预测网络训练和样本预测两个部分组成，该部分的训练和预测我们仍然通过集成现有的开源代码来实现，将输入身份的各个属性的身份识别结果进行最优深度预测。由于不同造假情况的样本数据是具有显著差异的，因此我们可以通过不同样本差异来预测最优深度。之后根据所预测深度得到的共识身份进行虚假属性检测并计算可信身份。
[0120]
虚假属性检测模块包括根据预测最优深度汇聚共识计算和基于共识身份位置的伪造检测。对于虚假属性检测模块，我们基于汇聚共识算法获得未知对象的共识身份，再根据共识身份的所在的识别结果序列的位置进行虚假属性检测。
[0121]
本发明属于无监督学习。与传统方法大多依赖“先验知识和数据”学习决策边界的思路不同，本发明侧重研究算法、环境和攻击等误差在高维数据空间的分布规律及其差异，提出了“不同样本在高维空间中真实汇聚的最优深度具有差异性”的猜想。传统虚假属性检测方法属于有监督学习，本发明通过在高维空间研究不同样本最优汇聚深度差异通过无监督学习更好的解决属性伪造问题。
[0122]
传统方法对于已知攻击的解决已取得了很好的效果，但是未知攻击难以通过已有的经验和数据有效地进行预防，本发明通过无监督学习，根据对象的多维身份辨识数据，在决策层探究人为攻击维度的表征机理，从而解决未知攻击检测问题。
[0123]
本发明更快更准确地解决虚假属性大于50％条件下的可信身份辨识。之前的逐阶共识算法已经很好的解决虚假属性比例小于50％条件下和大于50％条件下的可信身份辨识问题，本发明进一步解决之前效果不佳，效率低的问题，依据高维空间下不同样本最佳汇聚深度不同的原理进行虚假属性检测和可信身份计算，较之前的方法可以适应更加复杂的
场景。
[0124]
本发明所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0125]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0126]
本说明书中的各个实施方式采用递进的方式描述，各个实施方式之间相同或相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。本发明的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
[0127]
以上实施例仅用以说明本发明的技术方案，而非对本发明限制；尽管参照前述实施例对本发明进行了详细的说明，本领域普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明技术方案的范围。

技术特征：
1.一种协同身份辨识与虚假属性检测的认证方法，其特征在于，包括：获取待测对象的多维身份属性分别对应的多个第一特征，在数据库中查找与每个所述第一特征对应的多条数据，并将所述多条数据合并为识别结果集合topl；将所述识别结果集合topl输入至训练好的深度训练器中，得到最优深度；利用逐阶共识方法对所述识别结果集合topl与所述最优深度进行计算，得到共识身份集合，并分别计算所述共识身份集合中各共识身份的汇聚度，确定所述汇聚度最小的共识身份为最优共识身份；判断所述最优共识身份的多个第二特征是否在第一集合topδ中，得到判断结果，并根据判断结果对特征标识进行赋值，分别得到所述最优共识身份的多个第二特征的特征标识；其中，输出所述最优共识身份的多个第二特征对应的所述特征标识，完成所述待测对象的身份认证。2.根据权利要求1所述的协同身份辨识与虚假属性检测的认证方法，其特征在于，所述数据库中包括多条已知对象的数据，每条所述已知对象的数据包括：共识身份、多维身份属性以及与所述多维身份属性对应的多个第三特征。3.根据权利要求2所述的协同身份辨识与虚假属性检测的认证方法，其特征在于，所述在数据库中查找与每个所述第一特征对应的多条数据，并将所述多条数据合并为识别结果集合topl，具体包括：分别计算所述多个第一特征中每个第一特征与数据库中每条数据的多个第三特征中的相同特征之间的相似度，并根据所述相似度对所述已知对象进行排序，得到与每个所述第一特征对应的已知对象的排序；确定所述每个所述第一特征对应的已知对象的排序为前l的多条数据，将多条数据组成识别结果集合topl。4.根据权利要求1所述的协同身份辨识与虚假属性检测的认证方法，其特征在于，所述利用逐阶共识方法对所述识别结果集合topl与所述最优深度进行计算，得到共识身份集合，具体包括：初始化所述共识身份集合、共识值集合以及汇聚度值集合；其中，所述共识值集合的大小与所述数据库中数据的数量相同；在所述识别结果集合topl中，分别查找与多个所述第一特征的特征值相等的数据，得到多个查找数据；对所述多个查找数据中相同数据出现的次数进行统计，并将统计结果记录在所述共识值集合中；结合所述最优深度，获取所述共识值集合中所述统计结果大于或者等于第二阈值的数据，并将对应的已知对象存储至所述共识身份集合中，得到所述共识身份集合。5.根据权利要求1所述的协同身份辨识与虚假属性检测的认证方法，其特征在于，所述分别计算所述共识身份集合中各共识身份的汇聚度，具体包括：分别判断所述共识身份的多维身份属性的多个第二特征是否在所述识别结果集合topl中，若否，则将所述第二特征对应的第二特征汇聚度赋值为1，所述汇聚度的取值范围为(0,1]；
若是，分别对所述共识身份的多维身份属性的多个第二特征进行汇聚度计算，得到多个第二特征汇聚度的值，并将多个第二汇聚度的值相加求平均值，得到所述共识身份的汇聚度。6.根据权利要求1所述的协同身份辨识与虚假属性检测的认证方法，其特征在于，所述汇聚度具体表示为：其中，s表示已知对象m在所述识别结果集合topl中的排序位置；n表示所述多维身份属性的维数；l表示所述识别结果集合topl的大小；k(m)表示已知对象m的汇聚度。7.根据权利要求1所述的协同身份辨识与虚假属性检测的认证方法，其特征在于，所述第一集合topδ的大小表示为：δ＝min(8+s,l)其中，s表示所述最优深度；l表示所述识别结果集合topl的大小。8.根据权利要求1所述的协同身份辨识与虚假属性检测的认证方法，其特征在于，所述根据判断结果对特征标识进行赋值，具体包括：若所述判断结果为是，则将所述特征的所述特征标识设置为真；若所述判断结果为否，则将所述特征的所述特征标识设置为假。9.根据权利要求1所述的协同身份辨识与虚假属性检测的认证方法，其特征在于，待测对象的多维身份属性包括真实属性和虚假属性。10.一种协同身份辨识与虚假属性检测的认证装置，其特征在于，包括：识别结果集合获取模块，用于获取待测对象的多维身份属性分别对应的多个第一特征，在数据库中查找与每个所述第一特征对应的多条数据，并将所述多条数据合并为识别结果集合topl；最优深度计算模块，用于将所述识别结果集合topl输入至训练好的深度训练器中，得到最优深度；最优共识身份获取模块，用于利用逐阶共识方法对所述识别结果集合topl与所述最优深度进行计算，得到共识身份集合，并分别计算所述共识身份集合中各共识身份的汇聚度，确定所述汇聚度最小的共识身份为最优共识身份；特征标识获取模块，用于判断所述最优共识身份的多个第二特征是否在第一集合topδ中，得到判断结果，并根据判断结果对特征标识进行赋值，分别得到所述最优共识身份的多个第二特征的特征标识；其中，特征标识输出模块，用于输出所述最优共识身份的多个第二特征对应的所述特征标识，完成所述待测对象的身份认证。

技术总结
本发明公开了一种协同身份辨识与虚假属性检测的认证方法，涉及可信身份验证技术领域，该方法解决了现有技术中未知攻击难以检测的问题；该方法包括：获取待测对象的多维身份属性分别对应的多个第一特征，在数据库中查找与每个第一特征对应多条数据；确定最优深度；结合上述参数，得到共识身份集合，并分别计算汇聚度，确定最优共识身份；判断最优共识身份的多个第二特征是否在第一集合topδ中，得到判断结果，对多个第二特征的进行特征标识；输出特征标识，完成待测对象的身份认证；实现了利用无监督的未知攻击检测方法，提高了身份辨识方法的准确性以及系统的安全性能，以便实现身份精准辨识的目的。身份精准辨识的目的。身份精准辨识的目的。


技术研发人员：胡瑞敏 曲颖 彭春蕾 余成熙 岳菁斐 刘海涛 叶波
受保护的技术使用者：西安电子科技大学
技术研发日：2023.08.02
技术公布日：2023/9/14