一种增强银行账号安全的附加验证方法及系统与流程

1.本发明属于信息安全领域，具体涉及一种增强银行账号安全的附加验证方法及系统。


背景技术：

2.随着信息化的高速发展，信息安全越来越受到重视，尤其是银行领域，一旦由于验证识别漏洞导致用户数据遭到泄露，将面临极大的系统性风险。
3.目前，在用户对账户进行操作时，通常除了输入密码等固定信息之后，还需要进行附加验证，例如通过采集用户实时图像画面，判断画面的真实性或者准确性，此时后台服务器通过神经网络模型进行比对判断，然而由于神经网络算法在某些场景下进行图像识别时，算法或者样本的特性会使得图像分类产生错误，从而导致错误识别，使与识别结果不相关的图像被误认为是正确的结果，从而导致验证风险。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本发明提供了一种增强银行账号安全的附加验证方法及系统。本发明要解决的技术问题通过以下技术方案实现：一种增强银行账号安全的附加验证方法，包括：获取样本图像，并对所述样本图像的像素进行编码得到编码像素，其中，所述编码像素由预设编码结构表示，所述预设编码结构由像素r通道位阶等级、像素位置坐标和像素rgb通道值的二进制表示，所述像素r通道位阶等级由像素r通道像素灰阶值确定；根据所述编码像素的第一位取值将所述样本图像的像素分为高位阶样本和低位阶样本；初始化神经网络模型，并基于所述预设编码结构生成与所述高位阶样本和低位阶样本的数量比例对应数量的初始种群；计算所述种群中每个个体的适应度值；根据所述适应度值对所述初始种群进行迭代优化，当满足扰动条件时，输出适应度值最小的个体作为扰动个体训练所述神经网络模型；响应于接收到账号的操作请求以及验证图像，根据训练好的神经网络模型判断所述验证图像是否为干扰图像，若否，则基于所述操作请求执行相应的操作。
5.在一个具体实施方式中，所述像素r通道位阶等级的计算公式为：，其中，ra表示像素的r通道像素灰阶值，rmax表示样本图像中r通道像素灰阶的最大值，rmin表示样本图像中r通道像素灰阶的最小值，rgamma表示样本图像的灰阶分辨率，α表示位阶等级参数。
6.在一个具体实施方式中，根据所述编码像素的第一位取值将所述样本图像分为高位阶样本和低位阶样本，包括：将所述编码像素的第一位取值为1的像素作为高位阶样本，将所述预设编码结构第一位取值为0的像素作为低位阶样本。
7.在一个具体实施方式中，基于所述预设编码结构生成与所述高平滑样本和低平滑样本的数量比例对应数量的初始种群包括：根据预设编码结构得到初始化概率模型，所述初始化概率模型包括高概率模型和低概率模型，其中所述高概率模型的概率取值为0.55-0.65，所述低概率模型的概率取值为0.35-0.45；依次选取随机数r分别与所述高概率模型和低概率模型中的每个概率值进行比较，将概率值大于r的数值置1，将将概率值小于r的位数值置0，依次得到若干与该比例相应的高概率初始种群个体和低概率初始种群个体得到种群个体，其中r∈(0,1)。
8.在一个具体实施方式中，计算所述种群中每个个体的适应度值，包括：将所述种群中每个像素个体依次作为扰动像素，生成对应的对抗样本，将所述对抗样本输入神经网络模型中进行识别，得到与该对抗样本对应的分类置信度，将所述分类置信度作为所述种群中对应像素个体的适应度值。
9.本发明同时提供一种增强银行账号安全的附加验证系统，包括：样本获取模块，用于获取样本图像，并对所述样本图像的像素进行编码得到编码像素，以及根据所述编码像素的第一位取值将所述样本图像的像素分为高位阶样本和低位阶样本，其中，所述编码像素由预设编码结构表示，所述预设编码结构由像素r通道位阶等级、像素位置坐标和像素rgb通道值的二进制表示，所述像素r通道位阶等级由像素r通道像素灰阶值确定；初始化模块，用于初始化神经网络模型，并基于所述预设编码结构生成与所述高位阶样本和低位阶样本的数量比例对应数量的初始种群；适应度计算模块，用于计算所述种群中每个个体的适应度值；迭代训练模块，用于根据所述适应度值对所述初始种群进行迭代优化，当满足扰动条件时，输出适应度值最小的个体作为扰动个体训练所述神经网络模型；附加验证模块，用于响应于接收到账号的操作请求以及验证图像，根据训练好的神经网络模型判断所述验证图像是否为干扰图像，若否，则基于所述操作请求执行相应的操作。
10.在一个具体实施方式中，所述像素r通道位阶等级的计算公式为：，其中，ra表示像素的r通道像素灰阶值，rmax表示样本图像中r通道像素灰阶的最大值，rmin表示样本图像中r通道像素灰阶的最小值，rgamma表示样本图像的灰阶分辨率，α表示位阶等级参数。
11.在一个具体实施方式中，所述样本获取模块具体用于，将所述编码像素的第一位取值为1的像素作为高位阶样本，将所述预设编码结构第一位取值为0的像素作为低位阶样
本。
12.在一个具体实施方式中，所述初始化模块包括：概率模型初始化单元，用于根据预设编码结构得到初始化概率模型，所述初始化概率模型包括高概率模型和低概率模型，其中所述高概率模型的概率取值为0.55-0.65，所述低概率模型的概率取值为0.35-0.45；种群初始化单元，用于依次选取随机数r分别与所述高概率模型和低概率模型中的每个概率值进行比较，将概率值大于r的数值置1，将将概率值小于r的位数值置0，依次得到若干与该比例相应的高概率初始种群个体和低概率初始种群个体得到种群个体，其中r∈(0,1)。
13.在一个具体实施方式中，所述适应度计算模块具体用于将所述种群中每个像素个体依次作为扰动像素，生成对应的对抗样本，将所述对抗样本输入神经网络模型中进行识别，得到与该对抗样本对应的分类置信度，将所述分类置信度作为所述种群中对应像素个体的适应度值。
14.本发明的有益效果：本发明的增强银行账号安全的附加验证方法考虑到图像识别中的扰动干扰，对概率模型进行区分，能够根据不同的识别场景进行种群的筛选，从而保证了种群演化的多样性，有利于寻找最优扰动方案以提高扰动攻击的成功率，从而提高神经网络模型的安全性和识别准确率，以实现高效、快速生成扰动图像达到检测深度神经网络安全漏洞的目的。
15.以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
16.图1是本发明实施例提供的一种增强银行账号安全的附加验证方法流程示意图；图2是本发明实施例提供的一种增强银行账号安全的附加验证系统模块框图。
具体实施方式
17.下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
18.实施例一请参见图1，图1是本发明实施例提供的一种增强银行账号安全的附加验证方法流程示意图，包括：s1、获取样本图像，并对所述样本图像的像素进行编码得到编码像素，其中，所述编码像素由预设编码结构表示，所述预设编码结构由像素r通道位阶等级、像素位置坐标和像素rgb通道值的二进制表示，所述像素r通道位阶等级由像素r通道像素灰阶值确定；本示例可以选择目前主流的数据集cifar-10，该数据集包括60000张32
×
32的彩色图像，其中训练集50000张，测试集10000张，其中没有任何的重叠情况，也不会在同一张照片中出现两类事物。这些数据集可供神经网络模型训练，训练好图像分类的网络模型后便从数据集中选取部分标记过的数据集。
19.本实施例的编码像素的格式为(k，x，y，r，g，b)，其中k表示像素r通道位阶等级，取值为0-3，即00、01、10、11；xy表示像素位置坐标，由于cifar-10数据集图像为32
×
32的彩色
图像，因此xy取值均为0-31，即00000-11111，其中坐标定义根据情况自行设置，例如将左上角第一颗像素的位置坐标定义为(00000,00000),右下角最后一颗像素定义为(11111,11111)，，rgb表示像素rgb通道值，在不进行灰阶压缩的情况下，每个通道的灰阶值主流为0-255，即00000000-11111111。
20.在此需要对像素r通道位阶等级进行说明，在遗传算法的初始种群选取时，一般都采用无差别的随机方式生成，由于不同的样本图像其图像的灰度特征均具有差异，本示例选择r通道的灰度特征表示样本图像的整体灰阶特征，例如灰阶整体偏大或者整体偏小，并根据偏大偏小的比例侧重性的进行后续的初始种群选择，具体的，像素r通道位阶等级的计算公式为：，其中，ra表示像素的r通道像素灰阶值，rmax表示样本图像中r通道像素灰阶的最大值，rmin表示样本图像中r通道像素灰阶的最小值，rgamma表示样本图像的灰阶分辨率，α表示位阶等级参数，该参数根据实际情况进行选择，具体与灰阶分辨率相关，在主流灰阶分辨率为255的情况下，优选的α为0.35-0.4。
21.例如样本图像中坐标(8,12)(由于cifar-10数据集图像为32
×
32，因此坐标范围0-31，二进制表示为01000,01100)位置处的像素的处的像素灰阶值为(28,156,44)，则ra为28，该样本图像的rmax为236，rmin为8，rgamma为255，α为0.38，则得到k为1，即01。最终得到的编码为(0,1,0,1,0,0,0,0,1,1,0,0,0,0,0,1,1,1,0,0,1,0,0,1,1,1,0,0,0,0,1,0,1,1,0,0)，优选的，为方便进行计算，在初始化种群结束后，可将编码中不影响遗传结果的前两位去掉。
22.s2、根据所述编码像素的第一位取值将所述样本图像的像素分为高位阶样本和低位阶样本；具体的，将所述编码像素的第一位取值为1的像素作为高位阶样本，将所述预设编码结构第一位取值为0的像素作为低位阶样本。
23.参见上述示例，其编码像素的第一位取值为0，因此将该像素作为低位阶样本，依次对所有的编码像素进行分类，并得到高位阶样本和低位阶样本的比例，该比例之后用于遗传算法中的种群初始化。
24.s3、初始化神经网络模型，并基于所述预设编码结构生成与所述高位阶样本和低位阶样本的数量比例对应数量的初始种群；在进行种群初始化时，例如可以采用比例选择方法，其基本思想是：每个个体被选中的概率与其适应度大小成正比，而利用分布估计算法演化出最佳扰动像素的过程就需要这一特征，即将尽可能优秀的x,y,r,g,b值（即像素个体）保留下来，由于使用的是二进制编码，即用轮盘赌去选择该像素点的34位编码分别为0还是1。
25.优选的，基于所述预设编码结构生成与所述高平滑样本和低平滑样本的数量比例对应数量的初始种群包括：根据预设编码结构得到初始化概率模型，所述初始化概率模型包括高概率模型和低概率模型，其中所述高概率模型的概率取值为0.55-0.65，所述低概率模型的概率取值为0.35-0.45；
依次选取随机数r分别与所述高概率模型和低概率模型中的每个概率值进行比较，将概率值大于r的数值置1，将将概率值小于r的位数值置0，依次得到若干与该比例相应的高概率初始种群个体和低概率初始种群个体得到种群个体，其中r∈(0,1)。
26.利用轮盘赌法，选取随机数r并将其与初始的高概率模型和低概率模型中的概率值进行比较，例如初始的高概率模型为p=(p1,p2,...,pi,....)，pi为第i位二进制值取1的概率，该高概率模型中的pi取值为0.6，即表示为，p=(0.6,0.6,0.6,0.6,
…
)，选取随机数r并将其与高概率模型中的pi比较，若r《pi，则返回1，否则，则返回0，依次选取随机数r得到种群中一个个体的编码；按照该方法与低概率模型中的pi比较，最终得到与s2中比例关系一致的初始种群。
27.s4、计算所述种群中每个个体的适应度值；具体为，将所述种群中每个像素个体依次作为扰动像素，生成对应的对抗样本，将所述对抗样本输入神经网络模型中进行识别，得到与该对抗样本对应的分类置信度，将所述分类置信度作为所述种群中对应像素个体的适应度值。
28.计算像素个体的适应度的函数是利用神经网络模型识别图像进行分类的置信度，神经网络模型需要对某扰动图像进行特定分类，只有对目标类识别的置信度低，才代表该扰动像素个体适应度值较高。
29.s5、根据所述适应度值对所述初始种群进行迭代优化，当满足扰动条件时，输出适应度值最小的个体作为扰动个体训练所述神经网络模型；在本实施例中，若最小的适应度值小于0.5，则判断该适应度值满足扰动成功的条件，若不满足，则更新高概率模型和低概率模型并生成新的种群，新的种群可以根据前一次种群中适应度值由小到大进行排序，选择前一半的像素个体，通过交叉变异操作产生新的种群。
30.s6、响应于接收到账号的操作请求以及验证图像，根据训练好的神经网络模型判断所述验证图像是否为干扰图像，若否，则基于所述操作请求执行相应的操作。
31.本实施例的增强银行账号安全的附加验证方法考虑到图像识别中的扰动干扰，对概率模型进行区分，能够根据不同的识别场景进行种群的筛选，从而保证了种群演化的多样性，有利于寻找最优扰动方案以提高扰动攻击的成功率，从而提高神经网络模型的安全性和识别准确率，以实现高效、快速生成扰动图像达到检测深度神经网络安全漏洞的目的。
32.请继续参见图2，本发明同时提供一种增强银行账号安全的附加验证系统，包括：样本获取模块21，用于获取样本图像，并对所述样本图像的像素进行编码得到编码像素，以及根据所述编码像素的第一位取值将所述样本图像的像素分为高位阶样本和低位阶样本，其中，所述编码像素由预设编码结构表示，所述预设编码结构由像素r通道位阶等级、像素位置坐标和像素rgb通道值的二进制表示，所述像素r通道位阶等级由像素r通道像素灰阶值确定；初始化模块22，用于初始化神经网络模型，并基于所述预设编码结构生成与所述高位阶样本和低位阶样本的数量比例对应数量的初始种群；适应度计算模块23，用于计算所述种群中每个个体的适应度值；迭代训练模块24，用于根据所述适应度值对所述初始种群进行迭代优化，当满足扰动条件时，输出适应度值最小的个体作为扰动个体训练所述神经网络模型；附加验证模块25，用于响应于接收到账号的操作请求以及验证图像，根据训练好
的神经网络模型判断所述验证图像是否为干扰图像，若否，则基于所述操作请求执行相应的操作。
33.在一个具体实施方式中，所述像素r通道位阶等级的计算公式为：，其中，ra表示像素的r通道像素灰阶值，rmax表示样本图像中r通道像素灰阶的最大值，rmin表示样本图像中r通道像素灰阶的最小值，rgamma表示样本图像的灰阶分辨率，α表示位阶等级参数。
34.在一个具体实施方式中，所述样本获取模块具体用于，将所述编码像素的第一位取值为1的像素作为高位阶样本，将所述预设编码结构第一位取值为0的像素作为低位阶样本。
35.在一个具体实施方式中，所述初始化模块包括：概率模型初始化单元，用于根据预设编码结构得到初始化概率模型，所述初始化概率模型包括高概率模型和低概率模型，其中所述高概率模型的概率取值为0.55-0.65，所述低概率模型的概率取值为0.35-0.45；种群初始化单元，用于依次选取随机数r分别与所述高概率模型和低概率模型中的每个概率值进行比较，将概率值大于r的数值置1，将将概率值小于r的位数值置0，依次得到若干与该比例相应的高概率初始种群个体和低概率初始种群个体得到种群个体，其中r∈(0,1)。
36.在一个具体实施方式中，所述适应度计算模块具体用于将所述种群中每个像素个体依次作为扰动像素，生成对应的对抗样本，将所述对抗样本输入神经网络模型中进行识别，得到与该对抗样本对应的分类置信度，将所述分类置信度作为所述种群中对应像素个体的适应度值。
37.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
38.尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保护的本技术过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
39.本领域技术人员应明白，本技术的实施例可提供为方法、系统(设备)、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式，这里将它们都统称为“模块”或“系统”。而且，本技术可采用在一个或多个其
中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过internet或其它有线或无线电信系统。
40.本技术是参照本技术实施例的方法、系统(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
41.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
42.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
43.以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。