[发明专利]一种基于虚假属性检测的可信身份辨识方法及装置

说明书

本发明涉及一种基于虚假属性检测的可信身份辨识方法及装置，包括：通过M个已知对象建立已知身份属性信息库；提取每个已知对象的N维生物特征属性对应的N条特征；利用特征模板与待测对象的N维生物特征属性中对应的生物特征属性进行匹配，选取相似度较大的L个识别结果作为生物特征属性的识别结果；利用基于汇聚度的共识算法对L个识别结果进行计算，将局部汇聚度值最小的身份作为共识身份；根据共识身份的每个生物特征属性是否处于L个识别结果中确定共识身份的标志；根据标志确定生物特征属性的真实性；输出检测到的虚假属性和作为可信身份的共识身份。本发明探索无监督虚假身份属性检测技术研究的新途径，提高未知攻击条件下身份辨识精度。

技术领域

本发明属于可信身份辨识技术领域，涉及一种基于虚假属性检测的可信身份辨识方法及装置。

背景技术

近年来，我国互联网技术发展迅速，在线交易、身份认证、线上办公等越来越常态化，网络身份真假难辨，可信身份辨识成为愈受重视的关键技术。

加快构建可信身份体系，对服务网络空间安全和发展具有重要意义。其中网络上的虚假身份由各种各样的攻击造成，因此，可信身份认证需要解决人为攻击的问题。目前针对已知攻击的解决效果很好，但是解决未知攻击的挑战更为严峻，因为未知攻击难以通过已有的经验和数据有效地进行预防。

目前随着人工智能、机器学习的快速发展，利用生物特征属性进行身份辨识获得了较高的准确率，并在生活中得到了广泛的应用。现有的单模态生物识别方法容易受到非普遍性、环境变化、欺骗攻击等因素的限制，其识别准确率和方法安全性大打折扣，新的可信身份认证技术亟待现身。

2020年Keshav Gupta等人在Applied Intelligence(CCF C刊)上提出了一种自适应结合个体分类器分数的多模态生物识别系统。提出了基于质量的分数融合方法区分欺骗攻击和噪声输入。该方法在三个嵌合的多模态数据库上进行了测试，结果验证了所提出的多模态生物特征系统的准确率为 99.5％，其性能优于目前最先进的方法。

2020年，Anjith George等人在TIFS(CCF A刊)中提出一种使用一类分类器的演示攻击检测新框架，框架中所使用的表示是通过多通道卷积神经网络(MC-CNN)来学习的。引入一个新的损失函数，迫使网络在远离攻击表示情况下，学习真实类的紧致嵌入。该系统在公开可用的WMCA多通道人脸PAD数据库上进行了评估，该数据库包含了各种2D和3D攻击。在不可见攻击方案中的优异性能表明了该方法的有效性。

目前，可信身份辨识技术面临算法误差、环境误差和对抗攻击三大挑战，造成可信身份辨识准确率大幅降低，可信身份认证方法安全受到严重威胁。

1、算法误差：任何低维属性的身份辨识方法很难实现100％的准确度，必然存在一定的模糊空间。

2、环境变化：许多身份辨识算法在特定环境下可以发挥很好的作用，但是一旦使用环境发生较大变化时，识别性能会急剧下降，这就是环境改变引起的识别系统“时灵时不灵”的问题。

3、对抗攻击：随着身份辨识技术的广泛使用，各类人为身份攻击行为也越来越普遍。可信身份技术不仅面临着算法误差和环境误差的挑战，更严重的是大量身份攻击行为使得身份辨识技术必须具备更好的抗攻击性能，如何解决身份辨识方法“从理想到对抗的问题”也是身份辨识技术面临的重大挑战。

综上，在复杂动态变化的现实场景中，传统的身份认证方法面临环境干扰、欺骗攻击等问题，其中由未知攻击引起的虚假身份危害最大，造成识别准确率和系统安全性大打折扣。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于虚假属性检测的可信身份辨识方法及装置。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于虚假属性检测的可信身份辨识方法，所述可信身份辨识方法包括：