CN110532755B - 一种计算机实现的风险识别的方法及装置 - Google Patents

Abstract

本说明书公开了一种计算机实现的风险识别的方法及装置，在该方法中可以根据用户的业务操作，向该用户发起滑动验证，可以采集该用户进行滑动验证时执行滑动操作的当前滑动轨迹，根据该用户的历史滑动轨迹，确定该用户执行滑动操作的参照滑动轨迹，并对该当前滑动轨迹和该参照滑动轨迹进行比对，进而根据得到的比对结果，对该滑动操作进行风险识别。由于可以根据该用户的历史滑动轨迹，确定出能够反映出该用户执行滑动操作时滑动特点的参照滑动轨迹，从而通过将该参照滑动轨迹与该当前滑动轨迹进行比对的方式，识别出该用户当前所执行的滑动操作是否存在风险，防止服务平台不受不法份子的恶意攻击，有效的保证了服务平台的安全运行。

Description

一种计算机实现的风险识别的方法及装置

技术领域

本说明书涉及计算机技术领域，尤其涉及一种计算机实现的风险识别的方法及装置。

背景技术

为了降低不法份子执行诸如恶意注册、频繁登录等行为所带来的不利影响，在实际应用中，服务平台通常采用设置验证码的方式对用户的注册、登录、业务执行等行为进行验证，以确保这些行为的执行者是正常用户而非计算机等设备。

目前，服务平台设置的验证码的形式多种多样，这些验证码的形式包括：输入式验证码、问题验证码、图片选取式验证码等。而在众多形式的验证码中，滑动式验证码由于其操作简便，已经逐渐成为较为受欢迎的一种验证码形式。服务平台采用滑动式验证码对用户进行验证时，用户只需按照要求完成指定的滑动操作(如，按照提示将滑块移动到指定的位置中)，即可完成相应的验证。

然而在实际应用中，不法份子可以通过一些软件、程序等工具，通过机器模拟用户在滑动验证过程中执行的滑动操作，这样一来，将会使服务平台面临被恶意攻击的风险。

所以，如何能够有效的实现对用户在滑动验证过程中的滑动操作进行风险识别，则是一个亟待解决的问题。

发明内容

本说明书提供一种计算机实现的风险识别的方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种计算机实现的风险识别的方法，包括：

根据用户的业务操作，向用户发起滑动验证；

采集所述用户进行滑动验证时执行滑动操作的当前滑动轨迹；

获取与所述用户相关联的参照滑动轨迹，所述参照滑动轨迹基于所述用户执行滑动操作的历史滑动轨迹确定而来；

比对所述当前滑动轨迹以及所述参照滑动轨迹，并根据得到的比对结果对所述滑动操作进行风险识别。

可选地，根据所述用户的历史滑动轨迹，确定所述用户执行滑动操作的参照滑动轨迹的步骤包括：

确定所述当前滑动轨迹中轨迹起点的起点坐标和轨迹终点的终点坐标；

将所述起点坐标和所述终点坐标输入到预先通过所述用户的历史滑动轨迹训练出的轨迹生成模型，以确定所述用户执行滑动操作的参照滑动轨迹。

可选地，在比对所述当前滑动轨迹以及所述参照滑动轨迹的步骤之前，还包括：

采集所述用户进行滑动验证时执行滑动操作的行为数据；

根据所述行为数据，确定所述当前滑动轨迹对应的轨迹特征；

根据得到的比对结果对所述滑动操作进行风险识别的步骤包括：

根据所述轨迹特征以及所述比对结果，对所述滑动操作进行风险识别。

可选地，根据所述行为数据，确定所述当前滑动轨迹的轨迹特征的步骤包括：

在所述当前滑动轨迹中确定若干采样点；

针对每个采样点，至少根据所述行为数据，确定该采样点对应的采样点特征，所述采样点特征包括：用户执行所述滑动操作滑动至该采样点的滑动速率、所述当前滑动轨迹位于该采样点处的斜率中的至少一种；

按照所述若干采样点在所述当前滑动轨迹的先后顺序，将所述若干采样点对应的采样点特征进行排序，得到采样点特征序列；

将所述采样点特征序列确定为所述当前滑动轨迹的轨迹特征。

可选地，根据所述轨迹特征以及所述比对结果，对所述滑动操作进行风险识别的步骤包括：

确定所述当前滑动轨迹与所述参照滑动轨迹之间的轨迹差异；

根据所述轨迹特征以及所述轨迹差异，对所述滑动操作进行风险识别。

可选地，根据所述轨迹特征以及所述轨迹差异，对所述滑动操作进行风险识别的步骤包括：

将所述轨迹特征以及所述轨迹差异输入到预先训练的识别模型，以通过所述识别模型，对所述滑动操作进行风险识别。

可选地，所述识别模型包括：第一识别模型和第二识别模型中的至少一种，所述第一识别模型是通过预先确定出的各负样本训练得到的，所述第二识别模型是通过预先确定出的各正样本以及负样本训练得到的，所述正样本为根据各用户历史上存在风险的历史滑动轨迹以及历史行为数据确定出的样本，所述负样本为根据各用户历史上不存在风险的历史滑动轨迹以及历史行为数据确定出的样本。

可选地，将所述轨迹特征以及所述轨迹差异输入到预先训练的识别模型，以通过所述识别模型，对所述滑动操作进行风险识别的步骤包括：

将所述轨迹特征以及所述轨迹差异作为原始数据输入到所述第一识别模型中，得到所述第一识别模型基于所述原始数据重新构建的重构数据；

通过将所述重构数据和所述原始数据进行比对，对所述滑动操作进行风险识别。

可选地，将所述轨迹特征以及所述轨迹差异输入到预先训练的识别模型中，以通过所述识别模型对所述滑动操作进行风险识别的步骤包括：

将所述轨迹特征以及所述轨迹差异输入到所述第一识别模型，得到第一识别结果，将所述轨迹特征以及所述轨迹差异输入到第二识别模型，得到第二识别结果；

根据所述第一识别结果、第二识别结果，所述第一识别模型对应的第一权重以及所述第二识别模型对应的第二权重，对所述滑动操作进行风险识别。

本说明书提供了一种风险识别的装置，包括：

发起模块，用于根据用户的业务操作，向用户发起滑动验证；

采集模块，用于采集所述用户进行滑动验证时执行滑动操作的当前滑动轨迹；

获取模块，用于获取与所述用户相关联的参照滑动轨迹，所述参照滑动轨迹基于所述用户执行滑动操作的历史滑动轨迹确定而来；

识别模块，用于比对所述当前滑动轨迹以及所述参照滑动轨迹，并根据得到的比对结果对所述滑动操作进行风险识别。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述风险识别的方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述风险识别的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

本说明书提供的一种风险识别的方法，可以根据用户的业务操作，向该用户发起滑动验证，而后，可以采集该用户进行滑动验证时执行滑动操作的当前滑动轨迹，根据该用户的历史滑动轨迹，确定该用户执行滑动操作的参照滑动轨迹，并对该当前滑动轨迹和该参照滑动轨迹进行比对，进而根据得到的比对结果，对该滑动操作进行风险识别。

从上述方法中可以看出，由于可以根据该用户的历史滑动轨迹，确定出能够反映出该用户执行滑动操作时滑动特点的参照滑动轨迹，从而通过该参照滑动轨迹，对采集到的该用户当前进行滑动验证时执行滑动操作的当前滑动轨迹进行比对，进而可以根据得到的比对结果，识别出该用户当前所执行的滑动操作是否存在风险，防止服务平台不受不法份子的恶意攻击，有效的保证了服务平台的安全运行。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书提供的一种计算机实现的风险识别的流程示意图；

图2为本说明书提供的用户执行滑动操作的示意图；

图3为本说明书提供的当前滑动轨迹中采样点的示意图；

图4为本说明书提供的一种风险识别的装置示意图；

图5为本说明书提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书提供的一种计算机实现的风险识别的流程示意图，具体包括以下步骤：

S101：根据用户的业务操作，向用户发起滑动验证。

在本说明书中，用户在进行业务执行时，可以执行相应的业务操作，服务平台可以根据监测到的该业务操作，向该用户发起滑动验证。例如，用户在业务执行时，可以执行登录操作，服务平台在监测到该登录操作时，可以采用滑动验证码的验证方式，对该用户发起的滑动验证，以验证该登录操作是由该用户本人发起的，还是由机器通过模拟用户登录操作的方式而发起的。

S102：采集所述用户进行滑动验证时执行滑动操作的当前滑动轨迹。

用户根据服务平台发起的滑动验证执行滑动操作时，服务平台可以采集到该用户当前所执行的滑动操作的当前滑动轨迹。在实际应用中，用户执行滑动操作所得到的滑动轨迹能够在一定程度上反映出该滑动操作的特性，而一般来说，机器模拟出的滑动操作和用户本人所执行的滑动操作，其得到的滑动轨迹在特性上往往存在一定的差异。所以，在本说明书中，服务平台可以在后续过程中，基于采集到的该当前滑动轨迹，对该用户执行的该滑动操作进行风险识别。

S103：获取与所述用户相关联的参照滑动轨迹，所述参照滑动轨迹基于所述用户执行滑动操作的历史滑动轨迹确定而来。

服务平台可以获取该用户在历史上进行滑动验证时执行历史滑动操作的各历史滑动轨迹，进而根据这些历史滑动轨迹，确定出该用户执行滑动操作的参照滑动轨迹。

其中，这里提到的参照滑动轨迹能够反映出该用户执行滑动操作时的个性化特点，参照滑动轨迹不仅能够在一定程度上区分出用户本人执行的滑动操作和机器模拟出的滑动操作，而且，参照滑动轨迹还能够区分出不同用户进行滑动验证时所执行的滑动操作。

在本说明书中，服务平台可以预先根据获取到的历史滑动轨迹，离线确定出与该用户相关联的各参照滑动轨迹并保存。当对该用户执行的滑动操作进行风险识别时，可以从预先保存的各参照滑动轨迹中，确定出与该当前滑动轨迹相匹配的参照滑动轨迹，进而通过将这两个轨迹进行比对的方式，对该用户执行的滑动操作进行风险识别。

其中，服务平台可以根据获取到的历史滑动轨迹，确定出不同轨迹起点和不同轨迹终点组合而成的各参照滑动轨迹。所以，上述提到的从预先保存的各参照滑动轨迹中确定出与该当前滑动轨迹相匹配的参照滑动轨迹，实际上是指，将各参照滑动轨迹中，轨迹起点和轨迹终点与该当前滑动轨迹相匹配的参照滑动轨迹，确定为与该当前滑动轨迹相匹配的参照滑动轨迹。

当然，在本说明书中，服务平台也可以实时确定出与该用户相关联的参照滑动轨迹。具体的，服务平台可以确定出该当前滑动轨迹中轨迹起点的起点坐标以及轨迹终点的终点坐标，进而将该起点坐标和终点坐标输入到预先训练的轨迹生成模型中，得到的该参照滑动轨迹。

上述提到的轨迹生成模型，是服务平台根据获取针对该用户的历史滑动轨迹所训练出的。所以，服务平台预先保存的各参照滑动轨迹也可以根据训练出的轨迹生成模型而得出。由于不同用户对应的轨迹生成模型都是由各自的历史滑动轨迹训练出的，所以，不同用户对应的轨迹生成模型有所不同。具体的，在本说明书中，服务平台可以针对所有的用户账号，配置统一的轨迹生成模型，该统一的轨迹生成模型是未经训练的，其基于相同的输入所输出的参照滑动轨迹是相同的。而服务平台通过获取到的各用户的历史滑动轨迹对各轨迹生成模型进行训练后，不同用户账号对应的轨迹生成模型所输出的参照滑动轨迹能够反映出不同用户在执行滑动操作时的个性化特点，即，随着对这些轨迹生成模型的不断训练，各轨迹生成模型所输出的参照滑动轨迹逐渐呈现出差异性。

在本说明书中，服务平台在获取到上述当前滑动轨迹后，可以根据该用户执行该滑动操作所基于的用户账号，确定出预先通过该用户账号对应用户的历史滑动轨迹训练出的轨迹生成模型，进而根据该轨迹生成模型，确定出与该用户账号对应用户相关联的参照滑动轨迹。

其中，上述提到的起点坐标和终点坐标所基于的坐标系可以是通过用户所使用的终端的屏幕构建出的坐标系，也可以是基于滑动验证界面所构建出的坐标系，抑或是基于用户进行业务执行时所涉及的业务界面构建出的坐标系，如图2所示。

图2为本说明书提供的用户执行滑动操作的示意图。

用户进行业务执行时，服务平台可以向该用户发起滑动验证。用户可以在所使用的终端的界面中参考到用于进行滑动验证的滑动验证界面，进而可以在该滑动验证界面中执行滑动操作。其中，图2中分别示出了终端的界面、滑动验证界面以及业务界面。所以，服务平台确定出的上述起点坐标和终点坐标时所基于的坐标系，可以是基于上述任意界面所构建出的坐标系。

S104：比对所述当前滑动轨迹以及所述参照滑动轨迹，并根据得到的比对结果对所述滑动操作进行风险识别。

在确定出上述参照滑动轨迹后，服务平台可以将采集到的当前滑动轨迹和该参照滑动轨迹进行比对，得到相应的比对结果，进而根据该比对结果对该用户当前执行的滑动操作进行风险识别。

具体的，服务可以确定出该当前滑动轨迹和该参照滑动轨迹之间的相似度，若确定该相似度超过设定相似度，则确定出该当前滑动轨迹和该参照滑动轨迹之间的差异性较大，进而确定出该用户当前执行的该滑动操作存在风险，而若确定该相似度不超过该设定相似度，则确定出该当前滑动轨迹和该参照滑动轨迹之间的差异性较小，进而确定出该用户当前执行的该滑动操作不存在风险。

其中，这里提到的存在风险可以分为以下几种情况：

第一：若是上述当前滑动轨迹为该用户采集机器模拟出的滑动操作所形成的滑动轨迹，则可以通过确定出的该用户的参照滑动轨迹与该当前滑动轨迹之间的差异性过大，识别出该用户当前执行的该滑动操作存在风险，即，识别出该用户当前所执行的滑动操作为机器模拟出的滑动操作。

第二：对于该用户所执行的滑动操作是基于盗取的其他用户的用户账号来实施的情况来说，由于不同用户所执行的滑动操作在滑动轨迹上存在一定的差异，所以，若服务平台确定出的该照滑动轨迹与该当前滑动轨迹之间的差异性过大，则识别出该滑动操作存在风险，从而有效的防止了用户账号被盗而该该用户账号的用户带来的损失。

从上述方法中可以看出，由于可以根据该用户的历史滑动轨迹，确定出能够反映出该用户执行滑动操作时滑动特点的参照滑动轨迹，从而通过该参照滑动轨迹，对采集到的该用户当前进行滑动验证时执行滑动操作的当前滑动轨迹进行比对，进而可以根据得到的比对结果，识别出该用户当前所执行的滑动操作是否存在风险，防止服务平台不受不法份子的恶意攻击，有效的保证了服务平台的安全运行。

需要说明的是，服务平台除了可以通过轨迹比对的方式，对该用户执行的滑动操作进行风险识别外，还可以结合其他方式来进行风险识别。具体的，在本说明书中，服务平台在采集上述当前滑动轨迹的同时，还可以采集该用户在执行滑动操作时的行为数据。其中，该行为数据用于反映该用户在执行滑动操作时的操作状态，例如，执行滑动操作的快慢、执行滑动操作时是否有停顿等。服务平台可以基于采集到的行为数据，确定出该当前滑动轨迹的轨迹特征，进而通过该轨迹特征，对该用户执行的滑动操作进行风险识别。

服务平台采集到上述当前滑动轨迹后，在该当前滑动轨迹中确定出若干采样点，采样点的形式如图3所示。

图3为本说明书提供的当前滑动轨迹中采样点的示意图。

假设，服务平台要求用户需要在滑动验证界面中将各标记点按照自上而下的顺序连接起来方可通过验证。用户按照服务平台的要求执行滑动操作后，服务平台可以得到如图3所示的当前滑动轨迹。服务平台可以在该当前滑动轨迹中确定出如图3所示的各采样点，进而在后续过程中，通过确定各采样点的采样点特征，确定出该当前滑动轨迹的轨迹特征。

服务平台确定若干采样点的方式可以有很多，例如，服务平台可以在该当前滑动轨迹中确定出设定数量的采样点，在该当前滑动轨迹中，各采样点之间的轨迹间距相同；再例如，服务平台可以在滑动验证界面中均匀的划分出各采样点，而后，可以进一步地确定出该当前滑动轨迹穿过了哪些采样点，进而将该当前滑动轨迹所穿过的采样点作为该当前滑动轨迹中的采样点。其他的方式在此就不一一举例说明了。

从上述当前滑动轨迹中确定出各采样点后，服务平台可以针对每个采样点，至少根据采集到的行为数据，确定出该采样点对应的采样点特征，其中，这里提到的采样点特征包括：用户执行滑动操作滑动至该采样点时的滑动速率、该当前滑动轨迹位于该采样点处的斜率等维度的数据。

其中，服务平台采集到的行为数据中可以包含有用户执行滑动操作时的各瞬时操作速率，基于这些瞬时操作速率，服务平台可以针对每个采样点，确定出用户执行滑动操作滑动至该采样点时的滑动速率。服务平台可以根据采集到的当前滑动轨迹，确定在该当前滑动轨迹中位于该采样点处的斜率。

在本说明书中，服务平台也可以在上述参照滑动轨迹中确定各采样点，针对当前滑动轨迹中包含的每个采样点，确定出在该参照滑动轨迹中与该采样点相匹配的采样点(如相距最近的采样点)作为匹配采样点，进而将该采样点与该匹配采样点之间的间距，作为该采样点的一项采样点特征。

服务平台可以按照上述方式，确定出当前滑动轨迹中每个采样点的采样点特征，而后，可以按照各采样点在该当前滑动轨迹中的排序，将各采样点的采样点特征进行排序，得到采样点特征序列，进而将该采样点特征序列作为该当前滑动轨迹的轨迹特征。

从这里的轨迹特征可以看出，该轨迹特征并不是从整个上反映该当前滑动轨迹的特点，而是能够在一定程度上反映出该当前滑动轨迹中不同位置的特点。基于此，服务平台可以基于该轨迹特征，以及上述得到的比对结果，对该用户执行的滑动操作进行风险识别。

具体的，在本说明书中，服务平台可以通过比对该当前滑动轨迹以及该参照滑动轨迹，确定出该当前滑动轨迹与该参照滑动轨迹之间的轨迹差异。其中，这里提到的轨迹差异的表现方式可以有很多，如，可以直接将两者的相似度作为该轨迹差异，也可以通过两者的相似度以及预设的算法，确定出该轨迹差异。其他方式在此就不详细举例说明了。

服务平台可以将该轨迹差异以及上述提到的轨迹特征输入到预先训练的识别模型中，以通过该识别模型，对该滑动操作进行风险识别。其中，本说明书提到的识别模型可以包括第一识别模型和第二识别模型。第一识别模型可以通过预先确定出的各负样本训练得到的。而第二识别模型可以通过预先确定出的各正样本以及负样本训练得到的。这里提到的正样本可以是指各用户在历史上存在风险的历史滑动轨迹以及历史行为数据，而负样本则是指各用户在历史上不存在风险的历史滑动轨迹以及历史行为数据。该第一识别模型可以采用无监督学习的方式进行训练，而第二识别模型可以采用有监督学习的方式进行训练。

在本说明书中，服务平台可以将上述轨迹特征以及轨迹差异输入到第一识别模型，以通过该第一识别模型识别出用户执行的滑动轨迹是否存在风险。其中，由于该第一识别模型在训练过程中仅是采用负样本训练得到的，所以，第一识别模型可以采用诸如长短记忆网络-自动编码机(LSTM-AutoEncoder)等重构算法进行构建。该第一识别模型可以按照一定的方式将输入的原始数据(即轨迹特征和轨迹差异)进行重构，得到重构数据，并对重构数据和原始数据进行比对，若是两者较为接近，则可确定出该用户执行滑动操作时不存在风险，否则，确定该用户执行滑动操作时存在风险。

服务平台也可以通过第二识别模型，识别该用户执行滑动操作时是否存在风险。当然，在本说明书中，服务平台也可以将这两种识别模型一同使用，来对该用户执行的滑动操作进行风险识别。具体的，服务平台可以将该轨迹特征以及轨迹差异输入到第一识别模型中，得到第一识别结果，同时，可以将该轨迹特征和轨迹差异输入到第二识别模型中，得到第二识别结果。而后，服务平台可以根据该第一识别结果、第二识别结果、第一识别模型对应的第一权重以及第二识别模型对应的第二权重，确定出最终识别结果，进而根据该最终识别结果，对该用户执行的滑动操作进行风险识别。

另外，在本说明书中，服务平台也可以仅将上述轨迹特征输入到的识别模型中，得到识别结果，进而根据该识别结果，以及通过将当前滑动轨迹和参照滑动轨迹进行比对得到的比对结果，确定出该用户执行的滑动操作是否存在风险。

换句话说，通过轨迹特征对该滑动操作进行风险识别，和通过将当前滑动轨迹和参照滑动轨迹进行比对来进行风险识别可以视为两种方式。服务平台可以分别采用这两种方式来对该滑动操作进行风险识别，进而综合这两种方式的识别结果，确定用户执行该滑动操作时是否存在风险。

当然，除了上述两种方式以外，服务平台还可以采用其他的方式进行风险识别。例如，服务平台也可以通过识别用户执行滑动操作时所基于的硬件信息(如设备ID)和软件信息(软件版本号、系统ID等)，来对该用户执行的滑动操作进行风险识别。其中，服务平台中保存有硬件信息和软件信息的黑名单，服务平台可以在该黑名单中查询是否包含有采集到的硬件信息和软件信息，来确定该用户执行滑动操作时是否存在风险。

再例如，服务平台采集到上述行为数据后，可以确定出用于表征该当前滑动轨迹整体特点的整体特征，如，用户执行滑动操作得到该当前滑动轨迹所用的时长，该当前滑动轨迹的轨迹长度、执行滑动操作得到该当前滑动轨迹的平均操作速率等。服务平台可以通过确定出的整体特征，来识别该用户执行滑动操作时是否存在风险。其他的方式在此就不详细举例说明了。当然，服务平台也可以结合上述提到的这几种方式，综合的识别出该用户执行的滑动操作是否存在风险。

还需说明的是，服务平台可以分别根据第一识别模型和第二识别模型各自所需的样本，对这两个识别模型分别进行训练。当然，服务平台也可以对这两个识别模型进行综合训练。具体的，服务平台可以使用预先得到的负样本对第一识别模型进行训练时，可以得到重构算法的损失函数的损失值loss₁。同理，服务平台使用预先得到的正样本和负样本对第二识别模型进行训练时，可以得到第二识别模型采用的损失函数的loss₂和loss₃，其中，第二识别模型所采用的损失函数中包含有损失项和正则项，loss₂为通过该损失项得到的损失值，而loss₃为通过该正则项得到的损失值。服务平台得到上述三个损失值后，可以按照下述公式，确定出综合损失值。

Loss＝λ₁loss₁+λ₂loss₂+λ₃loss₃

其中，λ₁、λ₂和λ₃分别是loss₁、loss₂和loss₃的损失权重。服务平台可以该综合损失值为优化目标，对第一识别模型和第二识别模型进行训练。

以上为本说明书的一个或多个实施例提供的风险识别的方法，基于同样的思路，本说明书还提供了相应的风险识别的装置，如图4所示。

图4为本说明书提供的一种风险识别的装置示意图，具体包括：

发起模块401，用于根据用户的业务操作，向用户发起滑动验证；

采集模块402，用于采集所述用户进行滑动验证时执行滑动操作的当前滑动轨迹；

获取模块403，用于获取与所述用户相关联的参照滑动轨迹，所述参照滑动轨迹基于所述用户执行滑动操作的历史滑动轨迹确定而来；

识别模块404，用于比对所述当前滑动轨迹以及所述参照滑动轨迹，并根据得到的比对结果对所述滑动操作进行风险识别。

可选地，所述确定模块403具体用于，确定所述当前滑动轨迹中轨迹起点的起点坐标和轨迹终点的终点坐标；将所述起点坐标和所述终点坐标输入到预先通过所述用户的历史滑动轨迹训练出的轨迹生成模型，以确定所述用户执行滑动操作的参照滑动轨迹。

可选地，在所述识别模块404执行比对所述当前滑动轨迹以及所述参照滑动轨迹之前，所述采集模块402还用于，采集所述用户进行滑动验证时执行滑动操作的行为数据；根据所述行为数据，确定所述当前滑动轨迹对应的轨迹特征；

所述识别模块404具体用于，根据所述轨迹特征以及所述比对结果，对所述滑动操作进行风险识别。

可选地，所述采集模块402具体用于，在所述当前滑动轨迹中确定若干采样点；针对每个采样点，至少根据所述行为数据，确定该采样点对应的采样点特征，所述采样点特征包括：用户执行所述滑动操作滑动至该采样点的滑动速率、所述当前滑动轨迹位于该采样点处的斜率中的至少一种；按照所述若干采样点在所述当前滑动轨迹的先后顺序，将所述若干采样点对应的采样点特征进行排序，得到采样点特征序列；将所述采样点特征序列确定为所述当前滑动轨迹的轨迹特征。

可选地，所述识别模块404具体用于，确定所述当前滑动轨迹与所述参照滑动轨迹之间的轨迹差异；根据所述轨迹特征以及所述轨迹差异，对所述滑动操作进行风险识别。

可选地，所述识别模块404具体用于，将所述轨迹特征以及所述轨迹差异输入到预先训练的识别模型，以通过所述识别模型，对所述滑动操作进行风险识别。

可选地，所述识别模型包括：第一识别模型和第二识别模型中的至少一种，所述第一识别模型是通过预先确定出的各负样本训练得到的，所述第二识别模型是通过预先确定出的各正样本以及负样本训练得到的，所述正样本为根据各用户历史上存在风险的历史滑动轨迹以及历史行为数据确定出的样本，所述负样本为根据各用户历史上不存在风险的历史滑动轨迹以及历史行为数据确定出的样本。

可选地，所述识别模块404具体用于，将所述轨迹特征以及所述轨迹差异作为原始数据输入到所述第一识别模型中，得到所述第一识别模型基于所述原始数据重新构建的重构数据；通过将所述重构数据和所述原始数据进行比对，对所述滑动操作进行风险识别。

可选地，所述识别模块404具体用于，将所述轨迹特征以及所述轨迹差异输入到所述第一识别模型，得到第一识别结果，将所述轨迹特征以及所述轨迹差异输入到第二识别模型，得到第二识别结果；根据所述第一识别结果、第二识别结果，所述第一识别模型对应的第一权重以及所述第二识别模型对应的第二权重，对所述滑动操作进行风险识别。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的风险识别的方法。

本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的风险识别的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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。而且，本发明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。

本发明是参照根据本发明实施例的方法、设备(系统)、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。

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。

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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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。而且，本说明书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。

本说明书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、数据结构等等。也可以在分布式计算环境中实践本申请，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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种计算机实现的风险识别的方法，包括：

根据用户的业务操作，向用户发起滑动验证；

采集所述用户进行滑动验证时执行滑动操作的当前滑动轨迹；

确定所述当前滑动轨迹中轨迹起点的起点坐标和轨迹终点的终点坐标；

将所述起点坐标和所述终点坐标输入到预先通过所述用户的历史滑动轨迹训练出的轨迹生成模型，以确定所述用户执行滑动操作的参照滑动轨迹；

比对所述当前滑动轨迹以及所述参照滑动轨迹，并根据得到的比对结果对所述滑动操作进行风险识别。

2.如权利要求1所述的方法，其中，在比对所述当前滑动轨迹以及所述参照滑动轨迹的步骤之前，还包括：

采集所述用户进行滑动验证时执行滑动操作的行为数据；

根据所述行为数据，确定所述当前滑动轨迹对应的轨迹特征；

根据得到的比对结果对所述滑动操作进行风险识别的步骤包括：

根据所述轨迹特征以及所述比对结果，对所述滑动操作进行风险识别。

3.如权利要求2所述的方法，其中，根据所述行为数据，确定所述当前滑动轨迹的轨迹特征的步骤包括：

在所述当前滑动轨迹中确定若干采样点；

针对每个采样点，至少根据所述行为数据，确定该采样点对应的采样点特征，所述采样点特征包括：用户执行所述滑动操作滑动至该采样点的滑动速率、所述当前滑动轨迹位于该采样点处的斜率中的至少一种；

按照所述若干采样点在所述当前滑动轨迹的先后顺序，将所述若干采样点对应的采样点特征进行排序，得到采样点特征序列；

将所述采样点特征序列确定为所述当前滑动轨迹的轨迹特征。

4.如权利要求2所述的方法，其中，根据所述轨迹特征以及所述比对结果，对所述滑动操作进行风险识别的步骤包括：

确定所述当前滑动轨迹与所述参照滑动轨迹之间的轨迹差异；

根据所述轨迹特征以及所述轨迹差异，对所述滑动操作进行风险识别。

5.如权利要求4所述的方法，其中，根据所述轨迹特征以及所述轨迹差异，对所述滑动操作进行风险识别的步骤包括：

将所述轨迹特征以及所述轨迹差异输入到预先训练的识别模型，以通过所述识别模型，对所述滑动操作进行风险识别。

6.如权利要求5所述的方法，其中，所述识别模型包括：第一识别模型和第二识别模型中的至少一种，所述第一识别模型是通过预先确定出的各负样本训练得到的，所述第二识别模型是通过预先确定出的各正样本以及负样本训练得到的，所述正样本为根据各用户历史上存在风险的历史滑动轨迹以及历史行为数据确定出的样本，所述负样本为根据各用户历史上不存在风险的历史滑动轨迹以及历史行为数据确定出的样本。

7.如权利要求6所述的方法，其中，将所述轨迹特征以及所述轨迹差异输入到预先训练的识别模型，以通过所述识别模型，对所述滑动操作进行风险识别的步骤包括：

将所述轨迹特征以及所述轨迹差异作为原始数据输入到所述第一识别模型中，得到所述第一识别模型基于所述原始数据重新构建的重构数据；

通过将所述重构数据和所述原始数据进行比对，对所述滑动操作进行风险识别。

8.如权利要求6所述的方法，其中，将所述轨迹特征以及所述轨迹差异输入到预先训练的识别模型中，以通过所述识别模型对所述滑动操作进行风险识别的步骤包括：

将所述轨迹特征以及所述轨迹差异输入到所述第一识别模型，得到第一识别结果，将所述轨迹特征以及所述轨迹差异输入到第二识别模型，得到第二识别结果；

根据所述第一识别结果、第二识别结果，所述第一识别模型对应的第一权重以及所述第二识别模型对应的第二权重，对所述滑动操作进行风险识别。

9.一种风险识别的装置，包括：

发起模块，用于根据用户的业务操作，向用户发起滑动验证；

采集模块，用于采集所述用户进行滑动验证时执行滑动操作的当前滑动轨迹；

获取模块，用于确定所述当前滑动轨迹中轨迹起点的起点坐标和轨迹终点的终点坐标，将所述起点坐标和所述终点坐标输入到预先通过所述用户的历史滑动轨迹训练出的轨迹生成模型，以确定所述用户执行滑动操作的参照滑动轨迹；

识别模块，用于比对所述当前滑动轨迹以及所述参照滑动轨迹，并根据得到的比对结果对所述滑动操作进行风险识别。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。

Images