本發(fā)明涉及電子技術領域，尤其涉及一種基于神經(jīng)網(wǎng)絡的安全保護方法及系統(tǒng)。

背景技術：

金融終端系統(tǒng)特指用于支持金融終端設備進行各種金融類業(yè)務的整套系統(tǒng)。傳統(tǒng)金融終端系統(tǒng)是金融業(yè)務與用戶交互的直接媒介，是金融業(yè)務的入口，其安全性非常重要。如果金融終端系統(tǒng)一旦被不法分子盜用，將構成很大的安全性風險。目前業(yè)界的金融終端系統(tǒng)都沒有一套較為完整的針對用戶的行為特征的安全保護方案。

技術實現(xiàn)要素：

針對現(xiàn)有技術的不足，本發(fā)明的目的旨在于提供一種基于神經(jīng)網(wǎng)絡的安全保護方法及系統(tǒng)，能夠根據(jù)用戶的行為特征有效地推演及預測風險，提高了金融終端設備的操作安全性能。

為實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

一種基于神經(jīng)網(wǎng)絡的安全保護方法，包括如下步驟，

獲取與用戶賬號相關聯(lián)的歷史用戶行為特征數(shù)據(jù)xj(j＝1,2,3,…,n)；

將所述歷史用戶行為特征數(shù)據(jù)xj輸入神經(jīng)網(wǎng)絡進行訓練，以得到一風險評估模型；

將所述用戶賬號對應的當前用戶行為特征數(shù)據(jù)x輸入所述風險評估模型，以得到一評估值y；

判斷所述評估值y是否在預設范圍內(nèi)；

若所述評估值y不在預設范圍內(nèi)，則對所述用戶賬號進行相應的風險控制。

作為優(yōu)選的，所述用戶行為特征數(shù)據(jù)xj至少包括用戶操作時點擊屏幕的壓感x1、用戶偏好x2以及用戶操作時間點x3。

作為優(yōu)選的，所述神經(jīng)網(wǎng)絡為bp神經(jīng)網(wǎng)絡。

作為優(yōu)選的，所述bp神經(jīng)網(wǎng)絡包括輸入層、隱含層以及輸出層，所述輸入層包括n個節(jié)點，所述隱含層包括m個節(jié)點；所述風險評估模型為

其中，y為輸出層輸出的評估值；ti為隱含層與輸出層之間的連接權重；(i＝1,2,3…m；j＝1,2,3,…,n)為隱含層的輸入，即為輸入層的輸出，wij為輸入層與隱含層之間的連接權重；f(·)為神經(jīng)網(wǎng)絡中的激活函數(shù)，當隱含層有輸入時，激活函數(shù)變?yōu)閒(si)。

作為優(yōu)選的，所述激活函數(shù)f(si)為

本發(fā)明還包括一種系統(tǒng)，所述系統(tǒng)包括，

存儲器，用于存儲程序指令；

處理器，用于運行所述程序指令，以執(zhí)行如下步驟：

獲取與用戶賬號相關聯(lián)的歷史用戶行為特征數(shù)據(jù)xj(j＝1,2,3,…,n)；

將所述歷史用戶行為特征數(shù)據(jù)xj輸入神經(jīng)網(wǎng)絡進行訓練，以得到一風險評估模型；

將所述用戶賬號對應的當前用戶行為特征數(shù)據(jù)x輸入所述風險評估模型，以得到一評估值y；

判斷所述評估值y是否在預設范圍內(nèi)；

若所述評估值y不在預設范圍內(nèi)，則對所述用戶賬號進行相應的風險控制。

作為優(yōu)選的，所述用戶行為特征數(shù)據(jù)xj至少包括用戶操作時點擊屏幕的壓感x1、用戶偏好x2以及用戶操作時間點x3。

作為優(yōu)選的，所述神經(jīng)網(wǎng)絡為bp神經(jīng)網(wǎng)絡。

作為優(yōu)選的，所述bp神經(jīng)網(wǎng)絡包括輸入層、隱含層以及輸出層，所述輸入層包括n個節(jié)點，所述隱含層包括m個節(jié)點；所述風險評估模型為

其中，y為輸出層輸出的評估值；ti為隱含層與輸出層之間的連接權重；(i＝1,2,3…m；j＝1,2,3,…,n)為隱含層的輸入，即為輸入層的輸出，wij為輸入層與隱含層之間的連接權重；f(·)為神經(jīng)網(wǎng)絡中的激活函數(shù)，當隱含層有輸入時，激活函數(shù)變?yōu)閒(si)。

作為優(yōu)選的，所述激活函數(shù)f(si)為

本發(fā)明的有益效果如下：

本發(fā)明能夠根據(jù)用戶的行為特征有效地推演及預測風險；尤其是能夠將獲取的足夠的用戶行為特征作為神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)，對神經(jīng)網(wǎng)絡進行訓練，從而得到一風險評估模型，通過該風險評估模型即能夠有效判斷用戶對金融終端設備的操作是否存在風險。

附圖說明

圖1為本發(fā)明一種基于神經(jīng)網(wǎng)絡的安全保護方法的流程示意圖；

圖2為本發(fā)明中的神經(jīng)網(wǎng)絡的結構示意圖；

圖3為本發(fā)明一種系統(tǒng)的結構示意圖。

具體實施方式

請參見圖1，本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡的安全保護方法，該方法可以應用有金融終端系統(tǒng)中，從而提高金融終端系統(tǒng)種的金融終端設備的操作安全性能，通過用戶的行為特征數(shù)據(jù)以及神經(jīng)網(wǎng)絡來確保使用用戶的賬號安全，其較佳實施方式包括如下步驟，

步驟s101，獲取與用戶賬號相關聯(lián)的歷史用戶行為特征數(shù)據(jù)xj(j＝1,2,3,…,n)。

其中，不同用戶的賬號登錄并進行一定的操作之后，會產(chǎn)生與該用戶賬號相關聯(lián)的行為特征數(shù)據(jù)。為了訓練一個神經(jīng)網(wǎng)絡，需要獲取不同用戶的歷史行為特征數(shù)據(jù)，并將用戶的歷史行為特征數(shù)據(jù)作為訓練集去訓練神經(jīng)網(wǎng)絡以得到神經(jīng)網(wǎng)絡中不同層的參數(shù)，即得到一個可以進行數(shù)據(jù)識別的模型。

步驟s102，將所述歷史用戶行為特征數(shù)據(jù)xj輸入bp神經(jīng)網(wǎng)絡進行訓練，以得到一風險評估模型。

人工神經(jīng)網(wǎng)絡能夠從信息處理角度對人腦神經(jīng)元網(wǎng)絡進行抽象，并建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡；其無需事先確定輸入輸出之間映射關系的數(shù)學方程，僅通過自身的訓練，學習某種規(guī)則，在給定輸入值時得到最接近期望輸出值的結果。

作為優(yōu)選的，所述神經(jīng)網(wǎng)絡可以是bp神經(jīng)網(wǎng)絡，bp神經(jīng)網(wǎng)絡是一種按誤差反向傳播(簡稱誤差反傳)訓練的多層前饋網(wǎng)絡，其算法稱為bp算法，它的基本思想是梯度下降法，利用梯度搜索技術，以期使網(wǎng)絡的實際輸出值和期望輸出值的誤差均方差為最小。當然，也可以根據(jù)實際情況選擇可以實現(xiàn)本發(fā)明目的的其他神經(jīng)網(wǎng)絡。

通過足夠的訓練集，對人工神經(jīng)網(wǎng)絡算法進行訓練，即通過足夠的歷史用戶行為特征數(shù)據(jù)xj(j＝1,2,3,…,n)對bp神經(jīng)網(wǎng)絡進行訓練，可以得出的用于預測金融終端系統(tǒng)風險的模型，即為風險評估模型。

作為進一步優(yōu)選的，如圖2所示，所述用戶行為特征數(shù)據(jù)xj至少可以包括用戶操作時點擊屏幕的壓感x1、用戶偏好x2以及用戶操作時間點x3。當然，用戶行為特征數(shù)據(jù)xj還可以是其他跟用戶的操作習慣相關的數(shù)據(jù)。

其中，用戶操作時點擊屏幕的壓感x1是指用戶操作設備時點擊屏幕的壓力與受力面積之比叫做壓感，壓感用來比較壓力產(chǎn)生的效果，壓感越大，壓力的作用效果越明顯。用戶偏好x2是指用戶平常使用較多的app應用。用戶操作時間點x3是指用戶進行操作的時間。

同時，作為優(yōu)選的，所述bp神經(jīng)網(wǎng)絡包括輸入層、隱含層以及輸出層，所述輸入層包括n個節(jié)點，所述隱含層包括m個節(jié)點。也就是，用戶行為特征數(shù)據(jù)xj的個數(shù)與所述bp神經(jīng)網(wǎng)絡的輸入層的節(jié)點的個數(shù)可以是相同的。輸入層的每一個節(jié)點可以對應地輸入一個用戶行為特征數(shù)據(jù)xj，如輸入層的第1個節(jié)點對應地輸入用戶操作時點擊屏幕的壓感x1、輸入層的第2個節(jié)點對應地輸入用戶偏好x2、輸入層的第3個節(jié)點對應地輸入用戶操作時間點x3、...、輸入層的第n個節(jié)點對應地輸入用戶行為特征數(shù)據(jù)xn。

同時，所述風險評估模型可以為

其中，y為輸出層輸出的評估值；ti為隱含層與輸出層之間的連接權重；(i＝1,2,3…m；j＝1,2,3,…,n)為隱含層的輸入，即為輸入層的輸出，wij為輸入層與隱含層之間的連接權重；f(·)為神經(jīng)網(wǎng)絡中的激活函數(shù)，當隱含層有輸入時，激活函數(shù)變?yōu)閒(si)。

ti可以表示隱含層的第i個節(jié)點與輸出層之間的連接權重，例如，t1即為隱含層的第1個節(jié)點與輸出層之間的連接權重，t2即為隱含層的第2個節(jié)點與輸出層之間的連接權重，t3即為隱含層的第3個節(jié)點與輸出層之間的連接權重，tm即為隱含層的第m個節(jié)點與輸出層之間的連接權重。同理可知wij即為隱含層的第i個節(jié)點與輸入層的第j個節(jié)點之間的連接權重。

通過對bp神經(jīng)網(wǎng)絡的訓練，可以相應地得到ti和wij的值，即訓練得到bp神經(jīng)網(wǎng)絡各個層的參數(shù)，即得到最終的風險評估模型。

作為進一步優(yōu)選的，所述激活函數(shù)f(si)可以使用s型函數(shù)，即sigmoid函數(shù)，具體可以為

步驟s103，將所述用戶賬號對應的當前用戶行為特征數(shù)據(jù)x輸入所述風險評估模型，以得到一評估值y。

其中，通過當前的用戶行為特征數(shù)據(jù)x的輸入，可以預知金融終端的操作是否存在風險，而這個風險可以由所述風險評估模型得到。

步驟s104，判斷所述評估值y是否在預設范圍內(nèi)。

其中，若得到的評估值y在預設的范圍內(nèi)，那么則表明，該用戶的操作是安全的，此時用戶可以順利進行各種操作。例如，這個預設范圍可以是0＜y＜0.5，若所述評估值y在上述范圍內(nèi)，則表明用戶操作安全。若所述評估值y≥0.5或所述評估值y≤0，那么此時評估值y都不是在預設范圍內(nèi)的。

步驟s105，若所述評估值y不在預設范圍內(nèi)，則對所述用戶賬號進行相應的風險控制。

其中，當所述評估值y不在預設范圍內(nèi)時，則表明用戶操作不安全，存在一定風險，那么金融終端系統(tǒng)則需要進行風險控制。風險控制簡稱風控，是指風險管理者采取各種措施和方法，消滅或減少風險事件發(fā)生的各種可能性，或風險控制者減少風險事件發(fā)生時造成的損失。

本發(fā)明可以根據(jù)用戶的行為特征數(shù)據(jù)以及神經(jīng)網(wǎng)絡構建一個風險評估模型，即將用戶的多個行為特征數(shù)據(jù)作為訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡的各個節(jié)點，從而對神經(jīng)網(wǎng)絡進行訓練，這樣當用戶進行操作的時候，即通過獲取用戶的當前行為特征數(shù)據(jù)就可以識別出該金融終端是否存在風險。

另外，如圖3所示，本發(fā)明還涉及一種系統(tǒng)，所述系統(tǒng)100還包括，

存儲器101，用于存儲程序指令；

處理器102，用于運行所述程序指令，以執(zhí)行如下步驟：

步驟s101，獲取與用戶賬號相關聯(lián)的歷史用戶行為特征數(shù)據(jù)xj(j＝1,2,3,…,n)。

其中，不同用戶的賬號登錄并進行一定的操作之后，會產(chǎn)生與該用戶賬號相關聯(lián)的行為特征數(shù)據(jù)。為了訓練一個神經(jīng)網(wǎng)絡，需要獲取不同用戶的歷史行為特征數(shù)據(jù)，并將用戶的歷史行為特征數(shù)據(jù)作為訓練集去訓練神經(jīng)網(wǎng)絡以得到神經(jīng)網(wǎng)絡中不同層的參數(shù)，即得到一個可以進行數(shù)據(jù)識別的模型。

步驟s102，將所述歷史用戶行為特征數(shù)據(jù)xj輸入bp神經(jīng)網(wǎng)絡進行訓練，以得到一風險評估模型。

人工神經(jīng)網(wǎng)絡能夠從信息處理角度對人腦神經(jīng)元網(wǎng)絡進行抽象，并建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡；其無需事先確定輸入輸出之間映射關系的數(shù)學方程，僅通過自身的訓練，學習某種規(guī)則，在給定輸入值時得到最接近期望輸出值的結果。

作為優(yōu)選的，所述神經(jīng)網(wǎng)絡可以是bp神經(jīng)網(wǎng)絡，bp神經(jīng)網(wǎng)絡是一種按誤差反向傳播(簡稱誤差反傳)訓練的多層前饋網(wǎng)絡，其算法稱為bp算法，它的基本思想是梯度下降法，利用梯度搜索技術，以期使網(wǎng)絡的實際輸出值和期望輸出值的誤差均方差為最小。當然，也可以根據(jù)實際情況選擇可以實現(xiàn)本發(fā)明目的的其他神經(jīng)網(wǎng)絡。

通過足夠的訓練集，對人工神經(jīng)網(wǎng)絡算法進行訓練，即通過足夠的歷史用戶行為特征數(shù)據(jù)xj(j＝1,2,3,…,n)對bp神經(jīng)網(wǎng)絡進行訓練，可以得出的用于預測金融終端系統(tǒng)風險的模型，即為風險評估模型。

作為進一步優(yōu)選的，如圖2所示，所述用戶行為特征數(shù)據(jù)xj至少可以包括用戶操作時點擊屏幕的壓感x1、用戶偏好x2以及用戶操作時間點x3。當然，用戶行為特征數(shù)據(jù)xj還可以是其他跟用戶的操作習慣相關的數(shù)據(jù)。

其中，用戶操作時點擊屏幕的壓感x1是指用戶操作設備時點擊屏幕的壓力與受力面積之比叫做壓感，壓感用來比較壓力產(chǎn)生的效果，壓感越大，壓力的作用效果越明顯。用戶偏好x2是指用戶平常使用較多的app應用。用戶操作時間點x3是指用戶進行操作的時間。

同時，作為優(yōu)選的，所述bp神經(jīng)網(wǎng)絡包括輸入層、隱含層以及輸出層，所述輸入層包括n個節(jié)點，所述隱含層包括m個節(jié)點。也就是，用戶行為特征數(shù)據(jù)xj的個數(shù)與所述bp神經(jīng)網(wǎng)絡的輸入層的節(jié)點的個數(shù)可以是相同的。輸入層的每一個節(jié)點可以對應地輸入一個用戶行為特征數(shù)據(jù)xj，如輸入層的第1個節(jié)點對應地輸入用戶操作時點擊屏幕的壓感x1、輸入層的第2個節(jié)點對應地輸入用戶偏好x2、輸入層的第3個節(jié)點對應地輸入用戶操作時間點x3、...、輸入層的第n個節(jié)點對應地輸入用戶行為特征數(shù)據(jù)xn。

同時，所述風險評估模型可以為

其中，y為輸出層輸出的評估值；ti為隱含層與輸出層之間的連接權重；(i＝1,2,3…m；j＝1,2,3,…,n)為隱含層的輸入，即為輸入層的輸出，wij為輸入層與隱含層之間的連接權重；f(·)為神經(jīng)網(wǎng)絡中的激活函數(shù)，當隱含層有輸入時，激活函數(shù)變?yōu)閒(si)。

ti可以表示隱含層的第i個節(jié)點與輸出層之間的連接權重，例如，t1即為隱含層的第1個節(jié)點與輸出層之間的連接權重，t2即為隱含層的第2個節(jié)點與輸出層之間的連接權重，t3即為隱含層的第3個節(jié)點與輸出層之間的連接權重，tm即為隱含層的第m個節(jié)點與輸出層之間的連接權重。同理可知wij即為隱含層的第i個節(jié)點與輸入層的第j個節(jié)點之間的連接權重。

通過對bp神經(jīng)網(wǎng)絡的訓練，可以相應地得到ti和wij的值，即訓練得到bp神經(jīng)網(wǎng)絡各個層的參數(shù)，即得到最終的風險評估模型。

作為進一步優(yōu)選的，所述激活函數(shù)f(si)可以使用s型函數(shù)，即sigmoid函數(shù)，具體可以為

步驟s103，將所述用戶賬號對應的當前用戶行為特征數(shù)據(jù)x輸入所述風險評估模型，以得到一評估值y。

其中，通過當前的用戶行為特征數(shù)據(jù)x的輸入，可以預知金融終端的操作是否存在風險，而這個風險可以由所述風險評估模型得到。

步驟s104，判斷所述評估值y是否在預設范圍內(nèi)。

其中，若得到的評估值y在預設的范圍內(nèi)，那么則表明，該用戶的操作是安全的，此時用戶可以順利進行各種操作。例如，這個預設范圍可以是0＜y＜0.5，若所述評估值y在上述范圍內(nèi)，則表明用戶操作安全。若所述評估值y≥0.5或所述評估值y≤0，那么此時評估值y都不是在預設范圍內(nèi)的。

步驟s105，若所述評估值y不在預設范圍內(nèi)，則對所述用戶賬號進行相應的風險控制。

其中，當所述評估值y不在預設范圍內(nèi)時，則表明用戶操作不安全，存在一定風險，那么金融終端系統(tǒng)則需要進行風險控制。風險控制簡稱風控，是指風險管理者采取各種措施和方法，消滅或減少風險事件發(fā)生的各種可能性，或風險控制者減少風險事件發(fā)生時造成的損失。

對于本領域的技術人員來說，可根據(jù)以上描述的技術方案以及構思，做出其它各種相應的改變以及變形，而所有的這些改變以及變形都應該屬于本發(fā)明權利要求的保護范圍之內(nèi)。