(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210340316.X (22)申请日 2022.04.02 (71)申请人 湖南三湘银行股份有限公司 地址 410000 湖南省长 沙市岳麓区滨江路 53号湖南湘江新区滨江金融中心楷林 国际D座 (72)发明人 吴金彪　杨成林　汪晓东　龚潇雨　 廖四发　 (74)专利代理 机构 北京中誉至诚知识产权代理 事务所(普通 合伙) 11858 专利代理师 张平力 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 20/40(2012.01) (54)发明名称 一种增强银行账号安全的附加验证方法及 系统 (57)摘要 本发明公开了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， 并对样本图像 的像素进行编码得到编码像素； 根据编码像素的 第一位取值将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， 并基于预 设编码结构生成与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； 计算种群中每个 个体的适应度值； 根据适应度值对初始种群进行 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验证图像是否为干扰 图像， 若否， 则基于操作 请求执行相应的操作。 从 而高效、 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。 权利要求书2页 说明书7页 附图1页 CN 114723960 A 2022.07.08 CN 114723960 A 1.一种增强银 行账号安全的附加验证方法， 其特 征在于， 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。 2.根据权利要求1所述的增强银行账号安全的附加验证方法， 其特征在于， 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。 3.根据权利要求2所述的增强银行账号安全的附加验证方法， 其特征在于， 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 。 4.根据权利要求2所述的增强银行账号安全的附加验证方法， 其特征在于， 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)。 5.根据权利要求1所述的增强银行账号安全的附加验证方法， 其特征在于， 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， 将所述分类置信权　利　要　求　书 1/2 页 2 CN 114723960 A 2度作为所述种群中对应 像素个体的适应度值。 6.一种增强银 行账号安全的附加验证系统， 其特 征在于， 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。 7.根据权利要求6所述的增强银行账号安全的附加验证系统， 其特征在于， 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。 8.根据权利要求7所述的增强银行账号安全的附加验证系统， 其特征在于， 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 。 9.根据权利要求7所述的增强银行账号安全的附加验证系统， 其特征在于， 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)。 10.根据权利要求6所述的增强银行账号安全的附加验证系统， 其特征在于， 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。权　利　要　求　书 2/2 页 3 CN 114723960 A 3