人脸识别攻击的检测方法及装置、存储介质及电子设备与流程

1.本发明涉及生物识别技术领域，特别是涉及一种人脸识别攻击的检测方法及装置、存储介质及电子设备。

背景技术：

2.随着生物识别技术的发展，人脸识别已成为了广泛应用的身份验证方式之一。在人脸识别系统的运行过程中，时常会遭受到不法分子的批量攻击，例如使用一张照片作为素材，通过ai换脸等技术生成多张图片或视频，用于进行批量认证，以在基于人脸识别进行登录或支付的场景中进行批量的欺骗攻击。
3.目前，对于人脸识别批量攻击行为的检测，通常是以对人脸识别的对象进行活体检测的方式，检测是否为欺骗攻击。主要是在批量的人脸识别行为中，针对每个请求人脸识别的对象，通过其人脸识别过程中采集的人脸图像判断对象是否为活体人物，以进行人脸识别攻击的检测。
4.而随着ai技术的不断演进，不法分子通过图像模拟绕过活体检测的可能性也不断增加。基于现有的人脸识别攻击的检测方法，对于愈加优化的人脸图像所发起的攻击，亦基于活体检测技术进行检测，攻击绕过检测的风险会大大增加，导致检测的准确性降低，难以满足人脸识别系统的安全需求。

技术实现要素：

5.有鉴于此，本发明实施例提供了一种人脸识别攻击的检测方法，以解决现有的人脸识别攻击检测方式，容易基于不断优化的图像技术使攻击绕过检测，导致检测准确性较低的问题。
6.本发明实施例还提供了一种人脸识别攻击的检测装置，用以保证上述方法实际中的实现及应用。
7.为实现上述目的，本发明实施例提供如下技术方案：
8.一种人脸识别攻击的检测方法，包括：
9.当到达预设的检测周期对应的每个检测时间点时，确定当前检测时间点对应的多个客户；
10.确定每个所述客户对应的特征信息集，每个所述客户对应的特征信息集包括该客户的人脸识别图像和预留个人信息；
11.依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数；每个所述客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；
12.依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列；每个所述客户对应的各个符号序列与该客户对应的各个特征参数一一对应；
13.依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络；
14.确定每个所述图网络对应的异常系数；
15.对于每个所述图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若该图网络符合所述预设的异常条件，则将该图网络对应的客户确定为异常客户；
16.将每个所述异常客户对应的人脸识别行为确定为人脸识别攻击。
17.上述的方法，可选的，所述依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数，包括：
18.对于每个所述客户，依据预设的卷积神经网络，对该客户的人脸识别图像进行人脸特征提取，得到该客户对应的第一特征向量；
19.对于每个所述客户，依据预设的图像语义分割算法，对该客户的人脸识别图像进行背景特征提取，得到该客户对应的第二特征向量；
20.对于每个所述客户，确定该客户的预留个人信息对应的多个客户属性数据，并将所述多个客户属性数据、该客户对应的第一特征向量和该客户对应的第二特征向量，作为该客户对应的各个特征参数。
21.上述的方法，可选的，所述依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列，包括：
22.对于每个所述客户对应的每个所述特征参数，确定该特征参数对应的信息熵；
23.对于每个所述特征参数对应的信息熵，对该信息熵进行数据归一化处理，将处理结果作为该特征参数对应的归一化数据；
24.对于每个所述特征参数对应的归一化数据，对该归一化数据进行符号化处理，将处理结果作为该特征参数对应的客户所对应的符号序列。
25.上述的方法，可选的，所述依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络，包括：
26.对于每个所述客户对应的每个所述符号序列，建立该符号序列所对应的特征节点，将该特征节点作为该客户对应的图节点；
27.对于每个所述客户，建立该客户对应的各个图节点之间的连接边，依据该客户对应的各个符号序列，计算每个所述连接边对应的权重系数，并依据该客户对应的各个图节点、各个所述图节点之间的连接边以及每个所述连接边对应的权重系数，生成该客户对应的图网络。
28.上述的方法，可选的，所述依据该客户对应的各个符号序列，计算每个所述连接边对应的权重系数，包括：
29.对于每个所述连接边，在该客户对应的各个符号序列中，确定该连接边对应的第一符号序列和第二符号序列，依据预设的协方差估计策略，计算所述第一符号序列和所述第二符号序列之间的协方差估计值，依据预设的指数函数和所述协方差估计值进行指数运算，将运算结果作为该连接边对应的权重系数。
30.上述的方法，可选的，所述确定每个所述图网络对应的异常系数，包括：
31.对于每个所述图网络，依据该图网络对应的客户所对应的各个符号序列，确定该图网络对应的项集模式数据，所述项集模式数据包括该图网络对应的多个二项集、多个三
项集、每个所述二项集对应的多个二项集模式以及每个所述三项集对应的多个三项集模式；
32.依据所有所述图网络对应的项集模式数据，对每个所述图网络进行异常系数计算，获得每个所述图网络对应的多个初始异常系数；
33.依据预设的融合策略，对每个所述图网络对应的所述多个初始异常系数进行融合处理，得到每个所述图网络对应的融合异常系数，并将每个所述图网络对应的融合异常系数作为每个所述图网络对应的异常系数。
34.上述的方法，可选的，所述依据所有所述图网络对应的项集模式数据，对每个所述图网络进行异常系数计算，获得每个所述图网络对应的多个初始异常系数，包括：
35.对于每个所述图网络，按照预设的选取个数，在该图网络对应的多个二项集中选取该图网络对应的多个目标二项集，并在该图网络对应的多个三项集中，确定每个所述目标二项集对应的目标三项集；
36.对于每个所述图网络对应的每个所述目标二项集，确定该目标二项集对应的支持度和权重系数，并确定该目标二项集所对应的目标三项集对应的支持度和权重系数；
37.对于每个所述图网络对应的每个所述目标二项集，依据该目标二项集对应的支持度和权重系数、该目标二项集对应的目标三项集所对应的支持度和权重系数，以及预设的异常系数计算策略，计算该目标二项集对应的异常系数，并将该目标二项集对应的异常系数作为该图网络对应的初始异常系数。
38.一种人脸识别攻击的检测装置，包括：
39.第一确定单元，用于当到达预设的检测周期对应的每个检测时间点时，确定当前检测时间点对应的多个客户；
40.第二确定单元，用于确定每个所述客户对应的特征信息集，每个所述客户对应的特征信息集包括该客户的人脸识别图像和预留个人信息；
41.第三确定单元，用于依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数；每个所述客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；
42.第四确定单元，用于依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列；每个所述客户对应的各个符号序列与该客户对应的各个特征参数一一对应；
43.构建单元，用于依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络；
44.第五确定单元，用于确定每个所述图网络对应的异常系数；
45.判断单元，用于对于每个所述图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若该图网络符合所述预设的异常条件，则将该图网络对应的客户确定为异常客户；
46.第六确定单元，用于将每个所述异常客户对应的人脸识别行为确定为人脸识别攻击。
47.一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述
存储介质所在的设备执行如上述的人脸识别攻击的检测方法。
48.一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上述的人脸识别攻击的检测方法。
49.基于上述本发明实施例提供的一种人脸识别攻击的检测方法，包括：当到达预设的检测周期对应的每个检测时间点时，确定当前检测时间点对应的多个客户；确定每个客户对应的特征信息集，每个客户对应的特征信息集包括该客户的人脸识别图像和预留个人信息；依据每个客户对应的特征信息集，确定每个客户对应的多个特征参数；每个客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；依据每个客户对应的各个特征参数，确定每个客户对应的多个符号序列；每个客户对应的各个符号序列与该客户对应的各个特征参数一一对应；依据每个客户对应的各个符号序列，构建每个客户对应的图网络；确定每个图网络对应的异常系数；对于每个图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若该图网络符合预设的异常条件，则将该图网络对应的客户确定为异常客户；将每个异常客户对应的人脸识别行为确定为人脸识别攻击。应用本发明实施例提供的方法，结合多维度的特征数据构建图网络，基于对各个图网络的数据挖掘，检测人脸识别攻击，检测的特征数据来源不限于单一的人脸图像，在检测过程中，可基于当前各个客户对应的图网络进行数据挖掘，参考了大量的、多维度的特征数据，即便是不断优化发起攻击的人脸图像，对于检测的影响也十分有限，可提高人脸识别攻击的检测准确度。
附图说明
50.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
51.图1为本发明实施例提供的一种人脸识别攻击的检测方法的方法流程图；
52.图2为本发明实施例提供的一种人脸识别攻击的检测方法的又一方法流程图；
53.图3为本发明实施例提供的一种图网络的示例图；
54.图4为本发明实施例提供的一种人脸识别攻击的检测装置的结构示意图；
55.图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
56.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
57.在本技术中，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、物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、物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、物品或者设备中还存在另外的相同要素。
58.由背景技术可知，人脸识别批量攻击是人脸识别系统的常见攻击之一，随着技术演进，发起攻击所使用的人脸图像亦不断优化，使用活体检测技术进行人脸识别攻击的检测，其检测准确性越来越低，应用于人脸识别批量攻击的场景时，现有检测方式亦是愈加难以准确识别攻击。
59.因此，本发明实施例提供了一种人脸识别攻击的检测方法，通过每个客户的多维度特征数据构建图网络，基于各个图网络的数据进行攻击识别，参考的特征数据涉及多维度，人脸图像对于检测的影响有限，可提高人脸识别攻击的检测准确度。
60.本发明实施例提供了一种人脸识别攻击的检测方法，所述方法可应用于人脸识别系统，其执行主体可以为系统的服务器，所述方法的方法流程图如图1所示，包括：
61.s101：当到达预设的检测周期对应的每个检测时间点时，确定当前检测时间点对应的多个客户；
62.本发明实施例提供的方法中，可以预先设置检测周期，具体的，可以通过设置时间间隔，以时间间隔的时间长度作为一个周期长度，可将检测周期的起始时间点作为一个检测时间点，在检测时间点之后经过预设的时间间隔，则到达该检测时间点的下一个检测时间点。例如，将检测周期的时间间隔设置为两分钟，则进入检测周期后每隔两分钟则为一个检测时间点。
63.本发明实施例提供的方法中，当人脸识别系统运行至检测时间点时，可确定当前检测时间点对应的各个客户，当前检测时间点对应的各个客户指的是在上一个检测时间点至当前检测时间点之间的时间段内，向人脸识别系统请求人脸识别验证的客户。
64.s102：确定每个所述客户对应的特征信息集，每个所述客户对应的特征信息集包括该客户的人脸识别图像和预留个人信息；
65.本发明实施例提供的方法中，对于每个客户，可获取在客户请求人脸识别的过程中采集的人脸图像，即客户的人脸识别图像。可从客户信息系统中获取客户预留的个人信息，将客户的人脸识别图像和预留个人信息组成客户对应的特征信息集。除上述信息外，特征信息集中还可以包含其他信息，例如客户请求人脸识别过程中的一些传入参数，如设备ip等等。
66.s103：依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数；每个所述客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；
67.本发明实施例提供的方法中，可基于每个客户对应的特征信息集中的信息数据，提取出每个客户对应的多个特征参数，包括表征人脸识别图像中人脸特征的特征参数、表征人脸识别图像中背景特征的特征参数以及表征预留个人信息中客户属性特征的各个特征参数。
68.s104：依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列；每个所述客户对应的各个符号序列与该客户对应的各个特征参数一一对应；
69.本发明实施例提供的方法中，按照预设的数据处理策略，对每个客户对应的每个特征参数进行数据处理，得到每个特征参数对应的符号序列，并将该符号序列作为该特征参数对应的客户所对应的符号序列。符号序列为对数据进行符号化计算后得到的数据。
70.s105：依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络；
71.本发明实施例提供的方法中，对于每个客户，可基于该客户对应的各个符号序列的数据，构建该客户对应的图网络。每个图网络中包括多个图节点，以及每两个图节点之间的连接边。图网络中的图节点表征一类特征，具体的节点数据为与其相对应的符号序列的数据。
72.s106：确定每个所述图网络对应的异常系数；
73.本发明实施例提供的方法中，构建得到各个客户对应的图网络后，所有图网络可组成图网络集合，按照预设的数据挖掘算法，对所述图网络集合进行数据挖掘，确定每个图网络对应的异常系数。具体的，可以对图网络集合进行项集频繁程度的挖掘，基于所有图网络的数据，计算每个图网络中数据项的支持度和权重等信息，以此计算图网络对应的异常系数，异常系数用于衡量图网络所代表的人脸识别记录的异常程度。
74.s107：对于每个所述图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若该图网络符合所述预设的异常条件，则将该图网络对应的客户确定为异常客户；
75.本发明实施例提供的方法中，可以根据识别需求，预先设置异常条件，当图网络满足该异常条件时，认为其代表的人脸识别记录存在异常。对于当前构建得到的每个图网络，可根据其对应的异常系数，判断该图网络是否符合预设的异常条件，若符合，则将该图网络对应的客户标记为异常客户，若不符合，则不对该图网络对应的客户进行标记。具体的，异常条件可以基于系数阈值进行设置，也就是预设一个系数阈值，在异常系数越大表征存在异常的可能性越大的情况下，当图网络对应的异常系数大于预设的系数阈值时，确定该图网络符合预设的异常条件，反之则确定该图网络不符合异常条件。
76.s108：将每个所述异常客户对应的人脸识别行为确定为人脸识别攻击。
77.本发明实施例提供的方法中，将每个异常客户对应的人脸识别行为判定为人脸识别攻击，向管理人员反馈检测结果，以便于进行后续处理，例如，可调取每个异常客户对应的人脸识别记录，对相关的ip进行封禁等等。
78.基于本发明实施例提供的方法，当到达检测时间点时，确定当前检测时间点对应的多个客户；确定每个客户对应的特征信息集；依据每个客户对应的特征信息集，确定每个客户对应的多个特征参数；每个客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；依据每个客户对应的各个特征参数，确定每个客户对应的多个符号序列；依据每个客户对应的各个符号序列，构建每个客户对应的图网络；确定每个图网络对应的异常系数；对于每个图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若符合，则将该图网络对应的客户确定为异常客户；将每个异常客户对应的人脸识别行为确定为人脸识别攻击。应用本发明实施例提供的方法，结合多维度的特征数据构建图网络，基于对各个图网络的数据挖掘，检测人脸识别攻击，检测的特征数据来源不限于单一的人脸图像，在检测过程中，可基于当前各个客户对应
的图网络进行数据挖掘，参考了大量的、多维度的特征数据，即便是不断优化发起攻击的人脸图像，对于检测的影响也十分有限，攻击来源难以通过图像模拟绕过检测，可提高人脸识别攻击的检测准确度。在检测时间点可对一定时间段内请求人脸识别的所有客户进行批量检测，可对人脸识别批量攻击行为进行准确检测。
79.在图1所示方法的基础上，本发明实施例提供了又一种人脸识别攻击的检测方法，参考图2所示流程图，本发明实施例提供的方法中，步骤s103中提及的依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数的过程，包括：
80.s201：对于每个所述客户，依据预设的卷积神经网络，对该客户的人脸识别图像进行人脸特征提取，得到该客户对应的第一特征向量；
81.本发明实施例提供的方法中，可预先构建用于提取人脸特征的卷积神经网络。卷积神经网络(convolutional neural network，cnn)的基础结构包括卷积(convolution)、激活(activation)和池化(pooling)三种结构。将图像输入预设的cnn后，cnn输出的结果即为该图像的特定特征空间。
82.本发明实施例提供的方法中，将每个客户对应的人脸识别图像分别输入预设的cnn，分别通过cnn进行图像特征提取，获得每个客户的人脸识别图像中的人脸图像特征，可将cnn输出的结果转换为一个长度固定的向量，作为客户对应的第一特征向量。
83.s202：对于每个所述客户，依据预设的图像语义分割算法，对该客户的人脸识别图像进行背景特征提取，得到该客户对应的第二特征向量；
84.本发明实施例提供的方法中，可以预先设置用于提取背景特征的图像语义分割算法(encoder-decoder)，所谓语义分割是在像素级别上的分类，属于同一类的像素会被归为一类，因此语义分割是从像素级别来理解图像的，例如，一张照片中属于人的像素都要分成一类，属于物品的像素也要分成一类，本发明实施例提供的方法中，通过图像语义分割算法对背景像素进行分类，针对人脸识别图像的背景部分进行特征提取，将提取到的背景特征转换为一个长度固定的向量。
85.本发明实施例提供的方法中，可通过预设的图像语义分割算法，对每个客户的人脸识别图像的背景部分进行特征提取，获得各个人脸识别图像的背景特征，将每个提取到的背景特征转换为一个固定长度的向量，将该向量作为关联客户所对应的第二特征向量。
86.s203：对于每个所述客户，确定该客户的预留个人信息对应的多个客户属性数据，并将所述多个客户属性数据、该客户对应的第一特征向量和该客户对应的第二特征向量，作为该客户对应的各个特征参数。
87.本发明实施例提供的方法中，可预先设置需要提取特征的各个客户属性，例如账号、手机号码等等。按照预设的各个客户属性，从每个客户的预留个人信息进行信息提取，获得每个客户与所述各个客户属性相对应的各个客户属性数据，提取得到的客户属性数据可以按照预定数据格式进行记录。将每个客户对应的每个客户属性数据、第一特征向量和第二特征向量，均作为特征参数，以得到每个客户对应的各个特征参数。
88.进一步的，在图1所示方法的基础上，本发明实施例提供的方法中，步骤s104中提及的依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列的过程，包括：
89.对于每个所述客户对应的每个所述特征参数，确定该特征参数对应的信息熵；
90.本发明实施例提供的方法中，将人脸特征、背景特征抽象为向量之后，还需要结合客户其他信息进行攻击检测，由于客户信息表达形式各异，因此通过信息熵对多维度的特征信息进行压缩。信息熵是数据系统内部微观无序的宏观表征。一个系统越有序，信息熵就越低，反之，一个系统越混乱，信息熵就越高。信息熵可以用来描述数据的分布是聚集还是离散，它在保持原始数据结构的几何拓扑的基础上，通过同胚变换实现对数据的压缩，用信息熵压缩多维度的特征信息后，数据体积变小，并且能够完整保持原始数据的结构，可称之为无损耗的分布信息减少。
91.本发明实施例提供的方法中，通过预设的信息熵计算策略，对每个客户对应的每个特征参数进行信息熵的计算，获得每个特征参数对应的信息熵。
92.将每个特征参数分布视为一组随机变量，某个特征参数s的信息熵h(s)可按照以下公式进行计算：
[0093][0094]
其中，pi为特征参数中第i个参数值出现的概率，n为特征参数中参数值的总数。
[0095]
对于每个所述特征参数对应的信息熵，对该信息熵进行数据归一化处理，将处理结果作为该特征参数对应的归一化数据；
[0096]
本发明实施例提供的方法中，为使数据转化为适合分析的形式，需要对上述步骤的结果进行规范化处理。本发明实施例提供的方法中，使用最大-最小规范，通过规范化计算使数据映射到[0，1]的范围内，以进行数据归一化处理。本发明实施例提供的方法中，对每个特征参数的信息熵进行数据归一化处理，具体的，可对信息熵中每个数值进行归一化，将所有数值的归一化结果作为该信息熵的归一化结果，将信息熵的归一化结果作为对应特征参数的归一化数据。每个信息熵中的每个数值的归一化结果h
′i，可按照以下公式进行计算：
[0097][0098]
其中，h
min
和h
max
分别表示特征参数的信息熵中各个数值中的最小值和最大值。
[0099]
对于每个所述特征参数对应的归一化数据，对该归一化数据进行符号化处理，将处理结果作为该特征参数对应的客户所对应的符号序列。
[0100]
本发明实施例提供的方法中，最大-最小规范能够保持数据之间的关系，但其结果仍是实值数据序列，本发明实施例提供的方法中，通过符号化计算对归一化数据进行符号化处理，以使特征参数的形式适用于后续分析。在符号化计算中，将规范化的结果(即归一化数据)的取值范围平均分成2n份(n≥2)，各个范围的数值分别用2n个符号表示，对归一化数据中的每个数值进行符号化处理，可获得符号序列。例如，可将取值范围分成四份，用四个字母{a，b，c，d}分别表示四部分的值，按照如下公式对数值进行符号化处理，可获得符号序列si：
[0101][0102]
其中，vi为归一化数值中的第i个数值。需要说明的是，a、b、c和d分别表征对应的符号，在实际的应用过程中，其具体可以是约定的数字，而并不是指处理结果为字母本身。
[0103]
在图1所示方法的基础上，本发明实施例提供的方法中，步骤s105中提及的依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络的过程，包括：
[0104]
对于每个所述客户对应的每个所述符号序列，建立该符号序列所对应的特征节点，将该特征节点作为该客户对应的图节点；
[0105]
本发明实施例提供的方法中，每个客户对应的各个符号序列，对应着该客户对应的各个特征参数，也就是每个符号序列表征的是其对应客户的某一类特征数据。对于每个客户对应的每个符号序列，以该符号序列建立其对应的特征节点，该特征节点表征该符号序列对应的特征。对于每个客户，将其对应的每个符号序列所对应的特征节点，作为该客户对应的图节点。
[0106]
对于每个所述客户，建立该客户对应的各个图节点之间的连接边，依据该客户对应的各个符号序列，计算每个所述连接边对应的权重系数，并依据该客户对应的各个图节点、各个所述图节点之间的连接边以及每个所述连接边对应的权重系数，生成该客户对应的图网络。
[0107]
本发明实施例提供的方法中，对于每个客户，建立其对应的各个图节点之间的连接边，也就是每个图节点均与其余的每个图节点以连接边相连接。对于每条连接边，以该连接边连接的两个图节点所对应的符号序列，计算该连接边对应的权重系数。对于每个客户，以该客户对应的各个图节点，各个图节点之间的连接边，以及每个连接边对应的权重系数，生成一个无向赋权网络，作为该客户对应的图网络。例如，在客户对应四类特征参数的场景下，其对应的各个符号序列亦对应四类特征，生成的图网络的结构可以如图3所示，包含表征特征1、特征2、特征3以及特征4的四个节点，每两个节点之间均以边相连接。
[0108]
在上述实施例提供的方法的基础上，本发明实施例提供的方法中，所述依据该客户对应的各个符号序列，计算每个所述连接边对应的权重系数的过程，包括：
[0109]
对于每个所述连接边，在该客户对应的各个符号序列中，确定该连接边对应的第一符号序列和第二符号序列，依据预设的协方差估计策略，计算所述第一符号序列和所述第二符号序列之间的协方差估计值，依据预设的指数函数和所述协方差估计值进行指数运算，将运算结果作为该连接边对应的权重系数。
[0110]
本发明实施例提供的方法中，图网络中的边用来衡量其连接的两个图节点之间的项集模式对最后结果的影响。一条边的权值的大小由此条边对应的两个特征参数的变化的相似程度决定，如果一条边对应的两个端点(特征)的变化程度越相似，这两个特征参数的相关性就越强，因此赋予此边一个较大的权重系数，此边对应的两点之间的项集模式对结果的影响就越大，反之，权重系数越小，该项集模式的影响就越小。
[0111]
本发明实施例提供的方法中，将每个符号序列的数据分布当作随机变量，两个随机变量间变化的相似程度由协方差衡量。随机变量x(ζ)和y(ζ)的协方差矩阵c
xy
定义为：
[0112]cxy
＝e{[x(ζ)-μ
x
][y(ζ)-μy]h}
ꢀꢀꢀꢀꢀꢀꢀ
(公式4)
[0113]
其中，μ
x
表示x(ζ)的均值，μy表示y(ζ)的均值。
[0114]
协方差的估计值通过样本值得到：
[0115][0116]
其中，k表示符号序列中数据的序号，n表示符号序列中数据的个数，xk表示x(ζ)中第k个数据，yk表示y(ζ)中第k个数据。表示x(ζ)的均值，表示y(ζ)的均值。
[0117]
本发明实施例提供的方法中，针对每个客户对应的图网络中的每个连接边，将该连接边连接的两个图节点所对应的符号序列，分别作为该连接边对应的第一符号序列和第二符号序列，可以按照公式5所示公式，计算这两个符号序列之间的协方差估计值。本发明实施例提供的方法中，可基于指数函数和协方差估计值进行权重系数的计算，具体的，每条连接边的权重系数可以按照如下公式进行计算：
[0118][0119]
其中，w(xy)表示连接边的权重系数，x和y分别表示该连接边对应的两个符号序列。
[0120]
进一步的，在图1所示方法的基础上，本发明实施例提供的方法中，步骤s106中提及的确定每个所述图网络对应的异常系数的过程，包括：
[0121]
对于每个所述图网络，依据该图网络对应的客户所对应的各个符号序列，确定该图网络对应的项集模式数据，所述项集模式数据包括该图网络对应的多个二项集、多个三项集、每个所述二项集对应的多个二项集模式以及每个所述三项集对应的多个三项集模式；
[0122]
本发明实施例提供的方法中，在以符号序列表示特征参数的场景下，以公式3所示的符号化处理结果为例，符号化处理的结果用{a，b，c，d}表示，用{1,2,...,n}分别表示n个特征参数，用1j、2j、
……
nj(j表示符号化结果，j＝a,b,c,d)表示该时刻各个特征参数的模式。pq(p,q＝1,2,
…
,n)两点为一个2-项集，两点间的模式piqj(p,q＝1,2,
…
,n；i,j＝a,b,c,d)为一个2-项集模式。pqr(p,q,r＝1,2,
…
,n)三点为一个3-项集，三点间的模式piq
jrk
(p,q,r＝1,2,
…
,n；i,j,k＝a,b,c,d)为一个3-项集模式。
[0123]
本发明实施例提供的方法中，可基于图网络对应的各个符号序列，确定该图网络对应的各个二项集(即2-项集)和各个三项集(即3-项集)，同时，确定每个二项集对应的各个二项集模式和每个三项集对应的各个三项集模式，以得到项集模式数据。
[0124]
依据所有所述图网络对应的项集模式数据，对每个所述图网络进行异常系数计算，获得每个所述图网络对应的多个初始异常系数；
[0125]
本发明实施例提供的方法中，可基于所有图网络对应的项集模式数据进行数据挖掘，以对每个图网络进行异常系数的计算，在计算过程中可重复执行单个异常系数的计算过程，以得到每个图网络对应的多个初始异常系数。
[0126]
依据预设的融合策略，对每个所述图网络对应的所述多个初始异常系数进行融合
处理，得到每个所述图网络对应的融合异常系数，并将每个所述图网络对应的融合异常系数作为每个所述图网络对应的异常系数。
[0127]
本发明实施例提供的方法中，可以预先设置融合策略，用于融合多次计算得到的多个初始异常系数，以得到最终的异常系数。融合策略可采用现有的算法集成策略，例如，可以采用bagging算法进行融合，bagging算法通过计算多个初始异常系数的平均值，将这些初始异常系数的平均值作为最终的异常系数结果。
[0128]
本发明实施例提供的方法中，主要通过基于项集模式的数据挖掘，计算图网络的异常系数。项集模式的支持度反映了一个项集模式出现的频繁程度，支持度越小，说明项集出现得越不频繁。对于某一个图网络，它的2-项集模式和3-项集模式的频繁程度可以反映该图网络代表的记录出现异常的可能性。该图网络中挖掘出的频繁模式越多，则该记录出现异常的可能性越小，反之，出现异常的可能性越大。
[0129]
在上述实施例提供的方法的基础上，本发明实施例提供的方法中，所述依据所有所述图网络对应的项集模式数据，对每个所述图网络进行异常系数计算，获得每个所述图网络对应的多个初始异常系数的过程，包括：
[0130]
对于每个所述图网络，按照预设的选取个数，在该图网络对应的多个二项集中选取该图网络对应的多个目标二项集，并在该图网络对应的多个三项集中，确定每个所述目标二项集对应的目标三项集；
[0131]
本发明实施例提供的方法中，基于一个二项集的项集模式及其关联的一个三项集的项集模式，可计算得到一个初始的异常系数。可以预先设置选取个数，即需要计算得到的初始异常系数的个数。在每个图网络的异常系数的计算过程中，在该图网络对应的各个二项集中，选取与预设的选取个数相对应的多个二项集，作为目标二项集，具体的，可以随机选取。在该图网络对应的各个三项集中，选取每个目标二项集相关联的一个三项集，作为该目标二项集对应的目标三项集。
[0132]
对于每个所述图网络对应的每个所述目标二项集，确定该目标二项集对应的支持度和权重系数，并确定该目标二项集所对应的目标三项集对应的支持度和权重系数；
[0133]
本发明实施例提供的方法中，项集模式的支持度为该项集模式的个数与项集中的总实例数之比。图网络中某个二项集模式piqj的支持度support(piqj)可以按照以下原理进行计算：
[0134][0135]
其中，num(piqj)表示在该图网络中，该二项集模式出现的次数，num(pq)表示在所有图网络中，该二项集模式出现的次数。同理，三项集模式的支持度也可以类比以上原理进行计算。
[0136]
本发明实施例提供的方法中，将目标二项集对应的各个二项集模式所对应的支持度，作为该目标二项集对应的支持度。对于目标三项集，将该目标三项集对应的各个三项集模式所对应的支持度，作为该目标三项集对应的支持度。
[0137]
本发明实施例提供的方法中，每个图网络中每个目标二项集对应的权重系数，以
及每个目标二项集所对应的目标三项集对应的权重系数，可以基于协方差的估计值以及指数函数进行计算。
[0138]
具体的，应用在二项集和三项集中，目标二项集和目标三项集的权重系数可以按照以下原理进行计算：
[0139][0140][0141]
其中，x1x2、x2x3以及x3x1表示一对二项集，x1x2x3表示二项集x1x2对应的一对三项集，以及分别表示对应二项集的协方差的估计值，其具体计算原理可参考前文记载的公式5。可通过公式8计算目标二项集的权重系数，通过公式9计算目标三项集的权重系数。
[0142]
对于每个所述图网络对应的每个所述目标二项集，依据该目标二项集对应的支持度和权重系数、该目标二项集对应的目标三项集所对应的支持度和权重系数，以及预设的异常系数计算策略，计算该目标二项集对应的异常系数，并将该目标二项集对应的异常系数作为该图网络对应的初始异常系数。
[0143]
本发明实施例提供的方法中，项集模式的频繁程度或支持度可以反映该记录出现异常的可能性，在该记录中挖掘出的频繁模式越多或各模式的支持度越大，出现异常的可能性越小，反之，出现异常的可能性越大。
[0144]
项集的权重系数反映的是各个特征之间的关系，它量化了各项集模式的支持度对该记录是否存在异常的贡献程度。本发明实施例提供的方法中，在每个图网络的异常系数的计算过程中，每个目标二项集对应的异常系数，可以按照以下原理进行计算：
[0145]
p
t
＝log(θ2∑w(x1x2)sup
t
(x1x2)+θ3∑w(x1x2x3)sup
t
(x1x2x3))
[0146]
(公式10)
[0147]
其中，p
t
表示基于目标二项集x1x2进行计算得到的异常系数，x1x2x3为该目标二项集对应的目标三项集。以{1,2,...,n}分别表示图网络对应的n个特征参数的场景下，1≤x1，x2≤n，1≤x1，x2，x3≤n。w(x1x2)表示该目标二项集对应的权重系数，w(x1x2x3)表示该目标三项集对应的权重系数。
[0148]
sup
t
(x1x2)表示该目标二项集对应的二项集模式所对应的支持度，具体的计算原理可参见公式7，公式10中的第一个求和运算意味着将该目标二项集对应的每个二项集模式对应的支持度，分别与该目标二项集对应的权重系数相乘，将各个乘积进行求和。sup
t
(x1x2x3)表示该目标三项集对应的三项集模式对应的支持度，公式10中的第二个求和运算意味着将该目标三项集对应的每个三项集模式对应的支持度，分别与该目标三项集对应的权重系数相乘，将各个乘积进行求和。θ2表示二项集的影响度因子，θ3表示三项集的影响度因子，两个影响度因子可根据实际需求进行设置，两者分别反映二项集模式与三项集模式对于结果的影响程度，可选的，本发明实施例提供的方法中，θ2＝1，θ3＝0.6。因为二项集模式比三项集模式对于检测异常更具有价值，二项集模式反映特征之间的相互关系是最基本、最直接的。
[0149]
本发明实施例提供的方法中，对于每个图网络所对应的每个目标二项集，通过上
述计算过程，可获得每个目标二项集对应的异常系数，将每个目标二项集对应的异常系数作为该图网络对应的一个初始异常系数。
[0150]
为了更好地说明本发明实施例提供的方法，本发明实施例提供了又一种人脸识别攻击的检测方法，对本发明实施例提供的方法作简要的整体说明，本发明实施例提供的方法中，定时对此前一段时间内产生的人脸识别行为进行攻击检测。本发明实施例提供的人脸识别攻击的检测过程，主要包括以下两个步骤：
[0151]
①
首先将人脸识别图像、账号、手机号、设备ip等信息抽象为图网络的形式；
[0152]
②
之后利用图挖掘的方法实现人脸批量攻击行为的检测。
[0153]
本发明实施例提供的方法中，将当前需要检测的每个客户的客户信息抽象为图网络。具体的，包括以下步骤：
[0154]
人脸特征抽取；
[0155]
背景特征抽取；
[0156]
用信息熵对人脸图像特征、背景图像特征、账号、手机号、设备ip等客户多因子信息进行压缩；
[0157]
数据归一化，转换成离散的符号序列；
[0158]
将多因子信息抽象为图网络形式。
[0159]
各步骤的具体过程，可以参见前文各个实施例中的说明，在此不再赘述。
[0160]
将各个客户的客户信息抽象为图网络后，可得到多个图网络。接下来用图挖掘算法检测其中存在的批量攻击。图挖掘算法主要包括以下步骤：
[0161]
计算项集模式支持度以及各项集的权重系数；
[0162]
通过上述两个参数为每个图网络赋予一个异常系数；
[0163]
随机取多组数据重复进行上述两个步骤，得到多个异常系数结果，并通过bagging方法对结果进行融合；
[0164]
设定阈值，将融合得到的异常系数高于阈值的图网络所代表的人脸识别行为判定为攻击。
[0165]
各个步骤的具体过程，可参见前文各个实施例中的说明，在此不再赘述。
[0166]
简言之，对于一个图网络，可随机选取多组数据，每组数据包括一个二项集以及该二项集对应的一个三项集，按照前文实施例中提及的公式7～公式10，计算每组数据中各项集模式的支持度和各项集的权重系数，通过计算得到的各个支持度和各个权重系数，计算得到一个异常系数。将基于各组数据计算得到的各个异常系数进行平均值的计算，将其平均值作为该图网络最终对应的异常系数。
[0167]
经过上述所有步骤，对于每个图网络都会得到一个平均异常系数(即最终的异常系数)。设定异常系数的阈值，如果某个图网络的异常系数大于阈值，则将该图网络判定为异常，该图网络对应的客户的人脸识别行为则视为攻击，反之，则判定为正常，该图网络对应的客户的人脸识别行为是正常的业务行为。
[0168]
本发明实施例提供的方法，检测数据来源是多因子的、动态的，检测效果更好。其次，本发明实施例提供的方法中的数据来源具有可扩展性，除了人脸图像和背景图像之外，还可以支持引入更多的数据维度加入到图网络的构建中，包括网络ip地址，地理位置信息等，从而可发现更加丰富的风险类型，以及可应用于更多的场景。
[0169]
与图1所示的一种人脸识别攻击的检测方法相对应的，本发明实施例还提供了一种人脸识别攻击的检测装置，用于对图1中所示方法的具体实现，其结构示意图如图4所示，包括：
[0170]
第一确定单元301，用于当到达预设的检测周期对应的每个检测时间点时，确定当前检测时间点对应的多个客户；
[0171]
第二确定单元302，用于确定每个所述客户对应的特征信息集，每个所述客户对应的特征信息集包括该客户的人脸识别图像和预留个人信息；
[0172]
第三确定单元303，用于依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数；每个所述客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；
[0173]
第四确定单元304，用于依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列；每个所述客户对应的各个符号序列与该客户对应的各个特征参数一一对应；
[0174]
构建单元305，用于依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络；
[0175]
第五确定单元306，用于确定每个所述图网络对应的异常系数；
[0176]
判断单元307，用于对于每个所述图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若该图网络符合所述预设的异常条件，则将该图网络对应的客户确定为异常客户；
[0177]
第六确定单元308，用于将每个所述异常客户对应的人脸识别行为确定为人脸识别攻击。
[0178]
基于本发明实施例提供的装置，当到达检测时间点时，确定当前检测时间点对应的多个客户；确定每个客户对应的特征信息集；依据每个客户对应的特征信息集，确定每个客户对应的多个特征参数；每个客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；依据每个客户对应的各个特征参数，确定每个客户对应的多个符号序列；依据每个客户对应的各个符号序列，构建每个客户对应的图网络；确定每个图网络对应的异常系数；对于每个图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若符合，则将该图网络对应的客户确定为异常客户；将每个异常客户对应的人脸识别行为确定为人脸识别攻击。应用本发明实施例提供的装置，结合多维度的特征数据构建图网络，基于对各个图网络的数据挖掘，检测人脸识别攻击，检测的特征数据来源不限于单一的人脸图像，在检测过程中，可基于当前各个客户对应的图网络进行数据挖掘，参考了大量的、多维度的特征数据，即便是不断优化发起攻击的人脸图像，对于检测的影响也十分有限，攻击来源难以通过图像模拟绕过检测，可提高人脸识别攻击的检测准确度。在检测时间点可对一定时间段内请求人脸识别的所有客户进行批量检测，可对人脸识别批量攻击行为进行准确检测。
[0179]
在图4所示装置的基础上，本发明实施例提供的装置还可以进一步扩展出多个单元，各个单元的功能可参见前文对于人脸识别攻击的检测方法所提供的各个实施例中的说
明，在此不再进一步举例说明。
[0180]
本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的人脸识别攻击的检测方法。
[0181]
本发明实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器401，以及一个或者一个以上的指令402，其中一个或者一个以上指令402存储于存储器401中，且经配置以由一个或者一个以上处理器403执行所述一个或者一个以上指令402进行以下操作：
[0182]
当到达预设的检测周期对应的每个检测时间点时，确定当前检测时间点对应的多个客户；
[0183]
确定每个所述客户对应的特征信息集，每个所述客户对应的特征信息集包括该客户的人脸识别图像和预留个人信息；
[0184]
依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数；每个所述客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；
[0185]
依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列；每个所述客户对应的各个符号序列与该客户对应的各个特征参数一一对应；
[0186]
依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络；
[0187]
确定每个所述图网络对应的异常系数；
[0188]
对于每个所述图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若该图网络符合所述预设的异常条件，则将该图网络对应的客户确定为异常客户；
[0189]
将每个所述异常客户对应的人脸识别行为确定为人脸识别攻击。
[0190]
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，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0191]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0192]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：

1.一种人脸识别攻击的检测方法，其特征在于，包括：当到达预设的检测周期对应的每个检测时间点时，确定当前检测时间点对应的多个客户；确定每个所述客户对应的特征信息集，每个所述客户对应的特征信息集包括该客户的人脸识别图像和预留个人信息；依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数；每个所述客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列；每个所述客户对应的各个符号序列与该客户对应的各个特征参数一一对应；依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络；确定每个所述图网络对应的异常系数；对于每个所述图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若该图网络符合所述预设的异常条件，则将该图网络对应的客户确定为异常客户；将每个所述异常客户对应的人脸识别行为确定为人脸识别攻击。2.根据权利要求1所述的方法，其特征在于，所述依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数，包括：对于每个所述客户，依据预设的卷积神经网络，对该客户的人脸识别图像进行人脸特征提取，得到该客户对应的第一特征向量；对于每个所述客户，依据预设的图像语义分割算法，对该客户的人脸识别图像进行背景特征提取，得到该客户对应的第二特征向量；对于每个所述客户，确定该客户的预留个人信息对应的多个客户属性数据，并将所述多个客户属性数据、该客户对应的第一特征向量和该客户对应的第二特征向量，作为该客户对应的各个特征参数。3.根据权利要求1所述的方法，其特征在于，所述依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列，包括：对于每个所述客户对应的每个所述特征参数，确定该特征参数对应的信息熵；对于每个所述特征参数对应的信息熵，对该信息熵进行数据归一化处理，将处理结果作为该特征参数对应的归一化数据；对于每个所述特征参数对应的归一化数据，对该归一化数据进行符号化处理，将处理结果作为该特征参数对应的客户所对应的符号序列。4.根据权利要求1所述的方法，其特征在于，所述依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络，包括：对于每个所述客户对应的每个所述符号序列，建立该符号序列所对应的特征节点，将该特征节点作为该客户对应的图节点；对于每个所述客户，建立该客户对应的各个图节点之间的连接边，依据该客户对应的各个符号序列，计算每个所述连接边对应的权重系数，并依据该客户对应的各个图节点、各
个所述图节点之间的连接边以及每个所述连接边对应的权重系数，生成该客户对应的图网络。5.根据权利要求4所述的方法，其特征在于，所述依据该客户对应的各个符号序列，计算每个所述连接边对应的权重系数，包括：对于每个所述连接边，在该客户对应的各个符号序列中，确定该连接边对应的第一符号序列和第二符号序列，依据预设的协方差估计策略，计算所述第一符号序列和所述第二符号序列之间的协方差估计值，依据预设的指数函数和所述协方差估计值进行指数运算，将运算结果作为该连接边对应的权重系数。6.根据权利要求1所述的方法，其特征在于，所述确定每个所述图网络对应的异常系数，包括：对于每个所述图网络，依据该图网络对应的客户所对应的各个符号序列，确定该图网络对应的项集模式数据，所述项集模式数据包括该图网络对应的多个二项集、多个三项集、每个所述二项集对应的多个二项集模式以及每个所述三项集对应的多个三项集模式；依据所有所述图网络对应的项集模式数据，对每个所述图网络进行异常系数计算，获得每个所述图网络对应的多个初始异常系数；依据预设的融合策略，对每个所述图网络对应的所述多个初始异常系数进行融合处理，得到每个所述图网络对应的融合异常系数，并将每个所述图网络对应的融合异常系数作为每个所述图网络对应的异常系数。7.根据权利要求6所述的方法，其特征在于，所述依据所有所述图网络对应的项集模式数据，对每个所述图网络进行异常系数计算，获得每个所述图网络对应的多个初始异常系数，包括：对于每个所述图网络，按照预设的选取个数，在该图网络对应的多个二项集中选取该图网络对应的多个目标二项集，并在该图网络对应的多个三项集中，确定每个所述目标二项集对应的目标三项集；对于每个所述图网络对应的每个所述目标二项集，确定该目标二项集对应的支持度和权重系数，并确定该目标二项集所对应的目标三项集对应的支持度和权重系数；对于每个所述图网络对应的每个所述目标二项集，依据该目标二项集对应的支持度和权重系数、该目标二项集对应的目标三项集所对应的支持度和权重系数，以及预设的异常系数计算策略，计算该目标二项集对应的异常系数，并将该目标二项集对应的异常系数作为该图网络对应的初始异常系数。8.一种人脸识别攻击的检测装置，其特征在于，包括：第一确定单元，用于当到达预设的检测周期对应的每个检测时间点时，确定当前检测时间点对应的多个客户；第二确定单元，用于确定每个所述客户对应的特征信息集，每个所述客户对应的特征信息集包括该客户的人脸识别图像和预留个人信息；第三确定单元，用于依据每个所述客户对应的特征信息集，确定每个所述客户对应的多个特征参数；每个所述客户对应的多个特征参数包括，表征该客户的人脸识别图像中人脸特征的参数、表征该客户的人脸识别图像中背景特征的参数，以及表征该客户的预留个人信息中每个客户属性特征的参数；
第四确定单元，用于依据每个所述客户对应的各个特征参数，确定每个所述客户对应的多个符号序列；每个所述客户对应的各个符号序列与该客户对应的各个特征参数一一对应；构建单元，用于依据每个所述客户对应的各个符号序列，构建每个所述客户对应的图网络；第五确定单元，用于确定每个所述图网络对应的异常系数；判断单元，用于对于每个所述图网络，依据该图网络对应的异常系数，判断该图网络是否符合预设的异常条件，若该图网络符合所述预设的异常条件，则将该图网络对应的客户确定为异常客户；第六确定单元，用于将每个所述异常客户对应的人脸识别行为确定为人脸识别攻击。9.一种存储介质，其特征在于，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1～7任意一项所述的人脸识别攻击的检测方法。10.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1～7任意一项所述的人脸识别攻击的检测方法。

技术总结

本发明提供了一种人脸识别攻击的检测方法及装置、存储介质及电子设备，该方法包括：当到达检测时间点时，确定当前检测时间点对应的多个客户；确定客户对应的特征信息集，特征信息集包括人脸识别图像和预留个人信息；对于每个客户，依据其对应的特征信息集，确定多个特征参数，并依据各个特征参数，确定多个符号序列；依据客户对应的各个符号序列，构建客户对应的图网络；确定每个图网络对应的异常系数；依据异常系数，判断图网络是否符合预设的异常条件，将符合条件的图网络所对应的客户确定为异常客户，将异常客户对应的人脸识别行为确定为人脸识别攻击。应用本发明的方法，结合多维度的特征数据进行人脸识别批量攻击检测，可提高检测准确度。高检测准确度。高检测准确度。