本申请涉及通话语音反欺诈技术领域，特别涉及一种自更新的反欺诈方法、装置、计算机设备和存储介质。
背景技术
目前，很多大型金融公司的业务范围涉及保险、银行、投资等多个业务范畴，而每个业务范畴通常都需要同客户进行沟通，且都需要进行反欺诈识别，因此，对客户的身份验证及反欺诈识别成为保证业务安全的重要组成部分。为了满足业务的实时性需求，有些金融公司开始采用语音识别的方式对客户的身份进行验证及反欺诈识别，在反欺诈识别中，公司会将历史的欺诈语音数据保存下来，建立起一个黑名单语音库，再利用声纹识别技术提取声纹特征信息，建立黑名单声纹库。
当新的通话进入时，说话人的声音将自动被提取声纹特征信息，与黑名单声纹库中的声纹特征信息进行比对，如果判定说话人的声音与黑名单声纹库中的信息匹配成功，将提示该说话人可能是欺诈身份。该方案的难点在于，这是一比n的声纹匹配过程，当黑名单声纹库中的人数非常多时(如n大于500)，准确率较低，且检测效率低。比如，对于任一说话人，只要黑名单500人中任何一人的声音与说话人相似，都可能判定该说话人属于欺诈用户而触发警报，所以存在触发误报的情况。
技术实现要素：
本申请的主要目的为提供一种自更新的反欺诈方法、装置、计算机设备和存储介质，克服现有技术中对语音数据进行反欺诈时准确率低的缺陷。
为实现上述目的，本申请提供了一种自更新的反欺诈方法，包括以下步骤：
黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；
接收第一语音数据，并通过更新后的所述声纹训练模型计算所述第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值；
若所述相似度分值高于设定的相似度阈值，则判定所述第一语音数据为欺诈语音数据。
进一步地，所述训练参数为plda矩阵中的类间协方差矩阵以及鉴别向量的均值，所述声纹训练模型为高斯混合模型，所述基于所述黑名单声纹库中的欺诈语音数据重新训练声纹训练模型的训练参数的步骤，包括：
基于所述黑名单声纹库中的欺诈语音数据，分别提取鉴别向量；
使用所述鉴别向量训练plda矩阵，更新所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
进一步地，所述通过更新后的所述声纹训练模型计算所述第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值的步骤，包括：
使用鉴别向量提取器提取所述第一语音数据的鉴别向量；
将所述第一语音数据的鉴别向量输入至更新后的声纹训练模型中计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值。
进一步地，所述使用鉴别向量提取器提取所述第一语音数据的鉴别向量的步骤，具体包括：
提取所述第一语音数据的声纹特征组成声纹特征向量，并通过鉴别向量提取器计算所述声纹特征向量，提取出所述第一语音数据的鉴别向量。
进一步地，所述训练参数为plda矩阵中的类间协方差矩阵以及鉴别向量的均值，所述声纹训练模型为高斯混合模型，所述黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的欺诈语音数据重新训练声纹训练模型的训练参数的步骤之前，包括：
提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量；
将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练；
通过训练好的鉴别向量提取器提取单人多通的欺诈语音数据中的多个鉴别向量；
通过多个所述鉴别向量训练plda矩阵，训练所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
进一步地，所述将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练的步骤，包括：
将所述声纹特征向量作为高斯混合模型以及鉴别向量提取器的数据输入，并使用em算法训练高斯混合模型以及鉴别向量提取器。
进一步地，所述声纹特征为梅尔频率倒谱系数，所述提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量的步骤包括：
对所述语音数据依次进行预加重、分帧以及加窗处理；
对每一个加窗，通过傅里叶变换得到频谱；
通过梅尔滤波器对所述频谱进行滤波，得到梅尔频谱；
对所述梅尔频谱进行倒谱分析，得到梅尔频率倒谱系数；
基于所述梅尔频率倒谱系数构建所述声纹特征向量。
本申请还提供了一种自更新的反欺诈装置，包括：
更新单元，用于黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的所有欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；
打分单元，用于通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值；
判定单元，用于所述相似度分值高于设定的相似度阈值时，则判定所述第一语音数据为欺诈语音数据。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请中提供的自更新的反欺诈方法、装置、计算机设备和存储介质具有以下有益效果：
本申请中提供的自更新的反欺诈方法、装置、计算机设备和存储介质，黑名单声纹库中加入新的欺诈语音数据时，针对所有欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；不断更新声纹训练模型，以更好的适应语音反欺诈，提升反欺诈准确性；同时新的第一语音数据接入时，通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值，其计算的是与所有欺诈语音数据之间的一个相似度分值，提升准确率，克服误报的缺陷，同时提升检测效率。
附图说明
图1是本申请一实施例中的自更新的反欺诈方法步骤示意图；
图2是本申请一实施例中的步骤s1的具体步骤示意图；
图3是本申请一实施例中的步骤s2的具体步骤示意图；
图4是本申请一实施例中的自更新的反欺诈装置结构框图；
图5是本申请另一实施例中的自更新的反欺诈装置结构框图；
图6为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例提供一种自更新的反欺诈方法，包括以下步骤：
步骤s1，黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；
步骤s2，接收第一语音数据，并通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值；
步骤s3，若所述相似度分值高于设定的相似度阈值，则判定所述第一语音数据为欺诈语音数据。
如上述步骤s1所述，在本实施例中，黑名单声纹库中存储有多个欺诈语音数据，欺诈语音数据指的是欺诈用户发出的语音数据；上述第一语音数据为新用户的语音数据。上述黑名单声纹库中存储有一定数量欺诈用户的声纹数据，而当新判定的某个用户为欺诈用户时，为了丰富黑名单声纹库，通常将该新的欺诈用户的欺诈语音数据加入至黑名单声纹库中；应当理解的是，该新判定的欺诈用户的欺诈语音数据可以是通过本申请中的模型检测出的欺诈语音数据，也可以是预先通过其它方式、途径检测出的，即任何来源的欺诈语音数据，均可以添加至本申请中的黑名单声纹库中。
若需要对大量的语音数据进行声纹识别，需要使用到声纹训练模型，以对语音数据的声纹特征进行训练。目前通常是使用声纹训练模型训练固定的黑名单声纹库中的欺诈语音数据，然后一直重复使用该声纹训练模型的训练参数，随着新用户量的增加，显然无法做到准确预测出欺诈用户。例如，当新的欺诈语音数据被加入至黑名单声纹库中时，若依然按照之前的训练参数进行欺诈用户的识别，则可能造成不准确，也可能产生误报。因此，在本实施例中，黑名单声纹库中加入新的欺诈语音数据时，则利用黑名单声纹库中的所有欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型，此过程为一循环迭代过程，只要有新的欺诈语音数据被加入时，则进行一次自更新；然后如上述步骤s2所述，当有新的第一语音数据接入时，再使用更新后的声纹训练模型计算该第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值；最后如上述步骤s3所述，若所述相似度分值高于设定的相似度阈值，则判定所述第一语音数据为欺诈语音数据。进一步地，步骤s3之后，还可以包括s4：将第一语音数据作为新的欺诈语音数据加入黑名单声纹库，从而更新声纹训练模型。这样，本方案可以在基于声纹训练模型识别欺诈语音数据时，也不断地循环更新黑名单声纹库，从而优化声纹训练模型，使得声纹训练模型对欺诈语音数据的识别更加的准确。
在一具体实施例中，如上述步骤s1中所述，若某银行的黑名单声纹库中存储有500个用户的欺诈语音数据(该欺诈语音数据中包括有其声纹特征)，事先会使用声纹训练模型对黑名单声纹库中的500个用户的声纹特征进行训练，得到此时的训练参数。若又有一个标定为欺诈用户的欺诈语音数据加入至该黑名单声纹库中时，则重新基于该501个用户的声纹特征进行训练，重新得到训练参数。每当有新的欺诈语音数据加入时，此过程循环迭代一次。之后，银行终端设备接入新的第一语音数据时，则基于更新后的声纹训练模型对该第一语音数据进行相似度分值的计算。
参照图2，在一实施例中，上述训练参数为plda矩阵中的类间协方差矩阵以及鉴别向量的均值，上述声纹训练模型为高斯混合模型，上述基于所述黑名单声纹库中的所有欺诈语音数据重新训练声纹训练模型的训练参数的步骤s1，包括：
步骤s11，基于所述黑名单声纹库中的所有欺诈语音数据，分别提取鉴别向量(计算鉴别向量i-vector)；上述鉴别向量为说话人的声学特征，其反映的是说话人声学差异。
在该步骤中，针对于黑名单声纹库中的所有欺诈语音数据，均需要提取它的鉴别向量，而鉴别向量的提取可以使用训练好的鉴别向量提取器来进行提取。
在一实施例中，上述步骤s11具体过程为：提取所述黑名单声纹库中的所有欺诈语音数据的声纹特征，并基于该声纹特征构建对应的声纹特征向量，将声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练，训练得到鉴别向量提取器；具体地，将声纹特征向量输入至高斯混合模型中进行训练，不断迭代计算直到声纹特征向量的最大似然对数值不再发生变化，则完成高斯混合模型的训练。然后通过鉴别向量提取器计算声纹特征向量在高斯混合模型中的似然对数值，不断迭代计算直到似然对数值不再变化，则得到训练好的鉴别向量提取器。最后，通过训练好的鉴别向量提取器分别提取欺诈语音数据的鉴别向量。
步骤s12，使用所述鉴别向量训练plda矩阵，更新所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
在本实施例中，使用的声纹训练模型为高斯混合模型，其主要利用鉴别向量训练plda(probabilisticlineardiscriminantanalysis，概率线性判别分析)矩阵的类间协方差矩阵以及鉴别向量的均值这两个参数。plda矩阵指的是通过所有说话人的i-vector(鉴别向量)训练的类间协方差矩阵，可以表示一个说话人多通语音与其它说话人的多通语音之间的协方差。plda协方差矩阵有助于更好地提取i-vector中包含的说话人声音本身的信息，尽量消除信道差异所带来的影响。
本实施例中更新的训练参数即为上述plda矩阵中的类间协方差矩阵以及鉴别向量的均值，完成自更新，根据更新后的类间协方差矩阵以及鉴别向量的均值便可以计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值，该相似度分值即是通过第一语音数据的鉴别向量与上述鉴别向量的均值在plda矩阵计算得到一个相似度结果。
参照图3，在一实施例中，所述通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值的步骤s2，包括：
步骤s21，使用鉴别向量提取器提取第一语音数据的鉴别向量；
步骤s22，将所述第一语音数据的鉴别向量输入至更新后的声纹训练模型中计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值。
在本实施例中，上述步骤s21具体为：提取第一语音数据的声纹特征组成声纹特征向量，并通过鉴别向量提取器计算所述声纹特征向量，提取出所述第一语音数据的鉴别向量。
上述鉴别向量提取器可以是预先训练好的，也可以利用黑名单声纹库中欺诈语音数据的声纹特征向量进行训练。在一实施例中，上述鉴别向量提取器的训练步骤包括：提取欺诈语音数据的声纹特征，并基于该声纹特征构建欺诈语音数据对应的声纹特征向量，将声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练，训练得到鉴别向量提取器；最后便可以通过训练好的鉴别向量提取器计算上述第一语音数据的声纹特征向量，从而提取出上述第一语音数据的鉴别向量。
上述步骤s22中，利用上述更新后的声纹训练模型中更新的类间协方差矩阵以及鉴别向量的均值便可以计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值，该相似度分值即是通过第一语音数据的鉴别向量与上述更新后鉴别向量的均值在plda矩阵中计算得到一个相似度结果；当该相似度分值超过设定的阈值时，则说明该第一语音数据对应于黑名单声纹库中的欺诈语音数据，则判定第一语音数据的发音者为欺诈用户。
在一实施例中，所述黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的所有欺诈语音数据重新训练声纹训练模型的训练参数的步骤s1之前，包括：
步骤s101，提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量；用户语音数据为训练模型时使用到的数据，其实际上可以是黑名单声纹库中的任意欺诈语音数据。
步骤s102，将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练；
步骤s103，通过训练好的鉴别向量提取器提取单人多通的训练语音中的多个鉴别向量；该训练语音可以为同一个人的多个欺诈语音数据。
步骤s104，通过多个所述鉴别向量训练plda矩阵，训练所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
具体地，上述将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练的步骤s102，包括：
将所述声纹特征向量作为高斯混合模型以及鉴别向量提取器的数据输入，并使用em算法(expectationmaximizationalgorithm，期望最大化算法)训练高斯混合模型以及鉴别向量提取器。em算法一种迭代算法，用于高斯混合模型的最大似然对数估计。
本实施例可以是使用预先训练好的声纹训练模型，在黑名单声纹库更新时，对声纹训练模型进行训练参数的更新。当然也可以是先基于用户的语音数据对声纹训练模型进行训练，得到我们特有的训练模型。因此，在本实施例中，上述步骤s1之前进行声纹训练模型的训练，即上述步骤s101-步骤s104。值得注意的是，本实施例中的步骤s101、步骤s102、步骤s103的具体实现可以参照上述实施例中的步骤s11、步骤s21，其实现过程大致相同，区别在于分别针对的是不同的语音数据(例如步骤s11、步骤s21分别针对的是欺诈语音数据以及第一语音数据)，步骤s104与上述步骤s12具体实现过程相同，在此不再进行赘述。
在一实施例中，所述声纹特征为梅尔频率倒谱系数，所述提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量的步骤s101，具体包括：
a、对所述语音数据依次进行预加重、分帧以及加窗处理；
b、对每一个加窗，通过傅里叶变换得到频谱；
c、通过梅尔滤波器对所述频谱进行滤波，得到梅尔频谱；
d、对所述梅尔频谱进行倒谱分析，得到梅尔频率倒谱系数；
e、基于所述梅尔频率倒谱系数构建所述声纹特征向量。
可以理解的是，本实施例中的步骤a、b、c、d、e中对于提取语音数据的声纹特征向量的具体实现过程同样可以用于上述步骤s11、步骤s21中。
在本实施例中，上述步骤a、b为语音数据的预处理过程。上述倒谱分析包括取对数，做逆变换等方式，逆变换一般是通过dct离散余弦变换来实现，取dct后的第2个到第13个系数，通过梅尔频谱进行倒谱分析得到梅尔频率倒谱系数(melfrequencycepstrumcoefficient，mfcc系数)，该梅尔频率倒谱系数就是这帧语音的声纹特征；最后，将每帧语音的mfcc系数特征组成声纹特征向量。
具体地，在本实施例中，上述步骤a中的预加重处理其实使用的是一个高通滤波器，该高通滤波器的作用是滤去低频，使语音数据的高频特性更加突现，该高通滤波器的传递函数为h(z)＝1-αz-1，其中，z为音频数据，α为常量系数，本申请的一个实施例中，α的取值为0.97。
上述步骤a中的分帧处理的目的是：由于声音数据只在较短时间内呈现平稳性，因此将一段语音数据分成n段短时间的信号数据，并且为了避免丢失语音的连续性特征，相邻帧之间会有一段重复区域，重复区域一般为帧长的1/2。
在对语音数据进行分帧之后，每一帧信号都当成平稳信号来处理，后面我们需要用傅里叶展开每一项，以获取mel频谱特征，这时如下效应会出现：将具有不连续点的周期函数(如矩形脉冲)进行傅立叶级数展开后，选取有限项进行合成，当选取的项数越多，在所合成的波形中出现的峰起越靠近原信号的不连续点，当选取的项数很大时，该峰起值趋于一个常数，大约等于总跳变值的9％，这种现象称为吉布斯效应，效果不好，因为帧在起始和结束肯定是会出现不连续情况的，那么这个信号在分帧之后，就会越来越背离原始信号。因此，在分帧之后，我们需要对语音数据进行加窗处理，目的就是为了减少帧起始和结束的地方信号的不连续性问题，因为语音数据信号一般在短时间内平稳，所以处理语音数据信号每次只处理一段时间的数据，所以需要对语音信号进行加窗操作，一次仅处理窗中的数据。
上述步骤e之后，得到语音数据的声纹特征向量之后，通过鉴别向量提取器便可以计算出鉴别向量。具体地，在一个实施例中，提供一种鉴别向量的具体计算过程。
1、选择高斯模型：
首先，我们会利用鉴别向量提取器模型中的参数来计算每个帧数据在不同高斯模型的似然对数值，通过对似然对数值矩阵每列并行排序，选取前n个高斯模型，最终获得一个每帧数据在混合高斯模型中数值前n的矩阵。其中，似然对数值矩阵计算公式如下：
loglike＝e(x)*d(x)-1*xt-0.5*d(x)-1*(x.2)t
参数：loglike为似然对数值矩阵，即每帧在混合高斯模型下计算出来的似然对数值；
e(x)为通用背景模型训练出来的均值矩阵；
d(x)为协方差矩阵；
x为数据矩阵；
x.2为矩阵每个值取平方。
2、计算后验概率：
将每帧数据x进行x*xt计算，得到一个对称矩阵，简化为下三角矩阵，并将元素按顺序排列为1行，变成一个n帧乘以该下三角矩阵个数这样纬度的一个向量进行计算，将所有帧这样的向量组合成新的数据矩阵，同时将鉴别向量提取器模型中的计算概率的协方差矩阵，每个矩阵也简化为下三角矩阵，变成与新数据矩阵类似的矩阵，在通过鉴别向量提取器模型中的均值矩阵和协方差矩阵算出每帧数据的在该选择的高斯模型下的似然对数值，然后进行softmax回归，最后进行归一化操作，得到每帧在混合高斯模型的后验概率分布，将每帧的概率分布向量组成概率矩阵：
似然对数值计算公式：
其中，loglikesi为似然对数值矩阵的第i行向量；
ci为第i个模型的常数项；
ei为第i个模型的均值矩阵；
covi为第i个模型的协方差矩阵；
xi为第i帧语音数据。
对loglikes的每行向量进行softmax回归计算(信息熵的方法)，得到每帧在混合高斯模型中的后验概率：
xi＝exp(xi-max(x))/∑exp(xi-max(x))
xi为一行似然对数值矩阵第i个值；
max(x)为该行向量的最大值；
3、计算一二阶系数：
一阶系数计算可以通过上述概率矩阵列求和得到，二阶系数可以通过概率矩阵的转置乘以数据矩阵获得：
一阶系数计算公式如下：
gammai为一阶系数向量的第i个元素；
loglikesji为之前计算的概率矩阵的第j行，第i个元素。
二阶系数计算公式如下：
x＝loglikest*feats
x为二阶系数矩阵；
loglikest为概率矩阵；
feats为声纹特征向量。
4、鉴别向量的计算：
计算完一阶，二阶系数以后，并行计算一次项和二次项，然后通过一次项和二次项计算鉴别向量：
ivector＝quadratic-1*linear
ivector为鉴别向量。
其中linear的计算公式为：
mi为通用模型中的第i个模型的均值矩阵；
σi为第i个模型的协方差矩阵；
xi为二阶系数矩阵的第i行向量；
quadratic的计算公式:
m为一阶系数向量；
mi为通用模型中的第i个模型的均值矩阵；
σi为第i个模型的协方差矩阵。
在具体的一个实施例中，使用em算法训练的高斯混合模型中，提取的声纹特征对应的似然概率可用k个高斯分量表示：
p(x)＝1kwkp(x|k)
参数：p(x)为样本由高斯混合模型生成的概率(混合高斯模型)；
wk为每个高斯模型的权重；
p(x|k)为样本由第k个高斯模型生成的概率；
k为高斯模型数量；
其中第i个高斯分量的权重为：
整个高斯模型的参数可以表示为：{wi,μi,∑i}。
wi为第i个高斯模型的权重；
μi为第i个高斯模型的均值；
∑i为第i个高斯模型的协方差；
训练此模型可以用非监督的em算法，目标函数采用最大似然估计，即通过选择参数使对数似然函数最大：
logp(x)＝i＝1klogp(xi)
其中logp(x)为样本在高斯混合模型的最大对数似然值；
p(xi)为样本由第i个高斯模型生成的概率；
k为高斯模型数量。
而在每一步迭代更新的训练参数模型如下：
w′i为第i个高斯模型的权重；
μ′i为第i个高斯模型的均值；
其中，p(i|xj,θ)是第i个混合分量的后验概率：
其中，wi为第i个混合分量的权重；
pi(xj|θj)为第i个混合分量的概率；
n为混合分量的数量。
不断迭代计算直到样本的最大对数似然值不再发生变化。
训练完成后，得到高斯混合模型的权重向量，常数向量，n个协方差矩阵，均值乘以协方差的矩阵等，就是一个训练好的通用背景模型。
综上所述，为本申请实施例中提供的自更新的反欺诈方法，黑名单声纹库中加入新的欺诈语音数据时，针对所有欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；不断更新声纹训练模型，以更好的适应语音反欺诈，提升反欺诈准确性；同时新的第一语音数据接入时，通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值，其计算的是与所有欺诈语音数据之间的一个相似度分值，提升准确率，克服误报的缺陷，同时提升检测效率。
参照图4，本申请实施例中还提供了一种自更新的反欺诈装置，包括：
更新单元10，用于黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；
打分单元20，用于接收第一语音数据，并通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值；
判定单元30，用于所述相似度分值高于设定的相似度阈值时，则判定所述第一语音数据为欺诈语音数据。
在本实施例中，黑名单声纹库中存储有多个欺诈语音数据，欺诈语音数据指的是欺诈用户发出的语音数据；上述第一语音数据为新用户的语音数据。上述黑名单声纹库中存储有一定数量欺诈用户的声纹数据，而当新判定的某个用户为欺诈用户时，为了丰富黑名单声纹库，通常将该新的欺诈用户的欺诈语音数据加入至黑名单声纹库中；应当理解的是，该新判定的欺诈用户的欺诈语音数据可以是通过本申请中的模型检测出的欺诈语音数据，也可以是预先通过其它方式、途径检测出的，即任何来源的欺诈语音数据，均可以添加至本申请中的黑名单声纹库中。
若需要对大量的语音数据进行声纹识别，需要使用到声纹训练模型，以对语音数据的声纹特征进行训练。目前通常是使用声纹训练模型训练固定的黑名单声纹库中的欺诈语音数据，然后一直重复使用该声纹训练模型的训练参数，随着新用户量的增加，显然无法做到准确预测出欺诈用户。例如，当新的欺诈语音数据被加入至黑名单声纹库中时，若依然按照之前的训练参数进行欺诈用户的识别，则可能造成不准确，也可能产生误报。因此，在本实施例中，黑名单声纹库中加入新的欺诈语音数据时，则更新单元10利用黑名单声纹库中的所有欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型，此过程为一循环迭代过程，只要有新的欺诈语音数据被加入时，则进行一次自更新；然后当有新的第一语音数据接入时，打分单元20再使用更新后的声纹训练模型计算该第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值；最后，判定单元30若判定所述相似度分值高于设定的相似度阈值，则判定所述第一语音数据为欺诈语音数据。进一步地，上述自更新的反欺诈装置还可以包括：处理单元，用于将第一语音数据作为新的欺诈语音数据加入黑名单声纹库，从而更新声纹训练模型。这样，本方案可以在基于声纹训练模型识别欺诈语音数据时，也不断地循环更新黑名单声纹库，从而优化声纹训练模型，使得声纹训练模型对欺诈语音数据的识别更加的准确。
在一具体实施例中，某银行的黑名单声纹库中存储有500个用户的欺诈语音数据(该欺诈语音数据中包括有其声纹特征)，事先会使用声纹训练模型对黑名单声纹库中的500个用户的声纹特征进行训练，得到此时的训练参数。若又有一个标定为欺诈用户的欺诈语音数据加入至该黑名单声纹库中时，则重新基于该501个用户的声纹特征进行训练，重新得到训练参数。每当有新的欺诈语音数据加入时，此过程循环迭代一次。之后，银行终端设备接入新的第一语音数据时，则基于更新后的声纹训练模型对该第一语音数据进行相似度分值的计算。
在一实施例中，上述训练参数为plda矩阵中的类间协方差矩阵以及鉴别向量的均值，上述声纹训练模型为高斯混合模型，上述更新单元10包括：
提取子单元，用于基于所述黑名单声纹库中的所有欺诈语音数据，分别提取鉴别向量；上述鉴别向量为说话人的声学特征，其反映的是说话人声学差异。针对于黑名单声纹库中的所有欺诈语音数据，均需要提取它的鉴别向量，而鉴别向量的提取可以使用训练好的鉴别向量提取器来进行提取。
在一实施例中，上述提取子单元具体提取过程为：提取所述黑名单声纹库中的所有欺诈语音数据的声纹特征，并基于该声纹特征构建对应的声纹特征向量，将声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练，训练得到鉴别向量提取器；具体地，将声纹特征向量输入至高斯混合模型中进行训练，不断迭代计算直到声纹特征向量的最大似然对数值不再发生变化，则完成高斯混合模型的训练。然后通过鉴别向量提取器计算声纹特征向量在高斯混合模型中的似然对数值，不断迭代计算直到似然对数值不再变化，则得到训练好的鉴别向量提取器。最后，通过训练好的鉴别向量提取器分别提取欺诈语音数据的鉴别向量。
更新子单元，用于使用所述鉴别向量训练plda矩阵，更新所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
在本实施例中，使用的声纹训练模型为高斯混合模型，其主要利用鉴别向量训练plda矩阵的类间协方差矩阵以及鉴别向量的均值这两个参数。plda矩阵指的是通过所有说话人的i-vector(鉴别向量)训练的类间协方差矩阵，可以表示一个说话人多通语音与其它说话人的多通语音之间的协方差。plda协方差矩阵有助于更好地提取i-vector中包含的说话人声音本身的信息，尽量消除信道差异所带来的影响。
本实施例中更新的训练参数即为上述plda矩阵中的类间协方差矩阵以及鉴别向量的均值，完成自更新，根据更新后的类间协方差矩阵以及鉴别向量的均值便可以计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值，该相似度分值即是通过第一语音数据的鉴别向量与上述鉴别向量的均值在plda矩阵计算得到一个相似度结果。
在一实施例中，所述打分单元20包括：
提取模块，用于使用鉴别向量提取器提取第一语音数据的鉴别向量；
计算模块，用于将所述第一语音数据的鉴别向量输入至更新后的声纹训练模型中计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值。
在本实施例中，上述提取模块具体用于：提取第一语音数据的声纹特征组成声纹特征向量，并通过鉴别向量提取器计算所述声纹特征向量，提取出所述第一语音数据的鉴别向量。
上述鉴别向量提取器可以是预先训练好的，也可以利用黑名单声纹库中欺诈语音数据的声纹特征向量进行训练。在一实施例中，上述鉴别向量提取器的训练过程包括：提取欺诈语音数据的声纹特征，并基于该声纹特征构建欺诈语音数据对应的声纹特征向量，将声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练，训练得到鉴别向量提取器；最后便可以通过训练好的鉴别向量提取器计算上述第一语音数据的声纹特征向量，从而提取上述第一语音数据的鉴别向量。
上述计算模块具体用于：利用上述更新后的声纹训练模型中更新的类间协方差矩阵以及鉴别向量的均值便可以计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值，该相似度分值即是通过第一语音数据的鉴别向量与上述更新后鉴别向量的均值在plda矩阵中计算得到一个相似度结果；当该相似度分值超过设定的阈值时，则说明该第一语音数据对应于黑名单声纹库中的欺诈语音数据，则判定第一语音数据的发音者为欺诈用户。
参照图5，在一实施例中，所述自更新的反欺诈方法还包括：
第一提取单元101，用于提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量；用户语音数据为训练模型时使用到的数据，其实际上可以是黑名单声纹库中的任意欺诈语音数据。
第一训练单元102，用于将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练；具体地，将所述声纹特征向量作为高斯混合模型以及鉴别向量提取器的数据输入，并使用em算法训练高斯混合模型以及鉴别向量提取器。
第二提取单元103，用于通过训练好的鉴别向量提取器提取单人多通的训练语音中的多个鉴别向量；该训练语音可以为同一个人的多个欺诈语音数据。
第二训练单元104，用于通过多个所述鉴别向量训练plda矩阵，训练所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
本实施例可以是使用预先训练好的声纹训练模型，在黑名单声纹库更新时，对声纹训练模型进行训练参数的更新。当然也可以是先基于用户的语音数据对声纹训练模型进行训练，得到我们特有的训练模型。值得注意的是，本实施例中的第一提取单元101、第一训练单元102、第二提取单元103的具体实现可以参照上述实施例中的提取子单元、提取模块，其实现过程大致相同，区别在于分别针对的是不同的语音数据(例如提取子单元、提取模块分别针对的是欺诈语音数据以及第一语音数据)，第二训练单元104与上述更新子单元的具体实现过程相同，在此不再进行赘述。
在一实施例中，所述声纹特征为梅尔频率倒谱系数，所述第一提取单元101具体包括：
预处理模块，用于对所述语音数据依次进行预加重、分帧以及加窗处理；
变换模块，用于对每一个加窗，通过傅里叶变换得到频谱；
滤波模块，用于通过梅尔滤波器对所述频谱进行滤波，得到梅尔频谱；
分析模块，用于对所述梅尔频谱进行倒谱分析，得到梅尔频率倒谱系数；
构建模块，用于基于所述梅尔频率倒谱系数构建所述声纹特征向量。
可以理解的是，本实施例中的预处理模块、变换模块、滤波模块、分析模块、构建模块的具体实现同样可以用于上述提取子单元、提取模块中。
在本实施例中，上述预处理模块、变换模块为对语音数据的预处理。上述倒谱分析包括取对数，做逆变换等方式，逆变换一般是通过dct离散余弦变换来实现，取dct后的第2个到第13个系数，通过梅尔频谱进行倒谱分析得到梅尔频率倒谱系数(melfrequencycepstrumcoefficient，mfcc系数)，该梅尔频率倒谱系数就是这帧语音的声纹特征；最后，将每帧语音的mfcc系数特征组成声纹特征向量。
具体地，在本实施例中，上述预处理模块中的预加重处理其实使用的是一个高通滤波器，该高通滤波器的作用是滤去低频，使语音数据的高频特性更加突现，该高通滤波器的传递函数为h(z)＝1-αz-1，其中，z为音频数据，α为常量系数，本申请的一个实施例中，α的取值为0.97。
上述预处理模块中的分帧处理的目的是：由于声音数据只在较短时间内呈现平稳性，因此将一段语音数据分成n段短时间的信号数据，并且为了避免丢失语音的连续性特征，相邻帧之间会有一段重复区域，重复区域一般为帧长的1/2。
在对语音数据进行分帧之后，每一帧信号都当成平稳信号来处理，后面我们需要用傅里叶展开每一项，以获取mel频谱特征，这时如下效应会出现：将具有不连续点的周期函数(如矩形脉冲)进行傅立叶级数展开后，选取有限项进行合成，当选取的项数越多，在所合成的波形中出现的峰起越靠近原信号的不连续点，当选取的项数很大时，该峰起值趋于一个常数，大约等于总跳变值的9％，这种现象称为吉布斯效应，效果不好，因为帧在起始和结束肯定是会出现不连续情况的，那么这个信号在分帧之后，就会越来越背离原始信号。因此，在分帧之后，我们需要对语音数据进行加窗处理，目的就是为了减少帧起始和结束的地方信号的不连续性问题，因为语音数据信号一般在短时间内平稳，所以处理语音数据信号每次只处理一段时间的数据，所以需要对语音信号进行加窗操作，一次仅处理窗中的数据。
在上述构建模块得到语音数据的声纹特征向量之后，通过鉴别向量提取器便可以计算出鉴别向量。具体地，在一个实施例中，提供一种鉴别向量的具体计算过程。
1、选择高斯模型：
首先，我们会利用鉴别向量提取器模型中的参数来计算每个帧数据在不同高斯模型的似然对数值，通过对似然对数值矩阵每列并行排序，选取前n个高斯模型，最终获得一个每帧数据在混合高斯模型中数值前n的矩阵。其中，似然对数值矩阵计算公式如下：
loglike＝e(x)*d(x)-1*xt-0.5*d(x)-1*(x.2)t
参数：loglike为似然对数值矩阵，即每帧在混合高斯模型下计算出来的似然对数值；
e(x)为通用背景模型训练出来的均值矩阵；
d(x)为协方差矩阵；
x为数据矩阵；
x.2为矩阵每个值取平方。
2、计算后验概率：
将每帧数据x进行x*xt计算，得到一个对称矩阵，简化为下三角矩阵，并将元素按顺序排列为1行，变成一个n帧乘以该下三角矩阵个数这样纬度的一个向量进行计算，将所有帧这样的向量组合成新的数据矩阵，同时将鉴别向量提取器模型中的计算概率的协方差矩阵，每个矩阵也简化为下三角矩阵，变成与新数据矩阵类似的矩阵，在通过鉴别向量提取器模型中的均值矩阵和协方差矩阵算出每帧数据的在该选择的高斯模型下的似然对数值，然后进行softmax回归，最后进行归一化操作，得到每帧在混合高斯模型的后验概率分布，将每帧的概率分布向量组成概率矩阵：
似然对数值计算公式：
其中，loglikesi为似然对数值矩阵的第i行向量；
ci为第i个模型的常数项；
ei为第i个模型的均值矩阵；
covi为第i个模型的协方差矩阵；
xi为第i帧语音数据。
对loglikes的每行向量进行softmax回归计算(信息熵的方法)，得到每帧在混合高斯模型中的后验概率：
xi＝exp(xi-max(x))/∑exp(xi-max(x))
xi为一行似然对数值矩阵第i个值；
max(x)为该行向量的最大值；
3、计算一二阶系数：
一阶系数计算可以通过上述概率矩阵列求和得到，二阶系数可以通过概率矩阵的转置乘以数据矩阵获得：
一阶系数计算公式如下：
gammai为一阶系数向量的第i个元素；
loglikesji为之前计算的概率矩阵的第j行，第i个元素。
二阶系数计算公式如下：
x＝loglikest*feats
x为二阶系数矩阵；
loglikest为概率矩阵；
feats为声纹特征向量。
4、鉴别向量的计算：
计算完一阶，二阶系数以后，并行计算一次项和二次项，然后通过一次项和二次项计算鉴别向量：
ivector＝quadratic-1*linear
ivector为鉴别向量。
其中linear的计算公式为：
mi为通用模型中的第i个模型的均值矩阵；
σi为第i个模型的协方差矩阵；
xi为二阶系数矩阵的第i行向量；
quadratic的计算公式:
m为一阶系数向量；
mi为通用模型中的第i个模型的均值矩阵；
σi为第i个模型的协方差矩阵。
在具体的一个实施例中，使用em算法训练的高斯混合模型中，提取的声纹特征对应的似然概率可用k个高斯分量表示：
p(x)＝1kwkp(x|k)
参数：p(x)为样本由高斯混合模型生成的概率(混合高斯模型)；
wk为每个高斯模型的权重；
p(x|k)为样本由第k个高斯模型生成的概率；
k为高斯模型数量；
其中第i个高斯分量的权重为：
整个高斯模型的参数可以表示为：{wi,μi,∑i}。
wi为第i个高斯模型的权重；
μi为第i个高斯模型的均值；
∑i为第i个高斯模型的协方差；
训练此模型可以用非监督的em算法，目标函数采用最大似然估计，即通过选择参数使对数似然函数最大：
logp(x)＝i＝1klogp(xi)
其中logp(x)为样本在高斯混合模型的最大对数似然值；
p(xi)为样本由第i个高斯模型生成的概率；
k为高斯模型数量。
而在每一步迭代更新的训练参数模型如下：
w′i为第i个高斯模型的权重；
μ′i为第i个高斯模型的均值；
其中，p(i|xj,θ)是第i个混合分量的后验概率：
其中，wi为第i个混合分量的权重；
pi(xj|θj)为第i个混合分量的概率；
n为混合分量的数量。
不断迭代计算直到样本的最大对数似然值不再发生变化。
训练完成后，得到高斯混合模型的权重向量，常数向量，n个协方差矩阵，均值乘以协方差的矩阵等，就是一个训练好的通用背景模型。
综上所述，为本申请实施例中提供的自更新的反欺诈装置，黑名单声纹库中加入新的欺诈语音数据时，针对所有欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；不断更新声纹训练模型，以更好的适应语音反欺诈，提升反欺诈准确性；同时新的第一语音数据接入时，通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值，其计算的是与所有欺诈语音数据之间的一个相似度分值，提升准确率，克服误报的缺陷，同时提升检测效率。
参照图6，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储声纹训练模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自更新的反欺诈方法。
上述处理器执行上述自更新的反欺诈方法的步骤：黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；接收第一语音数据，并通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值；若所述相似度分值高于设定的相似度阈值，则判定所述第一语音数据为欺诈语音数据。
在一实施例中，所述训练参数为plda矩阵中的类间协方差矩阵以及鉴别向量的均值，所述声纹训练模型为高斯混合模型，上述处理器基于所述黑名单声纹库中的欺诈语音数据重新训练声纹训练模型的训练参数的步骤，包括：
基于所述黑名单声纹库中的欺诈语音数据，分别提取鉴别向量；
使用所述鉴别向量训练plda矩阵，更新所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
在一实施例中，上述处理器通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值的步骤，包括：
使用鉴别向量提取器提取第一语音数据的鉴别向量；
将所述第一语音数据的鉴别向量输入至更新后的声纹训练模型中计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值。
在一实施例中，上述处理器使用鉴别向量提取器提取第一语音数据的鉴别向量的步骤，具体包括：
提取第一语音数据的声纹特征组成声纹特征向量，并通过鉴别向量提取器计算所述声纹特征向量，提取出所述第一语音数据的鉴别向量。
在一实施例中，所述训练参数为plda矩阵中的类间协方差矩阵以及鉴别向量的均值，所述声纹训练模型为高斯混合模型，上述处理器执行黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的所有欺诈语音数据重新训练声纹训练模型的训练参数的步骤之前，包括：
提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量；
将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练；
通过训练好的鉴别向量提取器提取单人多通的欺诈语音数据中的多个鉴别向量；
通过多个所述鉴别向量训练plda矩阵，训练所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
在一实施例中，上述处理器将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练的步骤，包括：
将所述声纹特征向量作为高斯混合模型以及鉴别向量提取器的数据输入，使用em算法训练高斯混合模型以及鉴别向量提取器。
在一实施例中，所述声纹特征为梅尔频率倒谱系数，上述处理器提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量的步骤包括：
对所述语音数据依次进行预加重、分帧以及加窗处理；
对每一个加窗，通过傅里叶变换得到频谱；
通过梅尔滤波器对所述频谱进行滤波，得到梅尔频谱；
对所述梅尔频谱进行倒谱分析，得到梅尔频率倒谱系数；
基于所述梅尔频率倒谱系数构建所述声纹特征向量。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种自更新的反欺诈方法，具体为：黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的欺诈语音数据重新训练声纹训练模型的训练参数，得到更新后的声纹训练模型；接收第一语音数据，并通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值；若所述相似度分值高于设定的相似度阈值，则判定所述第一语音数据为欺诈语音数据。。
在一实施例中，所述训练参数为plda矩阵中的类间协方差矩阵以及鉴别向量的均值，所述声纹训练模型为高斯混合模型，上述处理器基于所述黑名单声纹库中的所有欺诈语音数据重新训练声纹训练模型的训练参数的步骤，包括：
基于所述黑名单声纹库中的欺诈语音数据，分别提取鉴别向量；
使用所述鉴别向量训练plda矩阵，更新所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
在一实施例中，上述处理器通过更新后的所述声纹训练模型计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值的步骤，包括：
使用鉴别向量提取器提取第一语音数据的鉴别向量；
将所述第一语音数据的鉴别向量输入至更新后的声纹训练模型中计算第一语音数据与黑名单声纹库中的欺诈语音数据的相似度分值。
在一实施例中，上述处理器使用鉴别向量提取器提取第一语音数据的鉴别向量的步骤，具体包括：
提取第一语音数据的声纹特征组成声纹特征向量，并通过鉴别向量提取器计算所述声纹特征向量，提取出所述第一语音数据的鉴别向量。
在一实施例中，所述训练参数为plda矩阵中的类间协方差矩阵以及鉴别向量的均值，所述声纹训练模型为高斯混合模型，上述处理器执行黑名单声纹库中加入新的欺诈语音数据时，基于所述黑名单声纹库中的所有欺诈语音数据重新训练声纹训练模型的训练参数的步骤之前，包括：
提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量；
将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练；
通过训练好的鉴别向量提取器提取单人多通的欺诈语音数据中的多个鉴别向量；
通过多个所述鉴别向量训练plda矩阵，训练所述plda矩阵中的类间协方差矩阵以及鉴别向量的均值。
在一实施例中，上述处理器将所述声纹特征向量输入至高斯混合模型以及鉴别向量提取器中进行训练的步骤，包括：
将所述声纹特征向量作为高斯混合模型以及鉴别向量提取器的数据输入，使用em算法训练高斯混合模型以及鉴别向量提取器。
在一实施例中，所述声纹特征为梅尔频率倒谱系数，上述处理器提取用户语音数据中的声纹特征，并基于所述声纹特征构建所述语音数据对应的声纹特征向量的步骤包括：
对所述语音数据依次进行预加重、分帧以及加窗处理；
对每一个加窗，通过傅里叶变换得到频谱；
通过梅尔滤波器对所述频谱进行滤波，得到梅尔频谱；
对所述梅尔频谱进行倒谱分析，得到梅尔频率倒谱系数；
基于所述梅尔频率倒谱系数构建所述声纹特征向量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram一多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。