一种信息识别的方法及装置与流程

本发明涉及智能技术领域，尤其涉及一种信息识别的方法及装置。

背景技术：

随着互联网技术的发展，互联网的安全防护措施也在不断地改进，对用户访问网络资源的权限进行严格的认证和控制，以保证互联网信息的安全，如进行身份认证，对口令加密，更新和鉴别，设置用户访问目录和文件的权限，控制网络设备配置的权限等。

现有技术下，在用户进行注册或者登陆等对接口安全防护要求较高的场景中，互联网主要采用图文验证码，文字点击验证以及图片辨识验证等方式，对用户进行身份验证，从而区分是用户操作还是恶意机器行为。

但是，采用图文验证码的方式，需要用户进行图文辨识以及文字输入，采用文字点击验证的方式需要用户进行文字辨识以及点击，而采用图片辨识验证的方式，需要用户进行图片辨识以及选择，可见，上述几种方式，都需要用户具有一定的知识储备进行辨识以及输入操作，这提高了用户进行验证的难度，降低了验证效率，并且操作复杂，给用户带来了不便，以及容易通过机器操作，降低了防护效果。

技术实现要素：

本发明实施例提供一种信息识别的方法及装置，用于在进行信息识别时，简化操作步骤，提高识别效率，精准度以及防护效果。

本发明实施例提供的具体技术方案如下：

一种信息识别的方法，包括：

监测目标图形的被拖动状态，获得监测结果；

基于监测结果，采用预设的识别模型，获得相应的风险值，其中，识别模型是基于目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果建立的；

判断风险值是否满足预设条件，若是，则确定用户对目标图形进行了拖动，否则，确定机器对目标图形进行了拖动。

较佳的，在监测目标图形的被拖动状态，获得监测结果之前，包括：

获取目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果，其中，历史监测结果包括目标图形的历史被拖动行为轨迹集合，历史被拖动时间集合以及历史被拖动折返次数集合；

将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，进行逻辑回归处理，并基于处理结果，建立逻辑回归识别模型；

将历史被拖动时间集合和历史被拖动折返次数集合进行聚类分析，并基于分析结果，建立聚类分析识别模型；

基于逻辑回归识别模型和聚类分析识别模型，获得预设的识别模型。

较佳的，将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，进行逻辑回归处理，并基于处理结果，建立逻辑回归识别模型，包括：

基于历史监测结果获得的第一关联关系和第二关联关系，分别确定每一个历史被拖动行为轨迹相应的历史识别结果，其中，第一关联关系为目标图形的历史被拖动行为轨迹与人为拖动之间的关联关系，以及第二关联关系为目标图形的历史被拖动行为轨迹与机器拖动之间的关联关系；

将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，以及相应的历史识别结果，用梯度上升的方式进行线性回归，确定相应的迭代参数；

基于迭代参数，建立历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，以及相应的历史识别结果之间的逻辑回归识别模型。

较佳的，将历史被拖动时间集合和历史被拖动折返次数集合进行聚类分析，并基于分析结果，建立聚类分析识别模型，包括：

分别将历史被拖动时间集合中的每一个历史被拖动时间与历史被拖动折返次数集合中相应的历史被拖动折返次数进行组合，获得相应的拖动坐标集合；

对拖动坐标集合中的各个拖动坐标按照密度分布进行聚类，获得聚类结果，并基于聚类结果，建立各个类，其中，一个类为预设面积内包含的各个拖动坐标的聚合；

基于各个类包含的拖动坐标的数量，并分别确定每一个类相应的分布概率；

基于各个类相应的分布概率，建立聚类分析识别模型。

较佳的，基于监测结果，采用预设的识别模型，获得相应的风险值，具体包括：

将监测结果包含的被拖动行为轨迹，带入预设的识别模型中包含的逻辑回归识别模型，获得初始识别结果，并对初始识别结果进行归一化处理，获得第一识别结果，其中，第一识别结果表征：基于各个历史被拖动行为轨迹以及相应的历史识别结果，预测的被拖动行为轨迹的识别结果；

将监测结果包含的被拖动时间和被拖动折返次数，带入预设的识别模型中包含的聚类分析识别模型，获得第二识别结果，其中，第二识别结果表征：基于各个历史被拖动时间以及相应的历史被拖动折返次数的分布概率，预测的被拖动时间和被拖动折返次数的识别结果；

选择第一识别结果和第二识别结果中的最小值作为风险值。

一种信息识别的装置，包括：

监测单元，用于监测目标图形的被拖动状态，获得监测结果；

获取单元，用于基于监测结果，采用预设的识别模型，获得相应的风险值，其中，识别模型是基于目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果建立的；

判断单元，用于判断风险值是否满足预设条件，若是，则确定用户对目标图形进行了拖动，否则，确定机器对目标图形进行了拖动。

较佳的，在监测目标图形的被拖动状态，获得监测结果之前，监测单元还用于：

获取目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果，其中，历史监测结果包括目标图形的历史被拖动行为轨迹集合，历史被拖动时间集合以及历史被拖动折返次数集合；

将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，进行逻辑回归处理，并基于处理结果，建立逻辑回归识别模型；

将历史被拖动时间集合和历史被拖动折返次数集合进行聚类分析，并基于分析结果，建立聚类分析识别模型；

基于逻辑回归识别模型和聚类分析识别模型，获得预设的识别模型。

较佳的，在将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，进行逻辑回归处理，并基于处理结果，建立逻辑回归识别模型时，监测单元还用于：

基于历史监测结果获得的第一关联关系和第二关联关系，分别确定每一个历史被拖动行为轨迹相应的历史识别结果，其中，第一关联关系为目标图形的历史被拖动行为轨迹与人为拖动之间的关联关系，以及第二关联关系为目标图形的历史被拖动行为轨迹与机器拖动之间的关联关系；

将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，以及相应的历史识别结果，用梯度上升的方式进行线性回归，确定相应的迭代参数；

基于迭代参数，建立历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，以及相应的历史识别结果之间的逻辑回归识别模型。

较佳的，在将历史被拖动时间集合和历史被拖动折返次数集合进行聚类分析，并基于分析结果，建立聚类分析识别模型时，监测单元还用于：

分别将历史被拖动时间集合中的每一个历史被拖动时间与历史被拖动折返次数集合中相应的历史被拖动折返次数进行组合，获得相应的拖动坐标集合；

对拖动坐标集合中的各个拖动坐标按照密度分布进行聚类，获得聚类结果，并基于聚类结果，建立各个类，其中，一个类为预设面积内包含的各个拖动坐标的聚合；

基于各个类包含的拖动坐标的数量，并分别确定每一个类相应的分布概率；

基于各个类相应的分布概率，建立聚类分析识别模型。

较佳的，在基于监测结果，采用预设的识别模型，获得相应的风险值时，获取单元具体用于：

将监测结果包含的被拖动行为轨迹，带入预设的识别模型中包含的逻辑回归识别模型，获得初始识别结果，并对初始识别结果进行归一化处理，获得第一识别结果，其中，第一识别结果表征：基于各个历史被拖动行为轨迹以及相应的历史识别结果，预测的被拖动行为轨迹的识别结果；

将监测结果包含的被拖动时间和被拖动折返次数，带入预设的识别模型中包含的聚类分析识别模型，获得第二识别结果，其中，第二识别结果表征：基于各个历史被拖动时间以及相应的历史被拖动折返次数的分布概率，预测的被拖动时间和被拖动折返次数的识别结果；

选择第一识别结果和第二识别结果中的最小值作为风险值。

本发明实施例中，监测目标图形的被拖动状态，获得监测结果；基于监测结果，采用预设的识别模型，获得相应的风险值，其中，识别模型是基于目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果建立的；判断风险值是否满足预设条件，若是，则确定用户对目标图形进行了拖动，否则，确定机器对目标图形进行了拖动。这样，就可以基于目标图像的被拖动状态，采用预设的识别模型，判断是用户对目标图形进行了拖动，还是机器对目标图像进行了拖动，从而获得信息识别的结果，简化了操作步骤，提高了识别效率，精准度以及防护效果。

附图说明

图1为本发明实施例中识别模型获取的方法的流程图；

图2为本发明实施例中信息识别的方法的流程图；

图3为本发明实施例中信息识别的装置的结构示意图。

具体实施方式

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，并不是全部的实施例。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。

为了在进行信息识别时，简化操作步骤，提高识别效率，精准度以及防护效果，本发明实施例中，设计了一种信息识别的方法，该方法为，基于目标图像的被拖动状态，采用预设的识别模型，确定是用户对目标图形进行了拖动，还是机器对目标图像进行了拖动，从而获得信息识别的结果。

下面结合附图对本申请优选的实施方式进行详细说明。

参阅图1所示，本发明实施例中，在对信息识别之前，先确定识别模型：

步骤100：终端获取目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果。

具体的，执行步骤100时，历史监测结果包括目标图形的历史被拖动行为轨迹集合，历史被拖动时间集合以及历史被拖动折返次数集合。

步骤110：终端将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，进行逻辑回归处理，并基于处理结果，建立逻辑回归识别模型。

具体的，首先，终端基于历史监测结果获得的第一关联关系和第二关联关系，分别确定每一个历史被拖动行为轨迹相应的历史识别结果。

其中，一个历史被拖动行为轨迹由若干轨迹坐标表示。

例如，历史被拖动行为轨迹A为(0，0)，(1，1)，(1，2)，(2，2)，(2，3)，(3，3)，以及(4，4)。

其中，第一关联关系为目标图形的历史被拖动行为轨迹与人为拖动之间的关联关系，以及第二关联关系为目标图形的历史被拖动行为轨迹与机器拖动之间的关联关系。

例如，终端获得目标图形的3条历史被拖动行为轨迹，分别为轨迹1，轨迹2以及轨迹3，并基于第一关联关系和第二关联关系，确定轨迹1和轨迹3相应的历史识别结果为人为拖动，而轨迹2相应的历史识别结果为机器拖动。

然后，服务器端将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，以及相应的历史识别结果，用梯度上升的方式进行线性回归，确定相应的迭代参数。

最后，终端基于迭代参数，建立历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，以及相应的历史识别结果之间的逻辑回归识别模型。

这样，通过每一个历史被拖动行为轨迹对应的若干个轨迹坐标，以及相应的历史识别结果，获得的逻辑回归识别模型，可以对由若干轨迹坐标表示的被拖动行为轨迹的识别结果进行预测，为后续的识别，做好准备。

步骤120：终端将历史被拖动时间集合和历史被拖动折返次数集合进行聚类分析，并基于分析结果，建立聚类分析识别模型。

具体的，首先，终端分别将历史被拖动时间集合中的每一个历史被拖动时间与历史被拖动折返次数集合中相应的历史被拖动折返次数进行组合，获得相应的拖动坐标集合。

例如，一个历史被拖动时间为1s，相应的历史被拖动折返次数为3次，则获得相应的拖动坐标为(1，3)。

然后，终端对拖动坐标集合中的各个拖动坐标按照密度分布进行聚类，获得聚类结果，并基于聚类结果，建立各个类，其中，一个类为预设面积内包含的各个拖动坐标的聚合。

进一步地，终端基于各个类包含的拖动坐标的数量，并分别确定每一个类相应的分布概率。

例如，拖动坐标集合中包含的各个拖动坐标分别为(1，1)，(1，2)，(4，5)，(5，6)以及(4.5，4)。终端将各个拖动坐标按照密度分布进行聚类，将5个坐标分为2个类，第一个类包含(1，1)和(1，2)，第二个类包含(4，5)，(5，6)以及(4.5，4)。

然后，终端基于各个类包含的拖动坐标的数量，确定第一个类的分布概率为0.4，第二个类的分布概率为0.6。

最后，终端基于各个类相应的分布概率，建立聚类分析识别模型。

步骤130：终端基于逻辑回归识别模型和聚类分析识别模型，获得识别模型。

具体的，终端将逻辑回归识别模型和聚类分析识别模型组合，获得识别模型。

这样，在获得识别模型之后，终端就可以采用识别模型，对当前的拖动行为状态进行信息识别，从而为后续的信息识别，做好准备。

参阅图2所示，本发明实施例中，对信息识别的具体流程如下：

步骤200：终端监测目标图形的被拖动状态，获得监测结果。

具体的，终端对目标图形当前的被拖动状态进行监测，确定目标图形被拖动时，获取监测结果。其中，监测结果包括目标图形的被拖动行为轨迹，被拖动时间以及被拖动折返次数。

步骤210：终端基于监测结果，采用预设的识别模型，获得相应的风险值。

具体的，首先，终端将监测结果包含的被拖动行为轨迹的各个轨迹坐标，带入预设的识别模型中包含的逻辑回归识别模型，获得初始识别结果。

然后，终端对初始识别结果进行归一化处理，即将初始识别结果映射到0～1，获得第一识别结果。其中，第一识别结果表征：基于各个历史被拖动行为轨迹以及相应的历史识别结果，预测的被拖动行为轨迹的识别结果。

例如，当前的被拖动行为轨迹B为(0，0)，(1，1)，(5，2)，(2，2)，(2，6)，(3，3)，以及(4，4)，终端将被拖动行为轨迹B的各个轨迹坐标，带入逻辑回归识别模型，获得初始识别结果为0.6，并将初始识别结果映射到0～1，获得第一识别结果仍为0.6。

进一步地，终端将监测结果包含的被拖动时间和被拖动折返次数组成的拖动坐标，带入预设的识别模型中包含的聚类分析识别模型，从而确定上述拖动坐标归属的类，以及相应的分布概率，获得第二识别结果，其中，第二识别结果表征：基于各个历史被拖动时间以及相应的历史被拖动折返次数的分布概率，预测的被拖动时间和被拖动折返次数的识别结果。

例如，终端将历史监测结果对应的拖动坐标集合中包含的各个拖动坐标(1，0)，(2，0)，(5，5)，(5，6)以及(4.5，5)，按照密度分布进行聚类，将5个坐标分为2个类，第一个类为包含(1，0)和(2，0)，第二个类包含(5，5)，(5，6)和(4.5，5)，以及确定第一个类的分布概率为0.4，第二个类的分布概率为0.6，获得聚类分析识别模型。

进一步地，终端获取监测结果包含的被拖动时间4.6和被拖动折返次数5，并将相应的拖动坐标为(4.6，5)，带入上述聚类分析识别模型，以及确定上述拖动坐标为第二类，判定上述拖动坐标对应的分布概率为0.6。

最后，终端选择第一识别结果和第二识别结果中的最小值作为风险值。其中，风险值越高，数值越小。

例如，第一识别结果为0.7，第二识别结果为0.6，则终端选择两者中的最小值为风险值。

这样，终端就可以基于被拖动行为轨迹的各个轨迹坐标，以及被拖动时间和被拖动折返次数组成的拖动坐标，分别获得相应的第一识别结果和第二识别结果，进而根据第一识别结果和第二识别结果，确定风险值。

步骤220：终端判断风险值是否满足预设条件，若是，则执行步骤230，否则，执行步骤240。

具体的，执行步骤220时，可以采用但不限于以下几种方式：

第一种方式为：终端判断风险值是否低于第一预设门限值。

例如，设置第一预设门限值为0.5，则终端判断风险值是否低于0.5。

第二种方式为：终端判断风险值是否高于第二预设门限值。

例如，设置第二预设门限值为0.6，则终端判断风险值是否高于0.6。

第三种方式为：终端判断风险值是否低于第三预设门限值，并且高于第四门限值。

例如，设置第三门限值为0.9，第四门限值为0.3，则终端判断风险值是否低于0.9并且高于0.3。

步骤230：终端确定用户对目标图形进行了拖动。

步骤240：终端确定机器对目标图形进行了拖动。

基于上述实施例，参阅图3所示，信息识别的装置的结构示意图，本发明实施例中，信息识别的装置具体包括：

监测单元30，用于监测目标图形的被拖动状态，获得监测结果；

获取单元31，用于基于监测结果，采用预设的识别模型，获得相应的风险值，其中，识别模型，是基于目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果建立的；

判断单元32，用于判断风险值是否满足预设条件，若是，则确定用户对目标图形进行了拖动，否则，确定机器对目标图形进行了拖动。

较佳的，在监测目标图形的被拖动状态，获得监测结果之前，监测单元30还用于：

获取目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果，其中，历史监测结果包括目标图形的历史被拖动行为轨迹集合，历史被拖动时间集合以及历史被拖动折返次数集合；

将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，进行逻辑回归处理，并基于处理结果，建立逻辑回归识别模型；

将历史被拖动时间集合和历史被拖动折返次数集合进行聚类分析，并基于分析结果，建立聚类分析识别模型；

基于逻辑回归识别模型和聚类分析识别模型，获得预设的识别模型。

较佳的，在将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，进行逻辑回归处理，并基于处理结果，建立逻辑回归识别模型时，监测单元30还用于：

基于历史监测结果获得的第一关联关系和第二关联关系，分别确定每一个历史被拖动行为轨迹相应的历史识别结果，其中，第一关联关系为目标图形的历史被拖动行为轨迹与人为拖动之间的关联关系，以及第二关联关系为目标图形的历史被拖动行为轨迹与机器拖动之间的关联关系；

将历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，以及相应的历史识别结果，用梯度上升的方式进行线性回归，确定相应的迭代参数；

基于迭代参数，建立历史被拖动行为轨迹集合中包含的各个历史被拖动行为轨迹，以及相应的历史识别结果之间的逻辑回归识别模型。

较佳的，在将历史被拖动时间集合和历史被拖动折返次数集合进行聚类分析，并基于分析结果，建立聚类分析识别模型时，监测单元30还用于：

分别将历史被拖动时间集合中的每一个历史被拖动时间与历史被拖动折返次数集合中相应的历史被拖动折返次数进行组合，获得相应的拖动坐标集合；

对拖动坐标集合中的各个拖动坐标按照密度分布进行聚类，获得聚类结果，并基于聚类结果，建立各个类，其中，一个类为预设面积内包含的各个拖动坐标的聚合；

基于各个类包含的拖动坐标的数量，并分别确定每一个类相应的分布概率；

基于各个类相应的分布概率，建立聚类分析识别模型。

较佳的，在基于监测结果，采用预设的识别模型，获得相应的风险值时，获取单元31具体用于：

将监测结果包含的被拖动行为轨迹，带入预设的识别模型中包含的逻辑回归识别模型，获得初始识别结果，并对初始识别结果进行归一化处理，获得第一识别结果，其中，第一识别结果表征：基于各个历史被拖动行为轨迹以及相应的历史识别结果，预测的被拖动行为轨迹的识别结果；

将监测结果包含的被拖动时间和被拖动折返次数，带入预设的识别模型中包含的聚类分析识别模型，获得第二识别结果，其中，第二识别结果表征：基于各个历史被拖动时间以及相应的历史被拖动折返次数的分布概率，预测的被拖动时间和被拖动折返次数的识别结果；

选择第一识别结果和第二识别结果中的最小值作为风险值。

本发明实施例中，监测目标图形的被拖动状态，获得监测结果；基于监测结果，采用预设的识别模型，获得相应的风险值，其中，识别模型，是基于目标图形被人为拖动的历史监测结果，以及目标图形被机器拖动的历史监测结果建立的；判断风险值是否满足预设条件，若是，则确定用户对目标图形进行了拖动，否则，确定机器对目标图形进行了拖动。这样，就可以基于目标图像的被拖动状态，采用预设的识别模型，确定是用户对目标图形进行了拖动，还是机器对目标图像进行了拖动，从而获得信息识别的结果，简化了操作步骤，提高了识别效率，精准度以及防护效果。

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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。