一种模拟器检测方法、系统、存储介质及电子设备与流程

1.本技术涉及模拟器技术领域，更具体地说，涉及一种模拟器检测方法、系统、存储介质及电子设备。


背景技术：

2.随着移动互联网和互联网金融时代的发展，越来越多的信息系统使用手机、平板及其它移动设备作为用户终端，用户可以使用手机、平板及其它移动设备等进行人脸认证、刷脸支付等操作。在人脸认证、刷脸支付等操作过程中，模拟器上运行金融软件会存在风险，例如，利用模拟器进行虚假身份验证、黑客攻击、刷单、盗号、改密等高危行为。因此，检测手机应用是否被安装在模拟器上尤为重要。
3.模拟器是一种运行在计算机上的软件，在软件内可以模拟运行安卓系统和ios系统，在模拟器上可以安装并使用各种手机软件，即使用户没有手机设备，也能使用模拟器在计算机端模拟使用手机软件。
4.现有的模拟器检测方法主要还是基于对软件运行环境的检测来判断是否为模拟器环境，包括终端系统标志信息、硬件信息(中央处理器、网卡、电池等)、手机已安装软件、手机通讯记录、手机存储文件等，通过这些设备信息和特征来区分正常移动终端设备和模拟器。
5.但是部分模拟器可以修改配置文件来更改包括中央处理器、手机品牌、内存、电池、mac地址等信息来模拟正常移动终端设备，从而增大了此类模拟器检测方法的检测难度，降低了模拟器的召回率。


技术实现要素：

6.有鉴于此，本技术公开了一种模拟器检测方法、系统、存储介质及电子设备，旨在降低模拟器检测方法的检测难度，提高模拟器的召回率。此外，当深度分类模型识别到模拟器成像的数据特征时，将模拟器成像的数据特征更新至深度分类模型，使深度分类模型具备良好的扩展性。
7.为了实现上述目的，其公开的技术方案如下：
8.本技术第一方面公开了一种模拟器检测方法，所述方法包括：
9.获取设备图像，所述设备图像由移动端采集得到；
10.将所述设备图像输入至预先训练的深度分类模型进行识别，得到模型识别图像；
11.当所述模型识别图像符合预设条件时，确定所述模型识别图像对应的移动端为模拟器，并对所述模拟器进行拦截操作。
12.优选的，还包括：
13.获取设备信息；
14.当所述设备信息中存在相机权限信息时，确定所述移动端处于预设状态；所述预设状态用于指示所述移动端的相机功能处于可使用状态；
15.当所述设备信息中不存在所述相机权限信息时，确定所述移动端不处于预设状态。
16.优选的，还包括：
17.当所述移动端不处于所述预设状态时，确定所述移动端为模拟器，并对所述模拟器进行拦截操作。
18.优选的，所述当所述模型识别图像符合预设条件时，确定所述模型识别图像对应的移动端为模拟器，并对所述模拟器进行拦截操作；
19.获取所述模型识别图像的图像特征；
20.当所述模型识别图像的图像特征与第一预设图像特征一致时，确定所述模型识别图像为模拟器虚拟图像；
21.确定所述模拟器虚拟图像对应的移动端为模拟器，并对所述模拟器进行拦截操作。
22.优选的，深度分类模型的训练过程，包括：
23.获取由不同类型的模拟器采集到的各个图像；
24.根据所述各个图像对深度分类模型进行训练。
25.优选的，所述根据所述各个图像对深度分类模型进行训练，包括：
26.将所述各个图像对应的图像特征与第二预设图像特征进行对比，得到多个图像差异特征；所述第二预设图像特征用于表征相机设备拍摄的图像所对应的图像特征；
27.基于所述多个图像差异特征和预设数据生成脚本，得到所述不同类型的模拟器对应的模拟器虚拟图像；
28.通过所述不同类型的模拟器对应的模拟器虚拟图像，对深度分类模型进行训练。
29.优选的，还包括：
30.当所述模型识别图像的图像特征与所述第一预设图像的图像特征不一致时，确定所述模型识别图像为相机图像。
31.本技术第二方面公开了一种模拟器检测系统，所述系统包括：
32.第一获取单元，用于获取设备图像，所述设备图像由移动端采集得到；
33.识别单元，将所述设备图像输入至预先训练的深度分类模型进行识别，得到模型识别图像；
34.第一拦截单元，用于当所述模型识别图像符合预设条件时，确定所述模型识别图像对应的移动端为模拟器，并对所述模拟器进行拦截操作。
35.本技术第三方面公开了一种存储介质，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第一方面任意一项所述的模拟器检测方法。
36.本技术第四方面公开了一种电子设备，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第一方面任意一项所述的模拟器检测方法。
37.经由上述技术方案可知，本技术公开了一种模拟器检测方法、系统、存储介质及电子设备，获取设备图像，设备图像由移动端采集得到，将设备图像输入至预先训练的深度分类模型进行识别，得到模型识别图像，当模型识别图像符合预设条件时，确定模型识别图像
对应的移动端为模拟器，并对模拟器进行拦截操作。通过上述方案，即使模拟器修改配置文件来更改包括中央处理器、mac地址等信息来模拟真实移动设备，本方案可通过模型识别图像区分模拟器和真实移动设备，降低模拟器检测方法的检测难度，提高模拟器的召回率。此外，当深度分类模型识别到模拟器成像的数据特征时，将模拟器成像的数据特征更新至深度分类模型，使深度分类模型具备良好的扩展性。
附图说明
38.为了更清楚地说明本技术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技术的实施例，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。
39.图1为本技术实施例公开的一种模拟器检测方法的流程示意图；
40.图2为本技术实施例公开的模拟器的结构示意图；
41.图3为本技术实施例公开的深度分类模型的训练过程的流程示意图；
42.图4为本技术实施例公开的当模型识别图像与预设图像一致时，确定模型识别图像对应的移动端为模拟器，并对模拟器进行拦截操作的流程示意图；
43.图5为本技术实施例公开的一种模拟器检测系统的结构示意图；
44.图6为本技术实施例公开的一种电子设备的结构示意图。
具体实施方式
45.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
46.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。
47.由背景技术可知，现有技术中，部分模拟器可以修改配置文件来更改包括中央处理器、手机品牌、内存、电池、物理地址(media access control，mac)等信息来模拟正常移动终端设备，从而增大了此类模拟器检测方法的检测难度，降低了模拟器的召回率。
48.为了解决上述问题，本技术实施例公开了一种模拟器检测方法、系统、存储介质及电子设备，实现降低模拟器检测方法的检测难度，提高模拟器的召回率的目的。具体实现方式通过下述实施例进行说明。
49.参考图1所示，为本技术实施例公开的一种模拟器检测方法的流程示意图，该模拟器检测方法应用于服务端，该模拟器检测方法主要包括如下步骤：
50.s101：获取设备图像，设备图像由移动端采集得到。
51.在s101中，移动应用程序(application，app)运行在移动端上，移动端通过移动应
用程序调用设备信息并进行拍照，得到设备图像，服务端获取移动端发送的设备图像。
52.s102：将设备图像输入至预先训练的深度分类模型进行识别，得到模型识别图像。
53.在s102中，当移动端的相机功能处于可使用状态时，将设备图像输入至预先训练的深度分类模型进行识别，得到模型识别图像，根据模型识别图像来判断移动端为真实移动设备或者模拟器。
54.其中，深度分类模型为基于深度学习方法，使用大量的图像数据训练得到分类模型。
55.通过使用深度分类模型识别设备图像，以确定设备图像是由模拟器拍摄还是真实移动设备拍摄。
56.深度分类模型包括但不限于现代神经网络，例如深度卷积神经网络、深度全连接神经网络等，因此，本方案的深度分类模型的适用范围广、通用性强。
57.深度分类模型的训练过程如下：
58.获取由不同类型的模拟器采集到的各个图像，根据各个图像对深度分类模型进行训练。
59.具体的，首先，获取不同类型的模拟器采集的各个图像。
60.其中，收集各种模拟器拍摄的图像数据。
61.其次，将各个图像对应的图像特征与第二预设图像特征进行对比，得到多个图像差异特征。
62.其中，收集各种模拟器拍摄的图像数据，分析其成像与相机设备成像的差异，得到图像差异特征。
63.模拟器所拍摄的模拟器虚拟图像与真实移动设备(相机设备)的图像，两者的图像特征是不同的，因此将模拟器所拍摄的图像的图像特征与第二预设图像特征进行对比，得到图像差异特征，图像差异特征包括图像差异像素特征、颜色差异特征、纹理差异特征等。
64.第二预设图像特征为真实移动设备所拍摄的图像对应的图像特征，第二预设图像特征的确定由技术人员根据实际情况进行设置，本技术不做具体限定。
65.然后，基于多个图像差异特征和预设数据生成脚本，得到不同类型的模拟器对应的模拟器虚拟图像。
66.预设数据生成脚本的确定由技术人员根据实际情况进行设置，本技术不做具体限定。
67.最后，通过不同类型的模拟器对应的模拟器虚拟图像对深度分类模型进行训练。
68.其中，通过训练深度分类模型，使深度分类模型区分相机设备的图像和模拟器虚拟图像，达到对模拟器进行检测的目的。
69.模拟器是一种运行在计算机上的软件，在软件内可以模拟运行安卓系统和ios系统，在模拟器上可以安装并使用各种手机软件，即使用户没有手机设备，也能使用模拟器在计算机端模拟使用手机软件。
70.模拟器包括但不限于安卓模拟器，ios系统的模拟器，安装在windows系统的计算机上的模拟器、类linux系统的计算机上的模拟器等。
71.具体模拟器的结构图如图2所示。
72.图2中，模拟器安装在计算机上的软件，具备模拟手机系统的功能，在模拟的手机
系统内可以安装各类手机应用。
73.若发现新类型的模拟器，其成像与已有的模拟器不同，只需搜集或生成一批新类型模拟器的模拟器虚拟图像，并将该新类型模拟器的模拟器虚拟图像加入训练集，重新训练深度分类模型，即可支持对该类模拟器的检测。因此本方案的深度分类模型具有良好的拓展性。
74.模拟器设备信息的更改对图像特征不会有改变，因此具有良好的防止模拟器设备信息篡改的能力。
75.本技术的模拟器的检测方法，具有维护成本低，易于迁移和扩展，通用性好，鲁棒性强的特点。
76.s103：当模型识别图像符合预设条件时，确定模型识别图像对应的移动端为模拟器，并对模拟器进行拦截操作。
77.在s103中，当所述模型识别图像的图像特征与第一预设图像特征一致时，确定模型识别图像符合预设条件，即确定移动端处于模拟器的环境中。
78.具体当模型识别图像符合预设条件时，确定模型识别图像对应的移动端为模拟器，并对模拟器进行拦截操作的过程如下：
79.首先，获取模型识别图像的图像特征，然后，当模型识别图像的图像特征与第一预设图像特征一致时，确定模型识别图像为模拟器虚拟图像，最后，确定模拟器虚拟图像对应的移动端为模拟器，并对模拟器进行拦截操作。
80.其中，图像特征包括图像像素特征、颜色特征、纹理特征等。
81.第一预设特性特征为模拟器所拍摄的图像对应的图像特征，第一预设图像特征的确定由技术人员根据实际情况进行设置，本技术不做具体限定。
82.当模型识别图像的图像特征与第一预设图像的图像特征不一致时，确定模型识别图像为相机图像。
83.其中，相机图像为真实移动设备拍摄的图像。
84.确定移动端为模拟器，对模拟器进行拦截操作，使模拟器无法进行人脸支付、刷脸认证等操作。
85.本技术实施例中，即使模拟器修改配置文件来更改包括中央处理器、mac地址等信息来模拟真实移动设备，本方案可通过模型识别图像区分模拟器和真实移动设备，降低模拟器检测方法的检测难度，提高模拟器的召回率。此外，当深度分类模型识别到模拟器成像的数据特征时，将模拟器成像的数据特征更新至深度分类模型，使深度分类模型具备良好的扩展性。
86.可选的，获取设备信息，通过设备信息判断移动端是否处于预设状态，当设备信息中存在相机权限信息时，确定移动端处于预设状态，当设备信息中不存在相机权限信息时，确定移动端不处于预设状态，确定移动端为模拟器，并对模拟器进行拦截操作。
87.其中，其中，设备信息为移动端的设备信息，设备信息包括移动端是否有相机权限信息、移动端是否处于预设状态信息(相机可用状态信息)等。
88.预设状态用于指示移动端的相机功能处于可使用状态。
89.相机权限信息由用户授予移动端相机权限得到。
90.若移动端不处于预设状态，确定该移动端为模拟器，并对该模拟器进行拦截操作，
使模拟器无法进行人脸支付、刷脸认证等操作。
91.本技术实施例中，当设备信息中存在相机权限信息时，确定移动端处于预设状态，当设备信息中不存在相机权限信息时，确定移动端不处于预设状态，确定移动端为模拟器，实现对模拟器进行拦截操作的目的。
92.参考图3所示，为上述s102中涉及到深度分类模型的训练过程，主要包括如下步骤：
93.s301：获取由不同类型的模拟器采集的各个图像。
94.s302：将各个图像对应的图像特征与第二预设图像特征进行对比，得到多个图像差异特征。
95.s303：基于多个图像差异特征和预设数据生成脚本，得到不同类型的模拟器对应的模拟器虚拟图像。
96.s304：通过不同类型的模拟器对应的模拟器虚拟图像对深度分类模型进行训练。
97.s301
‑
s304的执行原理与上述s102的执行原理一致，可参考，此处不再进行赘述。
98.本技术实施例中，将获取到的各个图像对应的图像特征与第二预设图像特征进行对比，得到多个图像差异特征，基于多个图像差异特征和预设数据生成脚本，得到不同类型的模拟器对应的模拟器虚拟图像，通过不同类型的模拟器对应的模拟器虚拟图像对深度分类模型进行训练，实现对深度分类模型进行训练的目的。
99.参考图4所示，为上述s103中涉及到当模型识别图像与预设图像一致时，确定模型识别图像对应的移动端为模拟器，并对模拟器进行拦截操作的过程，主要包括如下步骤：
100.s401：获取模型识别图像的图像特征。
101.s402：当模型识别图像的图像特征与第一预设图像特征一致时，确定模型识别图像为模拟器虚拟图像。
102.s403：确定模拟器虚拟图像对应的移动端为模拟器，并对模拟器进行拦截操作。
103.在s401
‑
s403的执行原理与上述s103的执行原理一致，可参考，此处不再进行赘述。
104.本技术实施例中，当模型识别图像的图像特征与第一预设图像特征一致时，确定模型识别图像为模拟器虚拟图像，确定模拟器虚拟图像对应的移动端为模拟器，实现对模拟器进行拦截操作的目的。
105.基于上述实施例图1公开的一种模拟器检测方法，本技术实施例还对应公开了一种模拟器检测系统，如图5所示，该模拟器检测系统主要包括第一获取单元501、识别单元502和第一拦截单元503。
106.第一获取单元501，用于获取设备图像，设备图像由移动端采集得到。
107.识别单元502，用于将设备图像输入至预先训练的深度分类模型进行识别，得到模型识别图像。
108.第一拦截单元503，用于当模型识别图像符合预设条件时，确定模型识别图像对应的移动端为模拟器，并对模拟器进行拦截操作。
109.进一步的，还包括第二获取单元、第一确定单元和第二确定单元。
110.第二获取单元，用于获取设备信息。
111.第一确定单元，用于当设备信息中存在相机权限信息时，确定移动端处于预设状
态；预设状态用于指示移动端的相机功能处于可使用状态。
112.第二确定单元，用于当设备信息中不存在相机权限信息时，确定移动端不处于预设状态。
113.进一步的，还包括第二拦截单元。
114.第二拦截单元，用于当移动端不处于预设状态时，确定移动端为模拟器，并对模拟器进行拦截操作。
115.进一步的，第一拦截单元504，包括第一获取模块、第一确定模块和拦截模块。
116.第一获取模块，用于获取模型识别图像的图像特征。
117.第一确定模块，用于当模型识别图像的图像特征与第一预设图像特征一致时，确定模型识别图像为模拟器虚拟图像。
118.拦截模块，用于确定模拟器虚拟图像对应的移动端为模拟器，并对模拟器进行拦截操作。
119.进一步的，深度分类模型的训练过程的识别单元502，包括第二获取模块、对比模块、第三获取模块和训练模块。
120.第二获取模块，用于获取不同类型的模拟器采集的各个图像。
121.对比模块，用于将各个图像对应的图像特征与第二预设图像特征进行对比，得到多个图像差异特征。
122.第三获取模块，用于基于多个图像差异特征和预设数据生成脚本，得到不同类型的模拟器对应的模拟器虚拟图像。
123.训练模块，用于通过不同类型的模拟器对应的模拟器虚拟图像，对深度分类模型进行训练。
124.进一步的，还包括第三确定单元。
125.第三确定单元，用于当模型识别图像的图像特征与第一预设图像的图像特征不一致时，确定模型识别图像为相机图像。
126.本技术实施例中，即使模拟器修改配置文件来更改包括中央处理器、mac地址等信息来模拟真实移动设备，本方案可通过模型识别图像区分模拟器和真实移动设备，降低模拟器检测方法的检测难度，提高模拟器的召回率。此外，当深度分类模型识别到模拟器成像的数据特征时，将模拟器成像的数据特征更新至深度分类模型，使深度分类模型具备良好的扩展性。
127.本技术实施例还提供了一种存储介质，存储介质包括存储的指令，其中，在指令运行时控制存储介质所在的设备执行上述模拟器检测方法。
128.本技术实施例还提供了一种电子设备，其结构示意图如图6所示，具体包括存储器601，以及一个或者一个以上的指令602，其中一个或者一个以上指令602存储于存储器601中，且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602执行上述模拟器检测方法。
129.上述各个实施例的具体实施过程及其衍生方式，均在本技术的保护范围之内。
130.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。
131.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技术的范围。
132.对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域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技术的精神或范围的情况下，在其它实施例中实现。因此，本技术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。
133.以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。