一种应用于智慧社区下的用户身份异常检测方法及系统与流程

1.本发明涉及智能检测技术领域，尤其涉及一种应用于智慧社区下的用户身份异常检测方法及系统。


背景技术：

2.随着城市化进程加快，人口流动性加强，给社区管理带来了较大的难度。社区设备老旧、流动人口管理难度大，对社区管理水平提出了更高的要求。智慧社区实质上是一种借助现代技术赋能社区管理和服务的社区管理新理念，为社区居民提供安全、舒适、便利的现代化和智慧化生活环境。社区管理业务主要包含社区文化、社区卫生、社区治安、社区服务、社区保障、社区物业等方面工作。
3.智慧社区中外来人口多，人员流动性大、成分复杂，亟待解决的是安全防护问题。传统身份认证主要包括身份标识物认证和身份标识知识认证，有着容易被复制、被盗窃、遗失或遗忘的缺点，所以我们现在依旧缺少一种应用于智慧社区的用户身份检测异常的方法。


技术实现要素：

4.本发明提供一种应用于智慧社区下的用户身份异常检测方法及系统，其主要目的在于提高智慧社区的用户身份检测异常识别效率。
5.为实现上述目的，本发明提供一种应用于智慧社区下的用户身份异常检测方法，包括：获取待注册的用户信息，查询所述用户信息对应的用户模板库，根据所述用户模板库，识别所述用户信息的特征属性，基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数；查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度，根据所述第一匹配度，对所述特征参数进行排序，得到特征参数序列；检测所述用户信息对应用户的实时状态，根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列；将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，以通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征；计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比所述实时状态与所述差异特征，得到状态-特征对比结果；若所述第二匹配度符合所述预设值，则计算所述状态-特征对比结果中的每个结果的结果等级，根据所述结果等级，对比所述实时状态与所述差异特征，得到检测结果。
6.可选地，所述基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数，包括：
识别所述用户模板库中的文本信息；对所述文本信息进行关键字提取，得到文本关键字；根据所述文本关键字，从所述用户模板库中确定用户信息的信息参数；对所述信息参数和所述文本关键字进行向量转化，得到信息向量和文本向量；计算所述信息向量与所述文本向量的相似度；根据所述相似度，确定所述信息向量中的目标信息向量，将所述目标信息向量作为所述特征参数。
7.可选地，所述计算所述信息向量与所述文本向量的相似度，包括：通过下述公式计算所述信息向量与所述文本向量的相似度：其中，表示每个信息向量与所述文本向量的相似度，表示第ei个信息向量的向量均值，表示文本向量的向量均值，表示第ei个信息向量的向量均值的平方值，i表示向量序号。
8.可选地，所述计算所述特征参数与所述身份识别因子的第一匹配度，包括：获取所述身份识别因子中的子因子；分别对所述子因子和所述特征参数进行标识提取，得到第一标识和第二标识；利用预设的匹配度算法计算所述第一标识和所述第二标识的第一匹配度。
9.可选地，所述预设的匹配度算法，包括：其中，表示第一标识和第二标识的第一匹配度，n表示i的总数，表示第一标识中第i个标识，表示第一标识中第i个标识的对数值，表示第二标识中第i个标识，表示第二标识中第i个标识的对数值，（）表示第一标识中第i个标识与第二标识中第i个标识的对数值之间的差值的最大值，表示第一标识中第i个标识与第二标识中第i个标识的对数值之间的差值的最小值，表示变量系数，取值范围为[0，1]，用于将的值映射至[0，1]区间内。
[0010]
可选地，所述根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列，包括：若所述实时状态中存在预设的运行状态，则获取所述运行状态对应的运行设备，并调度所述运行设备对应的运行数据；
查询所述运行设备的当前任务，根据所述运行数据，计算所述当前任务的完成率；根据所述完成率，对所述特征参数序列进行更新，得到目标序列；若所述实时状态中不存在所述预设的运行状态，则将所述特征参数序列作为所述特征参数的目标参数序列。
[0011]
可选地，所述通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征，包括：获取所述身份识别因子和所述实时状态的共同属性；利用所述预构建的用户识别网络生成模型中的特征提取层对所述共同属性进行特征属性识别，得到多个格式特征；利用所述预构建的用户识别网络生成模型中的特征融合层对所述多个格式特征进行特征融合，得到融合格式特征；利用所述预构建的用户识别网络生成模型中的分类层计算所述融合格式特征趋于所述身份识别因子的概率，得到相似概率；在所述相似概率小于预设概率时，将所述相似概率在所述身份识别因子中对应的特征作为所述差异特征。
[0012]
为了解决上述问题，本发明还提供一种应用于智慧社区下的用户身份异常检测系统：特征提取模块，用于获取待注册的用户信息，查询所述用户信息对应的用户模板库，根据所述用户模板库，识别所述用户信息的特征属性，基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数；特征属性模块，用于查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度，根据所述第一匹配度，对所述特征参数进行排序，得到特征参数序列；更新模块，用于检测所述用户信息对应用户的实时状态，根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列；对比验证模块，用于将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，以通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征；差异特征模块，用于计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比所述实时状态与所述差异特征，得到状态-特征对比结果；检测模块，若所述第二匹配度符合所述预设值，则计算所述状态-特征对比结果中的每个结果的结果等级，根据所述结果等级，对比所述实时状态与所述差异特征，得到检测结果。
[0013]
本发明实施例通过获取待注册的用户信息，查询所述用户信息对应的用户模板库，可以便于为后续提取所述用户模板库对应的属性提供了保障，进一步地，本发明实施例通过根据所述用户模板库，识别所述用户信息的特征属性，可了解所述用户信息的参数数据，进而便于后续提取出所述用户模板库中的特征属性，本发明实施例通过查询所述用户信息对应的身份识别因子，便于后续根据所述身份识别因子得到所述用户信息的所述特征
参数序列，进一步地，本发明实施例通过计算所述特征参数与所述身份识别因子的第一匹配度，进而便于后续对所述特征参数进行排序处理，本发明实施例通过检测所述用户信息对应用户的实时状态，可以知道所述特征属性中的每个用户的的实时详情，从而便于后续对所述特征属性进行重新排序，本发明实施例通过将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，为后续得到差异特征提供了便利性，本发明实施例通过计算所述用户信息与所述差异特征之间的第二匹配度，可以便于后续比对结果的获得，进一步地，本发明实施例通过根据所述结果等级，对比所述实时状态与所述差异特征，以用于提高用户身份异常的检测效率。因此，本发明实施例提供的一种应用于智慧社区下的用户身份异常检测方法及系统，能够提高智慧社区的用户身份检测异常识别效率。
附图说明
[0014]
图1为本发明一实施例提供的应用于智慧社区下的用户身份异常检测方法的流程示意图；图2为本发明一实施例提供的应用于智慧社区下的用户身份异常检测系统的功能模块图；图3为本发明一实施例提供的应用于智慧社区下的用户身份异常检测的电子设备的结构示意图。
[0015]
本发明目的的实现、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
[0016]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0017]
本技术实施例提供一种应用于智慧社区下的用户身份异常检测方法。本技术实施例中，所述一种应用于智慧社区下的用户身份异常检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述应用于智慧社区下的用户身份异常检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0018]
参照图1所示，为本发明一实施例提供的一种应用于智慧社区下的用户身份异常检测方法的流程示意图。在本实施例中，所述一种应用于智慧社区下的用户身份异常检测方法包括步骤s1—s6。
[0019]
s1、获取待注册的用户信息，查询所述用户信息对应的用户模板库，根据所述用户模板库，识别所述用户信息的特征属性，基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数。
[0020]
本发明实施例通过获取待注册的用户信息，查询所述用户信息对应的用户模板库，可以便于为后续提取所述用户模板库对应的属性提供了保障。
[0021]
其中，所述待注册的用户信息是指用户在用户注册平台上录入完整的个人信息以及亲属信息进行等级，其中包括：用户个人信息、配偶信息、子女信息，其中，所述用户个人信息包括：真实姓名、登录密码、用户录入数据、邮箱地址、性别、身份证号码、婚姻信息（未婚、已婚）、生育情况（未生育、已育）、教育程度（“高中及以下”、“大专”、“本科”、“硕士”、“博士”）、固话号码（区号-号码）、手机号码（区号-号码）通讯住址（详细到国际、省市、街道、门牌），其中所述配偶信息包括：真实姓名、身份证号、固话号码（区号-号码）、手机号码（区号-号码）通讯住址（详细到国际、省市、街道、门牌），其中所述子女信息是指每个子女信息要求如“用户个人信息”（处理个人爱好、认证方式），所述用户模板库是指包含用户信息结构和有关工具构成了呈现用户信息文件的集合。
[0022]
可选地，可以通过社区用户表获取待注册的用户信息；可以通过查询工具包查询所述用户信息对应的用户模板库，所述查询工具包是由脚本语言编译。
[0023]
进一步地，本发明实施例通过根据所述用户模板库，识别所述用户信息的特征属性，可了解所述用户信息的参数数据，进而便于后续提取出所述用户模板库中的特征属性。其中，所述特征属性是所述用户信息的各种数据信息，包括用户面部提取数据、姿态数据、行为数据等信息。可选地，可以通过参数查询工具查询所述用户信息的特征属性，所述参数查询工具例如access参数查询工具。
[0024]
作为本发明的一个实施例，所述基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数，包括：识别所述用户模板库中的文本信息；对所述文本信息进行关键字提取，得到文本关键字；根据所述文本关键字，从所述用户模板库中确定用户信息的信息参数；对所述信息参数和所述文本关键字进行向量转化，得到信息向量和文本向量；计算所述信息向量与所述文本向量的相似度；根据所述相似度，确定所述信息向量中的目标信息向量，将所述目标信息向量作为所述特征参数。
[0025]
其中，所述文本信息是所述用户信息和所述用户模板库中的文本内容，所述文本关键字是所述文本信息中重要的字词，所述用户模板库是包含了所有的用户信息处理的智能仓库。可选地，可以通过ocr文字识别技术识别所述用户模板库中的文本信息。
[0026]
作为本发明的一个可选实施例，所述计算所述信息向量与所述文本向量的相似度，包括：通过下述公式计算所述信息向量与所述文本向量的相似度：其中，表示每个信息向量与所述文本向量的相似度，表示第ei个信息向量的向量均值，表示文本向量的向量均值，表示第ei个信息向量的向量均值的平方值，i表示向量序号。
[0027]
s2、查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度，根据所述第一匹配度，对所述特征参数进行排序，得到特征参数序列。
[0028]
本发明实施例通过查询所述用户信息对应的身份识别因子，便于后续根据所述身份识别因子得到所述用户信息的所述特征参数序列。其中，所述身份识别因子是所述用户
信息对应的包含身份信息中的可识别因素，可选地，可以通过身份识别工具识别所述身份识别因子，如ocr识别工具等。
[0029]
进一步地，本发明实施例通过计算所述特征参数与所述身份识别因子的第一匹配度，进而便于后续对所述特征参数进行排序处理。其中，所述匹配度表示所述特征参数对所述身份识别的匹配程度。
[0030]
作为本发明的一个实施例，所述计算所述特征参数与所述身份识别因子的第一匹配度，包括：获取所述身份识别因子中的子因子；分别对所述子因子和所述特征参数进行标识提取，得到第一标识和第二标识；利用预设的匹配度算法计算所述第一标识和所述第二标识的第一匹配度。
[0031]
其中，所述子因子是所述身份识别因子中包含的单独的附属任务，所述第一标识和所述第二标识分别表示所述子因子和所述特征参数中便于识别的标志或特征。可选地，可以通过上述的身份识别工具获取所述身份识别因子中的子因子，可以通过标识提取工具分别对所述子因子和所述特征参数的进行标识提取，所述标识提取工具是由脚本语言编译。
[0032]
作为本发明的一个可选实施例，所述预设的第一匹配度算法，包括：其中，表示第一标识和第二标识的第一匹配度，n表示i的总数，表示第一标识中第i个标识，表示第一标识中第i个标识的对数值，表示第二标识中第i个标识，表示第二标识中第i个标识的对数值，（）表示第一标识中第i个标识与第二标识中第i个标识的对数值之间的差值的最大值，表示第一标识中第i个标识与第二标识中第i个标识的对数值之间的差值的最小值，表示变量系数，取值范围为[0，1]，用于将的值映射至[0，1]区间内。
[0033]
作为本发明的一个实施例，所述根据所述匹配度，对所述特征参数进行排序，得到特征参数序列，包括：获取用户信息与身份识别因子，并查询所述身份识别因子对应的任务序列；根据所述任务序列，对所述用户信息进行序号标记，得到目标序号；结合所述目标序号和所述第一匹配度，对所述特征参数进行排序，得到特征参数序列。
[0034]
其中，所述任务序列是所述身份识别因子中每个任务的顺序，所述目标序号是根据所述任务序列对所述用户信息进行序号标记后得到的序号。可选地，可以通过标记工具对所述用户信息进行序号标记，所述标记工具包括labelimg工具，可以通过排序算法对所述特征参数进行排序，所述排序算法包括冒泡排序法。
[0035]
s3、检测所述用户信息对应用户的实时状态，根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列。
[0036]
本发明实施例通过检测所述用户信息对应用户的实时状态，可以知道所述特征属
性中的每个用户的的实时详情，从而便于后续对所述特征属性进行重新排序。其中，所述实时状态是所述身份属性的当前状态。可选地，可以通过实时监测工具监测所述特征属性中每个用户的实时状态，所述实时监测工具是基于java语言编译。
[0037]
作为本发明的一个实施例，所述根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列，包括：若所述实时状态中存在预设的运行状态，则获取所述运行状态对应的运行设备，并调度所述运行设备对应的运行数据；查询所述运行设备的当前任务，根据所述运行数据，计算所述当前任务的完成率；根据所述完成率，对所述特征参数序列进行更新，得到目标序列；若所述实时状态中不存在所述预设的运行状态，则将所述特征参数序列作为所述特征参数的目标参数序列。
[0038]
其中，所述运行设备是预设参数识别设备中正在工作的设备，所述参数识别设备是指能够清晰辨别参数的工具，如simulink工具等，所述运行数据是所述运行设备当前的工作数据，所述当前任务是所述运行设备的需要完成的任务，所述完成率是所述当前任务完成度的百分比。
[0039]
s4、将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，以通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征。
[0040]
本发明实施例通过将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，为后续得到差异特征提供了便利性。其中，所述目标参数序列是构成后续所述预构建的用户识别网络生成模型的基础框架，可以通过参数识别工具获得，如ocr识别工具；所述用户识别网络生成模型包括特征提取层、特征融合层及分类层，所述特征提取层由卷积函数构成，目的在于对文本进行特征提取，所述特征融合层由concat拼接层构成，目的在于将多个特征拼接为一个特征，所述分类层由激活函数构成，目的在于进行类别概率计算，所述用户识别网络生成模型为由所述身份识别因子、所述实时状态和所述目标参数序列等数据作为基础训练得来，用于将输入所述用户识别网络生成模型中的数据分类为属于所述身份识别因子中的某个因子。
[0041]
作为本发明的一个实施例，所述通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征，包括：获取所述身份识别因子和所述实时状态的共同属性；利用所述预构建的用户识别网络生成模型中的特征提取层对所述共同属性进行特征属性识别，得到多个格式特征；利用所述预构建的用户识别网络生成模型中的特征融合层对所述多个格式特征进行特征融合，得到融合格式特征；利用所述预构建的用户识别网络生成模型中的分类层计算所述融合格式特征趋于所述身份识别因子的概率，得到相似概率；在所述相似概率小于预设概率时，将所述相似概率在所述身份识别因子中对应的特征作为所述差异特征。
[0042]
其中，所述共同属性是所述身份识别因子和所述实时状态中对应的相同属性元素的状态属性；所述多个格式特征是具有象征意义且没有任何文件标识和结构的表达形式；所述融合格式特征是所述多个格式特征融合到一起得到的特征。
[0043]
可选地，可以通过格式提取工具提取所述身份识别因子和所述实时状态中对应的多个格式特征，所述格式提取工具如exe提取工具；所述在所述相似概率小于预设概率时，将所述相似概率在所述身份识别因子中对应的特征作为所述差异特征的过程为：在所述相
似概率小于预设概率时，表示所述融合格式特征趋于所述身份识别因子的概率较低，此时所述融合格式特征与所述身份识别因子不相似，则表示此时的身份识别因子与所述融合格式特征存在差异，则将此时的身份识别因子作为所述差异特征。
[0044]
s5、计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比所述实时状态与所述差异特征，得到状态-特征对比结果。
[0045]
本发明实施例通过计算所述用户信息与所述差异特征之间的第二匹配度，可以便于后续比对结果的获得。其中，所述第二匹配度是指所述用户信息与所述差异特征中信息的内容相同匹配值。
[0046]
作为本发明的一个实施例，所述对比所述实时状态与所述差异特征，得到状态-特征对比结果，包括：构建所述实时状态的序列代码；获取所述实时状态中每个实时任务的任务时长；根据所述序列代码和所述任务时长，生成所述实时状态的执行指令；利用所述执行指令控制所述实时状态中每个实时任务与所述差异特征进行一致性比对，得到所述状态-特征对比结果。
[0047]
其中，所述序列代码是所述目标序列对应的源代码，所述任务时长是所述实时状态中每个实时任务的完成时间，所述执行指令是执行所述实时状态的控制指令。可选地，可以通过代码库构建所述目标序列的序列代码，可以通过计时器获取所述身份识别因子中每个任务的任务时长，可以通过指令生成器生成所述身份识别因子的执行指令。
[0048]
s6、若所述第二匹配度符合所述预设值，则计算所述状态-特征对比结果中的每个结果的结果等级，根据所述结果等级，对比所述实时状态与所述差异特征，得到检测结果。
[0049]
在本发明实施例中，若所述第二匹配度符合所述预设值，则计算所述对比结果中每个结果的结果等级，便于后续得到检测结果。
[0050]
作为本发明的一个实施例，所述计算所述状态-特征对比结果中每个结果的结果等级，包括：通过下述公式计算所述状态-特征对比结果中每个结果的结果等级：其中，表示所述状态-特征对比结果中每个结果的结果等级，j表示所述状态-特征对比结果中的起始结果值，表示第j个结果对应的线性值，表示第j个结果对应的优先级系数，表示第j个结果对应的线性函数。
[0051]
进一步地，本发明实施例通过根据所述结果等级，对比所述实时状态与所述差异特征，以用于提高用户身份异常的检测效率。
[0052]
示例性的，通过获取所述待注册的用户信息，如用户的个人信息，包括：真实姓名、登录密码、用户录入数据、邮箱地址、性别、身份证号码等信息；通过识别所述用户的个人信息中的特征参数，如目标信息向量；进一步地，通过查询用户信息对应的身份识别因子，如脸部采集信息、指纹采集信息等包含身份信息中的可识别因素；通过对所述特征参数和身
份识别因子进行第一匹配度的计算，计算得出初级匹配结果，可以作为身份验证的初次结果，处理得到特征参数序列，如采集得到的参数特征序列；进一步地，检测用户的实时状态，根据实时状态里的身份识别因子，对所述特征参数序列进行更新，得到所述目标参数序列，是指更新完成采集参数序列，如实时的采集参数序列；通过将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，可以将所述身份识别因子与实时状态进行验证，获得所述差异特征，如面部表情差异特征、指纹变化特征、用户状态特征等；通过、计算所述用户信息与所述差异特征之间的第二匹配度，计算得出最终匹配结果，处理得到状态-特征对比结果，是指根据历史数据比对当前状态下的用户特征，若当第二匹配结果不是处于预设值（0，1）时，则表示非正常匹配结果，需要进行匹配纠错，如重新匹配、系统验证等，若结果仍不是处于预设值（0，1），则得到用户身份检测结果，即身份验证不通过结果；当第二匹配结果处于预设值（0，1）时，表示正常匹配结果，即用户身份检测结果。
[0053]
本发明实施例通过获取待注册的用户信息，查询所述用户信息对应的用户模板库，可以便于为后续提取所述用户模板库对应的属性提供了保障，进一步地，本发明实施例通过根据所述用户模板库，识别所述用户信息的特征属性，可了解所述用户信息的参数数据，进而便于后续提取出所述用户模板库中的特征属性，本发明实施例通过查询所述用户信息对应的身份识别因子，便于后续根据所述身份识别因子得到所述用户信息的所述特征参数序列，进一步地，本发明实施例通过计算所述特征参数与所述身份识别因子的第一匹配度，进而便于后续对所述特征参数进行排序处理，本发明实施例通过检测所述用户信息对应用户的实时状态，可以知道所述特征属性中的每个用户的的实时详情，从而便于后续对所述特征属性进行重新排序，本发明实施例通过将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，为后续得到差异特征提供了便利性，本发明实施例通过计算所述用户信息与所述差异特征之间的第二匹配度，可以便于后续比对结果的获得，进一步地，本发明实施例通过根据所述结果等级，对比所述实时状态与所述差异特征，以用于提高用户身份异常的检测效率。因此，本发明实施例提供的应用于智慧社区下的用户身份异常检测方法，能够提高智慧社区的用户身份检测异常识别效率。
[0054]
如图2所示，是本发明一实施例提供的应用于智慧社区下的用户身份异常检测系统的功能模块图。
[0055]
本发明所述应用于智慧社区下的用户身份异常检测系统100可以安装于电子设备中。根据实现的功能，所述应用于智慧社区下的用户身份异常检测系统100可以包括特征提取模块101、特征属性模块102、更新模块103、对比验证模块104、差异特征模块105以及检测模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0056]
在本实施例中，关于各模块/单元的功能如下：所述特征提取模块，用于获取待注册的用户信息，查询所述用户信息对应的用户模板库，根据所述用户模板库，识别所述用户信息的特征属性，基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数；所述特征属性模块，用于查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度，根据所述第一匹配度，对所述特征参数进行排序，
得到特征参数序列；所述更新模块，用于检测所述用户信息对应用户的实时状态，根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列；所述对比验证模块，用于将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，以通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征；所述差异特征模块，用于计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比所述实时状态与所述差异特征，得到状态-特征对比结果；所述检测模块，用于若所述第二匹配度符合所述预设值，则计算所述状态-特征对比结果中的每个结果的结果等级，根据所述结果等级，对比所述实时状态与所述差异特征，得到检测结果。
[0057]
详细地，本技术实施例中所述应用于智慧社区下的用户身份异常检测系统100中所述的各模块在使用时采用与上述图1中所述的应用于智慧社区下的用户身份异常检测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0058]
如图3所示，是本发明一实施例提供的实现所述应用于智慧社区下的用户身份异常检测方法的电子设备1的结构示意图。
[0059]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如应用于智慧社区下的用户身份异常检测方法程序。
[0060]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（central processing unit，cpu）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心（control unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行应用于智慧社区下的用户身份异常检测方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0061]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：sd或dx存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（smart media card，smc）、安全数字（secure digital，sd）卡、闪存卡（flash card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如应用于智慧社区下的用户身份异常检测方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0062]
所述通信总线12可以是外设部件互连标准（peripheral component interconnect，简称pci）总线或扩展工业标准结构（extended industry standard architecture，简称eisa）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述
总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0063]
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如wi-fi接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（display）、输入单元（比如键盘（keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled（organic light-emitting diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0064]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0065]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0066]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0067]
所述电子设备1中的所述存储器11存储的应用于智慧社区下的用户身份异常检测方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：获取待注册的用户信息，查询所述用户信息对应的用户模板库，根据所述用户模板库，识别所述用户信息的特征属性，基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数；查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度，根据所述第一匹配度，对所述特征参数进行排序，得到特征参数序列；检测所述用户信息对应用户的实时状态，根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列；将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，以通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征；计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比所述实时状态与所述差异特征，得到状态-特征对比结果；若所述第二匹配度符合所述预设值，则计算所述状态-特征对比结果中的每个结果的结果等级，根据所述结果等级，对比所述实时状态与所述差异特征，得到检测结果。
[0068]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0069]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存
储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）。
[0070]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：获取待注册的用户信息，查询所述用户信息对应的用户模板库，根据所述用户模板库，识别所述用户信息的特征属性，基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数；查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度，根据所述第一匹配度，对所述特征参数进行排序，得到特征参数序列；检测所述用户信息对应用户的实时状态，根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列；将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，以通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征；计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比所述实时状态与所述差异特征，得到状态-特征对比结果；若所述第二匹配度符合所述预设值，则计算所述状态-特征对比结果中的每个结果的结果等级，根据所述结果等级，对比所述实时状态与所述差异特征，得到检测结果。
[0071]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0072]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
[0073]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0074]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0075]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0076]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0077]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0078]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种应用于智慧社区下的用户身份异常检测方法，其特征在于，所述方法包括：获取待注册的用户信息，查询所述用户信息对应的用户模板库，根据所述用户模板库，识别所述用户信息的特征属性，基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数；查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度，根据所述第一匹配度，对所述特征参数进行排序，得到特征参数序列；检测所述用户信息对应用户的实时状态，根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列；将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，以通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征；计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比所述实时状态与所述差异特征，得到状态-特征对比结果；若所述第二匹配度符合所述预设值，则计算所述状态-特征对比结果中的每个结果的结果等级，根据所述结果等级，对比所述实时状态与所述差异特征，得到检测结果。2.如权利要求1所述的应用于智慧社区下的用户身份异常检测方法，其特征在于，所述基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数，包括：识别所述用户模板库中的文本信息；对所述文本信息进行关键字提取，得到文本关键字；根据所述文本关键字，从所述用户模板库中确定用户信息的信息参数；对所述信息参数和所述文本关键字进行向量转化，得到信息向量和文本向量；计算所述信息向量与所述文本向量的相似度；根据所述相似度，确定所述信息向量中的目标信息向量，将所述目标信息向量作为所述特征参数。3.如权利要求2所述的应用于智慧社区下的用户身份异常检测方法，其特征在于，所述计算所述信息向量与所述文本向量的相似度，包括：通过下述公式计算所述信息向量与所述文本向量的相似度：其中，表示每个信息向量与所述文本向量的相似度，表示第ei个信息向量的向量均值，表示文本向量的向量均值，表示第ei个信息向量的向量均值的平方值，i表示向量序号。4.如权利要求1所述的应用于智慧社区下的用户身份异常检测方法，其特征在于，所述计算所述特征参数与所述身份识别因子的第一匹配度，包括：获取所述身份识别因子中的子因子；分别对所述子因子和所述特征参数进行标识提取，得到第一标识和第二标识；
利用预设的匹配度算法计算所述第一标识和所述第二标识的第一匹配度。5.如权利要求4所述的应用于智慧社区下的用户身份异常检测方法，其特征在于，所述预设的匹配度算法，包括：其中，表示第一标识和第二标识的第一匹配度，n表示i的总数，表示第一标识中第i个标识，表示第一标识中第i个标识的对数值，表示第二标识中第i个标识，表示第二标识中第i个标识的对数值，（）表示第一标识中第i个标识与第二标识中第i个标识的对数值之间的差值的最大值，表示第一标识中第i个标识与第二标识中第i个标识的对数值之间的差值的最小值，表示变量系数，取值范围为[0，1]，用于将的值映射至[0，1]区间内。6.如权利要求1所述的应用于智慧社区下的用户身份异常检测方法，其特征在于，所述根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列，包括：若所述实时状态中存在预设的运行状态，则获取所述运行状态对应的运行设备，并调度所述运行设备对应的运行数据；查询所述运行设备的当前任务，根据所述运行数据，计算所述当前任务的完成率；根据所述完成率，对所述特征参数序列进行更新，得到目标序列；若所述实时状态中不存在所述预设的运行状态，则将所述特征参数序列作为所述特征参数的目标参数序列。7.如权利要求1所述的应用于智慧社区下的用户身份异常检测方法，其特征在于，所述通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征，包括：获取所述身份识别因子和所述实时状态的共同属性；利用所述预构建的用户识别网络生成模型中的特征提取层对所述共同属性进行特征属性识别，得到多个格式特征；利用所述预构建的用户识别网络生成模型中的特征融合层对所述多个格式特征进行特征融合，得到融合格式特征；利用所述预构建的用户识别网络生成模型中的分类层计算所述融合格式特征趋于所述身份识别因子的概率，得到相似概率；在所述相似概率小于预设概率时，将所述相似概率在所述身份识别因子中对应的特征作为所述差异特征。8.一种应用于智慧社区下的用户身份异常检测系统，其特征在于，所述应用于智慧社区下的用户身份异常检测系统包括：特征提取模块，用于获取待注册的用户信息，查询所述用户信息对应的用户模板库，根
据所述用户模板库，识别所述用户信息的特征属性，基于所述特征属性，对所述用户模板库进行特征提取，得到特征参数；特征属性模块，用于查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度，根据所述第一匹配度，对所述特征参数进行排序，得到特征参数序列；更新模块，用于检测所述用户信息对应用户的实时状态，根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列；对比验证模块，用于将所述身份识别因子、所述实时状态和所述目标参数序列输入至预构建的用户识别网络生成模型，以通过所述预构建的用户识别网络生成模型对所述身份识别因子与所述实时状态进行对比验证，得到差异特征；差异特征模块，用于计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比所述实时状态与所述差异特征，得到状态-特征对比结果；检测模块，若所述第二匹配度符合所述预设值，则计算所述状态-特征对比结果中的每个结果的结果等级，根据所述结果等级，对比所述实时状态与所述差异特征，得到检测结果。

技术总结
本发明涉及智能检测技术领域，揭露了一种应用于智慧社区下的用户身份异常检测方法及系统，所述方法包括：查询用户信息对应的用户模板库，根据用户模板库，识别用户信息的特征属性；对所述用户模板库进行特征提取，得到特征参数；查询所述用户信息对应的身份识别因子，计算所述特征参数与所述身份识别因子的第一匹配度；根据所述实时状态，对所述特征参数序列进行更新，得到目标参数序列；计算所述用户信息与所述差异特征之间的第二匹配度，若所述第二匹配度不符合预设值，对比实时状态与所述差异特征，得到状态-特征对比结果；根据结果等级，对比所述实时状态与所述差异特征，得到检测结果。本发明在于提高智慧社区的用户身份检测异常识别效率。检测异常识别效率。检测异常识别效率。


技术研发人员：曾大克
受保护的技术使用者：宁波阿库网络技术有限公司
技术研发日：2023.05.04
技术公布日：2023/8/24