[发明专利]基于联邦学习和注意力机制的多生物特征融合认证方法

说明书

本发明公开了一种基于联邦学习和注意力机制的多生物特征融合认证方法，其包括以下步骤：根据每个客户端对应的生物特征数据，获取每个客户端对应的局部模型；根据获取的多个客户端对应的局部模型，得到中央服务器端的全局模型；根据获取的全局模型，重新训练每个客户端对应的局部模型；根据重新训练得到的每个客户端对应的局部模型，更新中央服务器端的全局模型；直至得到满足要求的全局模型和局部模型为止。本发明更加具通用性，提高了识别准确率。

技术领域

本发明涉及身份认证技术领域，特别是一种基于联邦学习和注意力机制的多生物特征融合认证方法。

背景技术

随着移动互联网以及工业物联网的快速发展，各种场景对用户的身份识别提出了迫切需求。但仅仅依靠单一的生物特征对用户进行身份识别缺乏安全性、鲁棒性，而且单一生物特征容易被伪造及窃取，且由于设备或用户的原因，同一用户的相同特征可能会随着时间的推移而发生变化，受传感器和其他硬件设备的缺陷以及环境等因素的影响，收集到的生物特征数据也很可能受到噪音的干扰，带来数据不完整、数据不一致等问题。比如监控摄像头的安装角度和位置等，就会影响识别的准确性。目前的身份认证对准确性和可靠性的要求已经提高，单模态身份识别系统不能很好的满足目前的需求。

已有的身份认证方式大多是针对单一的生物特征进行识别，单模态认证系统中由于不同用户的单一信息具有高相似性度，存在类间相似性干扰，有一定的局限性。本发明利用多生物特征融合的方案可以有效的结合各类生物特征的优势，以步态识别为例，尽管受携带物体、遮挡物影响较大，但与基于人脸和指纹的识别技术相比，具有非接触性、不易隐藏、不易模仿的特性。受数据隐私管理和通信带宽的限制，很难在一个中心位置收集所有的数据，且在工业互联网和移动互联网的边缘计算场景，计算资源大多是有限的，集中式的学习方式难以实现。

已有的生物特征认证方案大多只针对单特征进行识别，类间相似性、环境不同、传感器噪音、生物本身特征的变化都会影响识别的准确率，在安全性上也面临着伪造攻击、模板窃取等风险，导致生物模板缺乏安全保护。

机器学习算法，特别是深度学习，需要大量的计算和处理资源，计算成本较高，目前大多数深度学习模型的训练和预测通常是在高性能的计算机或服务器上进行的，集中式的多模态深度学习，由多个独立的神经层和一个共同的隐藏层组成，对数据的传输、处理速度的需求较高，开销较大，边缘设备的功率以及计算性能难以满足训练的需求。

利用联邦学习共享数据训练联合模型的过程中，如果各参与方直接以明文形式传递模型，攻击者可以利用模型参数推断敏感信息，即使没有获得数据本身，也可以从共享的权重中推断出隐私相关的信息，存在隐私泄露的问题。

发明内容

鉴于此，本发明提供一种基于联邦学习和注意力机制的多生物特征融合认证方法，以解决上述技术问题。

本发明公开了一种基于联邦学习和注意力机制的多生物特征融合认证方法，其包括以下步骤：

步骤1：根据每个客户端对应的生物特征数据，获取每个客户端对应的局部模型；

步骤2：根据获取的多个客户端对应的局部模型，得到中央服务器端的全局模型；

步骤3：根据获取的全局模型，重新训练每个客户端对应的局部模型；

步骤4：根据重新训练得到的每个客户端对应的局部模型，更新中央服务器端的全局模型；

步骤5：重复步骤2至步骤4，直至得到满足要求的全局模型和局部模型为止。

进一步地，所述步骤1包括：