[go: up one dir, main page]

KR102079303B1 - 기계학습을 이용한 음성 인식 ＯＴＰ(One Time Password）인증 방법 및 시스템 - Google Patents

기계학습을 이용한 음성 인식 ＯＴＰ(One Time Password）인증 방법 및 시스템 Download PDF

Info

Publication number
KR102079303B1
KR102079303B1 KR1020180069105A KR20180069105A KR102079303B1 KR 102079303 B1 KR102079303 B1 KR 102079303B1 KR 1020180069105 A KR1020180069105 A KR 1020180069105A KR 20180069105 A KR20180069105 A KR 20180069105A KR 102079303 B1 KR102079303 B1 KR 102079303B1
Authority
KR
South Korea
Prior art keywords
voice
otp
machine learning
model
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020180069105A
Other languages
English (en)
Other versions
KR20190142056A (ko
Inventor
윤성로
배호
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020180069105A priority Critical patent/KR102079303B1/ko
Publication of KR20190142056A publication Critical patent/KR20190142056A/ko
Application granted granted Critical
Publication of KR102079303B1 publication Critical patent/KR102079303B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/04—Training, enrolment or model building
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/18—Artificial neural networks; Connectionist approaches
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명은 음성 생성 모델이 음성 메시지를 수신하는 단계; 상기 음성 생성 모델이 수신된 음성 메시지를 이용하여 수정된 음성 메시지를 생성하는 단계; 및 음성 분류 모델이 상기 수정된 음성 메시지를 수신하여 음성을 분류하는 단계;를 포함하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법으로서, 개인 생체 데이터가 포함된 새로운 2차 인증 방법을 개시하여, 개인 데이터 해킹을 방지하는 효과가 있고, OTP 사용자를 확인할 수 있는 효과가 있으며, 타인에 의한 OTP 도용을 방지하여 금융 사기를 예방하고 경제적 가치를 산출할 수 있는 효과가 있다.

Description

기계학습을 이용한 음성 인식 ＯＴＰ(One Time Password）인증 방법 및 시스템 {VOICE RECOGNITION OTP AUTHENTICATION METHOD USING MACHINE LEARNING AND SYSTEM THEREOF}
본 발명은 기계 학습을 이용한 사용자 음성을 인식하여 사용자 및 OTP를 인증하는 방법 및 시스템에 관한 것이다.
인공지능 시대의 학계에서는 기계 학습이 날로 발전하고 있다. 기계 학습의 일 예로, 생성 모델(Generative Model, GM) 및 심층 신경망(Deep Neural Network, DNN)이 있다.
생성 모델(Generative Model, GM)은 소리(SOUND) 또는 이미지(IMAGE)를 입력 받아 동일한 종류의 데이터를 만들어 내는 알고리즘을 기계 학습한 후에 이를 바탕으로 음성 또는 이미지를 새로이 생성해내는 모델이다. 예를 들어, 사람의 얼굴 이미지를 입력 받아 기계 학습을 거치면 생성 모델은 스스로 사람의 얼굴 이미지를 생성해낼 수 있다. 생성 모델은 이미지뿐 만 아니라 음성과 같은 소리도 생성할 수 있다.
심층 신경망(Deep Neural Network, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)으로서, 심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. 예를 들어, 사물 식별 모델을 위한 심층 신경망 구조에서는 각 객체가 이미지 기본 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모인 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경망에 비해 더 적은 수의 유닛(unit, node)들 만으로도 복잡한 데이터를 모델링할 수 있게 해준다. 심층 신경망은 분류 및 수치 예측을 위하여 유용하게 사용될 수 있다.
일회용 패스워드(One Time Password, OTP)는 고정된 패스워드 대신 무작위로 생성되는 일회용 패스워드를 이용하는 사용자 인증 방식으로, OTP는 무작위로 생성되는 난수의 일회용 패스워드를 이용하는 사용자 인증 방식이다. 로그인 할 때마다 일회성 패스워드를 생성하여 동일한 패스워드가 반복해서 사용됨으로 발생하는 보안상의 취약점을 극복하기 위해 도입된 시스템이다. 주로 금융권에서 온라인 뱅킹(Online banking) 등의 전자 금융 거래에서 사용되며, 사용자는 일회용 비밀번호를 생성하는 하드웨어인 OTP 생성기(OTP token)를 이용한다. OTP 생성기는 버튼을 누르면 6자리의 패스워드가 나오는 방식, 매 1분마다 자동으로 서로 다른 6자리의 패스워드가 나오는 시간동기 방식, 키패드에 4자리 비밀번호를 입력하면 6자리 패스워드를 보여주는 방식 등이 있다. 하지만, 보안을 강화하기 위하여 사용되고 있는 OTP도 분실의 위험이 있고, 타인이 습득할 경우 도용될 수 있으며, 사용자가 OTP를 사용할 때, 올바른 사용자가 OTP를 사용한 것인지 확인할 수 없는 문제점이 있다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
또 다른 목적은 기계 학습을 이용하여 바이오 데이터인 음성으로 개인을 식별할 수 있는 보안을 강화한 OTP 인증 방법 및 시스템을 제공하는 것을 그 목적으로 한다.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 음성 생성 모델이 음성 메시지를 수신하는 단계; 상기 음성 생성 모델이 수신된 음성 메시지를 이용하여 수정된 음성 메시지를 생성하는 단계; 및 음성 분류 모델이 상기 수정된 음성 메시지를 수신하여 음성을 분류하는 단계;를 포함하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법을 제공한다.
그리고, 상기 음성 생성 모델은 generative model일 수 있다.
또, 상기 generative model은 기 학습된 고정된 파라미터를 가질 수 있다.
또, 상기 generative model은 GAN(Generative Adversarial Networks), VAE(Variational Autoencoder) 및 DAE(Denoising Autoencoder) 중 어느 하나일 수 있다.
또, 상기 음성 분류 모델은 심층 신경망(Deep Neural Network, DNN)일 수 있다.
또, 상기 음성 분류 모델은 수정된 음성 메시지로부터 음성 ID를 분류하고, 수정된 음성 메시지로부터 음성 TEXT를 분류할 수 있다.
또, 사용자 및 OTP 확인부가 상기 음성 분류 모델이 분류한 상기 음성 ID 및 상기 음성 TEXT를 수신하여 사용자 및 OTP(One Time Password)를 확인하는 단계를 더 포함할 수 있다.
또한, 상기 음성 메시지는 기 등록된 사용자 단말로부터 수신될 수 있다.
그리고 또, 본 발명의 다른 측면에 따르면, 사용자 단말로부터 음성 메시지를 수신하는 송수신부; 기 등록된 사용자 단말로부터 수신된 음성 메시지를 이용하여 수정된 음성 메시지를 생성하는 음성 생성 모델; 상기 음성 생성 모델로부터 상기 수정된 음성 메시지를 수신하여 음성 ID 및 음성 TEXT를 분류하는 음성 분류 모델; 및 상기 음성 분류 모델이 분류한 상기 음성 ID 및 상기 음성 TEXT를 수신하여 사용자 및 OTP(One Time Password)를 확인하는 사용자 및 OTP 확인부;를 포함하는 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP 인증 시스템을 제공한다.
본 발명의 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP 인증 방법은 표면적으로 사용자에게 송신한 OTP를 인증하면서, 이면에는 추가적으로 정당한 사용자에 의한 OTP 사용인지 여부도 함께 판단할 수 있는 효과가 있다.
그리고, 본 발명의 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP 인증 방법은 개인 생체 데이터가 포함된 새로운 2차 인증 방법을 개시하여, 개인 데이터 해킹을 방지하는 효과가 있고, OTP 사용자를 확인할 수 있는 효과가 있으며, 타인에 의한 OTP 도용을 방지하여 금융 사기를 예방하고 경제적 가치를 산출할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP 인증 방법을 도시한 순서도이다.
도 2는 본 발명의 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP 인증 시스템을 도시한 도면이다.
도 3은 본 발명의 또 다른 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP 인증 시스템을 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법을 도시한 순서도이다.
도 1을 참조하여 본 발명의 일 실시 예에 따른 기계학습을 이용한 음성 인식 OTP 인증 방법을 자세하게 설명하면, 음성 생성 모델(220)은 기 등록된 사용자 단말(260)로부터 음성 메시지를 수신할 수 있다(S110). 전자 금융 거래 시, OTP 사용이 요구될 때, 기계학습을 이용한 음성 인식 OTP 시스템에서 기 등록된 OTP 사용자의 단말로부터 음성 메시지를 수신할 수 있는데, 음성 메시지를 수신하는 방법으로 기계학습을 이용한 음성 인식 OTP 시스템에서 기 등록된 사용자의 기 등록된 단말로 전화를 걸어 기 등록된 사용자로부터 음성 메시지를 수신하는 형태일 수 있다. 기계학습을 이용한 음성 인식 OTP 시스템의 송수신부(210)가 사용자의 음성 메시지를 수신하면 송수신부(210)는 상기 수신된 음성 메시지를 음성 생성 모델(220)로 송신할 수 있다.
음성 생성 모델(220)은 수신된 음성 메시지를 이용하여 수정된 음성 메시지를 생성할 수 있다(S120). 보다 자세하게, 상기 음성 생성 모델(220)은 기 학습된 기계 학습 모델의 일종으로서 사용자로부터 수신된 음성 메시지를 수신하여 사용자의 목소리와 유사한 새롭게 만들어진 음성 메시지를 생성할 수 있다. 이하, 음성 생성 모델(220)에 의하여 이렇게 새롭게 만들어진 음성 메시지를 수정된 음성 메시지라고 정의 한다. 상기 수정된 음성 메시지는 음성 생성 모델(220)이 기계 학습의 결과로 수신된 음성 메시지와 동일하게 들리도록 생성한 음성 메시지이기 때문에, 일반적으로 사람의 귀에는 동일한 내용을 동일한 목소리로 말하는 것처럼 들릴 수 있다. 하지만, 상기 수정된 음성 메시지의 시그널에는 상기 음성 생성 모델(220)의 구축 단계에서 사전에 기계 학습 결과로 만들어진 기 학습된 고정된 파라미터에 의하여 새롭게 만들어진 메시지이기 때문에, 모든 수정된 음성 메시지는 실제로 암호화된 ID가 포함되어있다고 볼 수 있다. 따라서, 동일한 음성 생성 모델(220)로 만들어진 수정된 음성 메시지는 동일한 암호화된 ID를 포함하고 있고, 상이한 음성 생성 모델(220)로 만들어진 수정된 음성 메시지와는 상이한 암호화된 ID를 가진다고 볼 수 있다. 동일한 암호화된 ID가 포함되어있는지 여부는 판독 장치로 쉽게 판독할 수 있다. 상기 판독 장치의 한 종류는 아래에서 설명될 음성 분류 모델(230)일 수 있다.
상기 음성 생성 모델(220)은 generative model일 수 있고, 상기 generative model은 GAN(Generative Adversarial Networks), VAE(Variational Autoencoder) 및 DAE(Denoising Autoencoder) 중 어느 하나일 수 있다. 상기 음성 생성 모델(220)은 1이상의 LAYER로 이루어질 수 있고, 기계학습 단계에서 결정된 파라미터는 각 시스템 운영자 주체(예를 들면, 금융 기관들)에 따라 달리 결정될 수 있다. 기계학습을 이용한 음성 인식 OTP 시스템을 사용하는 각 운영자 주체는 음성 생성 모델(220)을 학습시키는 단계에서 음성 생성 모델(220)에서 고정적으로 사용할 특정 파라미터를 정할 수 있다. 그리고, 이렇게 어느 한 기계학습을 이용한 음성 인식 OTP 시스템의 음성 생성 모델(220)에서 사용되는 파라미터는 공개되지 않는 한 타 기계학습을 이용한 음성 인식 OTP 시스템의 운영자 주체는 알아낼 수 없다. 따라서, 기계학습을 이용한 음성 인식 OTP 시스템을 사용하는 각 시스템 운영자 주체는 엄격한 보안을 유지할 수 있다.
음성 분류 모델(230)은 상기 음성 생성 모델(220)이 생성한 수정된 음성 메시지를 수신하여 음성을 분류할 수 있다(S130). 보다 자세하게, 음성 분류 모델(230)은 상기 수신된 수정된 음성 메시지를 수신하여 수정된 음성 메시지로부터 음성 ID를 분류하고, 수정된 음성 메시지로부터 음성 TEXT를 분류할 수 있다. 그리고, 상기 음성 분류 모델(230)은 심층 신경망(Deep Neural Network, DNN)일 수 있다. 상기 음성 분류 모델(230)은 기 학습된 기계 학습모델의 한 종류로서, 음성 생성 모델(220)이 생성한 수정된 음성 메시지를 수신하여 데이터 베이스(250)에 저장된 기 분류된 1이상의 사용자 ID에 대응하는 음성 ID와 비교하여 동일한 카테고리에 해당하는지 여부를 판단할 수 있다. 그리고, 상기 음성 분류 모델(230)은 음성 생성 모델(220)이 생성한 수정된 음성 메시지를 수신하여 수정된 음성 메시지에 포함되어 있는 TEXT 내용을 분류하여 어떤 음성 TEXT를 포함하고 있는지 판단할 수 있다.
사용자 및 OTP 확인부(240)는 상기 음성 분류 모델(230)이 분류한 상기 음성 ID 및 상기 음성 TEXT를 수신하여 사용자 및 OTP(One Time Password)를 확인할 수 있다(S140). 보다 상세하게, 사용자 및 OTP 확인부(240)는 상기 음성 분류 모델(230)에서 분류한 음성 ID를 수신하여 상기 음성 ID에 해당하는 사용자가 올바른 사용자인지 여부를 판단할 수 있다. 다시 말해, 데이터 베이스(250)에 저장된 기 등록된 사용자의 기 등록된 음성 ID와 비교하여 음성 ID의 일치 여부를 판단하여 올바른 사용자에 의한 정당한 사용인지 여부를 판단할 수 있다. 그리고, 사용자 및 OTP 확인부(240)는 상기 음성 분류 모델(230)에서 분류한 음성 TEXT를 수신하여 OTP(One Time Password) 일치 여부를 확인할 수 있다. 다시 말해, OTP(One Time Password) 생성기에 의해 생성되어 사용자에게 송신된 PASSWORD와 사용자로부터 수신된 음성 메시지에 포함된 음성 TEXT의 일치 여부를 판단할 수 있다.
상기와 같이, 본 발명에 따른 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)은 표면적으로 사용자에게 송신한 OTP를 인증하면서 정당한 사용자에 의한 OTP 사용인지 여부도 함께 판단할 수 있어 OTP 도용 또는 OTP 악용을 예방할 수 있는 효과가 있다.
본 발명에 따른 기계학습을 이용한 음성 인식 OTP 인증 방법이 적용되기 위해서는 적용 전 몇 가지 셋업 단계가 필요하다.
음성 생성 모델(220)은 기계 학습 모델의 한 종류로서, 제1 음성이 입력되면 음성 생성 모델(220)이 생성한 제2 음성이 출력되는 시스템이다. 따라서, 음성 생성 모델(220)은 시스템에 적용되기 위해서는 상기 제2 음성이 상기 제1 음성과 유사해지도록 음성 생성 모델(220)이 시스템에 적용되기 전에 다양한 음성 입력을 통한 학습이 필요할 수 있다. 음성 생성 모델(220)의 학습이 종료되면 음성 생성 모델(220)은 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)에 적용되어 사용될 수 있는데, 이 때, 음성 생성 모델(220)에 상기 학습을 통하여 최종으로 정해진 파라미터가 고정적으로 사용될 수 있다.
또한, 음성 분류 모델(230)도 기계 학습 모델의 한 종류로서, 음성이 입력되면 상기 음성의 특징을 파악하여 특징 별로 음성 ID 및 음성 TEXT를 생성하여 음성을 분류할 수 있는 시스템이다. 따라서, 음성 분류 모델(230)이 시스템에 적용되기 위해서는 적용 전에 다양한 음성의 입력 및 분류 작업을 통한 학습이 필요할 수 있다. 음성 분류 모델(230)의 학습이 종료되면 음성 분류 모델(230)은 입력된 음성을 분석하여 기 등록된 사용자의 음성(음성 ID)에 해당하는지 또는 새로운 사용자의 음성인지 분류할 수 있고, 수신된 음성 메시지에 포함된 TEXT(음성 TEXT)를 분류할 수 있다.
그리고, 상기 음성 생성 모델(220) 및 상기 음성 분류 모델(230)이 시스템에 적용된 후, 정당한 사용자의 등록 단계가 필요할 수 있다. 사용자 등록의 일 예로, 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)에 등록을 원하는 사용자는 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)에 사용자 단말(260)을 등록할 수 있고, 등록된 단말을 통하여 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)으로부터 수신된 특정 TEXT 메시지를 읽어 음성 메시지를 전달할 수 있다. 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)은 사용자로부터 수신된 음성 메시지를 이용하여 기 저장된 사용자 ID에 음성 ID를 저장하거나, 새롭게 사용자 ID 및 음성 ID를 생성하여 데이터 베이스(250)에 저장할 수 있다.
도 2는 본 발명의 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 시스템(200)을 도시한 도면이다.
도 2를 참조하면, 본 발명에 따른 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)은 송수신부(210), 음성 생성 모델(220), 음성 분류 모델(230), 사용자 및 OTP 확인부(240) 및 데이터 베이스(250)를 포함할 수 있다.
보다 자세하게, 송수신부(210)는 사용자 음성 ID 등록 단계 또는 사용자 OTP 인증 단계에서 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)이 기 등록된 사용자 단말(260)과 음성 호 연결 상태에서, 사용자 단말(260)로부터 음성 메시지를 수신할 수 있고, 사용자 단말(260)로 음성 안내 메시지 등을 송신할 수 있다.
음성 생성 모델(220)은 기 등록된 사용자 단말(260)로부터 수신된 음성 메시지를 이용하여 수정된 음성 메시지를 생성할 수 있고, 상기 생성된 수정된 음성 메시지를 음성 분류 모델(230)로 송신할 수 있다. 보다 자세하게, 상기 음성 생성 모델(220)은 기 학습된 기계 학습 모델의 일종으로서 사용자로부터 수신된 음성 메시지를 수신하여 사용자의 목소리와 유사한 수정된 음성 메시지를 생성할 수 있다. 상기 수정된 음성 메시지는 음성 생성 모델(220)이 기계 학습의 결과로 수신된 음성 메시지와 동일하게 들리도록 생성한 음성 메시지이기 때문에, 일반적으로 사람의 귀에는 동일한 내용을 동일한 목소리로 말하는 것처럼 들릴 수 있다. 하지만, 상기 수정된 음성 메시지의 시그널에는 상기 음성 생성 모델(220)의 구축 단계에서 사전에 기계 학습 결과로 만들어진 기 학습된 고정된 파라미터에 의하여 새롭게 만들어진 메시지이기 때문에, 모든 수정된 음성 메시지는 실제로 시스템 운영자 주체의 암호화된 ID가 포함되어있다고 볼 수 있다. 따라서, 동일한 음성 생성 모델(220)로 만들어진 수정된 음성 메시지는 동일한 암호화된 ID를 포함하고 있고, 상이한 음성 생성 모델(220)로 만들어진 수정된 음성 메시지와는 상이한 암호화된 ID를 가진다고 볼 수 있다. 동일한 암호화된 ID가 포함되어있는지 여부는 판독 장치로 쉽게 판독할 수 있다. 상기 판독 장치의 한 종류는 음성 분류 모델(230)일 수 있다.
상기 음성 생성 모델(220)은 generative model일 수 있고, 상기 generative model은 GAN(Generative Adversarial Networks), VAE(Variational Autoencoder) 및 DAE(Denoising Autoencoder) 중 어느 하나일 수 있다. 상기 음성 생성 모델(220)은 1이상의 LAYER로 이루어질 수 있고, 기계학습 단계에서 결정된 파라미터는 각 시스템 운영자 주체(예를 들면, 금융 기관들)에 따라 달리 결정될 수 있다. 기계학습을 이용한 음성 인식 OTP 시스템을 사용하는 각 운영자 주체는 음성 생성 모델(220)을 학습시키는 단계에서 음성 생성 모델(220)에서 고정적으로 사용할 특정 파라미터를 정할 수 있다. 그리고, 이렇게 어느 한 기계학습을 이용한 음성 인식 OTP 시스템의 음성 생성 모델(220)에서 사용되는 파라미터는 공개되지 않는 한 타 기계학습을 이용한 음성 인식 OTP 시스템의 운영자 주체는 알아낼 수 없다. 따라서, 기계학습을 이용한 음성 인식 OTP 시스템을 사용하는 각 시스템 운영자 주체는 엄격한 보안을 유지할 수 있다.
음성 분류 모델(230)은 상기 음성 생성 모델(220)로부터 상기 수정된 음성 메시지를 수신하여 음성 ID 및 음성 TEXT를 분류할 수 있고, 상기 분류된 음성 ID 및 음성 TEXT 정보를 사용자 및 OTP 확인부(240)로 송신할 수 있다. 보다 자세하게, 음성 분류 모델(230)은 상기 수신된 수정된 음성 메시지를 수신하여 수정된 음성 메시지로부터 음성 ID를 분류하고, 수정된 음성 메시지로부터 음성 TEXT를 분류할 수 있다. 그리고, 상기 음성 분류 모델(230)은 심층 신경망(Deep Neural Network, DNN)일 수 있다. 상기 음성 분류 모델(230)은 기 학습된 기계 학습모델의 한 종류로서, 음성 생성 모델(220)이 생성한 수정된 음성 메시지를 수신하여 데이터 베이스(250)에 저장된 기 분류된 1이상의 사용자 ID에 대응하는 음성 ID와 비교하여 동일한 카테고리에 해당하는지 여부를 판단할 수 있다. 그리고, 상기 음성 분류 모델(230)은 음성 생성 모델(220)이 생성한 수정된 음성 메시지를 수신하여 수정된 음성 메시지에 포함되어 있는 TEXT 내용을 분류하여 어떤 음성 TEXT를 포함하고 있는지 판단할 수 있다.
사용자 및 OTP 확인부(240)는 상기 음성 분류 모델(230)이 분류한 상기 음성 ID 및 상기 음성 TEXT를 수신하여 사용자 및 OTP(One Time Password)를 확인할 수 있다. 보다 상세하게, 사용자 및 OTP 확인부(240)는 상기 음성 분류 모델(230)에서 분류한 음성 ID를 수신하여 상기 분류된 음성 ID에 해당하는 사용자가 올바른 사용자인지 여부를 판단할 수 있다. 다시 말해, 데이터 베이스(250)에 저장된 기 등록된 사용자의 기 등록된 음성 ID와 비교하여 음성 ID의 일치 여부를 판단하여 올바른 사용자에 의한 정당한 사용인지 여부를 판단할 수 있다. 그리고, 사용자 및 OTP 확인부(240)는 상기 음성 분류 모델(230)에서 분류한 음성 TEXT를 수신하여 OTP(One Time Password) 일치 여부를 확인할 수 있다. 다시 말해, OTP(One Time Password) 생성기에 의해 생성되어 사용자에게 송신된 PASSWORD와 사용자로부터 수신된 음성 메시지에 포함된 음성 TEXT의 일치 여부를 판단할 수 있다.
데이터 베이스(250)는 사용자 ID 및 음성 ID 등 기 등록된 사용자에 관한 정보를 저장할 수 있다. 상기 음성 분류 모델(230)은 상기 수정된 음성 메시지를 수신한 후, 음성 ID를 분류하여 데이터 베이스(250)에 저장된 기 분류된 1이상의 사용자 ID에 대응하는 음성 ID와 비교하여 동일한 카테고리에 해당하는지 여부를 판단할 수 있다. 상기 사용자 및 OTP 확인부(240)는 상기 음성 분류 모델(230)에서 분류한 음성 ID를 수신하여 상기 분류된 음성 ID에 해당하는 사용자가 올바른 사용자인지 여부를 판단할 수 있다. 다시 말해, 데이터 베이스(250)에 저장된 기 등록된 사용자의 기 등록된 음성 ID와 비교하여 음성 ID의 일치 여부를 판단하여 올바른 사용자에 의한 정당한 사용인지 여부를 판단할 수 있다.
상기 본 발명의 일 실시 예에 따른 기계학습을 이용한 음성 인식 OTP 인증 시스템 구현 시, 송수신부, 음성 생성 모델, 음성 분류 모델, 사용자 및 OTP확인부, 그리고, 데이터 베이스는 하나의 장치에 모두 구현될 수도 있고, 각각의 구성요소가 별도의 장치에서 구현될 수도 있으며, 일부 구성요소만 별도의 서버 등에서 처리된 후 데이터를 받아오는 형태로도 구현될 수 있다.
도 3은 본 발명의 또 다른 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)을 도시한 도면이다.
상기 도 2에 설명된 상기 음성 분류 모델(230)에서 음성 생성 모델(220)이 생성한 수정된 음성 메시지를 수신하여 음성 TEXT를 분류하는 기능은 상기 음성 분류 모델(230)에 포함되어있을 수 있으나, 도 3에 도시된 바와 같이 음성 분류 모델(230)과 독립된 기능부로서 독립적으로 구성될 수 있고, OTP 확인부(320) 역시 사용자 확인부와 독립된 기능부로서 독립적으로 구성될 수 있다.
이하, 도 3을 참고하여 본 발명의 또 다른 일 실시 예에 따른 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)을 보다 자세하게 설명하되, 도2와 중복되는 구성에 관한 설명은 생략하고 서술한다. 본 발명의 또 다른 일 실시 예에 따른 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)은 독립된 음성 TEXT 분류부(310) 및 OTP 확인부(320)를 더 포함할 수 있다.
음성 TEXT 분류부(310)는 송수신부(210)로부터 음성 메시지를 수신하여 음성 TEXT를 분류할 수 있다. 보다 자세하게, 음성 TEXT 분류부(310)은 송수신부(210)로부터 음성 메시지를 수신하여 음성 메시지로부터 음성 TEXT를 분류할 수 있다. 그리고, 상기 음성 TEXT 분류부(310)는 심층 신경망(Deep Neural Network, DNN)일 수 있다. 상기 음성 TEXT 분류부(310)은 기 학습된 기계 학습모델의 한 종류로서, 송수신부(210)로부터 사용자 단말(260)로부터 수신된 음성 메시지를 수신하여 음성 메시지에 포함되어 있는 TEXT 내용을 분류하여 음성 메시지에 어떤 음성 TEXT가 포함되어 있는지 분류할 수 있다.
OTP 확인부(320)는 상기 음성 TEXT 분류부(310)가 분류한 상기 음성 TEXT를 수신하여 OTP(One Time Password)를 확인할 수 있다. 보다 상세하게, OTP 확인부(320)는 상기 음성 TEXT 분류부(310)에서 분류한 음성 TEXT를 수신하여 OTP(One Time Password) 일치 여부를 확인할 수 있다. 다시 말해, OTP(One Time Password) 생성기에 의해 생성되어 사용자에게 송신된 PASSWORD와 사용자로부터 수신된 음성 메시지에 포함된 음성 TEXT의 일치 여부를 판단할 수 있다.
상기 음성 TEXT 분류부(310) 및 OTP 확인부(320)에 의한 PASSWORD 일치 여부 확인은 도 3에서 설명한 바와 같이 사용자 단말(260)로부터 수신된 음성 메시지가 이용될 수도 있고, 사용자 단말(260)로부터 수신된 음성 메시지가 음성 생성 모델(220)에 입력되어 수정된 음성 메시지가 출력되는 경우, 상기 수정된 음성 메시지가 이용될 수 있다.
상기 본 발명의 또 다른 일 실시 예에 따른 기계학습을 이용한 음성 인식 OTP 인증 시스템 구현 시, 송수신부, 음성 TEXT 분류부, OTP 확인부, 음성 생성 모델, 음성 분류 모델, 사용자 확인부 및 데이터 베이스는 하나의 장치에 모두 구현될 수도 있고, 각각의 구성요소가 별도의 장치에서 구현될 수도 있으며, 일부 구성요소만 별도의 서버 등에서 처리된 후 데이터를 받아오는 형태로도 구현될 수 있다.
최근, 개인 데이터 해킹. 변조 방지는 경제적, 사회적 측면에서 중요한 문제로 지적되고 있다. 본 발명의 일 실시 예에 의한 기계학습을 이용한 음성 인식 OTP 인증 방법은 개인 생체 데이터가 포함된 새로운 2차 인증 방법을 개시하여, 개인 데이터 해킹을 방지하는 효과가 있고, OTP 사용자를 확인할 수 있는 효과가 있으며, 타인에 의한 OTP 도용을 방지하여 금융 사기를 예방하고 경제적 가치를 산출할 수 있는 효과가 있다.
이하, 도 2에 도시된 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)을 참조하여, 본 발명의 일 실시 예에 따른 기계학습을 이용한 음성 인식 OTP 인증 방법 및 시스템이 적용되는 과정을 상세하게 설명한다.
본 발명의 일 실시 예에 따른 기계학습을 이용한 음성 인식 OTP 인증 방법을 셋업 단계 및 적용 단계로 나누어 설명한다.
셋업 단계는 시스템이 적용되기 전 단계로서 시스템 준비 단계이다. 음성 생성 모델(220)은 기계 학습 모델의 한 종류로서, 제1 음성이 입력되면 음성 생성 모델(220)이 생성한 제2 음성이 출력되는 시스템이다. 따라서, 음성 생성 모델(220)은 시스템에 적용되기 위해서는 상기 제2 음성이 상기 제1 음성과 유사해지도록 음성 생성 모델(220)이 시스템에 적용되기 전에 다양한 음성 입력을 통한 학습이 필요할 수 있다. 음성 생성 모델(220)의 학습이 종료되면 음성 생성 모델(220)은 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)에 적용되어 사용될 수 있는데, 이 때, 음성 생성 모델(220)에 상기 학습을 통하여 최종으로 정해진 파라미터가 고정적으로 사용될 수 있다.
또한, 음성 분류 모델(230)도 기계 학습 모델의 한 종류로서, 음성이 입력되면 상기 음성의 특징을 파악하여 특징 별로 음성 ID 및 음성 TEXT를 생성하여 음성을 분류할 수 있는 시스템이다. 따라서, 음성 분류 모델(230)이 시스템에 적용되기 위해서는 적용 전에 다양한 음성의 입력 및 분류 작업을 통한 학습이 필요할 수 있다. 음성 분류 모델(230)의 학습이 종료되면 음성 분류 모델(230)은 입력된 음성을 분석하여 기 등록된 사용자의 음성(음성 ID)에 해당하는지 또는 새로운 사용자의 음성인지 분류할 수 있고, 수신된 음성 메시지에 포함된 TEXT(음성 TEXT)를 분류할 수 있다.
그리고, 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)은 상기 시스템을 이용할 정당한 사용자를 등록하는 단계를 포함할 수 있다. 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)을 이용할 새로운 사용자를 등록하는 방법의 일 예로, 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)에 등록을 원하는 사용자는 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)에 사용자 단말(260)을 등록할 수 있고, 등록된 단말을 통하여 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)으로부터 특정 TEXT 메시지를 수신한 후, 상기 사용자가 상기 등록된 단말을 통하여 수신된 특정 TEXT 메시지를 읽는 방법으로 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)으로 특정 음성 메시지를 송신할 수 있다. 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)은 사용자로부터 특정 음성 메시지를 수신할 수 있고, 상기 음성 생성 모델(220)이 상기 수신된 특정 음성 메시지를 이용하여 수정된 특정 음성 메시지를 생성할 수 있으며, 상기 음성 분류 모델(230)은 상기 수정된 특정 음성 메시지를 수신하여 새로운 음성 ID를 생성할 수 있다. 상기 새로운 음성 ID는 기 저장된 사용자 ID에 저장되거나, 새로운 사용자 ID가 생성된 후 상기 생성된 사용자 ID에 저장될 수 있다. 상기 사용자 ID 및 음성 ID는 데이터 베이스(250)에 저장될 수 있다.
또, 상기 새로운 사용자의 사용자 ID 또는 음성 ID 등록은 필요한 경우에, 셋업 단계에서뿐만 아니라, 하기 서술될 적용 단계에서 상기 음성 생성 모델(220) 및 상기 음성 분류 모델(230)이 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)에 적용되어 사용되는 중에도, 이루어질 수 있다.
적용 단계는 상기의 셋업 단계가 종료된 후, 사용자에게 기계학습을 이용한 음성 인식 OTP 인증 방법이 적용되는 단계이다.
OTP 인증 방법은 주로 금융권에서 온라인 뱅킹(Online banking) 등의 전자 금융 거래에서 사용되며, 이하, 사용자가 사용자 단말(260)을 이용하여 온라인 계좌 이체 서비스를 이용하는 상황을 가정하여 설명한다.
종래의 OTP 인증 방법이 적용되는 경우, 사용자는 정당한 사용자에 의한 계좌 이체 요청임을 입증하기 위하여 사용자 단말(260)에 OTP 생성기에 생성된 일회성 비밀번호를 입력하여 송신한다. 하지만, 종래의 방법은 OTP 생성기의 도난 등의 위험에 쉽게 노출되어있다는 문제점이 있다.
본 발명에 따른 기계학습을 이용한 음성 인식 OTP 인증 방법이 적용되는 경우, 사용자는 정당한 사용자에 의한 계좌 이체 요청임을 입증하기 위하여, 사용자 단말(260)을 이용하여 OTP 입력 요청을 할 수 있고, 기계학습을 이용한 음성 인식 OTP 인증 시스템(200)은 기 등록된 사용자 단말(260)로 음성 호를 송신할 수 있다. 상기 음성 호를 수신한 사용자는 기 등록된 사용자 단말(260)에 OTP 생성기에 생성된 일회성 비밀번호를 음성 메시지로 송신할 수 있다.
기계학습을 이용한 음성 인식 OTP 인증 시스템(200)의 송수신부(210) 상기 음성 메시지를 수신하여 음성 생성 모델(220)로 전송할 수 있고, 음성 생성 모델(220)은 상기 음성 메시지를 수신하여 새로운 수정된 음성 메시지를 생성할 수 있다. 음성 생성 모델(220)은 상기 수정된 음성 메시지를 음성 분류 모델(230)로 송신할 수 있다.
음성 분류 모델(230)은 상기 수정된 음성 메시지를 수신하여 데이터 베이스(250)에 저장된 기 분류된 1이상의 사용자 ID에 대응하는 음성 ID와 비교하여 동일한 카테고리에 해당하는지 여부를 판단할 수 있고, 상기 수정된 음성 메시지에 포함되어 있는 TEXT 내용을 분류하여 어떤 음성 TEXT를 포함하고 있는지 판단할 수 있다.
사용자 및 OTP 확인부(240)는 상기 음성 분류 모델(230)에서 분류한 음성 ID를 수신하여 데이터 베이스(250)에 저장된 기 등록된 사용자의 기 등록된 음성 ID와 비교하여 음성 ID의 일치 여부를 판단하여 올바른 사용자에 의한 정당한 사용인지 여부를 판단할 수 있고, 상기 음성 분류 모델(230)에서 분류한 음성 TEXT를 수신하여 OTP(One Time Password) 생성기에 의해 생성되어 사용자에게 송신된 PASSWORD와 사용자로부터 수신된 음성 메시지에 포함된 음성 TEXT의 일치 여부를 판단할 수 있다.
음성 ID 일치 및 음성 TEXT 일치가 확인되면 사용자는 온라인 계좌 이체 서비스를 위한 인증을 확인 받고 상기 서비스를 이용할 수 있을 것이다.
상기와 같이, 전자 금융 거래에서 본 발명의 일 실시 예에 따른 기계학습을 이용한 음성 인식 OTP 인증 방법 및 시스템이 적용되는 경우, 기 등록된 사용자 단말을 통해서만 인증이 이루어지는 효과가 있고, 종래의 OTP 인증을 이용한 보안 서비스를 그대로 이용할 수 있는 효과가 있으며, 사용자가 인식하지 못하는 차원에서 사용자의 생체 데이터를 이용한 정당한 사용자에 의한 전자 금융 거래인지 확인할 수 있는 2차 인증이 이루어지는 효과가 있어, 더욱 안전하고 강화된 보안 시스템을 구현할 수 있는 효과가 있다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
200: 기계학습을 이용한 음성 인식 OTP 인증 시스템
210: 송수신부
220: 음성 생성 모델
230: 음성 분류 모델
240: 사용자 및 OTP 확인부
250: 데이터 베이스
260: 사용자 단말

Claims (14)

  1. 음성 생성 모델이 음성 메시지를 수신하는 단계;
    상기 음성 생성 모델이 수신된 음성 메시지를 이용하여 수정된 음성 메시지를 생성하는 단계; 및
    음성 분류 모델이 상기 수정된 음성 메시지를 수신하여 음성을 분류하는 단계;
    를 포함하며,
    상기 수정된 음성 메시지에는 상기 음성 생성 모델에 따른 암호화된 식별정보가 포함되는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  2. 제1항에 있어서,
    상기 음성 생성 모델은 generative model 인 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  3. 제2항에 있어서,
    상기 generative model은 기 학습된 고정된 파라미터를 가지는 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  4. 제2항에 있어서,
    상기 generative model은 GAN(Generative Adversarial Networks), VAE(Variational Autoencoder) 및 DAE(Denoising Autoencoder) 중 어느 하나인 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  5. 제1항에 있어서,
    상기 음성 분류 모델은 심층 신경망(Deep Neural Network, DNN)인 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  6. 제1항에 있어서,
    상기 음성 분류 모델은 수정된 음성 메시지로부터 음성 ID를 분류하고, 수정된 음성 메시지로부터 음성 TEXT를 분류하는 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  7. 제6항에 있어서,
    사용자 및 OTP 확인부가 상기 음성 분류 모델이 분류한 상기 음성 ID 및 상기 음성 TEXT를 수신하여 사용자 및 OTP(One Time Password)를 확인하는 단계;
    를 더 포함하는 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  8. 제1항에 있어서,
    상기 음성 메시지는 기 등록된 사용자 단말로부터 수신되는 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  9. 제1항에 있어서,
    기계학습을 이용한 음성 인식 OTP 인증 방법이 적용되기 위한 셋업 단계로서,
    상기 음성 생성 모델이 음성 메시지를 입력 받으면, 상기 음성 메시지와 유사한 수정된 음성 메시지를 생성하도록 기계 학습되는 단계; 및
    상기 음성 분류 모델이 음성 메시지를 수신하면 데이터 베이스에 기 저장된 음성 ID와 동일한 카테고리인지 여부를 분류하도록 기계 학습되는 단계; 및
    상기 음성 생성 모델이 사용자로부터 수신된 특정 음성 메시지를 이용하여 수정된 특정 음성 메시지를 생성한 후, 상기 음성 분류 모델이 상기 음성 생성 모델로부터 상기 수정된 특정 음성 메시지를 수신하여 새로운 음성 ID를 생성하여, 상기 새로운 음성 ID를 데이터 베이스에 저장하는 사용자 등록 단계;
    를 더 포함하는 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP(One Time Password) 인증 방법.
  10. 사용자 단말로부터 음성 메시지를 수신하는 송수신부;
    기 등록된 사용자 단말로부터 수신된 음성 메시지를 이용하여 수정된 음성 메시지를 생성하는 음성 생성 모델;
    상기 음성 생성 모델로부터 상기 수정된 음성 메시지를 수신하여 음성 ID 및 음성 TEXT를 분류하는 음성 분류 모델; 및
    상기 음성 분류 모델이 분류한 상기 음성 ID 및 상기 음성 TEXT를 수신하여 사용자 및 OTP(One Time Password)를 확인하는 사용자 및 OTP 확인부;
    를 포함하며,
    상기 수정된 음성 메시지에는 상기 음성 생성 모델에 따른 암호화된 식별정보가 포함되는 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP 인증 시스템.
  11. 제10항에 있어서,
    상기 음성 생성 모델은 generative model 인 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP 인증 시스템.
  12. 제11항에 있어서,
    상기 generative model은 기 학습된 고정된 파라미터를 가지는 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP 인증 시스템.
  13. 제12항에 있어서,
    상기 generative model은 GAN(Generative Adversarial Networks), VAE(Variational Autoencoder) 및 DAE(Denoising Autoencoder) 중 어느 하나인 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP 인증 시스템.
  14. 제10항에 있어서,
    상기 음성 분류 모델은 심층 신경망(Deep Neural Network, DNN)인 것을 특징으로 하는 기계학습을 이용한 음성 인식 OTP 인증 시스템.
KR1020180069105A 2018-06-15 2018-06-15 기계학습을 이용한 음성 인식 ＯＴＰ(One Time Password）인증 방법 및 시스템 Active KR102079303B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180069105A KR102079303B1 (ko) 2018-06-15 2018-06-15 기계학습을 이용한 음성 인식 ＯＴＰ(One Time Password）인증 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180069105A KR102079303B1 (ko) 2018-06-15 2018-06-15 기계학습을 이용한 음성 인식 ＯＴＰ(One Time Password）인증 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20190142056A KR20190142056A (ko) 2019-12-26
KR102079303B1 true KR102079303B1 (ko) 2020-02-19

Family

ID=69103511

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180069105A Active KR102079303B1 (ko) 2018-06-15 2018-06-15 기계학습을 이용한 음성 인식 ＯＴＰ(One Time Password）인증 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102079303B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243569B (zh) * 2020-02-24 2022-03-08 浙江工业大学 基于生成式对抗网络的情感语音自动生成方法及装置
CN112019354B (zh) * 2020-11-02 2021-02-09 之江实验室 一种基于生成式对抗网络的口令遍历装置及方法
CN112699952B (zh) * 2021-01-06 2021-08-24 哈尔滨市科佳通用机电股份有限公司 基于深度学习的列车故障图像扩增方法及系统
US20250030685A1 (en) * 2023-07-18 2025-01-23 Mcafee, Llc Methods and apparatus for voice transformation, authentication, and metadata communication

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616655B (zh) * 2015-02-05 2018-01-16 北京得意音通技术有限责任公司 声纹模型自动重建的方法和装置

Also Published As

Publication number Publication date
KR20190142056A (ko) 2019-12-26

Similar Documents

Publication Publication Date Title
US10042993B2 (en) Access control through multifactor authentication with multimodal biometrics
CN205427990U (zh) 一种基于动态数字验证码的语音门禁系统
US9894064B2 (en) Biometric authentication
US8812319B2 (en) Dynamic pass phrase security system (DPSS)
US9712526B2 (en) User authentication for social networks
JP4939121B2 (ja) 各セキュリティチャレンジを特徴付ける１つ以上の誤り率を使用する遂次認証のための方法、システム、およびプログラム
US7690032B1 (en) Method and system for confirming the identity of a user
CA2523972C (en) User authentication by combining speaker verification and reverse turing test
US9129101B2 (en) Single-channel multi-factor authentication
US7725732B1 (en) Object authentication system
US8832800B2 (en) Method for producing an electro-biometric signature allowing legal interaction between and identification of persons
US20210056545A1 (en) Risk mitigation for a cryptoasset custodial system using a hardware security key
WO2019168792A1 (en) Cryptoasset custodial system with different rules governing access to logically separated cryptoassets
US20170118205A1 (en) User biological feature authentication method and system
KR102079303B1 (ko) 기계학습을 이용한 음성 인식 ＯＴＰ(One Time Password）인증 방법 및 시스템
CN109903043A (zh) 基于区块链的安全交易方法、装置、设备及存储介质
WO2023036143A1 (zh) 去中心化零信任身份核实认证系统及方法
US20210019384A1 (en) System and method for authentication using biometric hash strings
CN101335755A (zh) 一种利用声音信息提高信息安全设备验证安全性的方法
Renz et al. Alexa, it’s me! an online survey on the user experience of smart speaker authentication
CN106657164A (zh) 一种用于实名认证的身份识别复合算法及系统
CN119228383B (zh) 应用于证券交易中的多因素身份验证方法
US20230325481A1 (en) Method and System for Authentication of a Subject by a Trusted Contact
CN108269092A (zh) 基于场景信息的语音身份认证系统
US20250148063A1 (en) Systems and methods for chatbot authentication

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20180615

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20190417

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20191112

PG1501 Laying open of application
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20200213

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20200214

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20250124

Start annual number: 6

End annual number: 6