本發(fā)明屬于互聯(lián)網(wǎng)領(lǐng)域，涉及一種基于加速度傳感器的設(shè)備指提取和識(shí)別方法。

背景技術(shù)：

近些年來，用戶識(shí)別成為應(yīng)用開發(fā)商及運(yùn)營(yíng)商普遍的需求。識(shí)別用戶及他們的消費(fèi)習(xí)慣，可以幫助廣告商、電子商務(wù)平臺(tái)等更有針對(duì)性地投放廣告以及產(chǎn)品，提高轉(zhuǎn)化率。而對(duì)于其他一類需要保障賬戶安全的應(yīng)用，如電子錢包應(yīng)用、在線購物應(yīng)用等，識(shí)別用戶更是為了滿足安全需求。不法分子竊取賬號(hào)密碼在其余任意設(shè)備上登錄并實(shí)行違法行為的情況時(shí)有發(fā)生，關(guān)聯(lián)賬號(hào)與智能終端設(shè)備來識(shí)別用戶，能有效地提升賬號(hào)的安全性，保障個(gè)人財(cái)產(chǎn)和隱私的安全。通常地，瀏覽器可以通過Cookies來識(shí)別賬號(hào)和設(shè)備，而智能手機(jī)上的app則通過請(qǐng)求設(shè)備的ID，如IMEI等，來識(shí)別用戶。但這些通用的方法已經(jīng)引起了人們對(duì)用戶隱私安全問題的關(guān)注，相應(yīng)的措施已經(jīng)被提出來規(guī)范這些行為。因此，我們必須尋找一種新的方式識(shí)別用戶，辨識(shí)用戶賬號(hào)是在哪一個(gè)終端設(shè)備上被使用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于加速度傳感器的設(shè)備指紋提取和識(shí)別方法，在無需用戶參與情況下，通過獲取設(shè)備加速度傳感器固有差異對(duì)設(shè)備進(jìn)行識(shí)別，無需用戶安裝控件、提高了用戶體驗(yàn)。

本發(fā)明的基于加速度傳感器的設(shè)備指紋提取和識(shí)別方法，包括以下步驟

1)調(diào)用設(shè)備內(nèi)部微型電機(jī)使設(shè)備震動(dòng)，收集設(shè)備加速度傳感器數(shù)據(jù)。

2)對(duì)加速度傳感器數(shù)據(jù)進(jìn)行預(yù)處理，提取采樣間隔I(k)和三軸分量的平方和根S(k)，再采用三次樣條插值處理使其在時(shí)域均勻分布。

3)分別對(duì)I(k)和S(k)在時(shí)域上提取均值(Mean)、標(biāo)準(zhǔn)差(Std.Dev)、平均差(Average Deviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMS Amplitude)、最大值(Highest Value)、最小值(Lowest Value)8個(gè)特征，在頻域上提取標(biāo)準(zhǔn)差(Spec.Std.Dev)、幾何中心(Spec.Centroid)、偏度(Spec.Skewness)、峰度(Spec.Kurtosis)、頻譜波峰(Spectral Crest)、K-不規(guī)則性(Irregularity-K)、J-不規(guī)則性(Irregularity-J)、光滑度(Smoothness)、調(diào)性系數(shù)(Flatness)、滾降性(Roll Off)10個(gè)特征，并將該共計(jì)36個(gè)特征作為設(shè)備指紋。

4)使用機(jī)器學(xué)習(xí)的方法對(duì)設(shè)備指紋進(jìn)行訓(xùn)練和識(shí)別。

有益效果：本發(fā)明所使用方法，采用了收集設(shè)備加速度傳感器數(shù)據(jù)的方式，實(shí)現(xiàn)對(duì)當(dāng)前設(shè)備的識(shí)別。與現(xiàn)有技術(shù)相比，該方法依靠于硬件而非傳統(tǒng)的軟件，提高了該方法的可靠性和穩(wěn)定性；設(shè)備的加速度傳感器在制造過程中因?yàn)榧庸すに嚨南拗?，不同的加速度傳感器之間存在微小的誤差，而這些誤差在設(shè)備的生命周期內(nèi)幾乎是恒定且無法修改的，所以該方法相對(duì)于傳統(tǒng)的依據(jù)mac地址等硬件信息的方式準(zhǔn)確度更高。同時(shí)本發(fā)明方法在不需要安裝任何控件以及不需要用戶任何額外操作的情況下實(shí)現(xiàn)設(shè)備的識(shí)別，提高了用戶體驗(yàn)。經(jīng)過大量設(shè)備檢驗(yàn)后，計(jì)算出識(shí)別精確度在99％左右。

附圖說明

圖1是本發(fā)明實(shí)施例的方法流程圖。

圖2是時(shí)域上8個(gè)特征的計(jì)算方法。

圖3是頻域上10個(gè)特征的計(jì)算方法。

具體實(shí)施方式

下面結(jié)合實(shí)施例和說明書附圖對(duì)本發(fā)明做進(jìn)一步說明。

本發(fā)明實(shí)施例的方法流程，請(qǐng)參閱圖1所示。

1)在運(yùn)行設(shè)備指紋提取方法之前，需要在APP登錄頁面嵌入調(diào)用微型電機(jī)和加速度傳感器的腳本。

2)打開登錄頁面時(shí)，自動(dòng)運(yùn)行腳本，使智能設(shè)備保持一定時(shí)間的震動(dòng)狀態(tài)。在震動(dòng)狀態(tài)期間，收集加速度傳感器的數(shù)據(jù)，并上傳到云端。

3)加速度傳感器數(shù)據(jù)由四個(gè)分量組成，分別為時(shí)間戳T(k)，X軸加速度分量S_x(k)，Y軸加速度分量S_y(k)和Z軸加速度分量S_z(k)。在云端對(duì)加速度傳感器數(shù)據(jù)進(jìn)行預(yù)處理，提取采樣間隔I(k)和三軸分量的平方和根I(k)，再采用三次樣條插值處理使其在時(shí)域均勻分布。其中I(k)和S(k)的計(jì)算方法如下所示：

I(k)＝T(k+1)-T(k)

4)分別對(duì)I(k)和S(k)在時(shí)域上提取均值(Mean)、標(biāo)準(zhǔn)差(Std.Dev)、平均差(Average Deviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMS Amplitude)、最大值(Highest Value)、最小值(Lowest Value)8個(gè)特征，特征計(jì)算方法如圖2所示，其中x為待提取特征的原始數(shù)據(jù)的時(shí)域表達(dá)形式，N為x中數(shù)據(jù)的個(gè)數(shù)；在頻域上提取標(biāo)準(zhǔn)差(Spec.Std.Dev)、幾何中心(Spec.Centroid)、偏度(Spec.Skewness)、峰度(Spec.Kurtosis)、頻譜波峰(Spectral Crest)、K-不規(guī)則性(Irregularity-K)、J-不規(guī)則性(Irregularity-J)、光滑度(Smoothness)、調(diào)性系數(shù)(Flatness)、滾降性(Roll Off)10個(gè)特征，特征計(jì)算方法如圖3所示，其中y為待提取特征的原始數(shù)據(jù)的頻域表達(dá)形式，y_m和y_f分為放大系數(shù)和頻率窗口，N為y_m和y_f中數(shù)據(jù)的個(gè)數(shù)。并將該共計(jì)36個(gè)特征作為設(shè)備指紋。

5)對(duì)設(shè)備指紋使用機(jī)器學(xué)習(xí)的方法進(jìn)行訓(xùn)練和識(shí)別。每一臺(tái)已知設(shè)備為一類樣本，使用多分類的機(jī)器學(xué)習(xí)算法，判斷待識(shí)別設(shè)備與每一類樣本的相似程度，并對(duì)相似程度應(yīng)用閾值法。根據(jù)經(jīng)驗(yàn)設(shè)定閾值，當(dāng)待識(shí)別設(shè)備與每一類的相似程度均小于閾值時(shí)，則認(rèn)為該設(shè)備是一個(gè)新設(shè)備，將其添加進(jìn)數(shù)據(jù)庫，并請(qǐng)求更多的樣本用于訓(xùn)練。當(dāng)待識(shí)別設(shè)備與某一類或者多類樣本的相似程度大于閾值時(shí)，則認(rèn)為該設(shè)備屬于相似程度最大的那一類樣本相對(duì)應(yīng)的設(shè)備。