本發(fā)明涉及一種行為特征識(shí)別認(rèn)證方法及裝置，屬于信息安全領(lǐng)域，具體是涉及一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證方法及裝置。

背景技術(shù)：

隨著現(xiàn)代信息化產(chǎn)業(yè)的高速發(fā)展，通過(guò)資源數(shù)據(jù)化來(lái)進(jìn)行實(shí)際資源的管理和合理利用越來(lái)越受到了人們重視，因此人們通過(guò)身份認(rèn)證系統(tǒng)對(duì)用戶身份進(jìn)行判斷，賦予對(duì)資源進(jìn)行管理的權(quán)力。在身份認(rèn)證領(lǐng)域，靜態(tài)密碼，動(dòng)態(tài)密碼，usbkeys和生物特征等認(rèn)證方式紛紛出現(xiàn)。眾多認(rèn)證方式中，基于生物特征的安全認(rèn)證算法具有安全性高，不易丟失，攜帶方便等特點(diǎn)。因此，生物特征識(shí)別成為了身份認(rèn)證領(lǐng)域中研究熱點(diǎn)。

國(guó)內(nèi)外目前用于進(jìn)行身份認(rèn)證主要有四種形式，通過(guò)信息秘密進(jìn)行身份認(rèn)證(如靜態(tài)密碼，用戶注冊(cè)時(shí)所用的帳號(hào)密碼)，基于信任物體進(jìn)行身份認(rèn)證(如智能卡、usbkey)，基于生物特征的身份認(rèn)證(包括先天特征如dna、視網(wǎng)膜、聲紋等以及后天形成的習(xí)慣特征如筆跡、步態(tài)、語(yǔ)音等)，還有基于雙因素的身份認(rèn)證，也就是結(jié)合前三種形式的其中兩種的身份認(rèn)證(如usbkey+靜態(tài)密碼或者雙重密碼等)。對(duì)于認(rèn)證方式來(lái)說(shuō)，最重要的在于幾個(gè)特性，即保密性，不易竊取，不易丟失，易攜帶。

對(duì)于各種身份認(rèn)證方式都有各自的優(yōu)缺點(diǎn)，靜態(tài)密碼容易被人工手段或者黑客技術(shù)進(jìn)行竊取；智能卡、usbkey容易丟失，攜帶不方便；先天生物特征采樣復(fù)雜，而且已經(jīng)有人工手段進(jìn)行偽造，通過(guò)指紋膜或者照片等方式進(jìn)行破解；而相對(duì)的，后天行為習(xí)慣特征具有穩(wěn)定性較高，不易改變，不易竊取，不會(huì)丟失，隨身攜帶的特點(diǎn)。針對(duì)市場(chǎng)上流通的智能手機(jī)中基本都帶有基礎(chǔ)的傳感器設(shè)備，因此，本專利提出一種利用手機(jī)傳感器來(lái)收集行為特征數(shù)據(jù)進(jìn)行身份認(rèn)證的方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是解決現(xiàn)有技術(shù)所存在的上述問(wèn)題，提供一種了具備安全性高用戶友好的身份認(rèn)證方法及裝置。該方法及裝置通過(guò)移動(dòng)智能手機(jī)收集用戶行為數(shù)據(jù)，進(jìn)行處理提取行為特征建模由此來(lái)實(shí)現(xiàn)用戶的身份認(rèn)證，因而具有速度快，安全性高，準(zhǔn)確性強(qiáng)等優(yōu)點(diǎn)。

本發(fā)明的上述技術(shù)問(wèn)題主要是通過(guò)下述技術(shù)方案得以解決的：

一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證方法，包括：

步驟1，采集用戶進(jìn)行特定操作時(shí)的手機(jī)傳感器數(shù)據(jù)；

步驟2，利用小波變換從所述手機(jī)傳感器數(shù)據(jù)中分解出高頻細(xì)節(jié)信號(hào)和低頻逼近信號(hào)；

步驟3，通過(guò)小波方差式計(jì)算每一層的高頻細(xì)節(jié)信號(hào)和低頻逼近信號(hào)的小波能量特征，整理小波能量特征得到多維特征數(shù)據(jù)；

步驟4，基于所述多維特征數(shù)據(jù)訓(xùn)練得到特征識(shí)別模型；

步驟5，采集待識(shí)別用戶的操作行為并基于所述特征識(shí)別模型識(shí)別用戶。

作為優(yōu)選，上述的一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證方法，所述步驟1具體包括：

步驟1.1，基于下式采用簡(jiǎn)單移動(dòng)平均線方法平滑原始數(shù)據(jù)：

m為數(shù)據(jù)段的窗口大小，αsmanow表示當(dāng)前幀i以及它之前(m～i)幀的數(shù)據(jù)和的平均值，αsmaprevious表示當(dāng)前幀i原本的數(shù)據(jù)值，αi表示第i個(gè)幀的數(shù)據(jù)值。

步驟1.2，使用z-score標(biāo)準(zhǔn)化方法對(duì)平滑處理后的數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化操作。

作為優(yōu)選，上述的一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證方法，所述步驟2中以dmey小波基函數(shù)變換各傳感器的各維數(shù)據(jù)，分解出高頻細(xì)節(jié)信號(hào)和低頻逼近信號(hào)。

作為優(yōu)選，上述的一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證方法，所述步驟3中，基于下式對(duì)每一層的高頻細(xì)節(jié)信號(hào)di(i＝1，2，...，n)和低頻信號(hào)ci進(jìn)行計(jì)算獲取小波能量特征，

式中，其中t＝1,2,…,n；n為小波分解層數(shù)；cn(i)表示最后一層的低頻逼近信號(hào)cn的第i個(gè)信號(hào)值，k為整個(gè)cn的長(zhǎng)度，e(cn)表示最后一層的低頻逼近信號(hào)的小波能量特征，dt表示的是第t層高頻細(xì)節(jié)信號(hào)，e(dt)表示的是第t層高頻細(xì)節(jié)信號(hào)的小波能量特征。

作為優(yōu)選，上述的一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證方法，所述步驟3中，基于下式整理小波能量特征得到多維特征數(shù)據(jù)f：

f＝(f1,f2,...,fn)

fi＝(ex,ey,ez)

ex＝(ex(c6),ex(d1),ex(d2),...,ex(d6))

ey＝(ey(c6),ey(d1),ey(d2),...,ey(d6))

ez＝(ez(c6),ey(d1),ey(d2),...,ey（d6))

式中，向量fi來(lái)表示通過(guò)第i組特征信號(hào)獲取到的特征，ex表示x軸的小波能量特征，ey表示y軸的小波能量特征，ez表示z軸的小波能量特征。

作為優(yōu)選，上述的一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證方法，所述步驟4中，將所述多維特征數(shù)據(jù)劃分為正樣本和負(fù)樣本；其中，正樣本是基于手機(jī)擁有者的特定操作處理后得到的多維特征數(shù)據(jù)，負(fù)樣本是基于非手機(jī)擁有者特定操作處理后得到的多維特征數(shù)據(jù)。

作為優(yōu)選，上述的一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證方法，所述手機(jī)傳感器數(shù)據(jù)包括：方向傳感器數(shù)據(jù)、加速度傳感器數(shù)據(jù)、陀螺儀傳感器數(shù)據(jù)。

一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證裝置，包括：

數(shù)據(jù)采集模塊，采集用戶進(jìn)行特定操作時(shí)的手機(jī)傳感器數(shù)據(jù)；

小波變換模塊，利用小波變換從所述手機(jī)傳感器數(shù)據(jù)中分解出高頻細(xì)節(jié)信號(hào)和低頻逼近信號(hào)；

特征提取模塊，通過(guò)小波方差式計(jì)算每一層的高頻細(xì)節(jié)信號(hào)和低頻逼近信號(hào)的小波能量特征，整理小波能量特征得到多維特征數(shù)據(jù)；

模型訓(xùn)練模塊，基于所述多維特征數(shù)據(jù)訓(xùn)練得到特征識(shí)別模型；

用戶識(shí)別模塊，采集待識(shí)別用戶的操作行為并基于所述特征識(shí)別模型識(shí)別用戶。

作為優(yōu)選，上述的一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證裝置，所述數(shù)據(jù)采集模塊具體包括：

數(shù)據(jù)平滑單元，基于下式采用簡(jiǎn)單移動(dòng)平均線方法平滑原始數(shù)據(jù)：

m為數(shù)據(jù)段的窗口大小，αsmanow表示當(dāng)前幀i以及它之前(m～i)幀的數(shù)據(jù)和的平均值，αsmaprevious表示當(dāng)前幀i原本的數(shù)據(jù)值，αi表示第i個(gè)幀的數(shù)據(jù)值。

歸一處理單元，使用z-score標(biāo)準(zhǔn)化方法對(duì)平滑處理后的數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化操作。

作為優(yōu)選，上述的一種基于手機(jī)傳感器的行為特征識(shí)別認(rèn)證裝置，所述小波變換模塊中以dmey小波基函數(shù)變換各傳感器的各維數(shù)據(jù)，分解出高頻細(xì)節(jié)信號(hào)和低頻逼近信號(hào)。

因此，本發(fā)明具有如下優(yōu)點(diǎn)：本發(fā)明能夠結(jié)合行為特征自身的特點(diǎn)，利用移動(dòng)智能手機(jī)隨身攜帶的普遍性，使得通過(guò)手機(jī)傳感器收集行為特征作為密碼進(jìn)行身份認(rèn)證的方式更加便捷和安全，不易丟失和被偷竊。

附圖說(shuō)明

圖1為本發(fā)明特征模型訓(xùn)練流程圖。

圖2為本發(fā)明特征模型檢測(cè)流程圖。

具體實(shí)施方式

下面通過(guò)實(shí)施例，并結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步具體的說(shuō)明。

本實(shí)施例的方案具體包括模型建立和模型檢測(cè)兩個(gè)部分。

1、模型建立部分

模型建立的過(guò)程包括以下步驟：

步驟1，將傳感器數(shù)據(jù)區(qū)分為手機(jī)擁有者特征傳感器數(shù)據(jù)和非行為特征傳感器數(shù)據(jù)兩個(gè)數(shù)據(jù)集，都采用簡(jiǎn)單移動(dòng)平均線(simplemovingaverage,sma)的方法平滑原始的數(shù)據(jù)，其作為后續(xù)用來(lái)處理的信號(hào)源，移動(dòng)平均線方法如下式：

數(shù)據(jù)段的窗口大小用m表示，αsmanow表示當(dāng)前幀i以及它之前(m～i)幀的數(shù)據(jù)和的平均值。

步驟2，對(duì)步驟1得到的信號(hào)源使用z-score標(biāo)準(zhǔn)化方法進(jìn)行數(shù)據(jù)歸一化操作，通過(guò)該步驟對(duì)信號(hào)進(jìn)行處理之后使得原始數(shù)據(jù)的各項(xiàng)指標(biāo)處在同一數(shù)量級(jí)，便于進(jìn)行信號(hào)的特征提??；

步驟3，對(duì)步驟2得到的處理過(guò)后的特征信號(hào)利用小波能量方法進(jìn)行特征提取，對(duì)于三個(gè)傳感器數(shù)據(jù)來(lái)說(shuō)，每個(gè)傳感器數(shù)據(jù)各有x,y,z三個(gè)坐標(biāo)軸，通過(guò)小波分層技術(shù)能夠獲取組合成維度為63維的特征。其中，共分為6層，使用小波方差對(duì)每層的高頻細(xì)節(jié)信號(hào)和第六層的低頻逼近信號(hào)進(jìn)行求取能量作為行為特征。

步驟3.1，依次對(duì)每個(gè)傳感器數(shù)據(jù)的每一維數(shù)據(jù)，以dmey小波基函數(shù)進(jìn)行變換，對(duì)信號(hào)進(jìn)行小波變換，將高頻細(xì)節(jié)信號(hào)和低頻逼近信號(hào)分解出來(lái)。

步驟3.2，使用小波方差式對(duì)于每一層的高頻細(xì)節(jié)信號(hào)di(i＝1，2，...，n)和低頻信號(hào)ci進(jìn)行計(jì)算作為小波能量特征，cn(i)表示最后一層的低頻逼近信號(hào)cn的第i個(gè)信號(hào)值，k為整個(gè)cn的長(zhǎng)度，e(cn)表示最后一層的低頻逼近信號(hào)的小波能量特征，dt表示的是第t層高頻細(xì)節(jié)信號(hào)，e(dt)表示的是第t層高頻細(xì)節(jié)信號(hào)的小波能量特征。

步驟3.3，將步驟3.2中獲取到的小波能量特征按照指定序列整理，每一個(gè)能量特征作為每一維的特征，每個(gè)軸能夠構(gòu)建7個(gè)特征，總共一組數(shù)據(jù)中能夠獲取到一組63維的特征。ex表示x軸的小波能量特征，ey表示y軸的小波能量特征，ez表示z軸的小波能量特征，具體如下：

ex＝(ex(c6),ex(d1),ex(d2),...,ex(d6))

ey＝(ey(c6),ey((1),ey(d2),...,ey(d6))

ez＝(ez(c6),ey(d1),ey(d2),...,ey(d6))

fi＝(ex,ey,ez)

使用向量fi來(lái)表示通過(guò)第i組特征信號(hào)獲取到的特征，總體維度達(dá)到63維，f表示最后獲取的多組行為特征數(shù)據(jù)。

f＝(f1,f2,...,fn)

步驟4，對(duì)于從步驟3中獲取到的多組63維行為特征數(shù)據(jù)，為通過(guò)手機(jī)擁有者傳感器特征得到的特征數(shù)據(jù)加上正標(biāo)簽，為非行為特征傳感器數(shù)據(jù)獲取到的特征數(shù)據(jù)加上負(fù)標(biāo)簽，作為訓(xùn)練數(shù)據(jù)加入到支持向量機(jī)中進(jìn)行模型訓(xùn)練。

2、模型檢測(cè)部份

特征模型檢測(cè)過(guò)程包括以下步驟：

步驟1，利用手機(jī)傳感器獲取現(xiàn)在手機(jī)使用者的方向、加速度、陀螺儀三種傳感器的變化數(shù)據(jù)，每個(gè)傳感器的數(shù)據(jù)包括x,y,z三個(gè)方向的數(shù)據(jù)。

步驟2，如特征模型訓(xùn)練過(guò)程中的步驟1，2，3所使用的數(shù)據(jù)處理方法獲取到行為特征數(shù)據(jù)。

步驟3，將步驟2中獲取的行為特征數(shù)據(jù)加上正類(lèi)標(biāo)簽，使用之前訓(xùn)練獲取的模型來(lái)進(jìn)行分類(lèi)，根據(jù)分類(lèi)結(jié)果的正確率作為認(rèn)證，可以知道當(dāng)前手機(jī)使用者是不是當(dāng)初訓(xùn)練模型時(shí)的手機(jī)使用者。

本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類(lèi)似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書(shū)所定義的范圍。