1.一种智能手机上融合滑动轨迹和动力学特征的持续身份认证方法，其特征在于，包括以下步骤：
(1)对用户触摸滑动时产生的个性化数据进行收集。
(1.1)收集的数据分为两部分，一是用户打开任意app开始，收集来自运动传感器包括加速度传感器、重力传感器和陀螺仪的数据；二是当用户滑动触摸屏时，收集来自触摸屏的滑动轨迹数据。
(1.2)对于来自运动传感器的数据，第i个采样点的数据格式为：(i，xa，ya，za，xgy，ygy，zgy，xgr，ygr，zgr，tag)(i＝1，2，3，...，n)，含义分别为加速度传感器的x轴值、加速度传感器的y轴值、加速度传感器的z轴值、陀螺仪的x轴值、陀螺仪的y轴值、陀螺仪的z轴值、重力传感器的x轴值、重力传感器的y轴值、重力传感器的z轴值、触摸事件的状态。对于来自触摸屏幕的滑动轨迹数据，每个滑动产生的触摸点序列中第j个触摸点的数据格式为：(j，xt，yttag)(j＝1，2，3，...，m)，其中m表示当前序列的数据长度且m≥3，xt，yt分别表示触摸点在触摸屏上的x和y轴坐标。
(2)对原始数据进行预处理。
(2.1)将数据按照用户的运动状态分割。我们考虑用户在使用智能手机时会有两种运动状态，分别是静止状态和步行状态。通过运动传感器的数据判断出用户使用时的运动的状态，然后根据运动状态分割数据。
(2.2)分别对(2.1)中两种状态下的数据使用z-score进行标准化处理。
(2.3)对于静止状态下的滑动行为，从加速度传感器和陀螺仪中提取每次滑动时的数据，并与触摸屏数据中相对应的滑动轨迹数据进行合并。这样每次滑动都对应两部分数据，分别是滑动过程中来自运动传感器的数据和来自触摸屏的滑动轨迹数据。
(2.4)对于步行状态下的滑动行为，从加速度传感器和陀螺仪中提取每次滑动时的数据并与触摸屏数据中相对应的滑动轨迹数据进行合并，并且对于每次滑动的前后共3s内，提取出加速度传感器和陀螺仪数据。这样每次滑动都对应三部分数据，分别是滑动过程中来自运动传感器的数据、来自触摸屏的滑动轨迹数据和滑动前后共3秒内的运动传感器数据。
(2.5)对步骤(2.4)中的每个滑动前后共3秒内的运动传感器数据进行离散傅里叶变换，得到其频谱和相位谱。
(3)提取滑动轨迹特征及运动学特征并进行特征选择。
(3.1)对步骤(2.3)中静止状态下每次滑动产生的两部分数据分别提取运动学特征和滑动轨迹特征。运动学特征向量为{每个传感器分别在3个维度数据的最大值、最小值、极差、平均值、中位数、标准差、均方根、偏度、峰度、峰度因子、波形因子、脉冲因子、裕度因子，每个传感器数据的平方和的平均平方根，每个传感器数据采样点数}，共计2*(3*13+2)＝82维。滑动轨迹特征向量为{滑动起始点坐标，滑动终点坐标，滑动速度的20％、50％、80％分位数，平均滑动速度，端到端连线的方向、距离，滑动方向平均值，滑动开始方向、滑动中间平均值、滑动尾部平均值，滑动类型}，共计18维。整个静止状态下的滑动特征共100维。
(3.2)对步骤(2.4)中步行状态下每次滑动产生的三部分数据分别提取运动学特征与轨迹特征。首先对于前两部分数据提取出与步骤(3.1)中静止状态下一样的100维特征，另外还需从步骤(2.5)的搭配的频谱和相位谱中提取出步行产生的频域特征，频域特征向量为{频率为0的正弦波对应的振幅，除0频率对应振幅外的最大振幅，除0频率外具有最大振幅的频率和其对应的相位，振幅平均值，振幅标准差，信息熵，振幅的均方根，偏度，峰度}共10*3*2＝60维。整个步行状态下的滑动特征共160维。
(3.3)计算步骤(3.1)和步骤(3.2)中所有特征的两两之间的皮尔逊相关系数，并将相关系数大于0.98的特征对中的一个删除。
(3.4)使用带交叉检验的递归式特征消除方法找到最优的特征组合。
(3.5)使用pca方法对特征向量进行降维，且保留98％的信息。
(4)构建用户的身份模型。
(4.1)选取训练数据集。对两种不同的运动状态下的特征集合，分别从其它用户的特征向量集中随机选取一个子集，该子集的大小等于相同状态下合法用户的特征向量集的大小。将其它用户的特征向量的标签设置为0，将合法用户的特征向量的标签设置为1。
(4.2)分别对不同运动状态下特征向量训练集进行训练。最终得到运动状态下和步行状态下的两个身份模型。
(5)对当前智能手机的使用用户进行持续认证。
(5.1)当用户使用手机中某一app并且产生触摸滑动行为时，系统便会收集该次滑动行为的运动传感器数据和滑动轨迹数据，并对数据进行预处理且判断出用户的运动状态，然后提取特征并进行特征选择，最后送入相应的身份模型进行预测，得到预测结果。
(5.2)根据不同的预测结果，系统给出相应的响应。当结果为“true”时也就是当前用户是合法用户时，系统无任何响应；当结果为“false”时也就是当前用户是非法用户时，系统则会采取相应的方法来保证合法用户的隐私。
2.根据权利要求1所述的智能手机上系统级别的持续认证方法，其特征在于，
所述步骤(2.1)中的用户的移动状态可通过重力传感器和和加速度传感器共同判断。具体的可通过公式
3.根据权利要求1所述的智能手机上系统级别的持续认证方法，其特征在于，
所述步骤(3.1)中偏度的计算公式为
4.根据权利要求1所述的智能手机上系统级别的持续认证方法，其特征在于，
所述步骤(3.1)中静止状态所有的特征为{每个传感器分别在3个维度数据的最大值、最小值、极差、平均值、中位数、标准差、均方根、偏度、峰度、峰度因子、波形因子、脉冲因子、裕度因子，每个传感器数据的平方和的平均平方根，每个传感器数据采样点数，滑动起始点坐标，滑动终点坐标，滑动速度的20％、50％、80％分位数，平均滑动速度，端到端连线的方向、距离，滑动方向平均值，滑动开始方向、滑动中间平均值、滑动尾部平均值，滑动类型}，共计100维。
5.根据权利要求1所述的智能手机上系统级别的持续认证方法，其特征在于
所述步骤(3.1)中两点连线的构成的矢量方向为沿x轴正方向的方向向量到该矢量的方向向量逆时针旋转的角度，范围为0到2π。滑动开始方向、滑动中间方向和滑动尾部方向分别使用触摸点序列开始前3个点，中间3个点和尾部3个点计算出的方向平均值。滑动类型分别为从下到上，从上到下，从左到右和从右到左。当起点到终点构成的矢量的方向范围在
6.根据权利要求1所述的智能手机上系统级别的持续认证方法，其特征在于，
所述步骤(3.2)中步行状态下的特征除步骤(3.1)的100维外，还有{频率为0的正弦波对应的振幅，除0频率对应振幅外的最大振幅，除0频率外具有最大振幅的频率和其对应的相位，振幅平均值，振幅标准差，信息熵，振幅的均方根，偏度，峰度}共60维。整个步行状态下的滑动特征共160维。