一种移动智能设备传感器指纹识别方法与流程

本发明涉及属于数据隐私和移动应用领域，尤其涉及一种移动智能设备传感器指纹识别方法。

背景技术：

随着移动互联网的繁荣，移动智能设备的识别成为一个迫切的需求，只有精准地识别用户的移动智能设备以及用户，才能使各种移动服务(个性化跨平台推荐、广告跨设备服务等)和数据处理(数据融合、数据交易等)成为可能。现有的获取设备指纹的方法，常见的如浏览器获取cookie、app请求安卓设备的imei和苹果设备的idfa等，但是由于人们对隐私越来越强烈的关注，这些方法受到了越来越明确的限制，寻求更稳定、有效的设备(或人)指纹的识别方法成为越来越迫切的需求。

技术实现要素：

基于现有技术所存在的问题，本发明的目的是提供一种移动智能设备传感器指纹识别方法，能在给定的多个移动互联网设备中高准确率地识别出不同的设备。

本发明的目的是通过以下技术方案实现的：

本发明实施方式提供一种移动智能设备传感器指纹识别方法，包括：

步骤1，数据采集：采集移动智能设备的传感器数据；

步骤2，数据预处理：对所述步骤1采集到的所述传感器数据进行切片和插值处理，将传感器数据分为时序长度一致并在时间轴上均匀分布的多段传感器数据；

步骤3，传感器指纹识别：由预先训练好的指纹识别神经网络模型对所述步骤2得出的多段传感器数据进行识别得出移动智能设备传感器指纹；所述预先训练好的指纹识别神经网络模型的训练方式为：先利用所述步骤1、步骤2得出多段传感器数据作为训练数据，利用训练数据对初始的指纹识别神经网络模型进行指纹识别训练，训练完成后得到训练好的指纹识别神经网络模型。

由上述本发明提供的技术方案可以看出，本发明实施例提供的移动智能设备传感器指纹识别方法，其有益效果为：

通过采集移动智能设备的传感器数据，经特定的预处理后分为多段传感器数据，利用分出的多段传感器数据，先对初始的指纹识别神经网络模型进行训练，通过训练好的指纹识别神经网络模型对多段传感器数据进行指纹识别得出移动智能设备传感器指纹，进而能利用传感器数据识别出不同的移动智能设备，该方法实现了在给定的多个移动互联网设备中高准确率地识别出不同的设备。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的移动智能设备传感器指纹识别方法的流程图；

图2为本发明实施例提供的移动智能设备传感器指纹识别方法的多分类长短时记忆深度学习模型的构成示意图。

具体实施方式

下面结合本发明的具体内容，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

如图1所示，本发明实施例提供一种移动智能设备(如智能手机、智能平板等)传感器指纹识别方法，通过采集分析传感器数据进行移动智能设备传感器指纹的识别，包括：

步骤1，数据采集：采集移动智能设备的传感器数据；

步骤2，数据预处理：对所述步骤1采集到的所述传感器数据进行切片和插值处理，将传感器数据分为时序长度一致并在时间轴上均匀分布的多段传感器数据；

步骤3，传感器指纹识别：由预先训练好的指纹识别神经网络模型对所述步骤2得出的多段传感器数据进行识别得出移动智能设备传感器指纹；所述预先训练好的指纹识别神经网络模型的训练方式为：先利用所述步骤1、步骤2得出多段传感器数据作为训练数据，利用训练数据对初始的指纹识别神经网络模型进行指纹识别训练，训练完成后得到训练好的指纹识别神经网络模型。

上述识别方法的步骤1中，采集移动智能设备的传感器数据为：

通过调用移动智能设备的应用程序的接口或者运行的浏览器，获得移动智能设备的加速度计传感器和陀螺仪传感器的原始数据，由服务器采集所获得的原始数据作为传感器数据。

上述识别方法的步骤2中，对所述步骤1采集到的所述传感器数据进行切片和插值处理，将传感器数据分为时序长度一致并在时间轴上均匀分布的多段传感器数据为：

对所述步骤1采集到的传感器数据进行切片得到多段传感器数据，多段传感器数据的时间长度保持一致，对多段传感器数据进行pchip插值处理，使多段传感器数据的时序在时间轴上均匀分布。

上述识别方法的步骤3中，所用的指纹识别神经网络模型采用多分类长短时记忆深度学习模型。该多分类长短时记忆深度学习模型的构成如图2所示，包括：一层全连接层和两层长短时记忆网络；其中，

所述一层全连接层与所述两层长短时记忆网络依次连接；

该多分类长短时记忆深度学习模型的处理方式为：

(1)输入序列通过全连接层重构序列的维度，所述输入序列为多段传感器数据；

(2)第二层的长短时记忆网络的最后一个记忆单元的数据通过softmax生成输出作为识别移动智能设备的结果(即识别出输入的传感器数据属于哪个移动智能设备)。

上述识别方法的步骤3中，以所述步骤2得到的多段传感器数据对指纹识别神经网络模型进行识别训练为：

以所述步骤2处理后得到的每一段传感器数据作为一个样本，每一台移动智能设备作为一类样本，对指纹识别神经网络模型进行指纹识别训练。

上述识别方法中，停止识别训练的时间可按下述条件确定：

(1)如当模型准确率高于95％即可停止训练。(如发明人以117台设备进行训练为例可采用该高于95％的准确率，如果设备更多的话也可以根据需要对准确率进行调整)。

(2)当模型的损失函数值低于设备数目×0.3％的时候(损失函数是深度学习模型中必备的一个函数，代表模型训练的方向)即可停止训练。

以上两个训练停止条件，满足任意一个认为满足本发明的训练停止时机，即可停止训练了。实际中，在机器学习领域，模型训练中，训练完成的时机多为一个经验值，在做实验过程中就是根据经验确认达到足够好就可以停止训练了，这是不同的训练者根据其要求不同可以自定义的。

上述识别方法的步骤3中，若识别的传感器数据为连续数据，则将连续数据分割成多条传感器数据分别用训练好的指纹识别神经网络模型进行识别，识别后采用多数投票方式确定各传感器数据属于哪个移动智能设备；

若识别的传感器数据为非连续数据，将非连续数据分别进行预处理后，再通过训练好的指纹识别神经网络模型进行识别，识别后采用多数投票方式确定全部非连续数据属于哪个移动智能设备。

上述识别方法中，多数投票方式为：将多条传感器数据分别用训练好的指纹识别神经网络模型进行识别后，使每一条传感器数据得到一个标签，一个标签对应一个移动智能设备，取频次最高的标签作为最终标签，通过该最终标签判别出该传感器数据片段属于哪个移动智能设备，即最终标签对应的移动智能设备，即是该传感器数据片段所对应的移动智能设备。

上述识别方法中，连续数据为：同一移动智能设备的一段连续的传感器数据；

所述非连续数据为：同一移动智能设备在不同时间的多段传感器数据。

本发明的方法通过采集移动智能设备传感器的原始数据，预处理后用于训练指纹识别神经网络模型，用训练完成后的指纹识别神经网络模型对移动智能设备的传感器数据识别出传感器指纹，从而能利用传感器数据成功识别出不同的设备，实现了在给定的多个移动互联网设备中，高准确率地识别出不同的设备。该方法基于传感器硬件加工过程中的异质性，这个异质性在设备使用生命周期内几乎是稳定且难以修改的，所以该方法比传统的识别方法更稳定。在大量数据的实验检验条件下，识别能达到很高的精度。

下面对本发明实施例具体作进一步地详细描述。

本发明实施例提供一种移动智能设备传感器指纹识别方法，适用于包括给定的多个移动智能设备集合中的移动智能设备传感器指纹的识别，是一种基于移动智能设备运动传感器(即加速度计传感器和陀螺仪传感器)数据提取设备指纹的方法，该方法包括以下步骤：

步骤1，采集传感器数据：通过调用移动智能设备的app的获取运动传感器的api或者通过运行的浏览器脚本，获得加速度计传感器和陀螺仪传感器的原始数据，由服务器采集所获得的原始数据作为移动智能设备的传感器数据；

步骤2，数据预处理：对采集到的传感器数据进行切片分割成多段传感器数据，分出的多段传感器数据的时间长度保持一致，然后对多段传感器数据进行pchip插值(分段三次hermite多项式插值)，使多段传感器数据的时序在时间轴上均匀分布；

步骤3，基于神经网络模型的指纹训练和识别：先以步骤2得到的多段传感器数据对初始的指纹识别神经网络模型进行指纹识别训练，具体是以：每一段传感器数据都作为一个样本，每一台移动智能设备作为一类样本对识别用神经网络进行指纹识别训练，指纹识别神经网络模型采用多分类长短时记忆深度学习模型，得出的训练好的指纹识别神经网络模型；

后续进行移动智能设备传感器指纹识别时，按步骤1、2处理后得出多段传感器数据，用训练好的指纹识别神经网络模型对多段传感器数据进行识别，识别出移动智能设备的传感器指纹，进而由传感器指纹确定出该移动智能设备。

上述由传感器指纹确定出该移动智能设备采用多数投票方式：即通过多数投票方式确定识别出的传感器数据属于哪个移动智能设备。该多数投票方式是：将多条传感器数据分别用训练好的指纹识别神经网络模型进行识别后，使每一条传感器数据得到一个标签，一个标签对应一个移动智能设备，取频次最高的标签作为最终标签，通过该最终标签判别出该传感器数据片段属于哪个移动智能设备，即最终标签对应的移动智能设备，即是该传感器数据片段所对应的移动智能设备。通过多数投票方式能提高识别精度。

本发明的方法能对连续数据和非连续数据进行识别，其中，连续数据指：同一移动智能设备的一段连续的传感器数据；非连续数据指：同一移动智能设备在不同时间的多段传感器数据。

本发明的识别方法，通过运动传感器数据进行分析和训练，实现对移动智能设备指纹识别。该识别方法的优势在于：因传感器作为一个设备的硬件，其指纹特征稳定，并且获得传感器的数据不需要用户明确同意，对用户行为不敏感，在移动智能设备持有者做任意动作时，如保持静止、走路、跑步、爬楼梯等，均可以高精度地识别设备传感器，进而实现在给定的多个移动互联网设备中高准确率地识别出不同的设备。

由于移动智能设备的识别是一种重要的需求，本发明方法可用于各类移动智能设备的传感器标识和识别，实现精准地识别用户的移动智能设备以及为用户提供各种移动服务(个性化跨平台推荐、广告跨设备服务等)和数据处理(数据融合、数据交易等)成为可能。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。