本发明涉及一种行为特征识别认证方法及装置,属于信息安全领域,具体是涉及一种基于手机传感器的行为特征识别认证方法及装置。
背景技术:
随着现代信息化产业的高速发展,通过资源数据化来进行实际资源的管理和合理利用越来越受到了人们重视,因此人们通过身份认证系统对用户身份进行判断,赋予对资源进行管理的权力。在身份认证领域,静态密码,动态密码,usbkeys和生物特征等认证方式纷纷出现。众多认证方式中,基于生物特征的安全认证算法具有安全性高,不易丢失,携带方便等特点。因此,生物特征识别成为了身份认证领域中研究热点。
国内外目前用于进行身份认证主要有四种形式,通过信息秘密进行身份认证(如静态密码,用户注册时所用的帐号密码),基于信任物体进行身份认证(如智能卡、usbkey),基于生物特征的身份认证(包括先天特征如dna、视网膜、声纹等以及后天形成的习惯特征如笔迹、步态、语音等),还有基于双因素的身份认证,也就是结合前三种形式的其中两种的身份认证(如usbkey+静态密码或者双重密码等)。对于认证方式来说,最重要的在于几个特性,即保密性,不易窃取,不易丢失,易携带。
对于各种身份认证方式都有各自的优缺点,静态密码容易被人工手段或者黑客技术进行窃取;智能卡、usbkey容易丢失,携带不方便;先天生物特征采样复杂,而且已经有人工手段进行伪造,通过指纹膜或者照片等方式进行破解;而相对的,后天行为习惯特征具有稳定性较高,不易改变,不易窃取,不会丢失,随身携带的特点。针对市场上流通的智能手机中基本都带有基础的传感器设备,因此,本专利提出一种利用手机传感器来收集行为特征数据进行身份认证的方法。
技术实现要素:
本发明的目的是解决现有技术所存在的上述问题,提供一种了具备安全性高用户友好的身份认证方法及装置。该方法及装置通过移动智能手机收集用户行为数据,进行处理提取行为特征建模由此来实现用户的身份认证,因而具有速度快,安全性高,准确性强等优点。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于手机传感器的行为特征识别认证方法,包括:
步骤1,采集用户进行特定操作时的手机传感器数据;
步骤2,利用小波变换从所述手机传感器数据中分解出高频细节信号和低频逼近信号;
步骤3,通过小波方差式计算每一层的高频细节信号和低频逼近信号的小波能量特征,整理小波能量特征得到多维特征数据;
步骤4,基于所述多维特征数据训练得到特征识别模型;
步骤5,采集待识别用户的操作行为并基于所述特征识别模型识别用户。
作为优选,上述的一种基于手机传感器的行为特征识别认证方法,所述步骤1具体包括:
步骤1.1,基于下式采用简单移动平均线方法平滑原始数据:
m为数据段的窗口大小,αsmanow表示当前帧i以及它之前(m~i)帧的数据和的平均值,αsmaprevious表示当前帧i原本的数据值,αi表示第i个帧的数据值。
步骤1.2,使用z-score标准化方法对平滑处理后的数据进行数据归一化操作。
作为优选,上述的一种基于手机传感器的行为特征识别认证方法,所述步骤2中以dmey小波基函数变换各传感器的各维数据,分解出高频细节信号和低频逼近信号。
作为优选,上述的一种基于手机传感器的行为特征识别认证方法,所述步骤3中,基于下式对每一层的高频细节信号di(i=1,2,...,n)和低频信号ci进行计算获取小波能量特征,
式中,其中t=1,2,…,n;n为小波分解层数;cn(i)表示最后一层的低频逼近信号cn的第i个信号值,k为整个cn的长度,e(cn)表示最后一层的低频逼近信号的小波能量特征,dt表示的是第t层高频细节信号,e(dt)表示的是第t层高频细节信号的小波能量特征。
作为优选,上述的一种基于手机传感器的行为特征识别认证方法,所述步骤3中,基于下式整理小波能量特征得到多维特征数据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来表示通过第i组特征信号获取到的特征,ex表示x轴的小波能量特征,ey表示y轴的小波能量特征,ez表示z轴的小波能量特征。
作为优选,上述的一种基于手机传感器的行为特征识别认证方法,所述步骤4中,将所述多维特征数据划分为正样本和负样本;其中,正样本是基于手机拥有者的特定操作处理后得到的多维特征数据,负样本是基于非手机拥有者特定操作处理后得到的多维特征数据。
作为优选,上述的一种基于手机传感器的行为特征识别认证方法,所述手机传感器数据包括:方向传感器数据、加速度传感器数据、陀螺仪传感器数据。
一种基于手机传感器的行为特征识别认证装置,包括:
数据采集模块,采集用户进行特定操作时的手机传感器数据;
小波变换模块,利用小波变换从所述手机传感器数据中分解出高频细节信号和低频逼近信号;
特征提取模块,通过小波方差式计算每一层的高频细节信号和低频逼近信号的小波能量特征,整理小波能量特征得到多维特征数据;
模型训练模块,基于所述多维特征数据训练得到特征识别模型;
用户识别模块,采集待识别用户的操作行为并基于所述特征识别模型识别用户。
作为优选,上述的一种基于手机传感器的行为特征识别认证装置,所述数据采集模块具体包括:
数据平滑单元,基于下式采用简单移动平均线方法平滑原始数据:
m为数据段的窗口大小,αsmanow表示当前帧i以及它之前(m~i)帧的数据和的平均值,αsmaprevious表示当前帧i原本的数据值,αi表示第i个帧的数据值。
归一处理单元,使用z-score标准化方法对平滑处理后的数据进行数据归一化操作。
作为优选,上述的一种基于手机传感器的行为特征识别认证装置,所述小波变换模块中以dmey小波基函数变换各传感器的各维数据,分解出高频细节信号和低频逼近信号。
因此,本发明具有如下优点:本发明能够结合行为特征自身的特点,利用移动智能手机随身携带的普遍性,使得通过手机传感器收集行为特征作为密码进行身份认证的方式更加便捷和安全,不易丢失和被偷窃。
附图说明
图1为本发明特征模型训练流程图。
图2为本发明特征模型检测流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
本实施例的方案具体包括模型建立和模型检测两个部分。
1、模型建立部分
模型建立的过程包括以下步骤:
步骤1,将传感器数据区分为手机拥有者特征传感器数据和非行为特征传感器数据两个数据集,都采用简单移动平均线(simplemovingaverage,sma)的方法平滑原始的数据,其作为后续用来处理的信号源,移动平均线方法如下式:
数据段的窗口大小用m表示,αsmanow表示当前帧i以及它之前(m~i)帧的数据和的平均值。
步骤2,对步骤1得到的信号源使用z-score标准化方法进行数据归一化操作,通过该步骤对信号进行处理之后使得原始数据的各项指标处在同一数量级,便于进行信号的特征提取;
步骤3,对步骤2得到的处理过后的特征信号利用小波能量方法进行特征提取,对于三个传感器数据来说,每个传感器数据各有x,y,z三个坐标轴,通过小波分层技术能够获取组合成维度为63维的特征。其中,共分为6层,使用小波方差对每层的高频细节信号和第六层的低频逼近信号进行求取能量作为行为特征。
步骤3.1,依次对每个传感器数据的每一维数据,以dmey小波基函数进行变换,对信号进行小波变换,将高频细节信号和低频逼近信号分解出来。
步骤3.2,使用小波方差式对于每一层的高频细节信号di(i=1,2,...,n)和低频信号ci进行计算作为小波能量特征,cn(i)表示最后一层的低频逼近信号cn的第i个信号值,k为整个cn的长度,e(cn)表示最后一层的低频逼近信号的小波能量特征,dt表示的是第t层高频细节信号,e(dt)表示的是第t层高频细节信号的小波能量特征。
步骤3.3,将步骤3.2中获取到的小波能量特征按照指定序列整理,每一个能量特征作为每一维的特征,每个轴能够构建7个特征,总共一组数据中能够获取到一组63维的特征。ex表示x轴的小波能量特征,ey表示y轴的小波能量特征,ez表示z轴的小波能量特征,具体如下:
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来表示通过第i组特征信号获取到的特征,总体维度达到63维,f表示最后获取的多组行为特征数据。
f=(f1,f2,...,fn)
步骤4,对于从步骤3中获取到的多组63维行为特征数据,为通过手机拥有者传感器特征得到的特征数据加上正标签,为非行为特征传感器数据获取到的特征数据加上负标签,作为训练数据加入到支持向量机中进行模型训练。
2、模型检测部份
特征模型检测过程包括以下步骤:
步骤1,利用手机传感器获取现在手机使用者的方向、加速度、陀螺仪三种传感器的变化数据,每个传感器的数据包括x,y,z三个方向的数据。
步骤2,如特征模型训练过程中的步骤1,2,3所使用的数据处理方法获取到行为特征数据。
步骤3,将步骤2中获取的行为特征数据加上正类标签,使用之前训练获取的模型来进行分类,根据分类结果的正确率作为认证,可以知道当前手机使用者是不是当初训练模型时的手机使用者。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。