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

背景技術(shù)：

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

國內(nèi)外目前用于進行身份認證主要有四種形式，通過信息秘密進行身份認證(如靜態(tài)密碼，用戶注冊時所用的帳號密碼)，基于信任物體進行身份認證(如智能卡、usbkey)，基于生物特征的身份認證(包括先天特征如dna、視網(wǎng)膜、聲紋等以及后天形成的習慣特征如筆跡、步態(tài)、語音等)，還有基于雙因素的身份認證，也就是結(jié)合前三種形式的其中兩種的身份認證(如usbkey+靜態(tài)密碼或者雙重密碼等)。對于認證方式來說，最重要的在于幾個特性，即保密性，不易竊取，不易丟失，易攜帶。

對于各種身份認證方式都有各自的優(yōu)缺點，靜態(tài)密碼容易被人工手段或者黑客技術(shù)進行竊??；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)有人工手段進行偽造，通過指紋膜或者照片等方式進行破解；而相對的，后天行為習慣特征具有穩(wěn)定性較高，不易改變，不易竊取，不會丟失，隨身攜帶的特點。針對市場上流通的智能手機中基本都帶有基礎(chǔ)的傳感器設(shè)備，因此，本專利提出一種利用手機傳感器來收集行為特征數(shù)據(jù)進行身份認證的方法。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是解決現(xiàn)有技術(shù)所存在的上述問題，提供一種了具備安全性高用戶友好的身份認證方法及裝置。該方法及裝置通過移動智能手機收集用戶行為數(shù)據(jù)，進行處理提取行為特征建模由此來實現(xiàn)用戶的身份認證，因而具有速度快，安全性高，準確性強等優(yōu)點。

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

一種基于手機傳感器的行為特征識別認證方法，包括：

步驟1，采集用戶進行特定操作時的手機傳感器數(shù)據(jù)；

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

步驟3，通過小波方差式計算每一層的高頻細節(jié)信號和低頻逼近信號的小波能量特征，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)練得到特征識別模型；

步驟5，采集待識別用戶的操作行為并基于所述特征識別模型識別用戶。

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

步驟1.1，基于下式采用簡單移動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表示當前幀i原本的數(shù)據(jù)值，αi表示第i個幀的數(shù)據(jù)值。

步驟1.2，使用z-score標準化方法對平滑處理后的數(shù)據(jù)進行數(shù)據(jù)歸一化操作。

作為優(yōu)選，上述的一種基于手機傳感器的行為特征識別認證方法，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)，分解出高頻細節(jié)信號和低頻逼近信號。

作為優(yōu)選，上述的一種基于手機傳感器的行為特征識別認證方法，所述步驟3中，基于下式對每一層的高頻細節(jié)信號di(i＝1，2，...，n)和低頻信號ci進行計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cn的第i個信號值，k為整個cn的長度，e(cn)表示最后一層的低頻逼近信號的小波能量特征，dt表示的是第t層高頻細節(jié)信號，e(dt)表示的是第t層高頻細節(jié)信號的小波能量特征。

作為優(yōu)選，上述的一種基于手機傳感器的行為特征識別認證方法，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來表示通過第i組特征信號獲取到的特征，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傳感器的行為特征識別認證方法，所述步驟4中，將所述多維特征數(shù)據(jù)劃分為正樣本和負樣本；其中，正樣本是基于手機擁有者的特定操作處理后得到的多維特征數(shù)據(jù)，負樣本是基于非手機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傳感器的行為特征識別認證方法，所述手機傳感器數(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)。

一種基于手機傳感器的行為特征識別認證裝置，包括：

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

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

特征提取模塊，通過小波方差式計算每一層的高頻細節(jié)信號和低頻逼近信號的小波能量特征，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)練得到特征識別模型；

用戶識別模塊，采集待識別用戶的操作行為并基于所述特征識別模型識別用戶。

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

數(shù)據(jù)平滑單元，基于下式采用簡單移動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表示當前幀i原本的數(shù)據(jù)值，αi表示第i個幀的數(shù)據(jù)值。

歸一處理單元，使用z-score標準化方法對平滑處理后的數(shù)據(jù)進行數(shù)據(jù)歸一化操作。

作為優(yōu)選，上述的一種基于手機傳感器的行為特征識別認證裝置，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)，分解出高頻細節(jié)信號和低頻逼近信號。

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

附圖說明

圖1為本發(fā)明特征模型訓(xùn)練流程圖。

圖2為本發(fā)明特征模型檢測流程圖。

具體實施方式

下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進一步具體的說明。

本實施例的方案具體包括模型建立和模型檢測兩個部分。

1、模型建立部分

模型建立的過程包括以下步驟：

步驟1，將傳感器數(shù)據(jù)區(qū)分為手機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)兩個數(shù)據(jù)集，都采用簡單移動平均線(simplemovingaverage,sma)的方法平滑原始的數(shù)據(jù)，其作為后續(xù)用來處理的信號源，移動平均線方法如下式：

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，對步驟1得到的信號源使用z-score標準化方法進行數(shù)據(jù)歸一化操作，通過該步驟對信號進行處理之后使得原始數(shù)據(jù)的各項指標處在同一數(shù)量級，便于進行信號的特征提?。?/p>

步驟3，對步驟2得到的處理過后的特征信號利用小波能量方法進行特征提取，對于三個傳感器數(shù)據(jù)來說，每個傳感器數(shù)據(jù)各有x,y,z三個坐標軸，通過小波分層技術(shù)能夠獲取組合成維度為63維的特征。其中，共分為6層，使用小波方差對每層的高頻細節(jié)信號和第六層的低頻逼近信號進行求取能量作為行為特征。

步驟3.1，依次對每個傳感器數(shù)據(jù)的每一維數(shù)據(jù)，以dmey小波基函數(shù)進行變換，對信號進行小波變換，將高頻細節(jié)信號和低頻逼近信號分解出來。

步驟3.2，使用小波方差式對于每一層的高頻細節(jié)信號di(i＝1，2，...，n)和低頻信號ci進行計算作為小波能量特征，cn(i)表示最后一層的低頻逼近信號cn的第i個信號值，k為整個cn的長度，e(cn)表示最后一層的低頻逼近信號的小波能量特征，dt表示的是第t層高頻細節(jié)信號，e(dt)表示的是第t層高頻細節(jié)信號的小波能量特征。

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，每一個能量特征作為每一維的特征，每個軸能夠構(gòu)建7個特征，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來表示通過第i組特征信號獲取到的特征，總體維度達到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)，為通過手機擁有者傳感器特征得到的特征數(shù)據(jù)加上正標簽，為非行為特征傳感器數(shù)據(jù)獲取到的特征數(shù)據(jù)加上負標簽，作為訓(xùn)練數(shù)據(jù)加入到支持向量機中進行模型訓(xùn)練。

2、模型檢測部份

特征模型檢測過程包括以下步驟：

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

步驟2，如特征模型訓(xùn)練過程中的步驟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)加上正類標簽，使用之前訓(xùn)練獲取的模型來進行分類，根據(jù)分類結(jié)果的正確率作為認證，可以知道當前手機使用者是不是當初訓(xùn)練模型時的手機使用者。

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