一种基于加速度传感器的设备指纹提取和识别方法技术

本发明专利技术公开了一种基于加速度传感器的设备指纹提取和识别方法，采用了收集设备加速度传感器数据的方式，实现对当前设备的识别。与现有技术相比，该方法依靠于硬件而非传统的软件，提高了该方法的可靠性和稳定性；设备的加速度传感器在制造过程中因为加工工艺的限制，不同的加速度传感器之间存在微小的误差，而这些误差在设备的生命周期内几乎是恒定且无法修改的，所以该方法相对于传统的依据mac地址等硬件信息的方式准确度更高。同时本发明专利技术方法在不需要安装任何控件以及不需要用户任何额外操作的情况下实现设备的识别，提高了用户体验。经过大量设备检验后，计算出识别精确度在99％左右。

Device fingerprint extraction and recognition method based on acceleration sensor

The invention discloses a device fingerprint extraction and recognition method based on an acceleration sensor, which adopts the method of collecting device acceleration sensor data to realize the recognition of the current device. Compared with the prior art, the method relies on hardware instead of traditional software, this method improves the reliability and stability of equipment; acceleration sensor in the manufacturing process because of the limitation of the processing technology, has the small error between the different acceleration sensor, and the error in the equipment life cycle is almost constant and not modify, so this method is compared with traditional hardware based on the MAC address information in a way that is more accurate. At the same time, the method of the invention realizes the device identification without the need to install any controls and does not require any additional operation of the user, thereby improving the user experience. After a large number of equipment testing, the calculation accuracy is about 99%.

【技术实现步骤摘要】
一种基于加速度传感器的设备指纹提取和识别方法
本专利技术属于互联网领域，涉及一种基于加速度传感器的设备指提取和识别方法。
技术介绍
近些年来，用户识别成为应用开发商及运营商普遍的需求。识别用户及他们的消费习惯，可以帮助广告商、电子商务平台等更有针对性地投放广告以及产品，提高转化率。而对于其他一类需要保障账户安全的应用，如电子钱包应用、在线购物应用等，识别用户更是为了满足安全需求。不法分子窃取账号密码在其余任意设备上登录并实行违法行为的情况时有发生，关联账号与智能终端设备来识别用户，能有效地提升账号的安全性，保障个人财产和隐私的安全。通常地，浏览器可以通过Cookies来识别账号和设备，而智能手机上的app则通过请求设备的ID，如IMEI等，来识别用户。但这些通用的方法已经引起了人们对用户隐私安全问题的关注，相应的措施已经被提出来规范这些行为。因此，我们必须寻找一种新的方式识别用户，辨识用户账号是在哪一个终端设备上被使用。
技术实现思路
本专利技术提供一种基于加速度传感器的设备指纹提取和识别方法，在无需用户参与情况下，通过获取设备加速度传感器固有差异对设备进行识别，无需用户安装控件、提高了用户体验。本专利技术的基于加速度传感器的设备指纹提取和识别方法，包括以下步骤1)调用设备内部微型电机使设备震动，收集设备加速度传感器数据。2)对加速度传感器数据进行预处理，提取采样间隔I(k)和三轴分量的平方和根S(k)，再采用三次样条插值处理使其在时域均匀分布。3)分别对I(k)和S(k)在时域上提取均值(Mean)、标准差(Std.Dev)、平均差(AverageDeviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMSAmplitude)、最大值(HighestValue)、最小值(LowestValue)8个特征，在频域上提取标准差(Spec.Std.Dev)、几何中心(Spec.Centroid)、偏度(Spec.Skewness)、峰度(Spec.Kurtosis)、频谱波峰(SpectralCrest)、K-不规则性(Irregularity-K)、J-不规则性(Irregularity-J)、光滑度(Smoothness)、调性系数(Flatness)、滚降性(RollOff)10个特征，并将该共计36个特征作为设备指纹。4)使用机器学习的方法对设备指纹进行训练和识别。有益效果：本专利技术所使用方法，采用了收集设备加速度传感器数据的方式，实现对当前设备的识别。与现有技术相比，该方法依靠于硬件而非传统的软件，提高了该方法的可靠性和稳定性；设备的加速度传感器在制造过程中因为加工工艺的限制，不同的加速度传感器之间存在微小的误差，而这些误差在设备的生命周期内几乎是恒定且无法修改的，所以该方法相对于传统的依据mac地址等硬件信息的方式准确度更高。同时本专利技术方法在不需要安装任何控件以及不需要用户任何额外操作的情况下实现设备的识别，提高了用户体验。经过大量设备检验后，计算出识别精确度在99％左右。附图说明图1是本专利技术实施例的方法流程图。图2是时域上8个特征的计算方法。图3是频域上10个特征的计算方法。具体实施方式下面结合实施例和说明书附图对本专利技术做进一步说明。本专利技术实施例的方法流程，请参阅图1所示。1)在运行设备指纹提取方法之前，需要在APP登录页面嵌入调用微型电机和加速度传感器的脚本。2)打开登录页面时，自动运行脚本，使智能设备保持一定时间的震动状态。在震动状态期间，收集加速度传感器的数据，并上传到云端。3)加速度传感器数据由四个分量组成，分别为时间戳T(k)，X轴加速度分量Sx(k)，Y轴加速度分量Sy(k)和Z轴加速度分量Sz(k)。在云端对加速度传感器数据进行预处理，提取采样间隔I(k)和三轴分量的平方和根I(k)，再采用三次样条插值处理使其在时域均匀分布。其中I(k)和S(k)的计算方法如下所示：I(k)＝T(k+1)-T(k)4)分别对I(k)和S(k)在时域上提取均值(Mean)、标准差(Std.Dev)、平均差(AverageDeviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMSAmplitude)、最大值(HighestValue)、最小值(LowestValue)8个特征，特征计算方法如图2所示，其中x为待提取特征的原始数据的时域表达形式，N为x中数据的个数；在频域上提取标准差(Spec.Std.Dev)、几何中心(Spec.Centroid)、偏度(Spec.Skewness)、峰度(Spec.Kurtosis)、频谱波峰(SpectralCrest)、K-不规则性(Irregularity-K)、J-不规则性(Irregularity-J)、光滑度(Smoothness)、调性系数(Flatness)、滚降性(RollOff)10个特征，特征计算方法如图3所示，其中y为待提取特征的原始数据的频域表达形式，ym和yf分为放大系数和频率窗口，N为ym和yf中数据的个数。并将该共计36个特征作为设备指纹。5)对设备指纹使用机器学习的方法进行训练和识别。每一台已知设备为一类样本，使用多分类的机器学习算法，判断待识别设备与每一类样本的相似程度，并对相似程度应用阈值法。根据经验设定阈值，当待识别设备与每一类的相似程度均小于阈值时，则认为该设备是一个新设备，将其添加进数据库，并请求更多的样本用于训练。当待识别设备与某一类或者多类样本的相似程度大于阈值时，则认为该设备属于相似程度最大的那一类样本相对应的设备。本文档来自技高网...

【技术保护点】
一种基于加速度传感器的设备指纹提取和识别方法，其特征在于，该方法包括以下步骤：1)调用设备内部微型电机使设备震动，收集设备加速度传感器数据；2)对加速度传感器数据进行预处理，提取采样间隔I(k)和三轴分量的平方和根S(k)，再采用三次样条插值法使其在时域均匀分布；3)分别对I(k)和S(k)在时域上提取均值(Mean)、标准差(Std.Dev)、平均差(Average Deviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMS Amplitude)、最大值(Highest Value)、最小值(Lowest Value)8个特征，在频域上提取标准差(Spec.Std.Dev)、几何中心(Spec.Centroid)、偏度(Spec.Skewness)、峰度(Spec.Kurtosis)、频谱波峰(Spectral Crest)、K‑不规则性(Irregularity‑K)、J‑不规则性(Irregularity‑J)、光滑度(Smoothness)、调性系数(Flatness)、滚降性(Roll Off)10个特征，并将该共计36个特征作为设备指纹；4)使用机器学习的方法对设备指纹进行训练和识别。...

【技术特征摘要】
1.一种基于加速度传感器的设备指纹提取和识别方法，其特征在于，该方法包括以下步骤：1)调用设备内部微型电机使设备震动，收集设备加速度传感器数据；2)对加速度传感器数据进行预处理，提取采样间隔I(k)和三轴分量的平方和根S(k)，再采用三次样条插值法使其在时域均匀分布；3)分别对I(k)和S(k)在时域上提取均值(Mean)、标准差(Std.Dev)、平均差(AverageDeviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMSAmplitude)、最大值(HighestValu...

【专利技术属性】
技术研发人员：程雨诗，徐文渊，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33