【技术实现步骤摘要】
一种基于优化LSTM的移动设备用户认证方法及装置
本专利技术涉及一种基于优化LSTM的移动设备用户认证装置及方法，具体来说，它涉及一种通过增强随机梯度下降优化LSTM进行移动设备用户认证方法及装置。
技术介绍
随着移动通信技术和互联网的高速发展，移动互联网应运而生并进入了人们的生活。随着移动设备应用的日益广泛，越来越多的个人认证和私有信息被采集以用于移动设备的智能化。为了防止对存储在移动设备上的本地私有和金融信息的非法访问，就迫切需要根据移动设备本身的软硬件特点与应用场景特点，设计合适并强健的认证模式以保护用户的信息安全。隐式的身份认证通过移动终端的感知进行数据采集和计算来完成用户合法性的判断。这一过程通过对用户的生物特征数据或者行为习惯数据作为鉴别基础。当前，国际上面向移动设备的隐式实时用户认证相关研究正逐步向实时化、智能化、综合化方向发展，涉及的具体技术包括了多传感器融合、机器学习、人机交互、移动计算等多个方面。目前在行为感知与数据采集、行为数据分析等技术方向上取得了一些成果。但是当前的研究仍处于起步阶段，以学术...
【技术保护点】
1.一种基于优化LSTM的移动设备用户认证方法，其特征在于，所述方法包括如下步骤：/n获取包括多条训练样本的训练样本集，所述训练样本包括移动设备用于进行设备用户认证的特征数据以及该特征数据对应的标签；/n利用所述训练样本集对预先设定的LSTM模型进行训练得到认证模型；/n获取待认证移动设备用户的特征数据作为所述认证模型的输入，以所述认证模型在该输入下的输出作为待认证设备的认证结果。/n
【技术特征摘要】
1.一种基于优化LSTM的移动设备用户认证方法，其特征在于，所述方法包括如下步骤：
获取包括多条训练样本的训练样本集，所述训练样本包括移动设备用于进行设备用户认证的特征数据以及该特征数据对应的标签；
利用所述训练样本集对预先设定的LSTM模型进行训练得到认证模型；
获取待认证移动设备用户的特征数据作为所述认证模型的输入，以所述认证模型在该输入下的输出作为待认证设备的认证结果。
2.如权利要求1所述的基于优化LSTM的移动设备用户认证方法，其特征在于，所述利用所述训练样本集对预先设定的LSTM模型进行训练得到认证模型包括：基于所述的训练样本集利用增强SGD算法学习LSTM神经网络的网络参数。
3.如权利要求2所述的基于优化LSTM的移动设备用户认证方法，其特征在于，基于所述的训练样本集利用增强SGD算法学习LSTM神经网络的网络参数包括：
设定初始网络参数以及最大迭代次数；
基于增强SGD算法学习LSTM神经网络的网络参数，每次迭代进行如下操作：
使用随机的抽样概率n/N在训练样本集随机选择样本进入组，n为随机抽取的训练样本的数量，N训练样本集中的样本数量；
利用样本进入组以及预设的损失函数计算所述神经网络的梯度值；
对所述的梯度值进行裁剪得到裁剪梯度值；
将高斯噪声作为鲁棒因子添加至经过裁剪梯度值中得到鲁棒梯度值
按照如下公式进行梯度下降运算：
其中，t为当前迭代次数，t＝0，1，2，......T，T为最大迭代次数，ηt为预设第t次迭代的学习率，θt第t次迭代的网络参数，θ0为预设的初始网络参数，为第t次迭代计算得到的鲁棒梯度值。
4.如权利要求3所述的基于优化LSTM的移动设备用户认证方法，其特征在于，根据如下公式利用样本进入组以及预设的损失函数计算梯度值：
其中，为预设的损失函数：
其中，xi为样本进入组中的第i个训练样本，θ表示网络参数；yi表示训练样本xi对应的标签，0代表他人数据，1代表本人数据；f(xi，θ)表示输入为训练样本xi且网络参数为θ时计算得到的分类值，该分类值的取值范围为0～1。
5.如权利要求4所述的基于优化LSTM的移动设备用户认证方法，其特征在于，通过L1范数进行标准裁剪对所述的梯度值进行裁剪得到裁剪梯度值：
式子中，gt(xi)表示梯度值，表示裁剪梯度值，C为用于进行梯度范数边界控制的裁...
【专利技术属性】
技术研发人员：朱添田，翁正秋，宋琪杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。