智能手机上融合滑动轨迹和动力学特征的持续身份认证方法技术

本发明专利技术涉及一种智能手机上融合滑动轨迹和动力学特征的持续身份认证方法，属于隐私保护及模式识别领域。本发明专利技术针对现有的基于触屏滑动行为特征的持续认证方法中存在的对设备硬件要求过高导致的可用性较低以及数据来源单一且特征过于简单导致的鲁棒性和准确率较低等问题，提出了一种融合滑动轨迹和动力学特征的持续身份认证方法，该方法使用触摸屏以及广泛应用在智能手机上的运动传感器(加速度传感器、角速度传感器和重力传感器)作为数据源，并考虑用户使用智能手机时的不同运动状态，大大提高了该认证系统的可用性、健壮性以及认证时的准确率。本发明专利技术适用于智能手机的持续系统身份认证。

【技术实现步骤摘要】
智能手机上融合滑动轨迹和动力学特征的持续身份认证方法
本专利技术属于隐私保护及模式识别领域，具体涉及一种智能手机上融合滑动轨迹和动力学特征的持续身份认证方法。
技术介绍
为了保护用户的隐私，各种各样的认证机制被应用到智能手机上，例如指纹扫描、面部识别、PIN以及图形密码。这些机制提供了用户登录时的一次性认证，它们会检验当前用户是否拥有提前设置好的凭据。虽然这种传统的一次性认证的方法在智能手机上占据主导地位，但在安全性和易用性方面存在着问题。在安全性方面，智能手机上传统的认证方法在用户通过之后系统则不再检测是否有入侵，这就导致了该认证方法在敌手访问已经解锁的手机时失效。另外，敌手可以通过例如肩窥，猜测攻击，污迹分析，欺骗攻击等手段突破传统认证方法的防御。在易用性方面，每次用户使用服务时，即使是短暂地查看邮件或者是在线聊天消息，传统的认证方法都需要用户的主动地输入口令。为了弥补使传统认证方法的缺陷，持续认证技术被提出，它们持续而又隐式地验证用户的身份。持续身份认证机制本质上是利用用户的生理和行为生物信息来构造用户独有的模式。生理生物信息例如可以通过被配置在绝大多数智能手机上的前置摄像头捕获的面部特征，然后从面部信息中提取的整体或局部特征被用来验证身份，但是这种方法会很大程度上受到移动设备的电池容量与计算能力的限制。另一方面，用户的行为生物信息来自与他们的日常使用习惯，例如触摸方式、步态、历史应用使用数据、设备位置。用户的使用行为信息可从智能手机中普遍存在的内置传感器及附件中获得，例如加速度传感器，陀螺仪，重力传感器，压力传感器、GPS等。持续认证系统可在不被用户察觉的情况收集行为数据，并通过使用已经训练好的身份模型判断收集到的数据是否来自设备拥有者。如果结果是“TRUE”，系统不会产生任何响应并且收集和验证操作会继续进行；否则，系统将会向要求当前用户输入预设的密码或警告拥有者设备已被入侵。理想情况下，在这整个认证过程中合法用户与设备正常的交互不会被持续认证系统打断。目前智能手机上基于用户触摸滑动特征的持续身份认证方法主要使用用户在触摸滑动手机时留下触摸位置及时间信息来提取特征，从而构建用户的身份模型对用户进行认证。文献[M.Frank，R.Biedert，E.Ma，I.MartinovicandD.Song，″Touchalytics：OntheApplicabilityofTouchscreenInputasaBehavioralBiometricforContinuousAuthentication，″inIEEETransactionsonInformationForensicsandSecurity，vol.8，no.1，pp.136-148，Jan.2013.]从用户原始的触摸屏日志中提取出了包括滑动过程中间点的触摸的面积以及压力、滑动轨迹端点连线的方向以及滑动速度等30维的触摸行为特征，但是部分重要特征例如触摸压力和面积是需要硬件支持的，并且目前绝大多数智能手机的触摸屏使用的是不支持压力检测的电容屏。中国专利CN104239761A提出了一种基于触屏滑动行为特征的身份持续认证方法，方法中仅使用户的滑动轨迹数据作为数据源，没有考虑手指在触摸屏幕时所产生的动力学特征，并且没有考虑用户的不同的运动状态。
技术实现思路
本专利技术针对上述基于触屏滑动行为特征的持续认证方法中存在的对设备硬件要求过高导致的可用性较低以及数据来源单一且特征过于简单导致的鲁棒性和准确率较低等问题，提出了一种融合滑动轨迹和动力学特征的持续身份认证方法，该方法使用触摸屏以及广泛应用在智能手机上的运动传感器(加速度传感器、角速度传感器和重力传感器)作为数据源，并考虑用户使用智能手机时的不同运动状态，大大提高了该认证系统的可用性、健壮性以及认证时的准确率。为了实现上述任务，本专利技术采取以下技术方案：一种融合滑动轨迹和动力学特征的持续身份认证方法，其特征在于，包括以下步骤：(1)对用户触摸滑动时产生的个性化数据进行收集。(1.1)收集的数据分为两部分，一是用户打开任意APP开始，收集来自运动传感器包括加速度传感器、重力传感器和陀螺仪的数据；二是当用户滑动触摸屏时，收集来自触摸屏的滑动轨迹数据。(1.2)对于来自运动传感器的数据，第i个采样点的数据格式为：(i，Xa，Ya，Za，Xgy，Ygy，Zgy，Xgr，Ygr，Zgr，tag)(i＝1，2，3，...，n)，含义分别为加速度传感器的X轴值、加速度传感器的Y轴值、加速度传感器的Z轴值、陀螺仪的X轴值、陀螺仪的Y轴值、陀螺仪的Z轴值、重力传感器的X轴值、重力传感器的Y轴值、重力传感器的Z轴值、触摸事件的状态。对于来自触摸屏幕的滑动轨迹数据，每个滑动产生的触摸点序列中第j个触摸点的数据格式为：(j，Xt，Yttag)(j＝1，2，3，...，m)，其中m表示当前序列的数据长度且m≥3，Xt，Yt分别表示触摸点在触摸屏上的X和Y轴坐标。(2)对原始数据进行预处理。(2.1)将数据按照用户的运动状态分割。我们考虑用户在使用智能手机时会有两种运动状态，分别是静止状态和步行状态。通过运动传感器的数据判断出用户使用时的运动的状态，然后根据运动状态分割数据。(2.2)分别对(2.1)中两种状态下的数据使用Z-Score进行标准化处理。(2.3)对于静止状态下的滑动行为，从加速度传感器和陀螺仪中提取每次滑动时的数据，并与触摸屏数据中相对应的滑动轨迹数据进行合并。这样每次滑动都对应两部分数据，分别是滑动过程中来自运动传感器的数据和来自触摸屏的滑动轨迹数据。(2.4)对于步行状态下的滑动行为，从加速度传感器和陀螺仪中提取每次滑动时的数据并与触摸屏数据中相对应的滑动轨迹数据进行合并，并且对于每次滑动的前后共3S内，提取出加速度传感器和陀螺仪数据。这样每次滑动都对应三部分数据，分别是滑动过程中来自运动传感器的数据、来自触摸屏的滑动轨迹数据和滑动前后共3秒内的运动传感器数据。(2.5)对步骤(2.4)中的每个滑动前后共3秒内的运动传感器数据进行离散傅里叶变换，得到其频谱和相位谱。(3)提取滑动轨迹特征及运动学特征并进行特征选择。(3.1)对步骤(2.3)中静止状态下每次滑动产生的两部分数据分别提取运动学特征和滑动轨迹特征。运动学特征向量为{每个传感器分别在3个维度数据的最大值、最小值、极差、平均值、中位数、标准差、均方根、偏度、峰度、峰度因子、波形因子、脉冲因子、裕度因子，每个传感器数据的平方和的平均平方根，每个传感器数据采样点数}，共计2*(3*13+2)＝82维。滑动轨迹特征向量为{滑动起始点坐标，滑动终点坐标，滑动速度的20％、50％、80％分位数，平均滑动速度，端到端连线的方向、距离，滑动方向平均值，滑动开始方向平均值，滑动中间方向平均值，滑动尾部方向平均值，滑动类型}，共计18维。整个静止状态下的滑动特征共100维。(3.2)对步骤(2.4)中步行状态下每次滑动产生的三部分数据分别提取运动学特征与轨迹特征。首先本文档来自技高网...

【技术保护点】
1.一种智能手机上融合滑动轨迹和动力学特征的持续身份认证方法，其特征在于，包括以下步骤：/n(1)对用户触摸滑动时产生的个性化数据进行收集。/n(1.1)收集的数据分为两部分，一是用户打开任意APP开始，收集来自运动传感器包括加速度传感器、重力传感器和陀螺仪的数据；二是当用户滑动触摸屏时，收集来自触摸屏的滑动轨迹数据。/n(1.2)对于来自运动传感器的数据，第i个采样点的数据格式为：(i，X

【技术特征摘要】
1.一种智能手机上融合滑动轨迹和动力学特征的持续身份认证方法，其特征在于，包括以下步骤：
(1)对用户触摸滑动时产生的个性化数据进行收集。
(1.1)收集的数据分为两部分，一是用户打开任意APP开始，收集来自运动传感器包括加速度传感器、重力传感器和陀螺仪的数据；二是当用户滑动触摸屏时，收集来自触摸屏的滑动轨迹数据。
(1.2)对于来自运动传感器的数据，第i个采样点的数据格式为：(i，Xa，Ya，Za，Xgy，Ygy，Zgy，Xgr，Ygr，Zgr，tag)(i＝1，2，3，...，n)，含义分别为加速度传感器的X轴值、加速度传感器的Y轴值、加速度传感器的Z轴值、陀螺仪的X轴值、陀螺仪的Y轴值、陀螺仪的Z轴值、重力传感器的X轴值、重力传感器的Y轴值、重力传感器的Z轴值、触摸事件的状态。对于来自触摸屏幕的滑动轨迹数据，每个滑动产生的触摸点序列中第j个触摸点的数据格式为：(j，Xt，Yttag)(j＝1，2，3，...，m)，其中m表示当前序列的数据长度且m≥3，Xt，Yt分别表示触摸点在触摸屏上的X和Y轴坐标。
(2)对原始数据进行预处理。
(2.1)将数据按照用户的运动状态分割。我们考虑用户在使用智能手机时会有两种运动状态，分别是静止状态和步行状态。通过运动传感器的数据判断出用户使用时的运动的状态，然后根据运动状态分割数据。
(2.2)分别对(2.1)中两种状态下的数据使用Z-Score进行标准化处理。
(2.3)对于静止状态下的滑动行为，从加速度传感器和陀螺仪中提取每次滑动时的数据，并与触摸屏数据中相对应的滑动轨迹数据进行合并。这样每次滑动都对应两部分数据，分别是滑动过程中来自运动传感器的数据和来自触摸屏的滑动轨迹数据。
(2.4)对于步行状态下的滑动行为，从加速度传感器和陀螺仪中提取每次滑动时的数据并与触摸屏数据中相对应的滑动轨迹数据进行合并，并且对于每次滑动的前后共3S内，提取出加速度传感器和陀螺仪数据。这样每次滑动都对应三部分数据，分别是滑动过程中来自运动传感器的数据、来自触摸屏的滑动轨迹数据和滑动前后共3秒内的运动传感器数据。
(2.5)对步骤(2.4)中的每个滑动前后共3秒内的运动传感器数据进行离散傅里叶变换，得到其频谱和相位谱。
(3)提取滑动轨迹特征及运动学特征并进行特征选择。
(3.1)对步骤(2.3)中静止状态下每次滑动产生的两部分数据分别提取运动学特征和滑动轨迹特征。运动学特征向量为{每个传感器分别在3个维度数据的最大值、最小值、极差、平均值、中位数、标准差、均方根、偏度、峰度、峰度因子、波形因子、脉冲因子、裕度因子，每个传感器数据的平方和的平均平方根，每个传感器数据采样点数}，共计2*(3*13+2)＝82维。滑动轨迹特征向量为{滑动起始点坐标，滑动终点坐标，滑动速度的20％、50％、80％分位数，平均滑动速度，端到端连线的方向、距离，滑动方向平均值，滑动开始方向、滑动中间平均值、滑动尾部平均值，滑动类型}，共计18维。整个静止状态下的滑动特征共100维。
(3.2)对步骤(2.4)中步行状态下每次滑动产生的三部分数据分别提取运动学特征与轨迹特征。首先对于前两部分数据提取出与步骤(3.1)中静止状态下一样的100维特征，另外还需从步骤(2.5)的搭配的频谱和相位谱中提取出步行产生的频域特征，频域特征向量为{频率为0的正弦波对应的振幅，除0频率对应振幅外的最大振幅，除0频率外具有最大振幅的频率和其对应的相位，振幅平均值，振幅标准差，信息熵，振幅的均方根，偏度，峰度}共10*3*2＝60维。整个步行状态下的滑动特征共160维。
(3.3)计算步骤(3.1)和步骤(3.2)中所有特征的两两之间的皮尔逊相关系数，并将相关系数大于0.98的特征对中的一个删除。
(3.4)使用带交叉检验...

【专利技术属性】
技术研发人员：朱友文，盛鹏，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32