一种基于孪生网络的用户认证方法技术

本发明专利技术公开了一种基于孪生网络的用户认证方法，包括获取用户的移动设备上的运动传感器数据；对所获取的运动传感器数据进行机器异常噪声过滤；对经过机器异常噪声过滤后的运动传感器数据进行人为噪声过滤；以LSTM神经网络作为孪生网络的两个子网络，并且将LSTM神经网络的输出层替换为拉伸层得到构建后的孪生网络；利用经过人为噪声过滤后的运动传感器数据对所述孪生网络进行训练，得到最优的孪生网络；基于最优的孪生网络对实时采集以及进行机器异常噪声过滤后的用户的移动设备上的运动传感器数据进行用户认证。本申请基于孪生网络的用户认证方法准确度高，并且能够最大程度的保护用户隐私。保护用户隐私。保护用户隐私。

【技术实现步骤摘要】
一种基于孪生网络的用户认证方法


[0001]本申请属于移动设备用户认证
，具体涉及一种基于孪生网络的用户认证方法。

技术介绍

[0002]存储空间和计算能力的快速增长使得移动设备成了参与互联网交互的一种关键工具。如今的移动设备(尤其是智能手机)已经成为用户和各种数据与媒体交互的重要平台了。
[0003]同时为了防止用户隐私泄露，目前已经提出了很多种技术来验证设备用户。从不同方面来说，认证方法主要可以被分为两种：基于知识的认证以及基于生物指标的认证。基于知识的认证方法要求用户提供一些具体信息(比如说密码，PIN和手势)后，才能继续后续的行为。该方法确实经济实惠，但存有不少缺点，比如说需要在一个小对话框中重复输入，存在着多种具有代表性的攻击(暴力攻击，肩膀攻击，冲浪攻击，触摸屏污渍以及基于传感器推断)。相对应的，基于生物指标的认证方法(比如说指纹与面部等静态生物指标)会因为高效和高准确度而广受用户好评。然而，以上提到的基于静态生物指标的技术需要用户显式的参与认证过程。举例来说，用户必须直面摄像头或者将手指按住指纹传感器。频繁的人机交互毫无疑问会影响用户体验。除此之外，用户也会担心收集生物信息带来的个人隐私泄露问题。
[0004]随着对认证系统的安全性，可用性和隐私性的要求不断提升，急需要一种满足用户友好，适用于各种场景，高精度以及隐私保护的认证系统。最近几年，有很多关于基于运动传感器的动态用户认证研究。这些方法通常从一些运动传感器，例如加速度传感器，重力传感器，陀螺仪传感器等来手机数据。通过应用不同的机器学习或者深度学习算法，可以识别用户独特的步态或者姿势，从而达到实现用户认证的目的。在这些研究中，最具有代表性的工作就是ESPIALCOG(General,Efficient and Robust Mobile User Implicit Authentication in Noisy Environment)了，它实现了一个通用，有效，鲁棒的隐式用户认证系统。然而，人机交互模态的覆盖率低，去噪能力弱，迁移性不足，隐私泄露，准确率等问题依旧存在，使得基于运动传感器的动态用户认证技术难以在现实生活中落地。

技术实现思路

[0005]本申请的目的在于提供一种基于孪生网络的用户认证方法，准确度高，并且能够最大程度的保护用户隐私。
[0006]为实现上述目的，本申请所采取的技术方案为：
[0007]一种基于孪生网络的用户认证方法，所述基于孪生网络的用户认证方法，包括：
[0008]步骤1、数据采集与过滤阶段：
[0009]步骤1.1、获取用户的移动设备上的运动传感器数据；
[0010]步骤1.2、对所获取的运动传感器数据进行机器异常噪声过滤；
[0011]步骤1.3、对经过机器异常噪声过滤后的运动传感器数据进行人为噪声过滤；
[0012]步骤2、模型的构建与训练阶段：
[0013]步骤2.1、孪生网络构建：以LSTM神经网络作为孪生网络的两个子网络，并且将LSTM神经网络的输出层替换为拉伸层得到构建后的孪生网络；
[0014]步骤2.2、孪生网络训练：利用经过人为噪声过滤后的运动传感器数据对所述孪生网络进行训练，得到最优的孪生网络；
[0015]步骤3、实时认证阶段：基于最优的孪生网络对实时采集以及进行机器异常噪声过滤后的用户的移动设备上的运动传感器数据进行用户认证。
[0016]以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
[0017]作为优选，所述运动传感器包括加速度传感器、重力传感器和陀螺仪传感器。
[0018]作为优选，所述对经过机器异常噪声过滤后的运动传感器数据进行人为噪声过滤，包括：
[0019]步骤1.3.1、将经过机器异常噪声过滤后的用户相关数据分为用户U的运动传感器数据和其他用户的运动传感器数据，将其他用户的所有运动传感器数据根据ARSSA进行排序，将所有排好序的数据连续均分为5部分，然后从每部分中随机抽取相同数量的数据片段并设置数据片段的标签为0，取用户U的运动传感器数据设置标签为1，将标签为0和1的数据合并得到数据集TD；
[0020]步骤1.3.2、基于数据集TD进行随机下采样生成数据集SD；
[0021]步骤1.3.3、基于所述数据集TD训练深度学习模型得到TD模型，基于所述数据集SD训练深度学习模型得到SD模型，并在模型训练中对数据集TD和数据集SD中的每个数据片段，都计算每个epoch下的损失值；
[0022]步骤1.3.4、对于数据集TD和数据集SD中的每个数据片段，将不同epoch下对应的损失值串联形成一个损失序列，并且对于数据集SD中的每个数据片段，将其与数据集TD中对应的数据片段的损失序列进行串联形成一个损失向量；
[0023]步骤1.3.5、对数据集SD中的每个数据片段的损失向量进行异常检测得到离群点，若该离群点所对应的数据片段不属于用户U，则在用户U的所有数据片段中以预设的dropout的概率删除该离群点对应的数据片段，并返回步骤1.3.2继续迭代，直至达到预设的迭代次数；若该离群点所对应的数据片段属于用户U，则返回步骤1.3.2继续迭代，直至达到预设的迭代次数。
[0024]作为优选，所述利用经过人为噪声过滤后的运动传感器数据对所述孪生网络进行训练，包括：
[0025]步骤2.2.1、取经过过滤后的运动传感器数据，将运动传感器数据中属于同一用户的三个数据片段和其他用户的一个数据片段进行组合作为一个训练组，并划分训练组为两个数据对，将两个数据片段属于同一用户的数据对设置为正样本，将两个数据片段不属于同一用户的数据对设置为负样本；
[0026]步骤2.2.2、取训练组，将两个数据对分别输入孪生网络的两个子网络，计算两个子网络输出的拉伸向量之间的距离；
[0027]步骤2.2.3、将计算得到的距离先后输入一个激活函数为RELU的全连接层，以及一个激活函数为Sigmoid的输出层，最终得到置信值；
[0028]步骤2.2.4、对比置信值和认证阈值，若置信值大于或等于认证阈值，则表示模型认证结果为合法用户；否则模型认证结果为非法用户；
[0029]步骤2.2.5、根据模型认证结果和设置为正样本或负样本的数据对调整孪生网络的模型参数，重复取训练组进行训练直至达到设定的训练结束条件。
[0030]本申请提供的基于孪生网络的用户认证方法，提出了一种差分训练方法，通过两个噪声检测模型来删除了噪声标签的影响；出了一个基于LSTM的孪生网络模型，来处理时间序列数据。这将会最大化的利用可得数据，充分覆盖交互模态以及实现认证模型的可迁移性；将训练好的模型部署在端侧来最大程度的保护用户隐私，最大程度的减少供应商的时间与经济消耗，并提升了系统在真实世界的可用性。...

【技术保护点】

【技术特征摘要】
1.一种基于孪生网络的用户认证方法，其特征在于，所述基于孪生网络的用户认证方法，包括：步骤1、数据采集与过滤阶段：步骤1.1、获取用户的移动设备上的运动传感器数据；步骤1.2、对所获取的运动传感器数据进行机器异常噪声过滤；步骤1.3、对经过机器异常噪声过滤后的运动传感器数据进行人为噪声过滤；步骤2、模型的构建与训练阶段：步骤2.1、孪生网络构建：以LSTM神经网络作为孪生网络的两个子网络，并且将LSTM神经网络的输出层替换为拉伸层得到构建后的孪生网络；步骤2.2、孪生网络训练：利用经过人为噪声过滤后的运动传感器数据对所述孪生网络进行训练，得到最优的孪生网络；步骤3、实时认证阶段：基于最优的孪生网络对实时采集以及进行机器异常噪声过滤后的用户的移动设备上的运动传感器数据进行用户认证。2.如权利要求1所述的基于孪生网络的用户认证方法，其特征在于，所述运动传感器包括加速度传感器、重力传感器和陀螺仪传感器。3.如权利要求1所述的基于孪生网络的用户认证方法，其特征在于，所述对经过机器异常噪声过滤后的运动传感器数据进行人为噪声过滤，包括：步骤1.3.1、将经过机器异常噪声过滤后的用户相关数据分为用户U的运动传感器数据和其他用户的运动传感器数据，将其他用户的所有运动传感器数据根据ARSSA进行排序，将所有排好序的数据连续均分为5部分，然后从每部分中随机抽取相同数量的数据片段并设置数据片段的标签为0，取用户U的运动传感器数据设置标签为1，将标签为0和1的数据合并得到数据集TD；步骤1.3.2、基于数据集TD进行随机下采样生成数据集SD；步骤1.3.3、基于所述数据集TD训练深度学习模型得到TD模型，基于所述数据集SD训练深度学习模型得到SD模型，并在模型训练中对数据集TD和数据集SD中的每个数据片段，都计...

【专利技术属性】
技术研发人员：朱添田，应杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：