基于使用习惯的移动智能终端隐私持续保护系统及方法技术方案

本发明专利技术提出基于使用习惯的移动智能终端隐私持续保护系统及方法，所述系统利用移动智能终端中的触摸屏和传感器数据，区分移动智能终端合法用户和非法用户。本系统通过在移动智能终端上安装应用，获取相关数据上传至云服务器中，利用LSTM算法判断行为类型，利用CNN

【技术实现步骤摘要】
基于使用习惯的移动智能终端隐私持续保护系统及方法


[0001]本专利技术属于智能终端隐私保护
，特别是涉及基于使用习惯的移动智能终端隐私持续保护系统及方法。

技术介绍

[0002]随着互联网时代的高速发展，移动智能终端已经成为了人们生活中不可或缺的组成部分。在用户使用移动智能终端的过程中，各种社交类应用储存了用户的私人信息，支付类软件还涉及到用户财产信息。因此，移动智能终端上的数据十分敏感，找到适合的身份认证方式、保护移动智能终端用户的隐私安全非常重要。本专利技术从研究持续的、隐形的认证方式出发，解决新时代信息安全领域的身份识别问题。
[0003]目前，市场上传统的身份认证方式，大多为显式认证方式，如Pin码、数字密码等，密码信息可能泄露。利用人体生理特征的认证方式会受到成本因素和环境因素的限制，如虹膜识别关键部件造价高、不适合应用于移动智能终端；人脸识别受光线因素影响等。且以上显式认证方式只会在设备解锁时进行认证，不会在后续打开软件或浏览信息时再次认证，这种机制增加了隐私泄露的风险。
[0004]一些人在移动设备上基于用户身份认证进行了研究。如：利用智能设备触摸屏数据进行身份认证。他们提取触摸屏数据的相关特征，采集键盘或屏幕特定位置的信息，利用SVM、KNN和PSO
‑
RBFN等分类器进行身份认证。上述方法利用隐式认证方式，但是由于只利用了屏幕部分位置的数据，方法实施起来限制较高，且准确率较低。而且，固定位置的屏幕信息(如键盘上的信息)会包含用户的私密信息(如密码)，可能会通过上述方法中的数据暴露，增加了隐私泄露的风险。利用移动智能终端内置传感器进行身份认证，包括陀螺仪，加速度传感器，磁力仪等。他们的方法只使用传感器进行认证，精度虽然高于只使用屏幕数据的认证方式，但由于数据维度过少，导致认证时间较长，很难做到实时性，且实用起来不方便。利用可穿戴设备辅助进行身份认证，认证时间短，准确度高。但是可穿戴设备应用并不广泛，如果可穿戴设备远离移动智能终端，可能影响数据传输，导致结果异常或延迟。利用特定的手势下传感器的数据和屏幕信息数据结合，进行身份认证，获得的特征数量增加，拒绝率降低。但是由于采用特定手势下的数据，导致模型无法自动更新，可能产生模型滞后带来的检测准确率下降等问题。采用基于触摸屏的身份验证和基于传感器的身份验证相结合的方法，先分辨用户的动作，再进行用户身份的认证，可以做到模型的实时更新。但是这种方法没有用户的数据补充机制。用户随意的动作可能产生不均匀的数据量(如用户行走的数据量会多于上下楼的数据量)，导致模型构建和更新的过程中，训练集中不同动作的数据量不同，可能导致模型的准确率下降。

技术实现思路

[0005]本专利技术为了解决现有技术的问题，提出了基于使用习惯的移动智能终端隐私持续保护系统及方法。该系统有效地实现了一种隐式、连续的认证模式，有效地保护了用户的隐
私。与显示认证相比，在安全性、准确性、稳定性和总成本控制等方面具有明显优势。
[0006]本专利技术是通过以下技术方案实现的，本专利技术提出基于使用习惯的移动智能终端隐私持续保护系统，所述系统包括：
[0007]数据记录模块：记录用户在使用移动智能终端过程中的屏幕数据、加速度传感器以及陀螺仪数据；
[0008]加密模块：对记录的用户的数据进行加密，加密后发送到云服务器端；
[0009]模型构建模块：在云服务器端整合数据后进行降噪处理，然后利用LSTM算法判断行为类型，利用CNN
‑
LSTM算法提取特征并构建用户身份认证模型，并将模型加密后下载至移动智能终端，在移动智能终端进行快速持续的身份识别；
[0010]模型更新和数据补全模块：用户自行选择在一个时间来更新模型，在构建新模型的过程中，如果某种行为类型的数据量少，系统会提示用户采集相关行为类型的数据，保证数据集的平衡，利用新的数据集构建的新的模型会代替旧的模型进行测试，如果测试没有问题，系统则会自动删除旧的模型。
[0011]进一步地，所述系统还包括非法用户检测模块，
[0012]如果检测到非法用户，会快速响应，切断数据传输，锁定移动智能终端，需要用户输入提前在APP中预设的多重密码形式，并将验证失败的信息传至云服务器端，同时也会同步到机主同账号的其他设备中；如用户输入密码错误超过两次，则会调用前置摄像头拍摄非法用户照片，与移动智能终端的位置信息一同发送到云服务器中，也会同步到机主同账号的其他设备中，查看非法用户，使用地点和使用时间。
[0013]进一步地，在模型构建模块中，已经将用户在走路、跑步、上楼、下楼、拿起手机、躺着和静止使用手机七种状态下的七个认证模型下载到本地等待验证；该系统同步采集用户使用屏幕信息数据、加速度传感器和陀螺仪数据，根据数据判断动作行为类型，选择相应的认证模型对用户的身份进行验证，判断是否本人在使用移动智能终端。
[0014]进一步地，对记录的屏幕数据、加速度传感器以及陀螺仪数据进行预处理：对于采集的屏幕、陀螺仪与加速度传感器数据序列A＝{a1,a2,a3,
……
,a
n
}，a
i
表示对应第i个采集的数据，i＝1,2,3
……
，n；设置长度为N的滤波窗口，通过将[i
‑
N+1,i]之间的数据求平均，得到对应第i个数据的预测值具体求解公式如下：
[0015][0016]将滑动步长设置为1，对整个行为的数据序列进行一次滑动滤波，滤波窗口的大小为3。
[0017]进一步地，所述CNN
‑
LSTM算法的网络结构为：
[0018](1)输入层：将进行预处理之后的加速度传感器数据、去重力的加速度传感器数据和陀螺仪数据输入；其中每个数据构建为1
×
128
×
9的张量，1表示输入层的通道数，128为数据序列长度，9表示加速度传感器数据、去重力的加速度传感器数据和陀螺仪数据三轴的数据；
[0019](2)LSTM层：设置LSTM状态向量长度为32；
[0020](3)全连接层：用全连接层转化到最终结果，输出认证结果，判断合法性；
[0021]优化器选择Adam，学习率设置为0.001，batch设置为64，输出为1
×
2的张量；根据合法非法性的数值比较，得到最终结果；
[0022]通过CNN
‑
LSTM模型的训练，不断更改相关参数，寻找合适的模型参数，最后得到训练结束的依据动作行为的用户身份认证模型。
[0023]本专利技术还提出基于使用习惯的移动智能终端隐私持续保护方法，所述方法具体为：
[0024]记录用户在使用移动智能终端过程中的屏幕数据、加速度传感器以及陀螺仪数据；对记录的用户的数据进行加密，加密后发送到云服务器端；在云服务器端整合后进行降噪处理，然后利用LSTM算法判断行为类型，利用CNN
‑
LSTM算法提取特征并构建用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于使用习惯的移动智能终端隐私持续保护系统，其特征在于：所述系统包括：数据记录模块：记录用户在使用移动智能终端过程中的屏幕数据、加速度传感器以及陀螺仪数据；加密模块：对记录的用户的数据进行加密，加密后发送到云服务器端；模型构建模块：在云服务器端整合数据后进行降噪处理，然后利用LSTM算法判断行为类型，利用CNN
‑
LSTM算法提取特征并构建用户身份认证模型，并将模型加密后下载至移动智能终端，在移动智能终端进行快速持续的身份识别；模型更新和数据补全模块：用户自行选择在一个时间来更新模型，在构建新模型的过程中，如果某种行为类型的数据量少，系统会提示用户采集相关行为类型的数据，保证数据集的平衡，利用新的数据集构建的新的模型会代替旧的模型进行测试，如果测试没有问题，系统则会自动删除旧的模型。2.根据权利要求1所述的系统，其特征在于：所述系统还包括非法用户检测模块，如果检测到非法用户，会快速响应，切断数据传输，锁定移动智能终端，需要用户输入提前在APP中预设的多重密码形式，并将验证失败的信息传至云服务器端，同时也会同步到机主同账号的其他设备中；如用户输入密码错误超过两次，则会调用前置摄像头拍摄非法用户照片，与移动智能终端的位置信息一同发送到云服务器中，也会同步到机主同账号的其他设备中，查看非法用户，使用地点和使用时间。3.根据权利要求2所述的系统，其特征在于：在模型构建模块中，已经将用户在走路、跑步、上楼、下楼、拿起手机、躺着和静止使用手机七种状态下的七个认证模型下载到本地等待验证；该系统同步采集用户使用屏幕信息数据、加速度传感器和陀螺仪数据，根据数据判断动作行为类型，选择相应的认证模型对用户的身份进行验证，判断是否本人在使用移动智能终端。4.根据权利要求1所述的系统，其特征在于：对记录的屏幕数据、加速度传感器以及陀螺仪数据进行预处理：对于采集的屏幕、陀螺仪与加速度传感器数据序列A＝{a1，a2，a3，......，a
n
}，a
i
表示对应第i个采集的数据，i＝1，2，3
……
，n；设置长度为N的滤波窗口，通过将[i
‑
N+1，i]之间的数据求平均，得到对应第i个数据的预测值具体求解公式如下：将滑动步长设置为1，对整个行为的数据序列进行一次滑动滤波...

【专利技术属性】
技术研发人员：杨运涵，董恒基，吴雄涛，国添星，滕佳秀，王思睿，何远哲，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：