[發明專利]一種基于用戶鼠標行為的身份認證方法

有效

• 申請號: 201310512750.2
• 申請日: 2013-10-25
• 公開（公告）號: CN103530546A
• 公開（公告）日: 2014-01-22
• 發明（設計）人: 徐劍;周福才;李明潔;秦詩悅
• 申請（專利權）人: 東北大學
• 主分類號: G06F21/32
• 分類號: G06F21/32
• 代理公司: 沈陽東大專利代理有限公司 21109
• 代理人: 梁焱

1.一種基于用戶鼠標行為的身份認證方法，其特征在于：包括以下步驟：

步驟1、采集大量用戶鼠標行為數據，包括鼠標左鍵單擊行為、鼠標右鍵單擊行為、鼠標左鍵雙擊行為、鼠標移動行為、鼠標左鍵拖拽行為、鼠標右鍵拖拽行為、鼠標移動加左鍵單擊行為、鼠標移動加右鍵單擊行為、鼠標移動加左鍵拖拽行為、鼠標移動加右鍵拖拽行為和鼠標移動加左鍵雙擊行為；

步驟2、對采集的大量用戶鼠標行為數據進行行為特征提取，具體如下：

鼠標左鍵單擊行為特征包括：點擊時間和點擊的移動距離，所述的點擊時間是指鼠標按下和鼠標彈起之間的時間間隔，所述的點擊的移動距離是指指鼠標按下和鼠標彈起之間的移動距離；

鼠標右鍵單擊行為特征包括：點擊時間和點擊的移動距離；

鼠標左鍵雙擊行為特征包括：第一次點擊時間、第一次點擊的移動距離、雙擊間隔時間、雙擊間隔距離、第二次點擊時間和第二次點擊的移動距離；

鼠標移動行為特征包括：

屏幕橫軸方向的鼠標移動速率的最大值、最小值、平均值、標準差和區間長度；

屏幕縱軸方向的鼠標移動速率的最大值、最小值、平均值、標準差和區間長度；

鼠標移動切向速率的最大值、最小值、平均值、標準差和區間長度；

鼠標移動切向加速度的最大值、最小值、平均值、標準差和區間長度；

鼠標移動切向加加速度的最大值、最小值、平均值、標準差和區間長度；

鼠標移動角速度的最大值、最小值、平均值、標準差和區間長度；

鼠標移動過程中所有的點橫坐標的最大值、最小值、平均值、標準差和區間長度；

鼠標移動過程中所有的點縱坐標的最大值、最小值、平均值、標準差和區間長度；

鼠標移動角度的最大值、最小值、平均值、標準差和區間長度；

鼠標移動曲線曲率的最大值、最小值、平均值、標準差和區間長度；

鼠標移動曲線曲率變化率的最大值、最小值、平均值、標準差和區間長度；

鼠標移動時間、鼠標移動距離、曲線直線度、關鍵點、路徑抖動、軌跡質量中心、散射系數、第三勢差和第四勢差；

鼠標左鍵拖拽行為特征包括：鼠標左鍵按下與彈起之間的鼠標移動行為特征；

鼠標右鍵拖拽行為特征包括：鼠標右鍵按下與彈起之間的鼠標移動行為特征；

鼠標移動加左鍵單擊行為特征包括：鼠標開始移動至鼠標左鍵按下過程中的鼠標移動行為特征、點擊前距離、點擊前時間和鼠標左鍵單擊行為特征，所述的點擊前距離是指鼠標移動結束與鼠標左鍵按下之間的移動距離，所述的點擊前時間是指鼠標移動結束與鼠標左鍵按下之間的時間間隔；

鼠標移動加右鍵單擊行為特征包括：鼠標開始移動至鼠標右鍵按下過程中的鼠標移動行為特征、點擊前距離、點擊前時間和鼠標右鍵單擊行為特征；

鼠標移動加左鍵拖拽行為特征包括：鼠標開始移動至鼠標左鍵按下過程中的鼠標移動行為特征、點擊前距離、點擊前時間和鼠標左鍵按下至鼠標左鍵彈起之間的鼠標移動行為特征；

鼠標移動加右鍵拖拽行為特征包括：鼠標開始移動至鼠標右鍵按下過程中的鼠標移動行為特征、點擊前距離、點擊前時間和鼠標右鍵按下至鼠標右鍵彈起之間的鼠標移動行為特征；

鼠標移動加左鍵雙擊行為特征包括：鼠標開始移動至鼠標左鍵按下過程中的鼠標移動行為特征、點擊前距離、點擊前時間和鼠標左鍵雙擊行為特征；

步驟3、將提取出的鼠標行為特征值在數據庫中進行儲存；

步驟4、采用隨機森林算法，對數據庫中的行為特征數據進行分類訓練，形成分類器；

步驟4-1、對于所有鼠標行為特征中連續型的特征數據進行離散化處理，將每個鼠標行為特征在其區間范圍內進行劃分，形成若干個劃分區間，將用戶的鼠標行為特征數據映射到對應的劃分區間內，根據區間標號對鼠標行為特征數據進行標記；

步驟4-2、在鼠標左鍵單擊行為、鼠標右鍵單擊行為、鼠標左鍵雙擊行為、鼠標移動加左鍵單擊行為、鼠標移動加右鍵單擊行為和鼠標移動加左鍵雙擊行為過程中，判斷點擊鼠標時，鼠標位置是否有變化，若是，則標記為一類，否則，標記為另一類；在鼠標移動加左鍵單擊行為、鼠標移動加右鍵單擊行為和鼠標移動加左鍵雙擊行為過程中，判斷鼠標移動結束與鼠標點擊動作之間，鼠標位置是否有變化，若是，則標記為一類，否則，標記為另一類；鼠標左鍵雙擊行為和鼠標移動加左鍵雙擊行為過程中，判斷兩次點擊動作之間，鼠標位置是否有變化，，若是，則標記為一類，否則，標記為另一類；

步驟4-3、根據鼠標行為的個數確定分類器的個數，用戶根據需求設置分類器內樹的個數；

步驟4-4、構造每個鼠標行為分類器內樹的模型，具體構建過程如下：

步驟4-4-1、根據所需構建的分類器所對應的行為特征，在該鼠標行為特征數據中有放回抽取數據；在其相應的鼠標行為中隨機抽取若干類鼠標行為；

步驟4-4-2、選擇劃分后信息增益比最大的行為特征作為節點的分類屬性，根據該分類屬性對抽取的行為數據進行劃分，形成若干個下一層新的節點；

步驟4-4-3、依次判斷該層每個新的節點是否達到終止條件，即該節點是否已無屬性類別或該節點內的行為特征數據均來自同一用戶，若是，則對該節點進行標記形成葉子節點，并當該層所有節點均已標記時執行步驟4-4-4；否則返回執行步驟4-4-2對該節點繼續進行分裂，并不能選擇分裂出該節點的分類屬性；

步驟4-4-4、返回上層，判斷其是否為初始節點，若是，則完成該樹的構建并執行步驟4-4-5；否則執行步驟4-4-3；

步驟4-4-5、執行步驟4-4-1至步驟4-4-4，直至每個分類器中所有樹構建完成，即形成分類器；

步驟4-5、將所有分類器中的每個節點信息存入數據庫中，包括分類器編號、決策樹編號、節點編號、所選屬性編號、屬性取值范圍、兒子節點偏移量和葉子節點編號；

步驟4-6、根據數據庫中的現有數據，計算每個用戶的每種類型行為數據所占該種行為數據類型總數的百分比作為先驗概率，完成數據庫中的行為特征數據的分類訓練；

步驟5、采集被測用戶鼠標行為，形成鼠標行為序列，對該用戶鼠標行為進行特征提取并對連續型行為進行離散化處理，將該用戶不同類型的鼠標行為數據放入相應的分類器，通過該分類器中所有的樹對該行為數據所屬用戶進行判斷，確定該行為數據所屬不同用戶的概率；

步驟6、結合先驗概率以及分類器所檢測的行為數據所屬概率，計算該行為由不同用戶完成的概率；

步驟7、計算被測用戶完成檢測到的全部鼠標行為的概率，判斷其是否大于用戶設定閾值，若是，則該用戶是登陸時指定用戶，計算機繼續正常運行；否則，該用戶不是登陸時制定用戶，采取使用限制措施，包括拒絕其登錄操作和鎖屏。