[發明專利]一種基于卷積神經網絡的人機鼠標軌跡檢測方法

在審

• 申請號: 201711274982.3
• 申請日: 2017-12-06
• 公開（公告）號: CN107766852A
• 公開（公告）日: 2018-03-06
• 發明（設計）人: 漆進;張通;胡順達
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于機器學習和模式識別領域，涉及深度學習、網絡安全相關技術，具體為一種基于卷積神經網絡的人機鼠標軌跡檢測方法。

背景技術

當前，鼠標軌跡檢測被廣泛運用于多種人機驗證產品中，不僅便于用戶操作，而且極大地增加了暴力破解難度。但是攻擊者可通過黑產工具生成類人軌跡，批量操作以繞過檢測，并在對抗過程中不斷升級其偽造數據的手段以持續繞過同樣升級的檢測技術。我們期望用機器學習算法來提高人機驗證中各種機器行為的檢出率，其中包括對抗過程中出現的新的攻擊手段的檢測。

目前已有的鼠標軌跡檢測方法，一般是基于決策樹、SVM等機器學習算法，這類方法往往需要花費極大的精力進行數據統計和特征提取。這就導致了，一方面手動提取的低級語義特征使得模型的泛化能力不夠，另外一方面檢測模型的更新周期較長。隨著對抗過程中黑產工具偽造數據的手段不斷升級，新的攻擊手段往往有機會突破陳舊的防守線。因此，一種簡單、高效、對各種攻擊手段適應能力更強的方法就成了亟待解決的焦點。

發明內容

針對上述存在問題或不足，為簡化特征提取過程和增強檢測模型的泛化能力，本發明提供了一種基于卷積神經網絡的人機鼠標軌跡檢測方法。

本發明采用的技術方案是：

(1)對訓練樣本庫和測試樣本庫中的鼠標軌跡采樣數據進行預處理，得到長度一致的原始特征。

(2)用(1)中提取的原始特征進行標準化，再通過卷積神經網絡自動進行特征提取，進而進行訓練和預測。

所述步驟(1)中的預處理步驟如下：

(11)每條鼠標軌跡采樣數據記錄了不同采樣時刻鼠標的坐標信息，記錄其坐標位置和采樣時刻得到軌跡T＝{P₁,P₂...,P_M}。每條鼠標軌跡的采樣點數量|T|不一定相同，采樣點越多，則鼠標軌跡記錄的信息量越大，檢測的計算代價越高；反之，采樣點越少，則鼠標軌跡記錄的信息量越小，檢測的識別率越低。為了平衡計算代價和檢測識別率，將鼠標軌跡等長縮放到長度L。具體步驟如下：

步驟1.當|T|＜L時，在相鄰兩個采樣點之間依次插入中點其中i＝1,2...,M-1，經過一次或者多次迭代使得|T|≥L。

步驟2.當|T|＞L時，從T中找到最小距離的一組點，用其中點取代之，經過一次或者多次迭代直到|T|＝L。

(12)從(11)得到的等長鼠標軌跡T＝{P₁,P₂...,P_M}中提取第i條鼠標軌跡的坐標和時間特征向量，記為X_i＝[x₁,x₂...,x_L]，Y_i＝[y₁,y₂...,y_L]，T_i＝[t₁,t₂...,t_L]。

(13)從(12)得到的坐標和時間特征向量中提取差分特征向量，記為DX_i＝[dx₁,dx₂...,dx_L]，DY_i＝[dy₁,dy₂...,dy_L]，DT_i＝[dt₁,dt₂...,dt_L]。計算公式如下：

(14)從(12)得到的坐標和時間特征向量中提取速度特征向量，記為VX_i＝[vx₁,vx₂...,vx_L]，VY_i＝[vy₁,vy₂...,vy_L]。計算公式如下：

(15)從(12)得到的坐標和時間特征向量和(14)得到的速度特征向量中提取加速度特征向量，記為AX_i＝[ax₁,ax₂...,ax_L]，AY_i＝[ay₁,ay₂...,ay_L]。計算公式如下：