[發明專利]一種基于優化LSTM的移動設備用戶認證方法及裝置

在審

• 申請號: 202010727680.2
• 申請日: 2020-07-24
• 公開（公告）號: CN112016673A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 朱添田;翁正秋;宋琪杰
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62;G06F21/31
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 解明鎧

本一種基于優化LSTM的移動設備用戶認證方法和裝置，包括：獲取包括多條訓練樣本的訓練樣本集，所述訓練樣本包括移動設備用于進行設備用戶認證的特征數據以及該特征數據對應的標簽；利用所述訓練樣本集對預先設定的LSTM模型進行訓練得到認證模型；獲取待認證移動設備用戶的特征數據作為所述認證模型的輸入，以所述認證模型在該輸入下的輸出作為待認證設備的認證結果。本發明結合端云構建移動設備用戶認證裝置，采用端云合作架構有效整合系統性能，推動算法進行實際應用，并且使用增強的SGD算法最小化訓練階段噪聲標簽的影響，能夠有效減少訓練階段噪聲標簽的影響提高模型的魯棒性，能夠在噪聲環境下，實現高精度的隱式用戶身份驗證。

技術領域

本發明涉及一種基于優化LSTM的移動設備用戶認證裝置及方法，具體來說，它涉及一種通過增強隨機梯度下降優化LSTM進行移動設備用戶認證方法及裝置。

背景技術

隨著移動通信技術和互聯網的高速發展，移動互聯網應運而生并進入了人們的生活。隨著移動設備應用的日益廣泛，越來越多的個人認證和私有信息被采集以用于移動設備的智能化。為了防止對存儲在移動設備上的本地私有和金融信息的非法訪問，就迫切需要根據移動設備本身的軟硬件特點與應用場景特點，設計合適并強健的認證模式以保護用戶的信息安全。隱式的身份認證通過移動終端的感知進行數據采集和計算來完成用戶合法性的判斷。這一過程通過對用戶的生物特征數據或者行為習慣數據作為鑒別基礎。

當前，國際上面向移動設備的隱式實時用戶認證相關研究正逐步向實時化、智能化、綜合化方向發展，涉及的具體技術包括了多傳感器融合、機器學習、人機交互、移動計算等多個方面。目前在行為感知與數據采集、行為數據分析等技術方向上取得了一些成果。但是當前的研究仍處于起步階段，以學術探索和原型驗證為主，在關鍵技術方向上仍然缺少系統化的研究體系，距離實際應用也有較大的差距。

基于上述原因，確有必要提出一種較為完善實用的移動設備用戶認證方法，以解決上述問題。

發明內容

為實現移動設備的隱式實時用戶認證，并將其進行實際應用，本發明提出一種基于優化LSTM的移動設備用戶認證裝置及方法，將LSTM方法中的梯度下降算法進行優化，提出增強隨機梯度下降，并通過移動設備和云端服務協同工作，構建認證體系架構，進而實現移動設備的隱式實時精準認證。

一種基于優化LSTM的移動設備用戶認證方法，所述方法包括如下步驟：

獲取包括多條訓練樣本的訓練樣本集，所述訓練樣本包括移動設備用于進行設備用戶認證的特征數據以及該特征數據對應的標簽；

利用所述訓練樣本集對預先設定的LSTM模型進行訓練得到認證模型；

獲取待認證移動設備用戶的特征數據作為所述認證模型的輸入，以所述認證模型在該輸入下的輸出作為待認證設備的認證結果。

作為優選，所述利用所述訓練樣本集對預先設定的LSTM模型進行訓練得到認證模型包括：基于所述的訓練樣本集利用增強SGD算法學習LSTM神經網絡的網絡參數。

作為優選，基于所述的訓練樣本集利用增強SGD算法學習LSTM神經網絡的網絡參數包括：

設定初始網絡參數以及最大迭代次數；

基于增強SGD算法學習LSTM神經網絡的網絡參數，每次迭代進行如下操作：

使用隨機的抽樣概率n/N在訓練樣本集隨機選擇樣本進入組，n為隨機抽取的訓練樣本的數量，N訓練樣本集中的樣本數量；

利用樣本進入組以及預設的損失函數計算所述神經網絡的梯度值；

對所述的梯度值進行裁剪得到裁剪梯度值；

將高斯噪聲作為魯棒因子添加至經過裁剪梯度值中得到魯棒梯度值

按照如下公式進行梯度下降運算：