[發明專利]智能手機上融合滑動軌跡和動力學特征的持續身份認證方法

在審

• 申請號: 202011366694.2
• 申請日: 2020-11-27
• 公開（公告）號: CN112492090A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 朱友文;盛鵬
• 申請（專利權）人: 南京航空航天大學
• 主分類號: H04M1/72403
• 分類號: H04M1/72403;H04L9/32
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種智能手機上融合滑動軌跡和動力學特征的持續身份認證方法，其特征在于，包括以下步驟：

(1)對用戶觸摸滑動時產生的個性化數據進行收集。

(1.1)收集的數據分為兩部分，一是用戶打開任意APP開始，收集來自運動傳感器包括加速度傳感器、重力傳感器和陀螺儀的數據；二是當用戶滑動觸摸屏時，收集來自觸摸屏的滑動軌跡數據。

(1.2)對于來自運動傳感器的數據，第i個采樣點的數據格式為：(i，X_a，Y_a，Z_a，X_gy，Y_gy，Z_gy，X_gr，Y_gr，Z_gr，tag)(i＝1，2，3，...，n)，含義分別為加速度傳感器的X軸值、加速度傳感器的Y軸值、加速度傳感器的Z軸值、陀螺儀的X軸值、陀螺儀的Y軸值、陀螺儀的Z軸值、重力傳感器的X軸值、重力傳感器的Y軸值、重力傳感器的Z軸值、觸摸事件的狀態。對于來自觸摸屏幕的滑動軌跡數據，每個滑動產生的觸摸點序列中第j個觸摸點的數據格式為：(j，X_t，Y_ttag)(j＝1，2，3，...，m)，其中m表示當前序列的數據長度且m≥3，X_t，Y_t分別表示觸摸點在觸摸屏上的X和Y軸坐標。

(2)對原始數據進行預處理。

(2.1)將數據按照用戶的運動狀態分割。我們考慮用戶在使用智能手機時會有兩種運動狀態，分別是靜止狀態和步行狀態。通過運動傳感器的數據判斷出用戶使用時的運動的狀態，然后根據運動狀態分割數據。

(2.2)分別對(2.1)中兩種狀態下的數據使用Z-Score進行標準化處理。

(2.3)對于靜止狀態下的滑動行為，從加速度傳感器和陀螺儀中提取每次滑動時的數據，并與觸摸屏數據中相對應的滑動軌跡數據進行合并。這樣每次滑動都對應兩部分數據，分別是滑動過程中來自運動傳感器的數據和來自觸摸屏的滑動軌跡數據。

(2.4)對于步行狀態下的滑動行為，從加速度傳感器和陀螺儀中提取每次滑動時的數據并與觸摸屏數據中相對應的滑動軌跡數據進行合并，并且對于每次滑動的前后共3S內，提取出加速度傳感器和陀螺儀數據。這樣每次滑動都對應三部分數據，分別是滑動過程中來自運動傳感器的數據、來自觸摸屏的滑動軌跡數據和滑動前后共3秒內的運動傳感器數據。

(2.5)對步驟(2.4)中的每個滑動前后共3秒內的運動傳感器數據進行離散傅里葉變換，得到其頻譜和相位譜。

(3)提取滑動軌跡特征及運動學特征并進行特征選擇。

(3.1)對步驟(2.3)中靜止狀態下每次滑動產生的兩部分數據分別提取運動學特征和滑動軌跡特征。運動學特征向量為{每個傳感器分別在3個維度數據的最大值、最小值、極差、平均值、中位數、標準差、均方根、偏度、峰度、峰度因子、波形因子、脈沖因子、裕度因子，每個傳感器數據的平方和的平均平方根，每個傳感器數據采樣點數}，共計2*(3*13+2)＝82維。滑動軌跡特征向量為{滑動起始點坐標，滑動終點坐標，滑動速度的20％、50％、80％分位數，平均滑動速度，端到端連線的方向、距離，滑動方向平均值，滑動開始方向、滑動中間平均值、滑動尾部平均值，滑動類型}，共計18維。整個靜止狀態下的滑動特征共100維。

(3.2)對步驟(2.4)中步行狀態下每次滑動產生的三部分數據分別提取運動學特征與軌跡特征。首先對于前兩部分數據提取出與步驟(3.1)中靜止狀態下一樣的100維特征，另外還需從步驟(2.5)的搭配的頻譜和相位譜中提取出步行產生的頻域特征，頻域特征向量為{頻率為0的正弦波對應的振幅，除0頻率對應振幅外的最大振幅，除0頻率外具有最大振幅的頻率和其對應的相位，振幅平均值，振幅標準差，信息熵，振幅的均方根，偏度，峰度}共10*3*2＝60維。整個步行狀態下的滑動特征共160維。

(3.3)計算步驟(3.1)和步驟(3.2)中所有特征的兩兩之間的皮爾遜相關系數，并將相關系數大于0.98的特征對中的一個刪除。

(3.4)使用帶交叉檢驗的遞歸式特征消除方法找到最優的特征組合。

(3.5)使用PCA方法對特征向量進行降維，且保留98％的信息。

(4)構建用戶的身份模型。

(4.1)選取訓練數據集。對兩種不同的運動狀態下的特征集合，分別從其它用戶的特征向量集中隨機選取一個子集，該子集的大小等于相同狀態下合法用戶的特征向量集的大小。將其它用戶的特征向量的標簽設置為0，將合法用戶的特征向量的標簽設置為1。

(4.2)分別對不同運動狀態下特征向量訓練集進行訓練。最終得到運動狀態下和步行狀態下的兩個身份模型。

(5)對當前智能手機的使用用戶進行持續認證。

(5.1)當用戶使用手機中某一APP并且產生觸摸滑動行為時，系統便會收集該次滑動行為的運動傳感器數據和滑動軌跡數據，并對數據進行預處理且判斷出用戶的運動狀態，然后提取特征并進行特征選擇，最后送入相應的身份模型進行預測，得到預測結果。

(5.2)根據不同的預測結果，系統給出相應的響應。當結果為“True”時也就是當前用戶是合法用戶時，系統無任何響應；當結果為“False”時也就是當前用戶是非法用戶時，系統則會采取相應的方法來保證合法用戶的隱私。