隨著移動(dòng)互聯(lián)網(wǎng)的迅速發(fā)展,移動(dòng)設(shè)備的安全也越來(lái)越受重視,目前移動(dòng)設(shè)備和應(yīng)用服務(wù)提供商一般都采用口令、指紋或人臉識(shí)別等一次性認(rèn)證方式對(duì)用戶(hù)進(jìn)行身份認(rèn)證。但是一次性認(rèn)證存在一個(gè)嚴(yán)重的安全隱患,如果授權(quán)用戶(hù)忘記或者離開(kāi)其已經(jīng)認(rèn)證的設(shè)備,那么未經(jīng)授權(quán)的用戶(hù)便能訪問(wèn)授權(quán)用戶(hù)的私有資源。持續(xù)認(rèn)證的引入,可以很好的解決上述一次性認(rèn)證存在的問(wèn)題。由于移動(dòng)設(shè)備和服務(wù)提供商的計(jì)算和存儲(chǔ)資源有限,諸多基于云的持續(xù)認(rèn)證系統(tǒng)被提出,但是這些系統(tǒng)的設(shè)計(jì)通常為了追求更高的認(rèn)證準(zhǔn)確率,而忽略了用戶(hù)行為數(shù)據(jù)隱私的保護(hù)。為此本文旨在設(shè)計(jì)一種高認(rèn)證準(zhǔn)確率和隱私保護(hù)的持續(xù)認(rèn)證系統(tǒng)。首先,本文采用了一種基于用戶(hù)、服務(wù)提供商和云平臺(tái)三方的持續(xù)認(rèn)證系統(tǒng)設(shè)計(jì)方案,并對(duì)方案中特征提取和特征處理模塊進(jìn)行改進(jìn)。在特征提取模塊中對(duì)用戶(hù)特征進(jìn)行細(xì)粒度的劃分,利用統(tǒng)計(jì)學(xué)方法對(duì)特征進(jìn)行擴(kuò)展,增多系統(tǒng)的有用特征。在特征處理模塊中采用一種特征離散化的處理方法,使得系統(tǒng)的認(rèn)證準(zhǔn)確率提高3%左右。接著,針對(duì)基于用戶(hù)、服務(wù)提供商和云平臺(tái)三方的持續(xù)認(rèn)證系統(tǒng),本文提出了兩種隱私保護(hù)方案。第一種是基于同態(tài)加密的隱私保護(hù)方案,該方案實(shí)現(xiàn)了DT-PKC同態(tài)加密算法,... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

OneClassSVM示意圖

第二章 基礎(chǔ)知識(shí)也是一個(gè)二分類(lèi)問(wèn)題。因此，邏輯回歸算法也常用在持續(xù)認(rèn)一種二分類(lèi)算法，通過(guò)使用 sigmoid 函數(shù)估計(jì)概率，其求。邏輯回歸算法的本質(zhì)是一種條件概率分布：( 1|)1wx bwx beP Y xe( )10 |1wx bP Y xen為輸入，Y 0 ,1 為輸出，nw R和 b R為參數(shù)，w稱(chēng)為 x為 w 和 x 的內(nèi)積。輸入實(shí)例，按照式（2-26）和式（2-27）可以求得x屬于x )和負(fù)樣本的概率值 P ( Y 0|x )。LR 算法比較正樣樣本概率值 的大小，并將實(shí)例 分到概率值較

3.2 特征提取圖3.3 滑動(dòng)行為采集圖提取用戶(hù)行為特征的基本原理：在移動(dòng)設(shè)備上，用戶(hù)的滑動(dòng)操作可以分解為一系列的觸摸點(diǎn)，如圖 3.3 所示，通過(guò)這些觸摸點(diǎn)，可以計(jì)算出不同用戶(hù)所獨(dú)有的特征信息，這些特征信息組成了用戶(hù)行為特征向量。例如：通過(guò)用戶(hù)起始的觸摸點(diǎn)和結(jié)束的觸摸點(diǎn)的位置坐標(biāo)和時(shí)間，分別可以計(jì)算出用戶(hù)滑動(dòng)的位移信息和滑動(dòng)過(guò)程所耗費(fèi)的時(shí)間。表3.1 統(tǒng)計(jì)學(xué)方法方法名 max min mean quantile sum std含義 最大值 最小值 平均值 分位數(shù) 求和 標(biāo)準(zhǔn)差

【參考文獻(xiàn)】：
碩士論文
[1]采用擊鍵特征的用戶(hù)隱式身份認(rèn)證算法研究[D]. 賀冰清.西安理工大學(xué) 2018
[2]基于同態(tài)加密或分段Logistic映射的安全生物特征認(rèn)證技術(shù)[D]. 梁家豪.杭州電子科技大學(xué) 2018
[3]基于One-class SVM的人臉識(shí)別研究[D]. 張彬.江南大學(xué) 2016



本文編號(hào)：2977489