隨著移動互聯(lián)網(wǎng)、人工智能等新技術(shù)的發(fā)展,如何安全、高效地對用戶身份進行認證已變得日益重要�，F(xiàn)有的移動端身份認證方法,如基于口令,指紋和人臉的身份認證,均屬于一次身份驗證方法。這些認證方法只在登錄時認證一次用戶身份,無法在用戶后續(xù)訪問期間提供連續(xù)認證。持續(xù)認證方法能夠?qū)τ脩羯矸葸M行持續(xù)地認證,能夠有效地解決上述安全隱患。本文提出了兩種持續(xù)認證方法,為滿足用戶在線認證需求,我們提出了基于長短記憶網(wǎng)絡(luò)的持續(xù)認證方法LongAuth（LSTM-based Continuous Authentication）;為滿足用戶離線認證需求,我們提出了基于頻繁模式挖掘的持續(xù)認證方法MineAuth（Mining Frequent Pattern for Continuous Authentication）。LongAuth利用用戶運動行為特征來識別用戶身份。用戶使用手機時,加速度計和陀螺儀記錄用戶在使用手機過程中產(chǎn)生的運動行為。我們首先對用戶運動行為分析,提取出了能夠表征用戶身份的行為特征,并對這些特征的可辨識性進行了分析和探索。然后,我們利用LSTM算法對經(jīng)過特征提取后的用戶行為數(shù)據(jù)分析,構(gòu)建了一個單... 

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

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

手持靜止，手持行走和兜持行走場景

圖 3. 1 手持靜止，手持行走和兜持行走場景3.1.2 數(shù)據(jù)降噪加速度計和陀螺儀采集的原始數(shù)據(jù)中存在一定的噪聲干擾，無法有效反映用戶實的行為。如果直接使用原始數(shù)據(jù)對用戶行為分析，不僅加大了分析難度，而且降了對用戶行為分析的準確度。為了提高對用戶行為分析的準確度，必須首先對原始據(jù)進行降噪處理。圖 3.2(a)展示了用戶在手持坐姿場景下加速度計 X 軸數(shù)據(jù)的變化情況，圖 3.2(為圖 3.2(a)經(jīng)過傅里葉變換后的頻域圖。從圖 3.2(b)可以看出，加速度計數(shù)據(jù)包含高頻噪聲數(shù)據(jù)。

圖 3.3(b)是經(jīng)過Savitzky-Golay 平滑濾波器處理的加速度計 X 軸的數(shù)據(jù)頻域圖。與圖 3.3(a)相比，圖3.3(b)中高頻噪音數(shù)據(jù)頻譜已消失，而且數(shù)據(jù)平滑度有了很大的提升，說明了 Savitzky-Golay 平滑濾波器降噪的有效性。(a) (b)圖 3. 3 降噪前后的數(shù)據(jù)頻域圖3.1.3 用戶行為差異性分析為尋找能夠表征用戶身份的行為序列特征，我們選擇了兩個身高體型相似的用戶作為分析對象，分析了兩用戶在手持靜止場景，手持行走場景以及兜持行走場景下的行為進行了差異性。19

【參考文獻】：
期刊論文
[1]移動終端交互行為分析的身份主動認證與安全感知[J]. 沈超.  中國教育網(wǎng)絡(luò). 2016(11)
[2]主動身份認證技術(shù)及其研究進展[J]. 郝平,何恩.  通信技術(shù). 2015(05)



本文編號：3315559