發(fā)布時(shí)間：2021-08-01 12:50

　　隨著移動(dòng)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(duì)用戶(hù)身份進(jìn)行認(rèn)證已變得日益重要�，F(xiàn)有的移動(dòng)端身份認(rèn)證方法,如基于口令,指紋和人臉的身份認(rèn)證,均屬于一次身份驗(yàn)證方法。這些認(rèn)證方法只在登錄時(shí)認(rèn)證一次用戶(hù)身份,無(wú)法在用戶(hù)后續(xù)訪問(wèn)期間提供連續(xù)認(rèn)證。持續(xù)認(rèn)證方法能夠?qū)τ脩?hù)身份進(jìn)行持續(xù)地認(rèn)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(rèn)證方法,為滿(mǎn)足用戶(hù)在線認(rèn)證需求,我們提出了基于長(zhǎng)短記憶網(wǎng)絡(luò)的持續(xù)認(rèn)證方法LongAuth（LSTM-based Continuous Authentication）;為滿(mǎn)足用戶(hù)離線認(rèn)證需求,我們提出了基于頻繁模式挖掘的持續(xù)認(rèn)證方法MineAuth（Mining Frequent Pattern for Continuous Authentication）。LongAuth利用用戶(hù)運(yùn)動(dòng)行為特征來(lái)識(shí)別用戶(hù)身份。用戶(hù)使用手機(jī)時(shí),加速度計(jì)和陀螺儀記錄用戶(hù)在使用手機(jī)過(guò)程中產(chǎn)生的運(yùn)動(dòng)行為。我們首先對(duì)用戶(hù)運(yùn)動(dòng)行為分析,提取出了能夠表征用戶(hù)身份的行為特征,并對(duì)這些特征的可辨識(shí)性進(jìn)行了分析和探索。然后,我們利用LSTM算法對(duì)經(jīng)過(guò)特征提取后的用戶(hù)行為數(shù)據(jù)分析,構(gòu)建了一個(gè)單... 

【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)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

手持靜止，手持行走和兜持行走場(chǎng)景

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

圖 3.3(b)是經(jīng)過(guò)Savitzky-Golay 平滑濾波器處理的加速度計(jì) 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(shuō)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(hù)行為差異性分析為尋找能夠表征用戶(hù)身份的行為序列特征，我們選擇了兩個(gè)身高體型相似的用戶(hù)作為分析對(duì)象，分析了兩用戶(hù)在手持靜止場(chǎng)景，手持行走場(chǎng)景以及兜持行走場(chǎng)景下的行為進(jìn)行了差異性。19

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



本文編號(hào)：3315559