论文部分内容阅读
随着移动互联网的普及和可移动设备的发展,人类的生活越来越依赖于智能移动设备。在享受移动应用/服务带来的便捷和效率的同时,人们会产生大量的数据或使用痕迹。这些大量的数据和使用痕迹,可以提取出有个体差异的使用行为信息,作为用户的可认证特征,从而向移动设备和应用提供更优质的认证服务。本文利用用户在使用移动设备时的移动特性,采集用户在携带移动设备行走时所产生的加速度序列,并从中提取每一位用户的可认证特征,从而实现一种基于行为的无打扰的认证系统。本文以认证的本质为驱动,结合目前主流的生物认证方案,分别提出下列两种完全不同的认证算法,并且两种方法均在真实的数据实验中取得有意义的结果。第一种方法为基于分类的步态加速度序列认证算法。用户行走时产生的加速度序列是由若干个相似的子序列(步循环序列)共同构成的,我们提取出每一位用户的步循环序列,然后将这些序列变换至频域空间以作为用户的特征描述子,进而使用这些特征描述子为每一位用户构造分类器以作为用户的认证模型。第二种方法为基于自回归的步态加速度序列认证算法。在随后的实验中,我们发现基于分类的方法不能满足实时性,并且存在非平衡学习的问题,所以我们提出基于自回归的方法。我们观察到步态加速度序列的自回归性,开创性地把步态加速度序列作为一种时间序列,并且为对每一个用户构建自回归模型来作为认证模型,从本质上避开了非平衡学习的问题。为了提高自回归模型的拟合能力,我们提出一种更适合于本问题的循环神经网络模型Simple-NTM,并且在实验中证实Simple-NTM有更优异的性能。本文对两种提出的方法都使用了真实数据进行了相关实验,从实际数据中验证两个方法的可行性,为生物认证和身份认证的研究领域提供了一种全新的思路。