CN107426397A

CN107426397A - 基于用户行为特征的模型训练方法及身份验证方法

Info

Publication number: CN107426397A
Application number: CN201710252521.XA
Authority: CN
Inventors: 纪雯; 李梦楠; 周梦迪; 许精策
Original assignee: Institute of Computing Technology of CAS
Current assignee: Institute of Computing Technology of CAS
Priority date: 2017-04-18
Filing date: 2017-04-18
Publication date: 2017-12-01

Abstract

本发明涉及一种基于用户行为特征的手机身份验证方法，利用用户使用手机时的特有的行为特征和键击动力学特征来验证用户身份合法性，采用适合于大规模数据集的机器学习技术，通过使用一个复杂度较低的训练模型显著提升了身份验证的速度；对硬件资源要求低，可在后台隐藏执行。即使***被未授权使用者侵入，也可达到保护隐秘资料的目的。

Description

基于用户行为特征的模型训练方法及身份验证方法

技术领域

本发明涉及手机安全技术领域，特别涉及一种基于手机用户行为特征的模型训练方法及身份验证方法

背景技术

当今世界，移动网络技术日新月异，智能手机已经与人们的生活密不可分。智能手机中存储着大量的个人隐私信息，而信息被盗取的现象屡见不鲜，这严重地侵害了手机用户的权益。用户身份验证是智能手机安全的第一道大门，更是各种安全措施可以发挥作用的前提。

现有技术中保障手机***信息安全的方法主要有两种，一种是基于用户知识的识别技术，最常用的是密码和图形锁的方式。密码是由用户自己设定的一串静态数据，图形锁是在3X3的点阵上按照一定顺序连接若干点作为密码。这种基于用户知识的识别技术易被盗取或遗忘，安全性不高且用户体验较差。另一种方法是基于生物特征的识别技术，如语音识别、视网膜识别和指纹识别等。这种基于生物特征的识别技术可以有效的避免上述基于用户知识的识别技术存在的缺陷，因为人体本身的特征就是标识，与静态密码、图形锁等相比，使用生物认证容易操作，且更加稳定持久，无需担心密码遗失或被盗等问题，这就意味着降低了攻击者出示合格的身份的几率。

虽然生物识别技术解决了传统身份验证的局限性，但是因为受到手机上设备的成本限制和精度限制，生物特征认证方式的使用量却远不如密码或图形认证方式。例如使用指纹进行识别时，一方面在手机上添加指纹识别设备需要增加成本，另一方面，指纹图像采集设备需要一定精度，否则就需要依靠复杂的识别算法才能保证识别的鲁棒性。

发明内容

本发明的目的是提供一种基于用户行为特征的手机身份验证方法，根据用户使用手机时的特有的行为特征和键击动力学特征来验证用户身份合法性，该方法能够克服上述现有技术的缺陷，对硬件资源要求低，并且具有鲁棒性高的优点，操作方式简单快捷且能够提高用户体验。

根据本发明的一个方面，提供一种基于用户行为特征的模型训练方法，包括以下步骤：

步骤1)、采集用户的行为特征，将行为特征记录为行为数据集；

步骤2)、针对行为数据集提取特征向量，取得特征向量集；

步骤3)、采用快速机器学习算法建立模型，利用特征向量集对模型进行训练，得到身份验证模型。

优选的，行为特征包括惯用倾斜角度和/或击键间隔时间和/或滑动屏幕速度和/或滑动屏幕轨迹。

优选的，滑动屏幕轨迹的采集及记录方法包括：

步骤11)、将手机屏幕分成固定的小格；

步骤12)、滑动过程中记录下触碰到的格子的编号；

步骤13)、将记录的格子编号记录为一维数组。

优选的，特征向量集包括：

倾斜角度的平均值、中值、最大值、最小值、方差；和/或

滑动屏幕速度的平均值、中值、最大值、最小值、方差；和/或

输入字母间隔时间的平均值、中值、最大值、最小值、方差；和/或

滑动屏幕的轨迹是由0,1组成的一维数组。

优选的，快速机器学习算法为Fast-KRR算法。步骤3)包括：

步骤31)、利用InitParam()函数对算法所需参数进行初始化；

步骤32)、调用load()函数加载特征向量集；

步骤33)、调用fastKRR_train()函数训练特征向量集，得到身份验证模型。

优选的，步骤1)中利用手机内置的传感器采集行为特征。

优选的，传感器包括加速感测器、陀螺仪和磁力计。

优选的，身份模型训练过程在手机后台执行。

根据本发明的另一个方面，提供一种建立的身份验证模型来验证手机用户身份的方法，包括：

步骤a)、采集待测用户的行为数据；

步骤b)、提取所述待测用户的特征向量；

步骤c)、利用所述身份模型测算所述待测用户的特征向量集的匹配度；

步骤d)、根据匹配结果判定待测用户是否为合法用户。

优选的，验证手机用户身份过程在手机后台执行。

相对于现有技术，本发明取得了如下有益技术效果：本发明的基于手机用户行为特征的模型训练方法及身份验证方法，能够有效的对用户使用手机时特有的行为特征和键击动力学特征进行提取，将提取出的有鉴别力的行为特征作为身份验证的特征数据，能显著提高身份验证的准确性；采用了适合于大规模数据集的机器学习技术，通过使用一个复杂度较低的训练模型显著提升了身份验证的速度和准确度；无需额外的硬件设备并且能够在手机后台执行，用户在使用手机时即可捕获行为特征来实现身份识别。

附图说明

图1是本发明基于手机用户行为特征的模型训练方法及身份验证方法的流程示意图

具体实施方式

为了使本发明的目的、技术方案以及优点更加清楚明白，以下结合附图，对根据本发明的实施例中提供的基于手机用户行为特征的身份模型训练方法及身份验证方法进一步详细说明。

基于用户的行为特征进行身份验证属于生物识别技术，即利用生物体本身的生物特征来区分个体的计算机技术。针对现有生物识别技术无法低成本地广泛应用在手机端等问题，发明人研究后发现，可以利用用户使用手机时特有的行为特征来验证手机使用者的身份，这类行为特征可以利用手机固有内置传感器进行采集，无需为手机添加额外的识别设备。

在本发明的一个实施例中，提供一种基于手机用户行为特征的身份模型训练方法，该方法主要包括采集行为特征、提取特征向量和建立身份模型。

图1示出了本发明提供的基于手机用户行为特征的身份模型训练方法及身份验证方法的流程示意图，如图1所示，本发明的身份模型训练方法包括以下步骤：

S10.行为特征的采集：使用手机固有的内在设备(加速感测器、陀螺仪、磁力计等)采集并记录用户多次操作手机过程中形成的行为数据，得到该用户的行为数据集。其中，可供采集的行为特征多种多样，能够作为生物特征来识别身份的行为特征包括但不限于以下特征：惯用倾斜角度、击键间隔时间、滑动屏幕速度和滑动轨迹等。

另外，已知在手机中安装有一个或多个APP，其中的APP包含记事本和滑动屏幕的功能。记事本功能是指用户在使用APP时可利用该记事本功能输入中英词汇；滑动屏幕功能是指用户在使用APP时可滑动手机屏幕。

当用户使用手机时，利用手机内固有的传感器，如陀螺仪，采集手机的倾斜角度；当用户使用手机中APP的记事本功能输入一段文字时，采集用户输入高频词库中的词汇时,字母之间的时间间隔，其中高频词库是指包含最常用的英语词汇的词库；当用户使用手机中的需要滑动屏幕的APP功能时，如阅读文章、浏览图片或解锁等，利用手机内固有的传感器采集用户滑动屏幕速度及滑动屏幕的轨迹。

其中，滑动屏幕速度为左右滑动屏幕的速度和上下卷动屏幕的速度。在采集滑动屏幕轨迹时，可将手机屏幕分成固定的小格并给格子编号，在滑动过程中记录下触碰到的格子编号，并将记录的格子编号记录为一维数组。例如，手机的分辨率为480*800，若每16*16个像素采样一次，共30*50个网格，为这些网格从1-1500编号，可建立一个一维数组，当滑动屏幕时判断当前点在哪个方格中，并将该方格所对应的一维数组中的值置1。

上述利用手机的内部传感器采集到的行为特征数据可记录为固定格式的行为特征集，即惯有倾斜角度(X轴、Y轴、Z轴)；左右滑动屏幕的速度(X轴、Y轴)；上下卷动屏幕的速度(X轴、Y轴)；输入字母时的字母间隔时间(△t)；滑动屏幕的轨迹(N)。

S20.特征向量的提取：针对步骤S10中采集到的以固定格式记录的行为数据集，提取行为特征向量，即该行为数据的统计描述量，得到该用户的特征向量集。根据本发明的一个实施例，通过对记录的行为特征集进行统计描述，可得到如下特征向量集：

倾斜角度(X,Y,Z)：平均值、中值、最大值、最小值、方差；

左右滑动屏幕速度(X,Y)：平均值、中值、最大值、最小值、方差；

上下卷动屏幕速度(X,Y)：平均值、中值、最大值、最小值、方差；

输入字母的间隔时间(△t)：平均值、中值、最大值、最小值、方差；

滑动屏幕的轨迹(N)：由0,1组成的一维数组。

S30.身份模型的建立：采用快速机器学习算法建立用户的身份验证模型，将步骤S20中提取的该用户的特征向量集标记为身份验证基准，对身份认证模型进行多次训练，得到该用户的身份验证模型。

其中，根据本发明的一个实施例，采用的快速机器学习算法可以为Fast-KRR算法，利用该算法可构建合法用户的身份验证模型，具体步骤如下：

S301.利用InitParam()函数进行初始化；

S302.调用load()函数加载所述特征向量集；

S303.调用fastKRR_train()函数训练所述特征向量集，得到所述身份验证模型。

上述Fast-KRR算法的详细内容可参见发表于2012年IEEE国际学术会议学报“Acoustics,Speech,and Signal Processing”的“On efficient learning andclassification kernel methods”，作者是S.-Y.Kung和P.-Y.Wu。

在本发明的另一个实施例中，上述步骤S102中的高频词库选取规则可以是从***梅隆大学的邮件数据库中随机选取一定数量的邮件，根据词汇出现的频率计算得到的；也可以是其它方法取得的高频词库或用户本人积累的常用单词组成的高频词库；

在本发明的另一个实施例中，还提供了一种基于手机用户行为特征的身份验证方法。如图1所示，具体步骤如下：

S40.采用与上述步骤S10同样的方式，采集待测用户的行为数据，得到待测用户的行为数据集；

S50.采用与上述步骤S20同样的方式，针对步骤S40得到的待测用户的行为数据集，提取待测用户的特征向量，得到待测特征向量集；

S60.将步骤S50得到的待测用户的特征向量集输入到通过上述步骤S10-S30得到的身份验证模型中，得到一个匹配度，当匹配度大于80％时，则判定待测用户为合法用户；否则判定该用户是非法用户。

尽管在上述实施例中，采用了倾斜角度、滑动屏幕速度及轨迹和击键间隔时间来进行手机用户的身份模型训练及身份验证，但本领域普通技术人员应理解在其他实施例中可以采用其他的行为特征来实现本发明提供的身份模型训练方法及身份验证方法。

相对于现有技术，在本发明实施例中所提供的手机用户的模型训练方法及身份验证方法，通过对合法用户的行为特征取样形成特征数据，利用机器学习算法训练该特征数据得到以合法用户为特征基准的身份模型，并利用该身份模型验证使用手机的用户身份是否合法，该方法使得验证过程在后台执行，且不需在手机上额外添加设备，用户在使用手机时即可实现身份识别，简单有效、易于实现且成本较低。

虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所作出的各种改变以及变化。

Claims

1.一种基于用户行为特征的模型训练方法，包括以下步骤：

步骤1)、采集用户的行为特征，将所述行为特征记录为行为数据集；

步骤2)、针对所述行为数据集提取特征向量，取得特征向量集；

步骤3)、采用快速机器学习算法建立模型，利用所述特征向量集对所述模型进行训练，得到身份验证模型。

2.根据权利要求1所述的基于用户行为特征的模型训练方法，所述行为特征包括惯用倾斜角度和/或击键间隔时间和/或滑动屏幕速度和/或滑动屏幕轨迹。

3.根据权利要求2所述的基于用户行为特征的模型训练方法，所述滑动屏幕轨迹的采集及记录方法包括：

步骤11)、将手机屏幕分成固定的小格；

步骤12)、滑动过程中记录下触碰到的格子的编号；

步骤13)、将记录的格子编号记录为一维数组。

4.根据权利要求2或3所述的基于用户行为特征的模型训练方法，所述特征向量集包括：

倾斜角度的平均值、中值、最大值、最小值、方差；和/或

滑动屏幕的轨迹是由0,1组成的一维数组。

5.根据权利要求1所述的基于用户行为特征的模型训练方法，所述快速机器学习算法为Fast-KRR算法。所述步骤3)包括：

步骤31)、利用InitParam()函数对算法所需参数进行初始化；

步骤32)、调用load()函数加载所述特征向量集；

步骤33)、调用fastKRR_train()函数训练所述特征向量集，得到所述身份验证模型。

6.根据权利要求1至5中任一项所述的基于用户行为特征的模型训练方法，所述步骤1)中利用手机内置的传感器采集所述行为特征。

7.根据权利要求6所述的基于用户行为特征的模型训练方法，所述传感器包括加速感测器、陀螺仪和磁力计。

8.根据权利要求1至7中任一项所述的基于用户行为特征的模型训练方法，其特征在于，所述身份模型训练过程在手机后台执行。

9.一种利用如权利要求1至8中任一项建立的身份验证模型来验证手机用户身份的方法，包括：

步骤a)、采集待测用户的行为数据；

步骤b)、提取所述待测用户的特征向量；

步骤d)、根据匹配结果判定待测用户是否为合法用户。

10.根据权利要求9所述的验证手机用户身份方法，其特征在于，所述验证手机用户身份过程在手机后台执行。