CN109918873B - 利用移动终端采集用户交互行为的持续身份认证方法 - Google Patents
利用移动终端采集用户交互行为的持续身份认证方法 Download PDFInfo
- Publication number
- CN109918873B CN109918873B CN201910162379.9A CN201910162379A CN109918873B CN 109918873 B CN109918873 B CN 109918873B CN 201910162379 A CN201910162379 A CN 201910162379A CN 109918873 B CN109918873 B CN 109918873B
- Authority
- CN
- China
- Prior art keywords
- behavior
- interactive
- user
- mac address
- interaction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于移动终端交互行为的持续身份认证方法,其步骤为:(1)采集用户交互行为数据;(2)模糊化用户交互行为数据;(3)构建WiFi‑地理位置映射表;(4)生成交互事件集;(5)构建用户身份认证模型;(6)获取交互事件离异值;(7)判定交互事件的类型;(8)判定用户身份。本发明克服了现有技术采集的用户行为易遭模仿的问题和现有技术采集用户行为数据时高能耗,数据不易采集,隐私保护力度小的问题,使得本发明具有安全性,实用性和隐私性的优点。
Description
技术领域
本发明属于信息技术领域,更进一步涉及信息安全技术领域中的一种利用移动终端采集用户交互行为的持续身份认证方法。本发明利用移动终端通过采集用户打电话行为,使用应用软件行为等交互行为,实现对用户身份的持续认证。
背景技术
持续身份认证方法是基于用户独特的行为特征和认知特征,通过持续不断地收集并评估用户认证信息,旨在不干扰用户正常行为的情况下,对用户身份进行认证。现阶段,移动终端具有强大的计算能力和大量的传感器,能够持续地采集用户行为特征数据和认知特征数据,根据用户行为特征和认知特征的独特性为用户构建持续身份模型,即可实现对用户身份的持续认证。
西安交通大学在其申请的专利文献“基于触屏滑动行为特征的身份持续认证方法”(申请号2014104692764,申请公布号:CN 104239761A,申请日期2014.09.15)中提出了一种基于触屏滑动行为特征的身份持续认证方法。该方法将采集的用户触屏滑动操作数据传输到远程服务器,在远程服务器中提取滑屏操作行为特征并构建用户身份认证模型,实现对触屏设备用户的身份进行持续认证。该方法存在的不足之处有两点:其一,用户在滑屏操作时易遭偷窥且易被模仿,一旦用户滑屏操作被成功模仿,会造成身份认证失效;其二,该方法需要将滑屏特征数据传输到远程服务器,一旦远程服务器被攻破,同样会造成严重的用户隐私泄露问题。
Sara Amini等作者在其发表的论文“DeepAuth:A Framework for ContinuousUser Reauthentication in Mobile Apps.”(The 27th ACM International Conferenceon Information and Knowledge Management,会议论文集,2018年10月)中提出了一种基于用户运动行为持续身份认证方法。该方法首先提取用户运动行为的时域特征和频域特征,然后利用长短期记忆网络算法学习用户运动行为的时域特征和频域特征,建立持续身份认证模型。该方法存在的不足之处是:该方法所用的长短期机以网络算法属于二分类机器学习算法,因此利用该方法构建的持续身份认证模型属于二分类模型,该模型的构建必须建立在足够的合法用户数据和非法用户数据基础之上。然而,在实际情况下,对非法用户数据的获取能力有限,无法获取充足的非法用户数据来训练身份认证模型,进而减低持续身份认证方法的通用性。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种利用移动终端采集用户交互行为的持续身份认证方法,实现对用户身份的持续认证。
实现本发明目的的思路是,首先采集用户交互行为数据,然后对用户运动行为数据进行预处理,形成交互事件数据集,最后利用Aprior算法挖掘用户交互行为习惯模板,构建身份认证模型,实现对用户身份的认证。
实现本发明目的的具体步骤如下:
(1)利用数据采集方法,采集待认证用户连续N个交互行为,得到待认证用户交互行为集,N为区间[1,20]内的一个自然数;
(2)利用模糊化交互行为集生成方法,处理待认证用户交互行为集,生成模糊化交互行为集;
(3)构建MAC地址列表-地理位置标签映射表:
(3a)从模糊化交互行为集中提取所有的MAC地址列表,组成MAC地址列表集;
(3b)遍历MAC地址列表集,将其中存在交集的MAC地址列表合并后再存入MAC地址列表集中,直到MAC地址列表集中的MAC地址列表不存在交集为止;
(3c)分别为每个MAC地址列表赋予不同的地理位置标签,组成MAC地址列表与地理位置标签一一对应的标签映射表;
(4)利用交互事件生成方法,处理模糊化交互行为集,生成交互事件集;
(5)构建用户身份认证模型:
(5a)利用数据采集方法,采集待认证用户连续7天的交互行为数据;
(5b)利用模糊化交互行为集生成方法,处理用户7天的交互行为数据,生成模糊化交互行为集;
(5c)利用交互事件生成方法,处理模糊化交互行为集,生成交互事件集;
(5d)将交互事件集中各个交互事件重复次数与交互事件总数之比,作为各个交互事件的权重值;
(5e)剔除交互事件集中重复的交互事件,并按照交互事件、权重的顺序组成加权交互事件,将所有的加权交互事件组成加权交互事件集;
(5f)将加权交互事件集中的具有相同采用时间段的加权交互事件分为一组,得到多组不同时段的加权交互事件集;
(5g)利用基于权重的Apriori算法,对每个时段的加权交互事件进行习惯挖掘,得到用户在各个时段的行为习惯,将所有的行为习惯组成行为模板;
(5h)按照下式,计算交互事件集中每个交互事件与行为模板之间的离异程度:
其中,OF(e,T)表示第e个交互事件相对于行为模板T的离异程度;∑表示求和操作;t表示行为模板T中行为习惯的序号;表示第t个行为习惯是第e个交互事件的子集;Support(t)表示第t个行为习惯的支持度;|T|表示行为模板T中行为习惯的总数;
(5i)将交互事件集中交互事件与行为模板之间的最大离异程度,作为离异程度阈值;
(5j)将每个交互事件与行为模板之间的离异程度度量公式与离异程度阈值组合成用户身份认证模型,并将其存储在移动设备中;
(6)判定交互事件的类型:
(6a)将交互事件集中事件依次输入到用户身份认证模型中,得到每个交互事件与行为模板之间的离异程度;
(6b)将离异程度大于离异程度阈值的交互事件判定为非法事件;其余交互事件判定为合法事件;
(7)判断合法事件数是否大于非法事件数,若是,则执行步骤(1);否则,执行步骤(8);
(8)锁定移动设备,拒绝访问。
与现有技术相比,本发明具有以下优点:
第一,本发明通过采集待认证用户连续N个交互行为,以用户交互行为作为用户的认证信息,克服了现有技术中用户行为易被模仿而导致移动设备被非法访问的问题,使得本发明的认证过程具有能抵抗模仿行为攻击的安全性优点。
第二,由于本发明构建的身份认证模型存储在用户的移动终端上,持续身份认证过程不会与任何远程实体共享信息,克服了现有技术隐私泄漏的问题,使得本发明具有隐私性的优点。
第三,本发明通过采集待认证用户连续7天的交互行为数据,只需要待认证用户数据构建持续身份认证模型,不需要其他用户数据,克服了现有技术难以获取其他用户数据的导致不实用的问题,使得本发明具有实用性的优点。
附图说明
图1是本发明的流程图;
图2是本发明构建持续身份认证模型的流程图;
图3是本发明仿真结果图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1对实现本发明的具体步骤做进一步描述。
步骤1,利用数据采集方法,采集待认证用户连续N个交互行为,得到待认证用户交互行为集,N为区间[1,20]内的一个自然数。
所述的数据采集方法是利用移动设备以1分钟为一个采样周期,同步采集待认证用户所处空间中存在的所有WiFi信号的MAC地址数据、用户状态数据、应用软件名称数据;将每个周期采集的多个MAC地址组成MAC地址列表;将每个周期采集的MAC地址列表,用户状态数据,应用软件名称数据以及采样时间,按照采集时间、MAC地址列表、用户运动状态、应用软件名的顺序组合成交互行为集。
步骤2,利用模糊化交互行为集生成方法,处理待认证用户交互行为集,生成模糊化交互行为集。
所述的模糊化交互行为集生成方法是将待认证用户交互行为集中的应用软件,按照谷歌应用商店的15个类别进行划分,并将划分后的应用软件名称替换为该应用软件所属类别名称后与待认证用户交互行为集中的采集时间、MAC地址列表、用户运动状态数据组成模糊化交互行为集,所述的谷歌应用商店的15个类别包括:影音类,电话类,浏览器类,工具类,游戏类,***类,邮箱类,新闻类,地图类,应用商城类,饮食类,健康类,社交类,教育类、购物支付类。
步骤3,构建MAC地址列表-地理位置标签映射表。
从模糊化交互行为集中提取所有的MAC地址列表,组成MAC地址列表集。
将MAC地址列表集中存在交集的MAC地址列表合并后再存入MAC地址列表集中,直到MAC地址列表集中的MAC地址列表不存在交集为止。
分别为每个MAC地址列表赋予不同的地理位置标签,组成MAC地址列表与地理位置标签一一对应的标签映射表;
步骤4,利用交互事件生成方法,处理模糊化交互行为集,生成交互事件集。
所述的交互事件生成方法具体步骤如下:
第一步,从模糊化交互行为集中提取所有的MAC地址列表,组成MAC地址列表集。
第二步,根据MAC地址列表-地理位置映射表,获取MAC地址列表集中每个MAC地址列表所对应的地理位置标签,组成地理位置标签集。
第三步,从模糊化交互行为集中提取每个模糊化交互行为的采样时间,并从采样时间中获取时间段和星期信息,分别组成时间段集和星期集。
第四步,将时间段集、星期集、地理位置标签集与模糊化交互行为集中运动状态、应用类别数据组成交互事件集。
步骤5,构建用户身份认证模型:
利用数据采集方法,采集待认证用户连续7天的交互行为数据。
所述的数据采集方法是利用移动设备以1分钟为一个采样周期,同步采集待认证用户所处空间中存在的所有WiFi信号的MAC地址数据、用户状态数据、应用软件名称数据;将每个周期采集的多个MAC地址组成MAC地址列表;将每个周期采集的MAC地址列表,用户状态数据,应用软件名称数据以及采样时间,按照采集时间、MAC地址列表、用户运动状态、应用软件名的顺序组合成交互行为集。
利用模糊化交互行为集生成方法,处理用户7天的交互行为数据,生成模糊化交互行为集。
所述的模糊化交互行为集生成方法是将待认证用户交互行为集中的应用软件,按照谷歌应用商店的15个类别进行划分,并将划分后的应用软件名称替换为该应用软件所属类别名称后与待认证用户交互行为集中的采集时间、MAC地址列表、用户运动状态数据组成模糊化交互行为集,所述的谷歌应用商店的15个类别包括:影音类,电话类,浏览器类,工具类,游戏类,***类,邮箱类,新闻类,地图类,应用商城类,饮食类,健康类,社交类,教育类、购物支付类。
利用交互事件生成方法,处理模糊化交互行为集,生成交互事件集。
所述的交互事件生成方法具体步骤如下:
第一步,从模糊化交互行为集中提取所有的MAC地址列表,组成MAC地址列表集。
第二步,根据MAC地址列表-地理位置映射表,获取MAC地址列表集中每个MAC地址列表所对应的地理位置标签,组成地理位置标签集。
第三步,从模糊化交互行为集中提取每个模糊化交互行为的采样时间,并从采样时间中获取时间段和星期信息,分别组成时间段集和星期集。
第四步,将时间段集、星期集、地理位置标签集与模糊化交互行为集中运动状态、应用类别数据组成交互事件集。
将交互事件集中各个交互事件重复次数与交互事件总数之比,作为各个交互事件的权重值。
剔除交互事件集中重复的交互事件,并按照交互事件、权重的顺序组成加权交互事件,将所有的加权交互事件组成加权交互事件集。
将加权交互事件集中的具有相同采用时间段的加权交互事件分为一组,得到多组不同时段的加权交互事件集。
利用基于权重的Apriori算法,对每个时段的加权交互事件进行习惯挖掘,得到用户在各个时段的行为习惯,将所有的行为习惯组成行为模板;
所述的基于权重的Apriori算法是在Apriori算法基础上利用以下公式来计算项集支持度:
其中,Support(X)表示项集X的支持度;表示求和操作;表示第i个权重为wi的加权交互事件,contain(p,q)表示项集p和项集q包含关系的函数,如果集合q包含于集合p,则contain(p,q)=1,否则,contain(p,q)=0。
按照下式,计算交互事件集中每个交互事件与行为模板之间的离异程度:
其中,OF(e,T)表示第e个交互事件相对于行为模板T的离异程度;∑表示求和操作;t表示行为模板T中行为习惯的序号;表示第t个行为习惯是第e个交互事件的子集;Support(t)表示第t个行为习惯的支持度;|T|表示行为模板T中行为习惯的总数;
将交互事件集中交互事件与行为模板之间的最大离异程度,作为离异程度阈值。
将每个交互事件与行为模板之间的离异程度度量公式与离异程度阈值组合成用户身份认证模型,并将其存储在移动设备中。
步骤6,判定交互事件的类型。
将交互事件集中事件依次输入到用户身份认证模型中,得到每个交互事件与行为模板之间的离异程度。
判断每个交互事件与行为模板之间的离异程度是否大于离异程度阈值,若是,则该认为该交互事件是非法事件;否则认为该事件是合法事件。
步骤7,判断合法事件数是否大于非法事件数,若是,则执行步骤1;否则,执行步骤8。
步骤8,锁定移动设备,拒绝访问。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真实验条件:
本发明仿真实验中所用到的移动设备为Nokia 6,设备配置情况为,高通骁龙430处理器,内存4GB,Android7.0操作***。
2.仿真实验内容与结果分析:
本发明仿真实验是在移动设备Nokia 6上采集用户交互行为数据,在移动设备上构建用户持续身份认证模型,实现对用户身份的持续认证。本发明仿真实验具体步骤如下:
第1步,采集移动设备Nokia 6上30位用户连续30天的交互行为数据。
第2步,利用模糊化交互行为集生成方法,处理每个用户的交互行为数据,生成模糊化交互行为集。
第3步,对于每个用户,选择自身模糊化交互行为集中连续7天的数据作为训练数据集,选择自身第8天数据以及一些其他用户数据作为测试数据集,其中,用户自身数据与其他用户数据之比为9:1。
第4步,对于每个用户,利用Wifi-地理位置映射表构建方法处理训练数据集,构建自身的Wifi-地理位置映射表。
第5步,对于每个用户,利用交互事件生成方法处理训练数据集和测试数据集,分别生成训练交互事件集和测试交互事件集。
第6步,用户身份模型构建。对于每个用户,利用基于权重Apriori算法从自身的训练交互事件集中挖掘出行为模板,进而构建出用户持续身份认证模型。
第7步,选择某一用户作为待认证用户,测试交互事件集划分为多个测试交互事件组,每组包含N个交互事件,利用划分后的交互事件组来表示移动设备每次采集的交互事件集;依次将每组交互事件输入到用户持续身份认证模型中,得出每个交互事件的离异程度;如果交互事件的离异程度小于离异阈值,则认为该交互事件是合法事件;否则,认为该交互事件是非法事件。如果合法事件数大于非法事件数,则判定待认证用户为合法用户;否则,则判定待认证用户为非法用户。本仿真实验通过设置不同的交互事件组大小N,测试身份认证的准确度,找出最佳的移动设备每次采集用户交互行为数。
第8步,选择剩余用户依次作为待认证用户,重复第2步到第7步的过程,得到所有用户的平均身份认证准确度。
为证明本发明身份认证的有效性,测试在不同交互事件组大小N的条件下身份认证准确度。其中,N的取值从1变化到20,取值步长为1.
本仿真实验使用F1-score来度量本发明的准确度。图3给出了在在不同交互事件组大小下,所有用户平均身份认证的准确度结果。
从图3,可以看出,随着交互事件组大小的增加,身份认证的准确度会逐渐上升。当交互事件组大小达到10后,准确度的变化达到稳定,准确度达到98.43%。该结果验证了本发明的有效性,表明该方法可作为一种高效的移动设备使用者的身份安全认证技术。
Claims (5)
1.一种利用移动终端采集用户交互行为的持续身份认证方法,其特征在于,构建MAC地址列表-地理位置标签映射表,构建用户身份认证模型,该方法的步骤包括如下:
(1)利用数据采集方法,采集待认证用户连续N个交互行为,得到待认证用户交互行为集,N为区间[1,20]内的一个自然数;
(2)利用模糊化交互行为集生成方法,处理待认证用户交互行为集,生成模糊化交互行为集;
(3)构建MAC地址列表-地理位置标签映射表:
(3a)从模糊化交互行为集中提取所有的MAC地址列表,组成MAC地址列表集;
(3b)遍历MAC地址列表集,将其中存在交集的MAC地址列表合并后再存入MAC地址列表集中,直到MAC地址列表集中的MAC地址列表不存在交集为止;
(3c)分别为每个MAC地址列表赋予不同的地理位置标签,组成MAC地址列表与地理位置标签一一对应的标签映射表;
(4)利用交互事件生成方法,处理模糊化交互行为集,生成交互事件集;
(5)构建用户身份认证模型:
(5a)利用数据采集方法,采集待认证用户连续7天的交互行为数据;
(5b)利用模糊化交互行为集生成方法,处理用户7天的交互行为数据,生成模糊化交互行为集;
(5c)利用交互事件生成方法,处理模糊化交互行为集,生成交互事件集;
(5d)将交互事件集中各个交互事件重复次数与交互事件总数之比,作为各个交互事件的权重值;
(5e)剔除交互事件集中重复的交互事件,并按照交互事件、权重的顺序组成加权交互事件,将所有的加权交互事件组成加权交互事件集;
(5f)将加权交互事件集中的具有相同采用时间段的加权交互事件分为一组,得到多组不同时段的加权交互事件集;
(5g)利用基于权重的Apriori算法,对每个时段的加权交互事件进行习惯挖掘,得到用户在各个时段的行为习惯,将所有的行为习惯组成行为模板;
(5h)按照下式,计算交互事件集中每个交互事件与行为模板之间的离异程度:
其中,OF(e,T)表示第e个交互事件相对于行为模板T的离异程度;Σ表示求和操作;t表示行为模板T中行为习惯的序号;表示第t个行为习惯是第e个交互事件的子集;Support(t)表示第t个行为习惯的支持度;|T|表示行为模板T中行为习惯的总数;
(5i)将交互事件集中交互事件与行为模板之间的最大离异程度,作为离异程度阈值;
(5j)将每个交互事件与行为模板之间的离异程度度量公式与离异程度阈值组合成用户身份认证模型,并将其存储在移动设备中;
(6)判定交互事件的类型:
(6a)将交互事件集中事件依次输入到用户身份认证模型中,得到每个交互事件与行为模板之间的离异程度;
(6b)将离异程度大于离异程度阈值的交互事件判定为非法事件;其余交互事件判定为合法事件;
(7)判断合法事件数是否大于非法事件数,若是,则执行步骤(1);否则,执行步骤(8);
(8)锁定移动设备,拒绝访问。
2.根据权利要求1所述的利用移动终端采集用户交互行为的持续身份认证方法,其特征在于,步骤(1)、步骤(5a)中所述的数据采集方法是利用移动设备以1分钟为一个采样周期,同步采集待认证用户所处空间中存在的所有WiFi信号的MAC地址数据、用户状态数据、应用软件名称数据;将每个周期采集的多个MAC地址组成MAC地址列表;将每个周期采集的MAC地址列表,用户状态数据,应用软件名称数据以及采样时间,按照采集时间、MAC地址列表、用户运动状态、应用软件名的顺序组合成交互行为集。
3.根据权利要求1所述的利用移动终端采集用户交互行为的持续身份认证方法,其特征在于,步骤(2)、步骤(5b)中所述的模糊化交互行为集生成方法是将待认证用户交互行为集中的应用软件,按照谷歌应用商店的15个类别进行划分,并将划分后的应用软件名称替换为该应用软件所属类别名称后与待认证用户交互行为集中的采集时间、MAC地址列表、用户运动状态数据组成模糊化交互行为集,所述的谷歌应用商店的15个类别包括:影音类,电话类,浏览器类,工具类,游戏类,***类,邮箱类,新闻类,地图类,应用商城类,饮食类,健康类,社交类,教育类、购物支付类。
4.根据权利要求1所述的利用移动终端采集用户交互行为的持续身份认证方法,其特征在于,步骤(4)、步骤(5c)中所述的交互事件生成方法具体步骤如下:
第一步,从模糊化交互行为集中提取所有的MAC地址列表,组成MAC地址列表集;
第二步,根据MAC地址列表-地理位置映射表,获取MAC地址列表集中每个MAC地址列表所对应的地理位置标签,组成地理位置标签集;
第三步,从模糊化交互行为集中提取每个模糊化交互行为的采样时间,并从采样时间中获取时间段和星期信息,分别组成时间段集和星期集;
第四步,将时间段集、星期集、地理位置标签集与模糊化交互行为集中运动状态、应用类别数据组成交互事件集。
5.根据权利要求1所述的利用移动终端采集用户交互行为的持续身份认证方法,其特征在于,步骤(5g)中所述的基于权重的Apriori算法具体步骤如下:
第一步,根据实际需求,设定最小支持度阈值;
第二步,扫描加权交互事件集,得到候选1-项集集合;
第三步,利用权重项集支持度计算公式,计算候选1-项集中项集的支持度,所述权重项集支持度计算公式是:
其中,Support(X)表示项集X的支持度;表示求和操作;表示第i个权重为wi的加权交互事件,contain(p,q)表示项集p和项集q包含关系的函数,如果集合q包含于集合p,则contain(p,q)=1,否则,contain(p,q)=0;
第四步,删除候选1-项集中项集支持度小于最小支持度阈值的项集,得到频繁1-项集;
第五步,将频繁1-项集中两两项取交集,获得候选2-项集;
第六步,用权重项集支持度计算公式,计算候选2-项集中项集的支持度;
第七步,删除候选2-项集中项集支持度小于最小支持度阈值的项集,得到频繁2-项集;
第八步,根据第二步到第七步的过程,依次类推,将频繁k-1项集中每个项集与频繁1-项集两两取交集,得到候选k项集,在候选k项集中删除小于最小支持度阈值的项集,得到频繁k项集,直到不再有频繁项集产生为止,k为区间[2,4]内的一个自然数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910162379.9A CN109918873B (zh) | 2019-03-05 | 2019-03-05 | 利用移动终端采集用户交互行为的持续身份认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910162379.9A CN109918873B (zh) | 2019-03-05 | 2019-03-05 | 利用移动终端采集用户交互行为的持续身份认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109918873A CN109918873A (zh) | 2019-06-21 |
CN109918873B true CN109918873B (zh) | 2022-12-06 |
Family
ID=66963269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910162379.9A Active CN109918873B (zh) | 2019-03-05 | 2019-03-05 | 利用移动终端采集用户交互行为的持续身份认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918873B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI533159B (zh) * | 2013-10-18 | 2016-05-11 | 國立臺灣科技大學 | 用於電腦的持續性身分驗證方法 |
CN104239761B (zh) * | 2014-09-15 | 2017-06-27 | 西安交通大学 | 基于触屏滑动行为特征的身份持续认证方法 |
CN105337987B (zh) * | 2015-11-20 | 2018-07-03 | 同济大学 | 一种网络用户身份认证方法及*** |
-
2019
- 2019-03-05 CN CN201910162379.9A patent/CN109918873B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109918873A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229130B (zh) | 一种验证方法及装置 | |
CN108491720B (zh) | 一种应用识别方法、***以及相关设备 | |
CN109379377A (zh) | 加密恶意流量检测方法、装置、电子设备及存储介质 | |
CN111818198B (zh) | 域名检测方法、域名检测装置和设备以及介质 | |
CN106874253A (zh) | 识别敏感信息的方法及装置 | |
WO2014078154A4 (en) | Generating challenge questions inferred from user history data | |
CN106126741B (zh) | 一种基于大数据的电网信息安全可信工作*** | |
CN109684812B (zh) | 一种移动设备采集用户运动行为的持续身份认证方法 | |
Wang et al. | Improving reliability: User authentication on smartphones using keystroke biometrics | |
Chandramouli | Emerging social media threats: Technology and policy perspectives | |
CN105337987A (zh) | 一种网络用户身份认证方法及*** | |
Acien et al. | BeCAPTCHA: Detecting human behavior in smartphone interaction using multiple inbuilt sensors | |
CN109495513A (zh) | 无监督的加密恶意流量检测方法、装置、设备及介质 | |
Rahman et al. | New biostatistics features for detecting web bot activity on web applications | |
CN112488163A (zh) | 一种异常账号的识别方法、装置、计算机设备及存储介质 | |
EP3783543A1 (en) | Learning system, learning method, and program | |
Mondal et al. | A continuous combination of security & forensics for mobile devices | |
Bródka et al. | Profile cloning detection in social networks | |
He et al. | Analysis of factors affecting the coordinated development of urbanization and the ecological resource environment in southwest China based on data mining | |
CN113704373A (zh) | 基于移动轨迹数据的用户识别方法、装置及存储介质 | |
CN110197375A (zh) | 一种相似用户识别方法、装置、相似用户识别设备和介质 | |
CN109918873B (zh) | 利用移动终端采集用户交互行为的持续身份认证方法 | |
Pang et al. | Mineauth: Mining behavioural habits for continuous authentication on a smartphone | |
Albayram et al. | Evaluating the effectiveness of using hints for autobiographical authentication: A field study | |
CN109636233A (zh) | 基于构建的对比阈值识别行为特征可信度的方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |