CN116028908A - 基于增量学习以及元学习的持续身份认证方法及相关装置 - Google Patents

Abstract

基于增量学习以及元学习的持续身份认证方法及相关装置，包括：将传感器数据进行可视化操作，判断传感器数据是否有漂移现象；构建包含离线注册阶段和在线认证阶段的基于元学习和增量学习的认证框架；根据离线注册获取每个传感器时间维度的特征以及他们不同维度之间的关联特征，根据在线认证阶段，从获取的数据中进行学习，并且进行在线的模型更新；对更新后的模型进行试验验证，得到模型能力。基于触屏行为的身份认证技术框架MetaAuth解决了长期触屏身份认证领域的难题，其次设计了基于元学习的在线更新机制AMUM用于长期持续进行身份认证这一场景下的增量学习问题，以便于提高模型的稳定性。

Description

基于增量学习以及元学习的持续身份认证方法及相关装置

技术领域

本发明涉及深度学习技术领域，具体涉及基于增量学习以及元学习的持续身份认证方法及相关装置。

背景技术

在当今社会中，手机以及平板电脑已经成为了社交，娱乐，通讯，电子商务最基本的工具，是当今社会中不可或缺的一部分。目前在全世界已经有83.72％的人拥有了智能手机，并且随着科技的不断发展智能手机的计算能力以及储存能力也在不断地被开发之中，使得越来越多的app被开发并且投入使用，例如有关于社交，网络购物，金融借贷类型等。根据统计显示，在16岁到64岁之间的互联网使用者中，将近有60％的人都进行过网上购物，目前每年的网购金额在3.8万亿左右，平均涨幅为18％，可以看出越来越多的支付行为在手机端得以进行。

人们对于智能手机的高度依赖同时也导致了每个人在其智能手机中的隐私数据收到广泛的关注。个人的隐私数据包括了手机中的银行账户，健康，就业等以及和一些政府相关的机密数据，这些都被记录在了手机中。而在一般的情况下，这些数据都是受到保护的，只有用户自身可以获取到。然而经过数据表明，有将近三分之一的用户手机出现了被盗取的情况，而其中有十分之一的用户认为自己手机里的隐私遭到了不同程度的侵犯。所以通过各种原因导致的手机隐私泄露问题，成为了困扰所有用户以及各大手机制造厂商的一大难题。

为了攻克这一难题，为了使得手机隐私问题得以解决，手机私密数据得以保护，已经进行了大量的身份认证问题。而手机身份认证问题主要指的是手机端通过较为较短的身份指示符对用户的身份进行验证。从而可以使得用户继续访问或者拒绝访问。而随着这么多年来的对问题的研究，主要有以下三种认证的方式：基于知识的认证方式，基于生物特征的身份认证方式和基于行为特征的身份认证方式；基于知识的认证方式是一种比较传统的方式，并且得到了广泛的认同，其中比较有代表性的是数字密码，图形解锁等一系列方式。因为这些方式较为简单，对学习的成本要求也比较低所以受到比较大的推广。而通过一些研究表明，如果是比较复杂的密码会大大增加用户的记忆成本，而如果选择一些比较简单的密码如“abc”或者“12345678”则安全性能会有所不足，而用户经常使用手机，他认可是利用屏幕中的污渍或者皮肤的油脂来进行破译，因此传统的方式存在着比较明显的隐患。

发明内容

本发明的目的在于提供基于增量学习以及元学习的持续身份认证方法及相关装置，以解决传统方式存在的安全性问题，以及记忆成本高的问题。

为实现上述目的，本发明采用以下技术方案：

基于增量学习以及元学习的持续身份认证方法，包括：

收集手机在使用过程中的传感器数据，将传感器数据进行可视化操作，判断传感器数据是否有漂移现象；

出现漂移现象，则构建包含离线注册阶段和在线认证阶段的基于元学习和增量学习的认证框架MetaAuth；

建立元学习模型，根据离线注册获取每个传感器时间维度的特征以及他们不同维度之间的关联特征，根据在线认证阶段，从获取的数据中进行学习，并且进行在线的模型更新；

对更新后的模型进行试验验证，得到模型能力。

进一步的，收集手机在使用过程中的传感器数据，将传感器数据进行可视化操作，判断传感器数据是否有漂移现象：

随机抽取某时段用户的手机使用时传感器数据，将该时段可分为前期，中期以及后期，然后对数据进行特征提取，在提取完特征以后，通过t-SNE方法在二维空间中将特征分别可视化出来，表示出用户之间的特征相似以及变化的情况，当用户之间特征数据发生改变，且距离越来越远，则出现漂移现象。

进一步的，离线注册阶段：

数据采集：通过选定用户触屏行为进行数据采集，当屏幕亮起的时候进行传感器采集的数据作为正样本，拿其他用户的数据作为训练的负样本；

数据预处理阶段：首先使用定长的滑动窗口将数据分为一系列会出现重复的时间段，将其作为认证的基本单元，然后将每一个时间段继续进行分割，分割为不相交的小时间段，称之为时间源，然后从时间源中提取局部的特征；

持续采集器部分：建立双通道的深度学习模型2-GCTN模型，提取每个传感器时间维度的特征以及他们不同维度之间的关联特征。

进一步的，在线认证阶段：

在此阶段使用改进的元学习方法AMUM进行在线的模型更新，包括两个部分分别组成：1.漂移检测器；2.改进的MAML更新策略；在检测的过程中，检测的时间窗口可以根据时间和数据的变化而进行更改，并且还会根据窗口内的预测结果输出出漂移信号，如果发现错线错误的概率超过了设定的阈值，即会给出发生漂移的判断。

进一步的，具体过程：

首先获取实验数据，包含来自加速度计、陀螺仪和磁力计的传感器三维数据；

设立评价指标：通过指标来衡量身份认证的场景下的准确性，指标包括：

相等错误率：错误接受率等于错误拒绝率的值，通过改变预测分数的阈值可以影响相等错误率；

错误接受率：定义为错误接受的非法样本数量与所有非法测试样本的数量；高的错误接受率表示入侵者样本的错误分离率较高；

错误拒绝率：定义为被错误拒绝的有效样本数与所有有效测试样本的数量；高的错误拒绝率表示对合法用户样本的识别较差；

认证精度方差：表示长期不同时间段认证结果分散程度的方差度量；它由每次认证相等错误率与相等错误率平均值之差的平方的平均值计算得出；低的方差反映了认证模型的稳定预测能力；

内存使用：表示模型训练和更新所占用的内存大小；

时间消耗：表示模型训练和更新所花费的时间。

进一步的，试验验证：

通过数据集中M个用户来评估认证框架2-GCTN，并对每位用户单独去训练模型和进行增量的测试，将每个用户他所对应的手机将本人设置为合法用户，而同时将其余的M-1个设置为非法用户；对于正样本的数据按照时间的顺序从每位用户中选择传感器的数据，并且将数据分割为20份，分别对应着20次的增量学习任务；负样本，在其余的的M-1名用户当中随机抽取；在训练过程中，将每一次的训练以及测试定义为一项任务，每次下一个周期的数据块首先会用于测试模型，然后再进行模型的训练以及更新。

进一步的，具体步骤：

按照时间对所有处理的数据进行排序，并且分割为相同的数据块T；

每个数据块都将是用户的正样本数据集，存在T-1个任务，每个任务包含两个时期的数据D_i以及D_i+1；

使用D_i作为训练集更新模型，然后在使用D_i+1测试其能力；

对每一个用户重复上述步骤。

进一步的，一种基于增量学习以及元学习的持续身份认证***，包括：

数据处理判断模块，用于收集手机在使用过程中的传感器数据，将传感器数据进行可视化操作，判断传感器数据是否有漂移现象；

框架搭建模块，用于出现漂移现象，则构建包含离线注册阶段和在线认证阶段的基于元学习和增量学习的认证框架MetaAuth；

模型建立模块，用于建立元学习模型，根据离线注册获取每个传感器时间维度的特征以及他们不同维度之间的关联特征，根据在线认证阶段，从获取的数据中进行学习，并且进行在线的模型更新；

验证模块，用于对更新后的模型进行试验验证，得到模型能力。

进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于增量学习以及元学习的持续身份认证方法的步骤。

进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于增量学习以及元学习的持续身份认证方法的步骤。

与现有技术相比，本发明有以下技术效果：

本发明基于深度学习以及元学习，在采集的过程中并不添加任何额外的限制条件，从而充分的反应用户真实的手机使用情况。其次还设计了一种双通道的深度学习模型2-GCTN以便于利用多传感器之间的数据关联信息。该模型可以获取到不同维度之间的数据关联信息而且还可以显著的提高在多传感器数据下对用户行为的表征能力。在最后还提出了一种基于元学习技术的增量学习机制AMUM。该机制可以利用模型学习到的知识以及新数据进行实时的更新，充分体现了模型的有效性。基于触屏行为的身份认证技术框架MetaAuth解决了长期触屏身份认证领域的难题，其次设计了基于元学习的在线更新机制AMUM用于长期持续进行身份认证这一场景下的增量学习问题，以便于提高模型的稳定性。

附图说明

图1为本发明传感器数据的可视化示意图。

图2为本发明基于元学习和增量学习的认证框架示意图。

图3为本发明长期的认证过程示意图。

图4为元学习机制对于模型进行长期认证的影响实验图。

图5为在MetaAuth中使用adaptive-MAML作为增量更新机制实验图。

图6为不同模型在使用传感器数据中身份认证的能力对比图。

具体实施方式

下面将详细描述本文的发明的实施方式以及实验步骤：

第一步：首先进行传感器数据的可视化，随机抽取了5位用户，对其在淘宝app中传感器数据的收集，总共时长分为2个月，还可以将两个月分为前期，中期以及后期。

第二步：在提取完特征以后，通过(t-SNE)方法在二维空间中将特征分别可视化出来。可以表示出这5个用户他们之间的特征相似以及变化的情况。从图1中可以清晰的看出来：在前期的时候，3号4号以及5号他们的的特征数据是比较相似的，其中5号是离1号比较的远。而到了中期的时候保持原来的特征没有太多的变化，而是1号和4号的距离发生了改变，越来越远。而到了后期，3号4号5号他们的距离也变得越来越远。所以可以看出用户的行为数据一定会随着时间的推移而发生变化，即会出现漂移的现象。

第三步：为了解决长期身份认证中的性能下降的问题，于是提出来基于元学习和增量学习的认证框架MetaAuth。整体的框架如图2所示，其中包含两个重要的组成部分非别为离线注册部分和在线认证部分。

在离线注册阶段主要是分为三步：

1.数据采集阶段：主要的途径是通过触屏行为进行数据采集，只要当屏幕亮起的时候进行传感器采集的数据作为正样本，同时也拿其他用户的数据作为训练的负样本。

2.数据预处理阶段：为了能够有效的提取出时序数据的特征，首先使用定长的滑动窗口将数据分为一系列会出现重复的时间段，将其作为认证的基本单元，然后将每一个时间段继续进行分割，分割为不相交的小时间段，称之为时间源，然后可以从时间源中提取局部的特征。

3.持续采集器部分：需要能够对时序数据场景提供一些更为准确的表现。所以设计了全新的2-GCTN模型，可以提取每个传感器时间维度的特征以及他们不同维度之间的关联特征。

而在在线认证阶段：此过程中，认证器可以不断地从新来的数据中进行学习，并且改进之前的方法进行在线的模型更新，可以使用ADWIN方法作为漂移检测器，来减少对手机端的资源消耗，来更好的更新模型。接下来会设计一个元学习模型，可以学习模型的初始化参数，还可以学习模型训练的学习率。

在此阶段使用改进的元学习方法AMUM进行在线的模型更新。它主要有两个部分分别组成：1.漂移检测器。2.改进的MAML更新策略。完全可以使用漂移检测技术来提高模型更新的效率以及他的合理性。

在检测的过程中，检测的时间窗口可以根据时间和数据的变化而进行更改，并且还会根据窗口内的预测结果输出出漂移信号，如果发现错线错误的概率超过了设定的阈值，即会给出发生漂移的判断。其次的MAML模型可以通过在任务学习中的不断优化基础模型的初始参数，从而将模型的效率提升上去。

具体实验过程：第一步：首先获取实验数据，主要是包含来自加速度计、陀螺仪和磁力计的传感器三维数据。

第二步：设立评价指标：可以通过以下指标来衡量身份认证的场景下的准确性，其中主要有：

1.相等错误率(EER)：错误接受率(FAR)等于错误拒绝率(FRR)的值，通过改变预测分数的阈值可以影响相等错误率。

2.错误接受率(FAR)：定义为错误接受的非法样本数量与所有非法测试样本的数量。较高的FAR表示入侵者样本的错误分离率较高。

3.错误拒绝率(FRR)：定义为被错误拒绝的有效样本数与所有有效测试样本的数量。较高的FRR表示对合法用户样本的识别较差。

4.认证精度方差：表示长期不同时间段认证结果分散程度的方差度量。它由每次认证EER与EER平均值之差的平方的平均值计算得出。较低的方差反映了认证模型的稳定预测能力。

5.内存使用：表示模型训练和更新所占用的内存大小。较低的内存使用量反映较少智能手机资源的消耗。

6.时间消耗：表示模型训练和更新所花费的时间。更少的训练时间意味着更快的模型更新速度。

第三步：进行试验。在实验中，通过数据集中40个用户来评估认证框架2-GCTN，并对每位用户单独去训练模型和进行增量的测试。将每个用户他所对应的手机将本人设置为合法用户，而同时将其余的39个人设置为非法用户。对于正样本的数据可以按照时间的顺序从每位用户中选择传感器的数据，并且将数据分割为20份，分别对应着20次的增量学习任务。至于负样本，在其余的的39名用户当中随机抽取。在训练过程中，可以将每一次的训练以及测试定义为一项任务。所以每次下一个周期的数据块首先会用于测试模型，然后再进行模型的训练以及更新。

具体步骤

1.按照时间对所有处理的数据进行排序，并且分割为相同的数据块T。

每个数据块都将是用户的正样本数据集。所以相应的，会存在T-1个任务，每个任务Taski包含两个时期的数据Di以及Di+1。

2.使用Di作为训练集更新模型，然后在使用Di+1测试其能力。

3.对每一个用户重复步骤1以及步骤2。

在本实验中通过了***的实验，对模型的能力，以及模型有效性还有长期的认证能力进行了分析。

首先分析不同模型在用户长期使用的情况下，模型精度下降的问题。如图3所示在长期的认证过程中，使用了LSTM，SVM，one-SVM以及2-GCTN模型，这四种模型的准确性都有所下降。究其原因主要是因为环境复杂度的提升导致了用户使用手机的行为发生了改变，进而导致了数据的分布发生了变化。其次使用了时间特性的模型LSTM和2-GCTN最初具有较好的特性，但随着数据分布的变化，与剩余的模型相比准确度下降的比例较大。

然后分析了元学习机制对于模型进行长期认证的影响。实验结果如图4所示

MetaAuth表示使用本文提出的AMUM机制进行的模型更新。从图中可以得出：当没有

Adaptive-MAML机制时，进行长期的持续认证模型的精度会降低，并且更新模型的时间会增长。因为元学习机制可以得到更好的初始化的参数，是模型更好的进行学习。所以可以看出改进了的元学习机制能够提高模型在长期进行身份认证的情况下的精准度以及模型效率。

紧接着讨论漂移检测机制AMUM的有效性。使用的新的增量更新机制AMUM主要方法是用ADWIN方法检测新批量数据的漂移情况，然后根据检测出来的结果选择模型的更新与否，这将会使得MetaAuth结构不仅能够以合理的频率去更新模型，而且变得更加的高效。使用传统的AMUM分别与2-GCTN组合使用来比较AMUM的模型能力。他们分别为Retrain-2-GCTN和MetaAuth。在MetaAuth中，使用adaptive-MAML作为增量更新机制，仅仅使用新的数据对模型进行更新。实验结果如图5所示。可以通过实验看出MetaAuth的EER非常的低，即具有较高的平均认证精度，所以模型的稳定性比较好。因为模型可以通过mata-leanring利用历史数据中的信息。可以让模型更好的学习用户的行为特征。其次还可以得到MetaAuth的更新时间是比较短的，料率方面也有不错的提升。所以可以得出结论，MetaAuth更实用与真实的手机场景。

最后讨论长期的认证能力。在实验中对比了不同模型在使用传感器数据中身份认证的能力。如图6所示，与常规的方法相比，在长期进行增量更新的情况下，所提出的模型拥有更好的精度，即最小的EER，而同时MetaAuth也拥有最好的稳定性。其次还有通过内存使用的小提琴图，我么不难发现MetaAuth的内存使用也是最低的，这可以体现出认证的过程中资源的消耗是最少的。最后亦可以看出MetaAuth的训练时间也是所有模型中时间最短的，这可以体现出MetaAuth的实时性，是最适合真实场景的模型。

本发明再一实施例中，提供一种基于增量学习以及元学习的持续身份认证***，能够用于实现上述的一种基于增量学习以及元学习的持续身份认证方法，具体的，该***包括：

数据处理判断模块，用于收集手机在使用过程中的传感器数据，将传感器数据进行可视化操作，判断传感器数据是否有漂移现象；

框架搭建模块，用于出现漂移现象，则构建包含离线注册阶段和在线认证阶段的基于元学习和增量学习的认证框架MetaAuth；

模型建立模块，用于建立元学习模型，根据离线注册获取每个传感器时间维度的特征以及他们不同维度之间的关联特征，根据在线认证阶段，从获取的数据中进行学习，并且进行在线的模型更新；

验证模块，用于对更新后的模型进行试验验证，得到模型能力。

本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种基于增量学习以及元学习的持续身份认证方法的操作。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关一种基于增量学习以及元学习的持续身份认证方法的相应步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于增量学习以及元学习的持续身份认证方法，其特征在于，包括：

收集手机在使用过程中的传感器数据，将传感器数据进行可视化操作，判断传感器数据是否有漂移现象；

出现漂移现象，则构建包含离线注册阶段和在线认证阶段的基于元学习和增量学习的认证框架MetaAuth；

建立元学习模型，根据离线注册获取每个传感器时间维度的特征以及他们不同维度之间的关联特征，根据在线认证阶段，从获取的数据中进行学习，并且进行在线的模型更新；

对更新后的模型进行试验验证，得到模型能力。

2.根据权利要求1所述的基于增量学习以及元学习的持续身份认证方法，其特征在于，收集手机在使用过程中的传感器数据，将传感器数据进行可视化操作，判断传感器数据是否有漂移现象：

随机抽取某时段用户的手机使用时传感器数据，将该时段可分为前期，中期以及后期，然后对数据进行特征提取，在提取完特征以后，通过t-SNE方法在二维空间中将特征分别可视化出来，表示出用户之间的特征相似以及变化的情况，当用户之间特征数据发生改变，且距离越来越远，则出现漂移现象。

3.根据权利要求1所述的基于增量学习以及元学习的持续身份认证方法，其特征在于，离线注册阶段：

数据采集：通过选定用户触屏行为进行数据采集，当屏幕亮起的时候进行传感器采集的数据作为正样本，拿其他用户的数据作为训练的负样本；

数据预处理阶段：首先使用定长的滑动窗口将数据分为一系列会出现重复的时间段，将其作为认证的基本单元，然后将每一个时间段继续进行分割，分割为不相交的小时间段，称之为时间源，然后从时间源中提取局部的特征；

持续采集器部分：建立双通道的深度学习模型2-GCTN模型，提取每个传感器时间维度的特征以及他们不同维度之间的关联特征。

4.根据权利要求1所述的基于增量学习以及元学习的持续身份认证方法，其特征在于，在线认证阶段：

在此阶段使用改进的元学习方法AMUM进行在线的模型更新，包括两个部分分别组成：1.漂移检测器；2.改进的MAML更新策略；在检测的过程中，检测的时间窗口可以根据时间和数据的变化而进行更改，并且还会根据窗口内的预测结果输出出漂移信号，如果发现错线错误的概率超过了设定的阈值，即会给出发生漂移的判断。

5.根据权利要求4所述的基于增量学习以及元学习的持续身份认证方法，其特征在于，具体过程：

首先获取实验数据，包含来自加速度计、陀螺仪和磁力计的传感器三维数据；

设立评价指标：通过指标来衡量身份认证的场景下的准确性，指标包括：

相等错误率：错误接受率等于错误拒绝率的值，通过改变预测分数的阈值可以影响相等错误率；

错误接受率：定义为错误接受的非法样本数量与所有非法测试样本的数量；高的错误接受率表示入侵者样本的错误分离率较高；

错误拒绝率：定义为被错误拒绝的有效样本数与所有有效测试样本的数量；高的错误拒绝率表示对合法用户样本的识别较差；

认证精度方差：表示长期不同时间段认证结果分散程度的方差度量；它由每次认证相等错误率与相等错误率平均值之差的平方的平均值计算得出；低的方差反映了认证模型的稳定预测能力；

内存使用：表示模型训练和更新所占用的内存大小；

时间消耗：表示模型训练和更新所花费的时间。

6.根据权利要求3所述的基于增量学习以及元学习的持续身份认证方法，其特征在于，试验验证：

通过数据集中M个用户来评估认证框架2-GCTN，并对每位用户单独去训练模型和进行增量的测试，将每个用户他所对应的手机将本人设置为合法用户，而同时将其余的M-1个设置为非法用户；对于正样本的数据按照时间的顺序从每位用户中选择传感器的数据，并且将数据分割为20份，分别对应着20次的增量学习任务；负样本，在其余的的M-1名用户当中随机抽取；在训练过程中，将每一次的训练以及测试定义为一项任务，每次下一个周期的数据块首先会用于测试模型，然后再进行模型的训练以及更新。

7.根据权利要求6所述的基于增量学习以及元学习的持续身份认证方法，其特征在于，具体步骤：

按照时间对所有处理的数据进行排序，并且分割为相同的数据块T；

每个数据块都将是用户的正样本数据集，存在T-1个任务，每个任务包含两个时期的数据D_i以及D_i+1；

使用D_i作为训练集更新模型，然后在使用D_i+1测试其能力；

对每一个用户重复上述步骤。

8.一种基于增量学习以及元学习的持续身份认证***，其特征在于，包括：

数据处理判断模块，用于收集手机在使用过程中的传感器数据，将传感器数据进行可视化操作，判断传感器数据是否有漂移现象；

框架搭建模块，用于出现漂移现象，则构建包含离线注册阶段和在线认证阶段的基于元学习和增量学习的认证框架MetaAuth；

模型建立模块，用于建立元学习模型，根据离线注册获取每个传感器时间维度的特征以及他们不同维度之间的关联特征，根据在线认证阶段，从获取的数据中进行学习，并且进行在线的模型更新；

验证模块，用于对更新后的模型进行试验验证，得到模型能力。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于增量学习以及元学习的持续身份认证方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于增量学习以及元学习的持续身份认证方法的步骤。

Images