CN104268481A - 一种实现智能手机预警的方法及装置 - Google Patents

Abstract

本发明公开了一种实现智能手机预警的方法及装置，包括根据用户在使用智能手机中所产生的用户行为数据获取用户历史行为信息；根据获得的用户历史行为信息识别当前用户行为是否是可疑行为；对可疑行为进行告警处理。本发明方法通过对智能手机的用户在使用智能手机中所产生的用户行为的不断学习和修正，得到属于该智能手机的用户的正常的用户行为信息以及正常行为的边界值(即用户行为阈值)，这样，只要在对当前用户行为识别时，发现当前用户行为超出了正常行为的边界值，即立刻进行用户行为异常的告警处理，及时地实现了对移动手机的安全性做出预警，而且，由于实时性高，也有效地保证了智能手机的安全性。

Description

一种实现智能手机预警的方法及装置

技术领域

本发明涉及移动终端技术，尤指一种实现智能手机预警的方法及装置。

背景技术

随着移动互联网的快速发展，智能手机得到了大量的使用。而智能手机的安全问题也逐步出现，尤其近来互联网金融的兴起，手机中存储的用户隐私如涉及的动辄上万的投资理财信息，其安全问题更加不容小视。据统计，在中国每天都有1千部手机被丢失，而手机丢失后，用户隐私极易被侵犯。

目前，关于手机防盗的很多解决方案都是基于用户主动控制型思路，比如：用户发现手机失窃后，发送指令到手机，让手机定位、拍照、抹去记录等等。目前实现智能手机告警的方式，一方面，由于需要用户进行主动发起指令，这时手机很可能已经失窃很久了，因此是不及时的；另一方面，由于实时性不够，等用户发现时，很有可能小偷已经拔出sim卡使得手机无法通信，用户的指令无法传达，也就是说，不能有效地保证手机的安全性。

发明内容

为了解决上述技术问题，本发明提供了一种实现智能手机预警的方法及装置，能够对移动手机的安全性做出及时、有效地预警。

为了达到本发明目的，本发明提供了一种实现智能手机预警的方法，包括：根据用户在使用智能手机中所产生的用户行为数据获取用户历史行为信息；

根据获得的用户历史行为信息识别当前用户行为是否是可疑行为；

对可疑行为进行告警处理。

采用质量阈值聚类算法获取所述用户历史行为信息。

所述采用质量阈值聚类算法获取所述用户历史行为信息包括：

对所述用户行为数据进行特征抽取，提取出各个用户行为数据中具有代表性的数据组成用户行为特征；

通过模式学习，对提取的用户行为特征获取一系列的表示用户行为是否可疑的用户行为阈值。

所述识别当前用户行为是否是可疑行为包括：

比较所述当前用户行为数据和当前用户的所述用户行为特征，如果所述当前用户行为都超出对应的所述用户行为阈值，识别出当前用户行为为可疑行为。

所述对可疑行为进行告警处理包括：

向所述智能手机发送通知用户当前用户行为为可疑行为的告警通知，同时，将告警通知发送给与所述智能手机用户关联的其他移动终端或者账户邮箱。

所述用户行为阈值为单一用户行为数据的阈值，和/或多重用户行为数据的组合阈值；

所述用户行为特征包括地理位置特征，加速度传感器特征，用户交互特征。

本发明还提供了一种实现智能手机预警的装置，至少包括处理模块、识别模块，以及告警处理模块；其中，

处理模块，用于接收来自智能手机的用户在使用智能手机中所产生的用户行为数据，根据接收到的用户行为数据获取用户历史行为信息；

识别模块，用于接收来自智能手机的用户在使用智能手机中所产生的用户行为数据，以及来自处理模块的用户历史行为信息；根据接收到的用户历史行为信息识别当前用户行为是否是可疑行为，在识别出当前用户行为为可疑行为时，向告警处理模块输出异常通知；

告警处理模块，用于在接收到异常通知时，对可疑行为进行告警处理。

所述处理模块具体用于：接收来自智能手机的用户在使用智能手机中所产生的用户行为数据；对接收到的用户行为数据进行特征抽取，提取出各个用户行为数据中具有代表性的数据组成用户行为特征；通过模式学习，对用户行为特征获取一系列的表示用户行为是否可疑的用户行为阈值；

所述识别模块具体用于：比较接收到的当前用户行为数据和当前用户的用户行为特征，如果当前用户行为都超出对应的用户行为阈值，则识别出当前用户行为为可疑行为，向告警处理模块输出异常通知。

所述告警处理模块具体用于：向所述智能手机发送通知用户当前用户行为为可疑行为的告警通知，同时，将告警通知发送给与所述智能手机用户关联的其他移动终端或者账户邮箱。

所述用户行为阈值为单一用户行为数据的阈值，和/或多重用户行为数据的组合阈值；

所述用户行为特征包括地理位置特征，加速度传感器特征，用户交互特征

与现有技术相比，本发明包括根据用户在使用智能手机中所产生的用户行为数据获取用户历史行为信息；根据获得的用户历史行为信息识别当前用户行为是否是可疑行为；对可疑行为进行告警处理。本发明方法通过对智能手机的用户在使用智能手机中所产生的用户行为的不断学习和修正，得到属于该智能手机的用户的正常的用户行为信息以及正常行为的边界值(即用户行为阈值)，这样，只要在对当前用户行为识别时，发现当前用户行为超出了正常行为的边界值，即立刻进行用户行为异常的告警处理，及时地实现了对移动手机的安全性做出预警，而且，由于实时性高，也有效地保证了智能手机的安全性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为本发明实现智能手机预警的方法的流程图；

图2为本发明利用质量阈值聚类算法确定用户行为特征和用户行为阈值的示意图；

图3为本发明实现智能手机预警的系统的组成结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1为本发明实现智能手机预警的方法的流程图，如图1所示，包括：

步骤100：根据用户在使用智能手机中所产生的用户行为数据获取用户历史行为信息。

智能手机对用户在使用中所产生的用户行为数据的收集，具体实现属于本领域技术人员的惯用技术手段，并不用于限定本发明的保护范围，这里不再赘述。其中，用户行为数据是用户使用智能手机时所产生的相关数据，包括但不限于：位置信息，手势信息，拼写语法信息，网络流量信息，光线传感器所产生的信息，加速度传感器所产生的数据信息等。

本步骤中的获取用户历史行为信息的过程是一个不断学习和修正的过程，具体包括：对用户行为数据进行特征抽取，即提取出各个用户行为数据中具有代表性的数据组成用户行为特征(B1，B2，B3…Bn)；通过模式学习，对用户行为特征获取一系列的表示用户行为是否可疑的用户行为阈值(T1，T2，T3…Tn)。其中，

用户行为特征可以包括地理位置特征，加速度传感器特征，用户交互特征等多方面内容。

用户行为阈值可以是单一用户行为数据的阈值，也可以是多重用户行为数据的组合阈值。比如：在某个环境噪音较高的地点跑步可能是正常行为，但是如果在环境噪音较低的另一个地点跑步则可能是可疑行为，这个例子中就运用到了加速度传感器，声音传感器和位置信息等多重用户行为数据。

其中，对用户行为数据进行特征抽取，即提取出各个用户行为数据中具有代表性的数据组成用户行为特征(B1，B2，B3…Bn)；通过模式学习，在合理范围内对用户行为特征获取一系列的表示用户行为是否可疑的用户行为阈值(T1，T2，T3…Tn)，具体实现可以采用本领域技术人员熟知的质量阈值聚类算法(quality threshold clustering algorithm)来实现，质量阈值聚类算法能够根据用户行为数据计算得出用户行为特征(B1，B2，B3…Bn)以及用户行为阈值(T1，T2，T3…Tn)，这里不再赘述。

需要说明的是，用户行为特征和用户行为阈值不是一个，而是一组向量，即B1和T1是一组，B2和T2是一组，使用时是配合使用的。

举个例子来看，假设用户行为数据包括有：位置信息数据，和加速度传感器信息数据。以位置信息数据为横轴，以加速度传感器数据为纵轴，按照质量阈值聚类算法，即可获得如图2所示的两幅二维的数据图，图2为本发明利用质量阈值聚类算法确定用户行为特征和用户行为阈值的示意图：

首先，将处于极端位置的数据点打上一类标签，如图2中的空心圆点表示的数据点，而其他的数据点打上另一类标签，如图2中的实心圆点表示的数据点；取二者之间最近的距离为用户行为阈值，如图2中AB两数据点之间的距离；然后，选择数据点A加入聚类1，将所有与数据点A的距离小于用户行为阈值的点都加入聚类1，即形成聚类1。接着，选择数据点C加入聚类2，并将所有与数据点C的距离小于用户行为阈值的点都加入聚类2(已经加入聚类1的点不算)，即形成聚类2。以此类推，直到所有的数据点都在某个聚类中；

聚类形成完毕后，生成用户行为特征数据，在本实施例中，可以选取每个聚类的中心数据点作为该聚类的用户行为特征数据。从而生成用户行为特征(B1，B2，B3…Bn)以及用户行为阈值(T1，T2，T3…Tn)。

也就是说，首先按照数据的大小分为正负两种数据，处于极端位置的那一部分数据标注为负数据(即图2中的空心圆点)，剩下的数据标注为正数据(即为图2中的实心圆点)，随机选择一个实心圆点，然后选择与该实心圆点最近的空心圆点，取二者的距离为阈值，将与该实心圆点距离小于阈值的所有点都划分到该组数据中，即形成了一个圆圈(也就是聚类)，取圆圈的中心点为用户行为特征数据即B1，取该阈值为用户行为阈值即T1。然后，按照上面的方式将所有的点都划分到一个聚类里，即可以形成若干个聚类，即可获得一组中心点B1，B2…Bn，即为用户行为特征，和一组阈值T1，T2…Tn，即为用户行为阈值。

本步骤强调的是，根据用户在使用智能手机中所产生的用户行为数据获取用户行为特征，并确定出用于识别当前用户行为是否为可以行为的条件。需要说明的是，本步骤的具体实现是对智能手机用户的行为不断学习和修正的过程，因此，本领域技术人员容易知道，需要对所有用户行为数据，以及获得的用户历史行为信息进行存储，以便后续识别时使用。

步骤101：根据获得的用户历史行为信息识别当前用户行为是否是可疑行为。

本步骤具体包括：比较当前用户行为数据和该当前用户的所有用户行为特征，如果当前用户行为并不符合通过不断学习和修正的过程获得的任何一个种类的用户行为特征，即当前用户行为都超出了用户行为阈值，则识别出当前用户行为为可疑行为。如果当前用户行为数据落在用户行为阈值内，则识别出当前用户行为为正常行为。

也就是说，通过步骤100中将历史行为的点在坐标系中划分为一个一个的圆圈，圆圈的中心点就是用户行为特征，圆圈的半径就是用户行为阈值。本步骤中，将当前的用户行为的点标注到坐标系中，是否所有的点都在圆圈中，如果有一些点在圆圈外，则判断其为可疑行为。

步骤102：对可疑行为进行告警处理。

向智能手机发送告警通知，以通知用户当前用户行为为可疑行为，同时，将告警通知发送给与该智能手机用户关联的其他移动终端或者账户邮箱。

本发明方法通过对智能手机的用户在使用智能手机中所产生的用户行为的不断学习和修正，得到属于该智能手机的用户的正常的用户行为信息以及正常行为的边界值(即用户行为阈值)，这样，只要在对当前用户行为识别时，发现当前用户行为超出了正常行为的边界值，即立刻进行用户行为异常的告警处理，及时地实现了对移动手机的安全性做出预警，而且，由于实时性高，也有效地保证了智能手机的安全性。

图3为本发明实现智能手机预警的装置的组成结构示意图，如图3所示，至少包括处理模块、识别模块，以及告警处理模块；其中，

处理模块，用于接收来自智能手机的用户在使用智能手机中所产生的用户行为数据，根据接收到的用户行为数据获取用户历史行为信息；

识别模块，用于接收来自智能手机的用户在使用智能手机中所产生的用户行为数据，以及来自处理模块的用户历史行为信息；根据接收到的用户历史行为信息识别当前用户行为是否是可疑行为，在识别出当前用户行为为可疑行为时，向告警处理模块输出异常通知；

告警处理模块，用于在接收到异常通知时，对可疑行为进行告警处理。具体用于：向智能手机发送告警通知，以通知用户当前用户行为为可疑行为，同时，将告警通知发送给与该智能手机用户关联的其他移动终端或者账户邮箱

具体地，

处理模块具体用于：接收来自智能手机的用户在使用智能手机中所产生的用户行为数据；对接收到的用户行为数据进行特征抽取，提取出各个用户行为数据中具有代表性的数据组成用户行为特征(B1，B2，B3…Bn)；通过模式学习，对用户行为特征获取一系列的表示用户行为是否可疑的用户行为阈值(T1，T2，T3…Tn)；相应地，

识别模块具体用于：比较接收到的当前用户行为数据和该当前用户的所有用户行为特征，如果当前用户行为不符合任何一个种类的用户行为特征，即当前用户行为都超出了对应的用户行为阈值，则识别出当前用户行为为可疑行为，向告警处理模块输出异常通知。

虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种实现智能手机预警的方法，其特征在于，包括：根据用户在使用智能手机中所产生的用户行为数据获取用户历史行为信息；

根据获得的用户历史行为信息识别当前用户行为是否是可疑行为；

对可疑行为进行告警处理。

2.根据权利要求1所述的方法，其特征在于，采用质量阈值聚类算法获取所述用户历史行为信息。

3.根据权利要求2所述的方法，其特征在于，所述采用质量阈值聚类算法获取所述用户历史行为信息包括：

对所述用户行为数据进行特征抽取，提取出各个用户行为数据中具有代表性的数据组成用户行为特征；

通过模式学习，对提取的用户行为特征获取一系列的表示用户行为是否可疑的用户行为阈值。

4.根据权利要求3所述的方法，其特征在于，所述识别当前用户行为是否是可疑行为包括：

比较所述当前用户行为数据和当前用户的所述用户行为特征，如果所述当前用户行为都超出对应的所述用户行为阈值，识别出当前用户行为为可疑行为。

5.根据权利要求1所述的方法，其特征在于，所述对可疑行为进行告警处理包括：

向所述智能手机发送通知用户当前用户行为为可疑行为的告警通知，同时，将告警通知发送给与所述智能手机用户关联的其他移动终端或者账户邮箱。

6.根据权利要求1～5任一项所述的方法，其特征在于，所述用户行为阈值为单一用户行为数据的阈值，和/或多重用户行为数据的组合阈值；

所述用户行为特征包括地理位置特征，加速度传感器特征，用户交互特征。

7.一种实现智能手机预警的装置，其特征在于，至少包括处理模块、识别模块，以及告警处理模块；其中，

处理模块，用于接收来自智能手机的用户在使用智能手机中所产生的用户行为数据，根据接收到的用户行为数据获取用户历史行为信息；

识别模块，用于接收来自智能手机的用户在使用智能手机中所产生的用户行为数据，以及来自处理模块的用户历史行为信息；根据接收到的用户历史行为信息识别当前用户行为是否是可疑行为，在识别出当前用户行为为可疑行为时，向告警处理模块输出异常通知；

告警处理模块，用于在接收到异常通知时，对可疑行为进行告警处理。

8.根据权利要求7所述的装置，其特征在于，

所述处理模块具体用于：接收来自智能手机的用户在使用智能手机中所产生的用户行为数据；对接收到的用户行为数据进行特征抽取，提取出各个用户行为数据中具有代表性的数据组成用户行为特征；通过模式学习，对用户行为特征获取一系列的表示用户行为是否可疑的用户行为阈值；

所述识别模块具体用于：比较接收到的当前用户行为数据和当前用户的所述用户行为特征，如果当前用户行为都超出对应的用户行为阈值，则识别出当前用户行为为可疑行为，向告警处理模块输出异常通知。

9.根据权利要求7所述的装置，其特征在于，所述告警处理模块具体用于：向所述智能手机发送通知用户当前用户行为为可疑行为的告警通知，同时，将告警通知发送给与所述智能手机用户关联的其他移动终端或者账户邮箱。

10.根据权利要求7～9任一项所述的装置，其特征在于，所述用户行为阈值为单一用户行为数据的阈值，和/或多重用户行为数据的组合阈值；

所述用户行为特征包括地理位置特征，加速度传感器特征，用户交互特征。