CN107273728A - 基于运动传感行为特征的智能手表解锁和认证方法 - Google Patents
基于运动传感行为特征的智能手表解锁和认证方法 Download PDFInfo
- Publication number
- CN107273728A CN107273728A CN201710314023.3A CN201710314023A CN107273728A CN 107273728 A CN107273728 A CN 107273728A CN 201710314023 A CN201710314023 A CN 201710314023A CN 107273728 A CN107273728 A CN 107273728A
- Authority
- CN
- China
- Prior art keywords
- motor behavior
- user
- motion
- behavior
- intelligent watch
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Abstract
本发明公开了一种基于运动传感行为特征的智能手表解锁和认证方法,分析用户根据提示进行运动行为在智能手表上时产生传感器数据,将运动行为划分为多种运动行为模式,提取每种运动行为模式下的行为特征,并基于行为特征建立每种行为模式下的用户身份模型,采用窗口平均的方法对智能手表用户的身份进行认证。本发明方法运动行为无需记忆和携带,行为数据的采集方便自然,且能够实现非侵犯性的解锁和认证;此外,采用对不同类型运动行为分别进行建模及窗口认证的方法可保证认证模型的稳定性,能更好地体现用户的运动行为特性,并显著地提高解锁和认证的鲁棒性和容错性。
Description
技术领域
本发明属于智能手表安全防护技术领域,特别涉及一种智能手表使用者的安全解锁和认证方法。
背景技术
随着社会信息化和智能化大潮的推进,智能手表(如Apple Watch及华为Watch)已经渗透到人们生活的各个方面,越来越多的个人信息(如短信、电子邮件、图片等)和敏感信息(如银行账号、办公资料等)被存储于智能手表之中。此外,智能手表上商务应用的日益流行及隐私信息泄露事件的频频发生,使得智能手表的安全防护问题逐渐进入大众的视野。
现有的智能手表的解锁和认证方式主要为密码、九宫格图形锁、指纹三种。然而,前两种方式容易受到观察攻击和猜测攻击,从而被攻击者盗取解锁方式;指纹认证方式需要特殊的硬件支持;且这几种方式要求用户在大小受限手表屏幕上进行操作,失误率较高,使用户体验受到损害。
发明内容
本发明的目的是提供一种利用运动传感行为特征认证智能手表用户身份的方法,以解决上述技术问题。
为达到以上目的,本发明是采取如下技术方案实现的:
一种基于运动传感行为特征的智能手表解锁和认证方法,包括以下步骤:
第一步,用户身份模型构建:
1.1)在用户得到智能手表后,用户根据智能手表设定的流程进行相应手部运动,智能手表采集并记录用户的手部运动数据,形成用户运动行为的训练数据集;
1.2)针对每次手部运动,根据事先设定的标记,归类为多种运动行为模式;
1.3)针对每种运动行为模式下的惯性传感器数据,提取特征向量,根据最小距离原则选取参考特征向量,对每个运动行为的特征向量进行距离度量,得到每个运动行为的距离特征向量,形成每个运动行为模式下的运动行为训练特征集合;
1.4)将步骤1.1)的用户的训练特征集合标记为正类,采用单类分类器对每种运动行为模式构建合法用户的身份模型,步骤1.1)的用户设定每种运动行为模式对应的合法用户的身份判定阈值;
第二步,操作者解锁进行身份认证:
2.1用户登入智能手表后,智能手表按设定的顺序提示用户进行相应动作,智能手表捕获用户的手部运动数据,依次以长度为L的观测窗口形成包含N个运动行为的用户运动行为块;
2.2)针对运动行为块中的每个运动行为,根据事先确定的顺序对其进行标记,提取运动行为的特征向量,与身份模型构建时获得的对应运动行为模式的参考特征向量进行距离度量,得到运动行为的距离特征向量;
2.3)针对运动行为块中的每个运动行为,将其距离特征向量作为运动行为对应的身份模型的输入,得到每个运动行为的检测值,并将该检测值与对应的合法用户的身份判定阈进行比较,判定每个运动行为的异常性;
2.4)对当前用户身份合法性进行判定:若在N次运动行为中监测到M次异常行为,M小于N,则判定当前用户为非法用户;反之则判定当前用户为合法用户,智能手表解锁。
进一步的,所述多种运动行为模式包括:抬手、握拳、挥手和伸臂。
进一步的,合法用户身份模型包括:抬手运动模型、握拳运动模型、挥手运动模型和伸臂运动模型。
进一步的,步骤1.1)和步骤2.1)中的用户的手部运动数据为运动行为数据点所组成的序列,格式为:{时间,x方向加速度,y方向加速,z方向加速度,x方向角速度,y方向角速度,z方向角速度,手部运动模式},其中手部运动模式指的是所提示事件序列中规定的运动模式标记。
进一步的,步骤1.3)和步骤1.2)中的运动行为的特征向量是指由运动行为在惯性传感器所产生的时空轨迹曲线所衍生出的一系列行为测量量,包括统计特征、频域特征和小波特征,具体如下:
统计特征包括:
各传感器各方向上数据序列的均值;
各传感器各方向上数据序列的最小值;
各传感器各方向上数据序列的最大值;
各传感器各方向上数据序列的极差;
各传感器各方向上数据序列的方差;
各传感器各方向上数据序列的峰度;
各传感器各方向上数据序列的偏度;
各传感器各方向上数据序列的过零点率;
频域特征包括:
各传感器各方向上数据序列的能量;
各传感器各方向上数据序列的熵;
小波特征包括:
各传感器各方向上数据序列小波分解后各级成分的占比。
进一步的,步骤1.3)中根据最小距离原则选取参考特征向量的方法为:在每种运动行为模式的运动行为训练数据中,采用欧式距离计算每个运动行为的特征向量到训练数据中其它运动传感行为特征向量的距离,形成距离向量,选择距离向量模最小的特征向量作为该运动行为模式的参考特征向量。
进一步的,步骤1.4)中的构建用户身份模型由一种或多种单类分类器联合实现,所述单类分类器包括单分类支持向量机、单分类神经网络、单分类最近邻分类器。
8、根据权利要求1所述的一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,步骤1.2)具体包括:
1.2.1),生成多组运动模式标记,代表期望用户进行的运动;
1.2.2),用户根据提示进行相应的运动,智能手表捕获惯性传感器数据,并加入类别标记;
1.2.3),形成不同运动行为模式下的运动行为训练数据集,运动行为模式包括:抬手运动、握拳运动、挥手运动、伸臂运动;
步骤1.3)具体包括:
1.3.1),针对每种运动行为模式下的训练数据集,提取运动传感行为特征向量,具体为运动行为在惯性传感器上产生的时空轨迹曲线所衍生出的一系列行为测量量,包括:统计特征、频域特征和小波特征三类;其中,统计特征是对一次运动行为产生数据点的统计描述,包括各传感器各方向上数据序列的均值、最小值、最大值、极差、方差、峰度、偏度和过零率;频域特征是对一次运动行为过程的频域描述,包括各传感器各方向上数据序列的能量和熵;小波特征是对一次运动行为过程在各频段的分布的描述,其计算方法为对运动序列进行八级小波分解,提取各级小波信号的能量占比作为特征;
1.3.2),采用欧式距离计算每个运动行为的特征向量到对应运动行为模式下的训练数据中其它运动传感行为特征向量的距离,得到维度为S-1的距离向量,其中S表示训练集合中特征向量的个数;
1.3.3),计算每个距离向量的模,选择向量模值最小的特征向量作为参考特征向量;
1.3.4),计算每个行为的特征向量和对应运动行为模式中的参考特征向量的差值向量,作为该行为的距离特征向量,接着形成每个运动行为模式下运动行为训练特征集合。
与现有技术相比,本发明具有以下有益效果:
首先智能手表用户解锁和认证的依据可以从智能手表内置的惯性传感器获得,无需配备额外的仪器以及设备;其次,智能手表用户的解锁和认证基于用户行为特征,无需记忆或携带,很难进行模仿和伪造;另外,可在用户操作智能手表的过程中持续地捕获用户产生的行为信息,且无需用户额外的配合,因此能够实现非干扰性的解锁和认证。
附图说明
下面结合附图及具体实施方式对本发明做进一步的详细描述。
图1是本发明方法的总体流程示意图。
图2是图1认证过程中数据捕获的具体流程示意图。
图3是图1用户身份模型构建中基于运动行为的距离特征向量生成的具体流程示意图。
图4是图1用户身份模型构建中基于运动传感行为特征构建身份模型的具体流程示意图。
图5、图6是采用本发明进行用户解锁和认证的实验结果图。
具体实施方式
参见图1,本发明一种基于运动传感行为特征的智能手表解锁和认证方法,用于智能手表操作者身份合法性的认证,实现对智能手表内部存储的敏感信息的安全防护。
本发明包含用户身份模型构建和用户解锁和认证两个部分,具体的实施步骤如下:
1、用户身份模型构建:
(1)在用户得到智能手表后,按一定流程采集并记录用户的手部运动数据,形成用户运动行为的训练数据集;运动行为数据的格式为:{时间,x方向加速度,y方向加速,z方向加速度,x方向角速度,y方向角速度,z方向角速度,手部运动模式},其中手部运动模式指的是所提示事件序列中规定的运动模式标记;
(2)根据设定的运动事件顺序对训练数据集中的运动行为进行归类(参见图2)。具体为:
第一步,生成多组运动模式标记,代表期望用户进行的运动;
第二步,用户根据提示进行相应的运动,智能手表捕获惯性传感器数据,并加入类别标记;
第三步,形成不同运动行为模式下的运动行为训练数据集,运动行为模式包括:抬手运动、握拳运动、挥手运动、伸臂运动等。
(3)针对每种运动行为,提取特征向量并选取参考特征向量,得到每个运动行为的距离特征向量(参见图3)。具体为:
第一步,针对每种运动行为模式下的训练数据集,提取运动传感行为特征向量,具体为运动行为在惯性传感器上产生的时空轨迹曲线所衍生出的一系列行为测量量,包括统计特征、频域特征和小波特征三类。其中,统计特征是对一次运动行为产生数据点的统计描述,包括各传感器各方向上数据序列的均值、最小值、最大值、极差、方差、峰度、偏度和过零率;频域特征是对一次运动行为过程的频域描述,包括各传感器各方向上数据序列的能量和熵;小波特征是对一次运动行为过程在各频段的分布的描述,其计算方法为对运动序列进行八级小波分解,提取各级小波信号的能量占比作为特征。
第二步,采用欧式距离计算每个运动行为的特征向量到对应运动行为模式下的训练数据中其它运动传感行为特征向量的距离,得到维度为(S-1)的距离向量,其中S表示训练集合中特征向量的个数。
第三步,计算每个距离向量的模,选择向量模值最小的特征向量作为参考特征向量;
第四步,计算每个行为的特征向量和对应运动行为模式中的参考特征向量的差值向量,作为该行为的距离特征向量,接着形成每个运动行为模式下运动行为训练特征集合;
(4)将合法用户的训练特征集合标记为正类,采用单类分类器对每种运动行为模式(抬手运动、握拳运动、挥手运动、伸臂运动等)构建合法用户的身份模型(参见图4),包括多个身份子模型:抬手运动模型、握拳运动模型、挥手运动模型、伸臂运动模型等,合法用户设定合法用户在每种运动行为模式下的身份判定阈值。
2、操作者解锁进行身份认证:
(1)用户登入智能手表后,按一定的顺序提示用户进行相应动作,智能手表捕获用户的运动行为,依次以长度为L的观测窗口形成包含N个运动行为的用户运动行为块;
(2)针对运动行为块中的每个运动行为,根据事先确定的顺序对其进行标记,提取运动行为的特征向量,与身份模型构建时获得的对应运动行为模式的参考特征向量进行距离度量,得到运动行为的距离特征向量;
(3)针对运动行为块中的每个运动行为,将其距离特征向量作为对应子身份模型的输入(例如,若运动行为被标记为抬手运动,则对应的身份子模型为抬手运动模型),得到每个运动行为的检测值;
(4)针对运动行为块中的每个运动行为,将其检测值与对应的身份子模型的判定阈值ε(ε根据模型训练的精度进行选取,一般可设定为0.5)进行比较,若检测值大于阈值,则判定该行为为异常行为;若检测值小于阈值,则判定该行为为正常行为;
(5)当前用户身份合法性的认证:若在N次运动行为中连续监测到M次异常行为(M小于N),则判定当前用户为非法用户;反之则判定当前用户为合法用户,其中M为报警阈值,可由用户自行设定。
本发明以智能手表用户的身份持续认证为例进行了实验验证,具体步骤如下:
第一步,训练数据的生成。实验要求20名用户操作智能手表分别进行10个规定好的手部动作(如挥手、握拳等),采集和记录这些用户进行这些运动行为时所产生的惯性传感器数据,然后根据事先规定的标记为这些数据归类,得到不同运动行为模式的训练数据。
第二步,生成距离特征向量。针对每个用户,提取每种运动行为模式下的特征向量及参考特征向量,然后生成每种运动行为模式下的训练特征数据。
第三步,用户身份模型构建。针对每个用户,将该用户的训练特征数据标记为正类,采用单分类支持向量机对每种运动行为模式构建合法用户的身份模型,并利用训练特征数据对模型进行学习。
第四步,测试数据的生成。针对每个用户,要求其根据智能手表提示进行一系列动作,将所产生的运动行为数据作为测试数据。
第五步,用户身份合法性的认证。选择某一用户作为合法用户,依次以长度为N的观测窗口形成运动行为块,针对其中的每一条测试样本,生成距离特征向量,在合法用户身份模型中找到其对应运动行为模式的子身份模型,将距离特征向量输入该模型,得到对每个测试样本的检测值,将检测值与阈值ε(ε设定为0.45)比较,若检测值小于阈值ε,则判定该行为为异常行为;反之,则判定该行为为正常行为;若在N次的运动行为中连续监测到M次异常行为(M小于N),则判定当前用户为非法用户。在本实验中N的取值从1变化到3,M的取值为1。
第六步,选择剩余用户依次作为合法用户,重复上述第五步的过程,得到所用的用户平均持续认证结果。
针对所有用户,测试本发明方法进行解锁和认证的准确度。图5是窗口为1时(即每1次运动行为进行一次身份合法性检测),本实施例进行解锁和认证的ROC(receiveroperating characteristic)曲线结果。图6是窗口为2时,本实施例进行解锁和认证的ROC曲线结果。图中每个点表示了在一定阈值下的误拒率和误纳率。
从图示的实验结果可以看出,本发明能够准确且快速地对智能手表用户的身份进行认证与检测。当用户动作为挥手时,解锁和认证的等错误率的大小为9.5%;当用户动作为握拳时,解锁和认证的等错误率为8.1%。随着窗口增大到3,认证的等错误率减小至2%左右。该结果验证了本发明的可行性和有效性,表明该方法可作为一种高效的智能手表使用者的身份安全防护技术。
Claims (8)
1.一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,包括以下步骤:
第一步,用户身份模型构建:
1.1)在用户得到智能手表后,用户根据智能手表设定的流程进行相应手部运动,智能手表采集并记录用户的手部运动数据,形成用户运动行为的训练数据集;
1.2)针对每次手部运动,根据事先设定的标记,归类为多种运动行为模式;
1.3)针对每种运动行为模式下的惯性传感器数据,提取特征向量,根据最小距离原则选取参考特征向量,对每个运动行为的特征向量进行距离度量,得到每个运动行为的距离特征向量,形成每个运动行为模式下的运动行为训练特征集合;
1.4)将步骤1.1)的用户的训练特征集合标记为正类,采用单类分类器对每种运动行为模式构建合法用户的身份模型,步骤1.1)的用户设定每种运动行为模式对应的合法用户的身份判定阈值;
第二步,操作者解锁进行身份认证:
2.1用户登入智能手表后,智能手表按设定的顺序提示用户进行相应动作,智能手表捕获用户的手部运动数据,依次以长度为L的观测窗口形成包含N个运动行为的用户运动行为块;
2.2)针对运动行为块中的每个运动行为,根据事先确定的顺序对其进行标记,提取运动行为的特征向量,与身份模型构建时获得的对应运动行为模式的参考特征向量进行距离度量,得到运动行为的距离特征向量;
2.3)针对运动行为块中的每个运动行为,将其距离特征向量作为运动行为对应的身份模型的输入,得到每个运动行为的检测值,并将该检测值与对应的合法用户的身份判定阈进行比较,判定每个运动行为的异常性;
2.4)对当前用户身份合法性进行判定:若在N次运动行为中监测到M次异常行为,M小于N,则判定当前用户为非法用户;反之则判定当前用户为合法用户,智能手表解锁。
2.根据权利要求1所述的一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,所述多种运动行为模式包括:抬手、握拳、挥手和伸臂。
3.根据权利要求1所述的一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,合法用户身份模型包括:抬手运动模型、握拳运动模型、挥手运动模型和伸臂运动模型。
4.根据权利要求1所述的一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,步骤1.1)和步骤2.1)中的用户的手部运动数据为运动行为数据点所组成的序列,格式为:{时间,x方向加速度,y方向加速,z方向加速度,x方向角速度,y方向角速度,z方向角速度,手部运动模式},其中手部运动模式指的是所提示事件序列中规定的运动模式标记。
5.根据权利要求1所述的一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,步骤1.3)和步骤1.2)中的运动行为的特征向量是指由运动行为在惯性传感器所产生的时空轨迹曲线所衍生出的一系列行为测量量,包括统计特征、频域特征和小波特征,具体如下:
统计特征包括:
各传感器各方向上数据序列的均值;
各传感器各方向上数据序列的最小值;
各传感器各方向上数据序列的最大值;
各传感器各方向上数据序列的极差;
各传感器各方向上数据序列的方差;
各传感器各方向上数据序列的峰度;
各传感器各方向上数据序列的偏度;
各传感器各方向上数据序列的过零点率;
频域特征包括:
各传感器各方向上数据序列的能量;
各传感器各方向上数据序列的熵;
小波特征包括:
各传感器各方向上数据序列小波分解后各级成分的占比。
6.根据权利要求1所述的一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,步骤1.3)中根据最小距离原则选取参考特征向量的方法为:在每种运动行为模式的运动行为训练数据中,采用欧式距离计算每个运动行为的特征向量到训练数据中其它运动传感行为特征向量的距离,形成距离向量,选择距离向量模最小的特征向量作为该运动行为模式的参考特征向量。
7.根据权利要求1所述的一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,步骤1.4)中的构建用户身份模型由一种或多种单类分类器联合实现,所述单类分类器包括单分类支持向量机、单分类神经网络、单分类最近邻分类器。
8.根据权利要求1所述的一种基于运动传感行为特征的智能手表解锁和认证方法,其特征在于,步骤1.2)具体包括:
1.2.1),生成多组运动模式标记,代表期望用户进行的运动;
1.2.2),用户根据提示进行相应的运动,智能手表捕获惯性传感器数据,并加入类别标记;
1.2.3),形成不同运动行为模式下的运动行为训练数据集,运动行为模式包括:抬手运动、握拳运动、挥手运动、伸臂运动;
步骤1.3)具体包括:
1.3.1),针对每种运动行为模式下的训练数据集,提取运动传感行为特征向量,具体为运动行为在惯性传感器上产生的时空轨迹曲线所衍生出的一系列行为测量量,包括:统计特征、频域特征和小波特征三类;其中,统计特征是对一次运动行为产生数据点的统计描述,包括各传感器各方向上数据序列的均值、最小值、最大值、极差、方差、峰度、偏度和过零率;频域特征是对一次运动行为过程的频域描述,包括各传感器各方向上数据序列的能量和熵;小波特征是对一次运动行为过程在各频段的分布的描述,其计算方法为对运动序列进行八级小波分解,提取各级小波信号的能量占比作为特征;
1.3.2),采用欧式距离计算每个运动行为的特征向量到对应运动行为模式下的训练数据中其它运动传感行为特征向量的距离,得到维度为S-1的距离向量,其中S表示训练集合中特征向量的个数;
1.3.3),计算每个距离向量的模,选择向量模值最小的特征向量作为参考特征向量;
1.3.4),计算每个行为的特征向量和对应运动行为模式中的参考特征向量的差值向量,作为该行为的距离特征向量,接着形成每个运动行为模式下运动行为训练特征集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710314023.3A CN107273728B (zh) | 2017-05-05 | 2017-05-05 | 基于运动传感行为特征的智能手表解锁和认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710314023.3A CN107273728B (zh) | 2017-05-05 | 2017-05-05 | 基于运动传感行为特征的智能手表解锁和认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273728A true CN107273728A (zh) | 2017-10-20 |
CN107273728B CN107273728B (zh) | 2020-11-03 |
Family
ID=60074377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710314023.3A Active CN107273728B (zh) | 2017-05-05 | 2017-05-05 | 基于运动传感行为特征的智能手表解锁和认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273728B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600237A (zh) * | 2018-04-28 | 2018-09-28 | 北京京东金融科技控股有限公司 | 身份认证方法、装置及介质 |
WO2019192235A1 (zh) * | 2018-04-04 | 2019-10-10 | 深圳大学 | 一种基于移动设备的用户身份认证方法及系统 |
CN113626785A (zh) * | 2021-07-27 | 2021-11-09 | 武汉大学 | 基于用户指纹按压行为的指纹认证安全增强方法及系统 |
US11291387B2 (en) * | 2020-03-31 | 2022-04-05 | We Jump Intelligent Perception Co., Ltd. | System for recognizing abnormal activity of human body using wearable electronic device and mixed reality technology |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005109847A2 (en) * | 2004-04-30 | 2005-11-17 | Hillcrest Laboratories, Inc. | Methods and devices for identifying users based on tremor |
CN104239761A (zh) * | 2014-09-15 | 2014-12-24 | 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 |
CN104408341A (zh) * | 2014-11-13 | 2015-03-11 | 西安交通大学 | 基于陀螺仪行为特征的智能手机用户身份认证方法 |
CN104850773A (zh) * | 2015-05-14 | 2015-08-19 | 西安交通大学 | 用于智能移动终端的用户身份认证方法 |
CN104915585A (zh) * | 2015-06-30 | 2015-09-16 | 西安交通大学 | 基于传感器特征分区建模的触屏设备用户身份监控方法 |
CN106354272A (zh) * | 2016-11-29 | 2017-01-25 | 广东小天才科技有限公司 | 一种智能可穿戴设备的解锁方法及系统 |
-
2017
- 2017-05-05 CN CN201710314023.3A patent/CN107273728B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005109847A2 (en) * | 2004-04-30 | 2005-11-17 | Hillcrest Laboratories, Inc. | Methods and devices for identifying users based on tremor |
CN104239761A (zh) * | 2014-09-15 | 2014-12-24 | 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 |
CN104408341A (zh) * | 2014-11-13 | 2015-03-11 | 西安交通大学 | 基于陀螺仪行为特征的智能手机用户身份认证方法 |
CN104850773A (zh) * | 2015-05-14 | 2015-08-19 | 西安交通大学 | 用于智能移动终端的用户身份认证方法 |
CN104915585A (zh) * | 2015-06-30 | 2015-09-16 | 西安交通大学 | 基于传感器特征分区建模的触屏设备用户身份监控方法 |
CN106354272A (zh) * | 2016-11-29 | 2017-01-25 | 广东小天才科技有限公司 | 一种智能可穿戴设备的解锁方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019192235A1 (zh) * | 2018-04-04 | 2019-10-10 | 深圳大学 | 一种基于移动设备的用户身份认证方法及系统 |
CN108600237A (zh) * | 2018-04-28 | 2018-09-28 | 北京京东金融科技控股有限公司 | 身份认证方法、装置及介质 |
US11291387B2 (en) * | 2020-03-31 | 2022-04-05 | We Jump Intelligent Perception Co., Ltd. | System for recognizing abnormal activity of human body using wearable electronic device and mixed reality technology |
CN113626785A (zh) * | 2021-07-27 | 2021-11-09 | 武汉大学 | 基于用户指纹按压行为的指纹认证安全增强方法及系统 |
CN113626785B (zh) * | 2021-07-27 | 2023-10-27 | 武汉大学 | 基于用户指纹按压行为的指纹认证安全增强方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107273728B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104239761B (zh) | 基于触屏滑动行为特征的身份持续认证方法 | |
He et al. | A novel multimodal-sequential approach based on multi-view features for network intrusion detection | |
CN107273728A (zh) | 基于运动传感行为特征的智能手表解锁和认证方法 | |
Wang et al. | Processing of massive audit data streams for real-time anomaly intrusion detection | |
CN103530540B (zh) | 基于人机交互行为特征的用户身份属性检测方法 | |
Wang et al. | Attribute normalization in network intrusion detection | |
CN107241358B (zh) | 一种基于深度学习的智能家居入侵检测方法 | |
US8489635B1 (en) | Method and system of identifying users based upon free text keystroke patterns | |
Ye et al. | EWMA forecast of normal system activity for computer intrusion detection | |
Qin et al. | A fuzzy authentication system based on neural network learning and extreme value statistics | |
CN104408341A (zh) | 基于陀螺仪行为特征的智能手机用户身份认证方法 | |
CN107320115B (zh) | 一种自适应的精神疲劳评估装置及方法 | |
Yao et al. | An enhanced support vector machine model for intrusion detection | |
Shitharth et al. | An enriched RPCO-BCNN mechanisms for attack detection and classification in SCADA systems | |
CN110070060A (zh) | 一种轴承设备的故障诊断方法 | |
CN107317682A (zh) | 一种身份认证方法及系统 | |
CN107153780A (zh) | 基于手腕穿戴电子设备的书写行为特征认证方法 | |
CN108549806A (zh) | 基于用户滑动和点击行为的身份认证方法 | |
Zhu et al. | One cycle attack: Fool sensor-based personal gait authentication with clustering | |
Neethu | Adaptive intrusion detection using machine learning | |
Chen et al. | An effective metaheuristic algorithm for intrusion detection system | |
Al-Subaie et al. | Efficacy of hidden Markov models over neural networks in anomaly intrusion detection | |
Ma et al. | A kind of mouse behavior authentication method on dynamic soft keyboard | |
Nguimbous et al. | Anomaly-based intrusion detection using auto-encoder | |
Jagadeesan et al. | A novel approach to design of user re-authentication systems |
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 |