CN109541323A - 一种基于电磁辐射的应用程序使用情况推测方法 - Google Patents

Abstract

本发明公开了一种基于电磁辐射的应用程序使用情况推测方法，使用智能手机内置磁力计采集特定用户个人电脑的电磁辐射信号，通过分析并对比采集的电磁辐射信号，推测该用户在该个人电脑上的应用程序使用情况，如何时打开何种应用等。与现有基于交流能耗的应用程序使用情况推测方法相比，该方法使用常见的智能手机进行数据采集，无需修改个人电脑及其配件的硬件设施，降低了应用程序使用情况推测的成本和难度。与现有基于内存使用的用户应用程序使用情况推测方法相比，该方法无需侵入用户个人电脑的软件系统，不易被用户察觉，具有更高的隐蔽性。本发明方法的应用程序使用情况推测精确度在98％左右。

Description

一种基于电磁辐射的应用程序使用情况推测方法

技术领域

本发明属于互联网领域，涉及一种基于电磁辐射的应用程序使用情况推测方法。

背景技术

移动设备，例如智能手机等，被广泛地使用来协助日常生活和交换信息。据预测，到2018年底，智能手机、平板电脑和个人电脑的总量将超过110亿。随着智能移动设备发展而来的是与之相关的隐私安全问题。相关研究已经证明，智能设备可以被用来感知用户的行为习惯。本发明提出一种基于电磁辐射的应用程序使用情况推测方法，使用智能手机内置磁力计采集特定用户个人电脑的电磁辐射信号，通过分析并对比采集的电磁辐射信号，推测该用户在该个人电脑上的应用程序使用情况，如何时打开何种应用等。通过长期的数据采集及行为推测，本发明方法可以追踪某特定用户的个人电脑使用习惯，并从而推测其兴趣和爱好等。

发明内容

本发明提供一种基于电磁辐射的应用程序使用情况推测方法，使用智能手机内置磁力计采集特定用户个人电脑的电磁辐射信号，通过分析并对比采集的电磁辐射信号，推测该用户在该个人电脑上的应用程序使用情况，如何时打开何种应用等。

本发明的基于电磁辐射的应用程序使用情况推测方法，包括以下步骤：

1)开启智能手机内置的磁力计，将其置于目标个人电脑附近，如目标个人电脑所处台面的下方，并收集目标个人电脑辐射的电磁信号；

2)对智能手机磁力计采集到的数据进行应用程序启动分析。

对智能手机采集的电磁信号进行预处理，消除地磁场的影响。记智能手机收集的三维电磁信号为M＝{mag_x(t),mag_y(t),mag_z(t)},t∈{1,2,...,n},表示时刻，计算各轴电磁分量相对于地磁的相对变化量，如公式(1)所示：

M_i＝M_i-avg(M_i),i∈{x,y,z} (1)

将三轴变化量合成为总变化量，如公式(2)所示：

对三轴合成总变化量进行归一化处理，如公式(3)所示，得到预处理后的电磁信号记为M_norm。

对预处理后的电磁信号M_norm进行预滑窗处理，初步筛选包含应用程序启动时刻的信号窗口。滑窗算法为使用一个时间窗口在电磁信号M_norm上进行滑动，过滤不包含应用程序启动时刻的窗口。使用的时间窗口长度可为1秒，滑动步长可为0.1秒。若当前时间窗口下的电磁信号M_norm的变化量Var(t)大于某一阈值，如公式(4)所示，则认为该时间窗口包含应用程序启动时刻。

Var(t)≥β×δ_t (4)

其中δ_t是当前时刻的阈值，按公式(5)进行迭代，其中迭代系数α一般可取0.1。β为阈值的系数，一般可取3。

δ_t+1＝(1-α)×δ_t+1+α×Var(t) (5)

对滑窗算法初步筛选出的电磁信号窗口使用支持向量机(Support VectorMachine，SVM)算法进行进一步筛选。由于应用程序一般需要数秒完成启动，将上述初步筛选得到的长度为1秒的电磁信号窗口与其后续k-1个1秒的电磁信号窗口合并，拓展为一个k秒的电磁信号窗口，从而包含更多由应用程序启动产生的电磁辐射变化。其中，k一般可取5。

对拓展后的电磁信号窗口使用短时傅里叶变换(Short Time FourierTransform，STFT)和主成分分析(Principal Component Analysis，PCA)提取特征向量。使用长度为w，步长为0.5×w的滑窗将拓展后的电磁信号窗口划分成p个时间间隔，并将每个时间间隔的长度通过补零拓展到2×w。其中，w可为320毫秒。对每个时间间隔进行傅里叶变换并计算其系数绝对值，则每个电磁信号窗口得一个维度为p×q的矩阵，记为S，其中p行代表p个时间间隔，q列为每个时间间隔的傅里叶变换结果。

对电磁信号窗口短时傅里叶变换的结果进行主成分分析。记电磁信号窗口的数量为l，对于每一个时间间隔，从上述得到的l个S矩阵中提取相关的傅里叶变换结果组成新的行数为l的间隔矩阵，记为H。因此，对于p个时间间隔，可得p个间隔矩阵H₁,H₂,...,H_p。对于每个间隔矩阵H_i，计算其主成分系数矩阵C_i，其中每一列均为一个主成分的系数，列间以成分变化量为基准降序排列。

根据短时傅里叶变换结果S和主成分分析结果C_i构建特征向量V，如公式(6)所示：

使用SVM构建单分类器对每个k秒电磁信号窗口提取的特征向量V进行分类，获得该电磁信号窗口是否包含应用程序启动。其中，SVM构建单分类器的核函数可使用径向基函数(radial basis function)。

2)对应用程序启动分析结果进行应用程序辨识分析。

对应用程序启动分析检测到的秒拓展电磁信号窗口进行预处理。由于大型应用程序可能需要更长的时间进行启动和初始化，将启动分析检测到的电磁信号窗口与其后续m-k个初步筛选的电磁信号窗口合并再拓展，如将k秒拓展到m秒，其中，m可取10。

对上述拓展后的m秒电磁信号窗口进行特征向量提取。使用方法为前述的短时傅里叶变换和主成分分析，步骤与前述特征向量提取方法完全相同。

使用1‐Nearest Neighbor(1NN)算法对上述提取的特征向量进行训练和分类。推测用户应用使用情况时，该算法将当前特征向量划分到与其欧氏距离最近的特征向量所属的类别，从而获得当前用户打开的是何种应用程序。

本发明的有益效果是：

本发明使用智能手机内置磁力计采集特定用户个人电脑的电磁辐射信号，通过分析并对比采集的电磁辐射信号，推测该用户在该个人电脑上的应用程序使用情况，如何时打开何种应用等。与现有基于交流能耗的应用程序使用情况推测方法相比，该方法使用常见的智能手机进行数据采集，无需修改个人电脑及其配件的硬件设施，降低了应用程序使用情况推测的成本和难度。与现有基于内存使用的用户应用程序使用情况推测方法相比，该方法无需侵入用户个人电脑的软件系统，不易被用户察觉，具有更高的隐蔽性。本发明方法的应用程序使用情况推测精确度在98％左右。

附图说明

图1是本发明实施例的方法流程图。

图2是本发明实施例的智能手机放置位置示意图。

具体实施方式

下面结合实施例和说明书附图对本发明做进一步说明。

本发明实施例的方法流程，如图1所示。

本发明的基于电磁辐射的应用程序使用情况推测方法，包括以下步骤：

1)开启智能手机内置的磁力计，将其置于目标个人电脑附近，如目标个人电脑所处台面的下方，并收集目标个人电脑辐射的电磁信号；

2)对智能手机磁力计采集到的数据进行应用程序启动分析。对智能手机采集的电磁信号进行预处理，消除地磁场的影响。记智能手机收集的三维电磁信号为M＝{mag_x(t),mag_y(t),mag_z(t)},t∈{1,2,...,n},计算各轴电磁分量相对于地磁的相对变化量，如公式(1)所示：

M_i＝M_i-avg(M_i),i∈{x,y,z} (1)

将三轴变化量合成为总变化量，如公式(2)所示：

对三轴合成变化量进行归一化处理，如公式(3)所示，得到预处理后的电磁信号记为M_norm。

对预处理后的电磁信号M_norm进行预滑窗处理，初步筛选包含应用程序启动时刻的信号窗口。预滑窗算法使用一个时间窗口在电磁信号M_norm上进行滑动，过滤不包含应用程序启动时刻的窗口。使用的时间窗口长度可为1秒，滑动步长可为0.1秒。若当前时间窗口下的电磁信号M_norm的变化量Var(t)大于某一阈值，如公式(4)所示，则认为该时间窗口包含应用程序启动时刻。

Var(t)≥β×δ_t (4)

其中δ_t是当前时刻的阈值，按公式(5)进行迭代，其中迭代系数α一般可取0.1。β为阈值的系数，一般可取3。

δ_t+1＝(1-α)×δ_t+1+α×Var(t) (5)

对预滑窗算法初步筛选出的电磁信号窗口使用支持向量机(Support VectorMachine，SVM)算法进行进一步筛选。由于应用程序一般需要数秒完成启动，将上述初步筛选得到的长度为1秒的电磁信号窗口与其后续k-1个1秒的电磁信号窗口合并，拓展为一个k秒的电磁信号窗口，从而包含更多由应用程序启动产生的电磁辐射变化。其中，k一般可取5。

对拓展后的电磁信号窗口使用短时傅里叶变换(Short Time FourierTransform，STFT)和主成分分析(Principal Component Analysis，PCA)提取特征向量。使用长度为w，步长为0.5×w的滑窗将拓展后的电磁信号窗口划分成p个时间间隔，并将每个时间间隔的长度通过补零拓展到2×w。其中，w可为320毫秒。对每个时间间隔进行傅里叶变换并计算其系数绝对值，则每个电磁信号窗口得一个维度为p×q的矩阵，记为S，其中p行代表p个时间间隔，q列为每个时间间隔的傅里叶变换结果。

对电磁信号窗口短时傅里叶变换的结果进行主成分分析。记电磁信号窗口的数量为l，对于每一个时间间隔，从上述得到的l个S矩阵中提取相关的傅里叶变换结果组成新的行数为l的间隔矩阵，记为H。因此，对于p个时间间隔，可得p个间隔矩阵H₁,H₂,...,H_p。对于每个间隔矩阵H_i，计算其主成分系数矩阵C_i，其中每一列均为一个主成分的系数，列间以成分变化量为基准降序排列。

根据短时傅里叶变换结果S和主成分分析结果C_i构建特征向量V，如公式(6)所示：

使用SVM分类器对每个k秒电磁信号窗口提取的特征向量V进行分类，判断该电磁信号窗口是否包含应用程序启动。其中，SVM分类器的核函数可使用径向基函数(radialbasis function)。

2)对应用程序启动分析结果进行应用程序辨识分析。对应用程序启动分析检测到的k秒电磁信号窗口进行预处理。由于大型应用程序可能需要更长的时间进行启动和初始化，将启动分析检测到的电磁信号窗口按2.3)中方法拓展到m秒。其中，m可取10。

对上述拓展后的m秒电磁信号窗口进行特征向量提取。使用方法与2.3)中特征向量提取方法相同。

使用1‐Nearest Neighbor(1NN)算法对上述提取的特征向量进行训练和分类。推测用户应用使用情况时，该算法将当前特征向量划分到与其距离最近的特征向量所属的类别，从而推测当前用户打开的是何种应用程序。

Claims (5)

1.一种基于电磁辐射的应用程序使用情况推测方法，其特征在于，该方法包括以下步骤：

1)开启智能手机内置的磁力计，将其置于目标个人电脑附近，并收集目标个人电脑辐射的电磁信号；

2)对智能手机磁力计采集到的数据进行应用程序启动分析和应用程序辨识分析，从而推测目标个人电脑的应用程序使用情况。

2.根据权利要求1所述的基于电磁辐射的应用程序使用情况推测方法，其特征在于，所述的应用程序启动分析包括以下步骤：

1)对智能手机磁力计采集的电磁信号进行预处理，消除地磁场的影响：记智能手机收集的三维电磁信号为M＝{mag_x(t),mag_y(t),mag_z(t)},t∈{1,2,...,n},计算各轴电磁分量相对于地磁的变化量，如公式(1)所示：

M_i＝M_i-avg(M_i),i∈{x,y,z} (1)

将三轴变化量合成为总变化量，如公式(2)所示：

将三轴合成总变化量进行归一化处理，如公式(3)所示，得到预处理后的电磁信号记为M_norm；

2)对预处理后的电磁信号M_norm进行预滑窗处理，初步筛选包含应用程序启动时刻的信号窗口：采用滑窗算法使用一个时间窗口在电磁信号M_norm上进行滑动，过滤不包含应用程序启动时刻的窗口，若当前时间窗口下的电磁信号M_norm的变化量Var(t)大于某一阈值，如公式(4)所示，则认为该时间窗口包含应用程序启动时刻；

Var(t)≥β×δ_t (4)

其中δ_t是当前时刻的阈值，按公式(5)进行迭代，其中迭代系数α，β为阈值的系数；

δ_t+1＝(1-α)×δ_t+1+α×Var(t) (5)

3)对滑窗算法初步筛选出的电磁信号窗口使用支持向量机(Support VectorMachine，SVM)算法进行进一步筛选：将上述初步筛选得到的各电磁信号窗口与其后续k-1个电磁信号窗口合并拓展；

对拓展后的电磁信号窗口使用短时傅里叶变换(Short Time Fourier Transform，STFT)和主成分分析(Principal Component Analysis，PCA)提取特征向量：使用长度为w，步长为0.5×w的滑窗将拓展后的电磁信号窗口划分成p个时间间隔，并将每个时间间隔的长度通过补零拓展到2×w；对每个时间间隔进行傅里叶变换并计算其系数绝对值，则每个电磁信号窗口得到一个维度为p×q的矩阵，记为S，其中p行代表p个时间间隔，q列为每个时间间隔的傅里叶变换结果；

对电磁信号窗口短时傅里叶变换的结果进行主成分分析，记电磁信号窗口的数量为l，对于每一个时间间隔，从上述得到的l个S矩阵中提取相关的傅里叶变换结果组成新的行数为l的间隔矩阵，记为H；因此，对于p个时间间隔，可得p个间隔矩阵H₁,H₂,...,H_p；对于每个间隔矩阵H_i，计算其主成分系数矩阵C_i，其中每一列均为一个主成分的系数，列间以成分变化量为基准降序排列；

根据短时傅里叶变换结果S和主成分分析结果C_i构建特征向量V，如公式(6)所示：

使用SVM构建单分类器对每个拓展电磁信号窗口提取的特征向量V进行分类，从而得出该电磁信号窗口是否包含应用程序启动。

3.根据权利要求2所述的基于电磁辐射的应用程序使用情况推测方法，其特征在于，所述的SVM构建单分类器其核函数使用径向基函数(radial basis function)。

4.根据权利要求2所述的基于电磁辐射的应用程序使用情况推测方法，其特征在于，所述的应用程序辨识分析包括以下步骤：

1)对应用程序启动分析检测到的拓展电磁信号窗口进行预处理：将启动分析检测到的拓展电磁信号窗口与其后续m-k个电磁信号窗口合并再拓展；

2)使用权利要求2中所述的短时傅里叶变换和主成分分析对上述再拓展后的电磁信号窗口进行特征向量提取；

3)使用1‐Nearest Neighbor(1NN)算法对上述提取的特征向量进行训练和分类，该算法将当前特征向量划分到与其欧氏距离最近的特征向量所属的类别，从而获得当前用户打开的是何种应用程序。

5.根据权利要求4所述的基于电磁辐射的应用程序使用情况推测方法，其特征在于，所述滑窗算法使用的时间窗口长度为1秒，滑动步长为0.1秒，所述的k取5，m取10。