CN109684812A - 一种移动设备采集用户运动行为的持续身份认证方法 - Google Patents
一种移动设备采集用户运动行为的持续身份认证方法 Download PDFInfo
- Publication number
- CN109684812A CN109684812A CN201811640474.7A CN201811640474A CN109684812A CN 109684812 A CN109684812 A CN 109684812A CN 201811640474 A CN201811640474 A CN 201811640474A CN 109684812 A CN109684812 A CN 109684812A
- Authority
- CN
- China
- Prior art keywords
- behavior
- data
- user
- frequency domain
- data block
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002045 lasting effect Effects 0.000 title abstract 2
- 230000001360 synchronised effect Effects 0.000 claims abstract description 23
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 152
- 238000001514 detection method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 230000003542 behavioural effect Effects 0.000 abstract 4
- 238000004088 simulation Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 244000144985 peep Species 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Telephone Function (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种移动设备采集用户运动行为的持续身份认证方法，其步骤为：(1)采集用户运动行为数据；(2)同步用户运动行为数据；(3)生成时域数据块集；(4)生成频域数据块集；(5)构建用户身份认证模型；(6)获取时域行为检测值；(7)获取频域行为检测值；(8)判定行为的类型；(9)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，隐私保护力度小和单次认证周期长的问题，使得本发明具有安全性，实用性，隐私性和快捷性的优点。
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移动设备采集用户运动行为的持续身份认证方法。本发明通过移动设备采集的用户跑步、跳跃等用户运动行为，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。移动设备中包含多种传感器，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：CN104239761A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。该方法通过采集用户的触屏滑动操作，提取滑屏操作行为特征，并基于行为特征建立的用户身份模型，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是：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，会造成身份认证机制失效。
Fridman L等作者在其发表的论文“Active Authentication on Mobile Devicesvia Stylometry,Application Usage,Web Browsing,and GPS Location”(IEEE SystemsJournal,2017,11(2):513-521)中提出了一种基于决策融合的用户行为持续身份认证方法。该方法分别对用户打字风格，应用使用记录，浏览器浏览记录和GPS地理位置信息的用户行为建模，计算每种传感器数据对用户身份认证贡献比，根据贡献比提出决策融合函数，最终建立基于决策融合的身份认证模型。但是，该方法的不足之处在于：该方法在采集GPS地理位置信息数据的过程中需要常启GPS传感器，耗电量较大；采集浏览器浏览记录时，必须获取移动设备的Root权限；该方法需要将用户应用使用记录，浏览器浏览记录以及GPS地理位置信息等高度隐私性的数据，传输到远程服务器进行计算。一旦远程服务器被攻破，会造成严重的用户隐私泄露问题；该方法每隔30分钟才能认证一次用户身份，单次认证周期过长。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种移动设备采集用户运动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，首先利用用户移动设备中加速度计和陀螺仪采集用户运动行为数据，然后对用户运动行为数据进行预处理，形成时域数据块和频域数据块，最后将时域数据块和频域数据块输入到长短期记忆网络算法中，学习用户运动行为特征，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，采集待认证用户运动行为数据；
(2)利用数据同步方法同步用户运动行为数据：
(2a)将移动设备中加速度计的采样周期和陀螺仪的采样周期的最小公倍数，作为数据同步周期；
(2b)按照数据同步周期，将用户运动行为数据划分成多个区间；
(2c)将每个区间中运动行为数据的平均值，作为该区间数据的特征值；
(2d)聚合所有区间的特征值，组成同步数据块；
(3)利用时域数据块集生成方法生成时域数据块集：
(3a)以大小为5分钟，滑动间隔为3分钟的滑动窗口，在同步数据块上移动，得到多个粗粒度数据块；
(3b)以时间顺序聚合所有粗粒度数据块，组成时域数据块集；
(4)利用频域数据块集生成方法生成频域数据块集：
(4a)以大小为2分钟，滑动间隔为40秒的滑动窗口，在同步数据块上移动，得到多个细粒度数据块；
(4b)利用傅里叶变换公式，将细粒度数据块中运动行为转换为频域运动行为，得到频域数据块；
(4c)聚合所有频域数据块，组成频域数据块集；
(5)构建用户身份认证模型：
(5a)利用数据采集方法，采集多个用户连续N天的运动行为数据N∈[7,30]；
(5b)将待认证用户的数据作为正样本，随机选择20％的其他用户数据作为负样本，将正样本和负样本组成训练数据集；
(5c)利用与步骤(2)同步用户运动行为数据相同的步骤，将认证用户的训练数据集同步为训练同步数据块；
(5d)利用与步骤(3)生成时域数据块集相同的步骤，处理同步数据块，生成时域训练数据块集；
(5e)利用与步骤(4)生成频域数据块集相同的步骤，处理同步数据块，生成频域训练数据块集；
(5f)将时域训练数据块集和频域训练数据块集输入到长短期记忆网络算法中，学习用户行为特征，得到时域行为阈值和频域行为阈值，生成用户身份认证模型；
(6)获取时域行为检测值：
将时域数据块集中时域数据块依次输入到用户身份认证模型中，得到时域数据块中每个时域行为的检测值；
(7)获取频域行为检测值：
将频域数据块集中频域数据块依次输入到用户身份认证模型中，计算得到频域数据块中每个频域行为的检测值；
(8)判定行为的类型：
如果时域行为检测值大于时域行为阈值，且频域行为检测值大于频域阈值，则认为该行为是合法行为；如果时域行为检测值小于时域行为阈值，且频域行为检测值小于频域行为阈值，则认为该行为是非法行为；否则，认为该行为是未知行为；
(9)判断合法行为数是否大于非法行为数，若是，则执行步骤(1)；否则，执行步骤(10)；
(10)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，本发明以用户运动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，本发明以移动设备中的加速度计和陀螺仪两种传感器采集用户运动行为数据，克服了现有技术采集用户行为数据时，能耗大且不易采集的问题，使得本发明的认证过程具有实用性的优点。
第三，由于本发明采集的加速度计数据和陀螺仪数据属于非隐私性数据，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。
第四，本发明的身份认证模型学习了用户运动行为的时域特征和频域特征，能够在少量用户行为数据基础上发现用户之间的差异，克服了现有技术单次认证周期过长的问题，使得本发明具有快捷性的优点。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图1对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，采集待认证用户运动行为数据。
所述的数据采集方法的具体步骤：
第1步，以移动设备中默认的加速度计采样周期，采集待认证用户运动过程中行为加速度数据。
第2步，以移动设备中默认的陀螺仪采样周期，采集待认证用户运动过程中行为角速度数据。
第3步，将加速度数据和角速度数据组成用户运动行为数据。
步骤2，同步用户运动行为数据。
移动设备中的加速度计和陀螺仪分别描述同一用户运动行为的加速度维度和角速度维度，然而，移动设备中加速度计和陀螺仪的采样周期不同，造成加速度计数据和陀螺仪数据不同步。为更好地描述用户运动行为，需要对用户运动行为数据做同步处理。
首先，将加速度计采样周期和陀螺仪采样周期的最小公倍数作为数据同步周期。
然后，按照数据同步周期，将用户运动行为数据划分成多个区间。
其次，将每个区间中运动行为数据的平均值作为该区间数据的特征值。
最后，聚合所有区间的特征值，组成同步数据块。
步骤3，生成时域数据块集。
为挖掘用户运动行为之间时序关系，需要将同步数据块划分为多个时域数据块。
以大小为5分钟，滑动间隔为3分钟的滑动窗口，在同步数据块上移动，得到多个时域数据块。
按时间顺序聚合所有时域数据块，组成时域数据块集。
步骤4，生成频域数据块集。
为发现频域中用户运动行为之间的关系，需要将同步数据块划分为多个频域数据块。
以大小为2分钟，滑动间隔为40秒的滑动窗口，在同步数据块上移动，得到多个细粒度数据块。
利用傅里叶变换公式，将细粒度数据块中运动行为转换为频域运动行为，得到频域数据块。
聚合所有频域数据块，组成频域数据块集。
步骤5，构建用户身份认证模型。
利用数据采集方法，采集多个用户连续N天的运动行为数据N∈[7,30]；
所述的数据采集方法的具体步骤：
第1步，以移动设备中默认的加速度计采样周期，采集待认证用户运动过程中行为加速度数据。
第2步，以移动设备中默认的陀螺仪采样周期，采集待认证用户运动过程中行为角速度数据。
第3步，将加速度数据和角速度数据组成用户运动行为数据；
将待认证用户的数据作为正样本；随机选择20％的其他用户数据作为负样本；正样本和负样本组成训练数据集。
利用与步骤2同步用户运动行为数据相同的步骤，将认证用户的训练数据集同步为训练同步数据块。
利用与步骤3生成时域数据块集相同的步骤，处理同步数据块，生成时域训练数据块集。
利用与步骤4生成频域数据块集相同的步骤，处理同步数据块，生成频域训练数据块集。
将时域训练数据块集和频域训练数据块集输入到长短期记忆网络算法中，学习用户行为特征，得到时域行为阈值和频域行为阈值，生成用户身份认证模型。其中，该模型选择二元交叉熵损失函数作为其损失函数，以sigmod函数作为其激活函数。此外，该模型使用自适应随机梯度下降法来优化模型的损失函数，使用Dropout技术解决过拟合问题。
所述的频域行为阈值是指，在(0，1)区域内中随机选取的一个数，该阈值大小由身份认证准确度确定。
所述的时域行为阈值是指，在(0，1)区域内中随机选取的一个数，该阈值大小由身份认证准确度确定。
步骤6，获取时域行为检测值：
将时域数据块集中时域数据块依次输入到用户身份认证模型中，得到时域数据块中每个时域行为的检测值。
步骤7，计算频域行为检测值：
将频域数据块集中频域数据块依次输入到用户身份认证模型中，得到频域数据块中每个频域行为的检测值。
步骤8，检测待认证用户运动行为的类型：
如果时域行为检测值大于时域行为阈值，且频域行为检测值大于频域阈值，则认为该行为是合法行为；如果时域行为检测值小于时域行为阈值，且频域行为检测值小于频域行为阈值，则认为该行为是非法行为；否则，认为该行为是未知行为。
所述的频域行为阈值是指，在(0，1)区域内中随机选取的一个数，该阈值大小由身份认证准确度确定。
所述的时域行为阈值是指，在(0，1)区域内中随机选取的一个数，该阈值大小由身份认证准确度确定。
步骤9，判断合法行为数是否大于非法行为数，若是，则执行步骤(1)；否则，执行步骤10。
步骤10，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：
本发明仿真实验中移动设备的仿真条件为，在高通骁龙430处理器，Android7.0操作系统，内存4GB的Nokia 6的智能手机上采集待认证用户运动行为数据。
本发明仿真实验中服务器的仿真条件为，在Intel(R)Celeron(R)G540处理器，Windows 7操作系统，内存8GB的戴尔计算机上构建身份认证模型，并测试仿真实验结果。
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上采集用户运动行为数据，在服务器上构建用户持续身份认证模型。仿真实验具体步骤如下：
第1步，采集30位用户N天的运动行为数据N∈[7,30]。
第2步，同步每个用户的运动行为数据，生成相应的同步数据块。
第3步，对于每个用户，将自身的数据作为正样本，随机选择20％的其他用户数据作为负样本，正样本和负样本组成用户实验数据集。以4：1的比例将用户实验数据集划分为训练数据集和测试数据集。
第4步，对于每个用户，利用时域数据块集生成方法和频域数据块集生成方法，处理训练数据集，生成时域数据块集和频域数据块集。
第5步，用户身份模型构建。对于每个用户，将自身的时域数据块集和频域数据块集输入到利用长短期记忆网络算法中，构建出用户持续身份认证模型。
第6步，选择某一用户作为待认证用户，将该用户的测试数据集输入到用户持续身份认证模型中，得出时域行为检测值和频域行为检测值。如果时域行为检测值大于时域行为阈值，且频域行为检测值大于频域行为阈值，则认为该行为是合法行为；如果时域行为检测值小于时域行为阈值，且频域行为检测值小于频域行为阈值，则认为该行为是非法行为；否则，认为该行为是未知行为。如果合法行为数大于非法行为数，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时域行为阈值θT和频域行为阈值θF，测试身份认证的准确度，找出最佳阈值。其中，θT的取值从0.1变化到0.9，取值步长为0.2；θF的取值从0.1变化到0.9，取值步长为0.2。
第7步，选择剩余用户依次作为待认证用户，重复第2步到第6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，测试不同的时域行为阈值θT和频域行为阈值θF条件下身份认证准确度。表1给出了在不同的θT和θF的条件下，所有用户平均身份认证的准确度结果。其中，
表1：所有用户的平均身份认证准确度一览表
从表1，可以看出，检测当θT＝0.5，θF＝0.7时，准确度最高，达到98.19％。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 (4)
1.一种移动设备采集用户运动行为的持续身份认证方法，其特征在于，利用数据同步方法同步用户运动行为数据，利用时域数据块集生成方法生成时域数据块集，利用频域数据块集生成方法生成频域数据块集和用户身份认证模型，该方法的步骤包括如下：
(1)利用数据采集方法，采集待认证用户运动行为数据；
(2)利用数据同步方法同步用户运动行为数据：
(2a)将加速度计采样周期和陀螺仪采样周期的最小公倍数，作为数据同步周期；
(2b)按照数据同步周期，将用户运动行为数据划分成多个区间；
(2c)将每个区间中运动行为数据的平均值，作为该区间数据的特征值；
(2d)聚合所有区间的特征值，组成同步数据块；
(3)利用时域数据块集生成方法生成时域数据块集：
(3a)以大小为5分钟，滑动间隔为3分钟的滑动窗口，在同步数据块上移动，得到多个粗粒度数据块；
(3b)以时间顺序聚合所有粗粒度数据块，组成时域数据块集；
(4)利用频域数据块集生成方法生成频域数据块集：
(4a)以大小为2分钟，滑动间隔为40秒的滑动窗口，在同步数据块上移动，得到多个细粒度数据块；
(4b)利用傅里叶变换公式，将细粒度数据块中运动行为转换为频域运动行为，得到频域数据块；
(4c)聚合所有频域数据块，组成频域数据块集；
(5)构建用户身份认证模型：
(5a)利用数据采集方法，采集多个用户连续N天的运动行为数据N∈[7,30]；
(5b)将待认证用户的数据作为正样本，随机选择20％的其他用户数据作为负样本，将正样本和负样本组成训练数据集；
(5c)利用与步骤(2)同步用户运动行为数据相同的步骤，将认证用户的训练数据集同步为训练同步数据块；
(5d)利用与步骤(3)生成时域数据块集相同的步骤，处理同步数据块，生成时域训练数据块集；
(5e)利用与步骤(4)生成频域数据块集相同的步骤，处理同步数据块，生成频域训练数据块集；
(5f)将时域训练数据块集和频域训练数据块集输入到长短期记忆网络算法中，学习用户行为特征，得到时域行为阈值和频域行为阈值，生成用户身份认证模型；
(6)获取时域行为检测值：
将时域数据块集中时域数据块依次输入到用户身份认证模型中，得到时域数据块中每个时域行为的检测值；
(7)获取频域行为检测值：
将频域数据块集中频域数据块依次输入到用户身份认证模型中，计算得到频域数据块中每个频域行为的检测值；
(8)判定行为的类型：
如果时域行为检测值大于时域行为阈值，且频域行为检测值大于频域阈值，则认为该行为是合法行为；如果时域行为检测值小于时域行为阈值，且频域行为检测值小于频域行为阈值，则认为该行为是非法行为；否则，认为该行为是未知行为；
(9)判断合法行为数是否大于非法行为数，若是，则执行步骤(1)；否则，执行步骤(10)；
(10)锁定移动设备，拒绝访问。
2.根据权利要求1所述的一种移动设备采集用户运动行为的持续身份认证方法，其特征在于，步骤(1)，步骤(5a中所述数据采集方法的具体步骤如下：
第一步，以待认证用户移动设备中默认的加速度计采样周期，采集待认证用户运动过程中行为加速度数据；
第二步，以待认证用户移动设备中默认的陀螺仪采样周期，采集待认证用户运动过程中行为角速度数据；
第三步，将加速度计数据和陀螺仪数据组成用户运动行为数据。
3.根据权利要求1所述的一种移动设备采集用户运动行为的持续身份认证方法，其特征在于，步骤(5f)，步骤(8)中所述的时域行为阈值是指，在(0，1)区域内中随机选取的一个数，该阈值大小由身份认证准确度确定。
4.根据权利要求1所述的一种移动设备采集用户运动行为的持续身份认证方法，其特征在于，步骤(5f)，步骤(8)中所述的频域行为阈值是指，在(0，1)区域内中随机选取的一个数，该阈值大小由身份认证准确度确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811640474.7A CN109684812B (zh) | 2018-12-29 | 2018-12-29 | 一种移动设备采集用户运动行为的持续身份认证方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811640474.7A CN109684812B (zh) | 2018-12-29 | 2018-12-29 | 一种移动设备采集用户运动行为的持续身份认证方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109684812A true CN109684812A (zh) | 2019-04-26 |
| CN109684812B CN109684812B (zh) | 2021-09-03 |
Family
ID=66190408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811640474.7A Active CN109684812B (zh) | 2018-12-29 | 2018-12-29 | 一种移动设备采集用户运动行为的持续身份认证方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109684812B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110968857A (zh) * | 2019-12-03 | 2020-04-07 | 南京航空航天大学 | 基于抬臂动作的智能手表身份认证方法 |
| CN112019346A (zh) * | 2020-08-17 | 2020-12-01 | 北京双洲科技有限公司 | 一种移动终端用户身份验证处理的方法、装置和系统 |
| CN113065468A (zh) * | 2021-04-02 | 2021-07-02 | 西安电子科技大学 | 基于用户坐标系与gru网络的步态认证方法 |
| CN114466358A (zh) * | 2022-01-30 | 2022-05-10 | 全球能源互联网研究院有限公司 | 一种用户身份持续认证方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014185861A1 (en) * | 2013-05-14 | 2014-11-20 | National University Of Singapore | System and method for authenticating a user |
| 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 |
| CN106445101A (zh) * | 2015-08-07 | 2017-02-22 | 飞比特公司 | 识别用户的方法和系统 |
| CN108737623A (zh) * | 2018-05-31 | 2018-11-02 | 南京航空航天大学 | 基于智能手机携带位置及携带模式的用户身份识别方法 |
-
2018
- 2018-12-29 CN CN201811640474.7A patent/CN109684812B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014185861A1 (en) * | 2013-05-14 | 2014-11-20 | National University Of Singapore | System and method for authenticating a user |
| 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 |
| CN106445101A (zh) * | 2015-08-07 | 2017-02-22 | 飞比特公司 | 识别用户的方法和系统 |
| CN108737623A (zh) * | 2018-05-31 | 2018-11-02 | 南京航空航天大学 | 基于智能手机携带位置及携带模式的用户身份识别方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110968857A (zh) * | 2019-12-03 | 2020-04-07 | 南京航空航天大学 | 基于抬臂动作的智能手表身份认证方法 |
| CN110968857B (zh) * | 2019-12-03 | 2022-04-08 | 南京航空航天大学 | 基于抬臂动作的智能手表身份认证方法 |
| CN112019346A (zh) * | 2020-08-17 | 2020-12-01 | 北京双洲科技有限公司 | 一种移动终端用户身份验证处理的方法、装置和系统 |
| CN113065468A (zh) * | 2021-04-02 | 2021-07-02 | 西安电子科技大学 | 基于用户坐标系与gru网络的步态认证方法 |
| CN113065468B (zh) * | 2021-04-02 | 2023-04-07 | 西安电子科技大学 | 基于用户坐标系与gru网络的步态认证方法 |
| CN114466358A (zh) * | 2022-01-30 | 2022-05-10 | 全球能源互联网研究院有限公司 | 一种用户身份持续认证方法及装置 |
| CN114466358B (zh) * | 2022-01-30 | 2023-10-31 | 全球能源互联网研究院有限公司 | 一种基于零信任的用户身份持续认证方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109684812B (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Hua et al. | We can track you if you take the metro: Tracking metro riders using accelerometers on smartphones | |
| US8942431B2 (en) | Biometrics based methods and systems for user authentication | |
| US20190311261A1 (en) | Behavioral biometric feature extraction and verification | |
| CN103530540B (zh) | 基于人机交互行为特征的用户身份属性检测方法 | |
| US20190311098A1 (en) | Behavioral biometric feature extraction and verification | |
| CN108549806B (zh) | 基于用户滑动和点击行为的身份认证方法 | |
| US11449746B2 (en) | Behavioral biometric feature extraction and verification | |
| US20190311099A1 (en) | Behavioral biometric feature extraction and verification | |
| WO2017084205A1 (zh) | 一种网络用户身份认证方法及系统 | |
| CN106940805A (zh) | 一种基于手机传感器的群体行为分析方法 | |
| Wei et al. | A deep learning approach to web bot detection using mouse behavioral biometrics | |
| CN107153780A (zh) | 基于手腕穿戴电子设备的书写行为特征认证方法 | |
| Al-Naffakh et al. | Continuous user authentication using smartwatch motion sensor data | |
| CN112487374A (zh) | 基于触摸屏交互行为的自适应持续身份认证方法及系统 | |
| CN112492090A (zh) | 智能手机上融合滑动轨迹和动力学特征的持续身份认证方法 | |
| Xun et al. | Side channel analysis: A novel intrusion detection system based on vehicle voltage signals | |
| CN105119744B (zh) | 用户标识的关联关系判断方法和装置 | |
| CN107273728B (zh) | 基于运动传感行为特征的智能手表解锁和认证方法 | |
| CN113742669B (zh) | 一种基于孪生网络的用户认证方法 | |
| CN112966248B (zh) | 非受控步行场景下移动设备的持续身份认证方法 | |
| Cui et al. | Multifractal characterization of distribution synchrophasors for cybersecurity defense of smart grids | |
| CN108268762B (zh) | 基于行为建模的移动社交网络用户身份识伪方法 | |
| WO2019199942A1 (en) | Behavioral biometric feature extraction and verification | |
| Tian et al. | Faliotse: Towards federated adversarial learning for iot search engine resiliency |
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 |