CN109766683B - 一种移动智能设备传感器指纹的保护方法 - Google Patents

Abstract

本发明公开了一种移动智能设备传感器指纹的保护方法，包括：步骤1，收集传感器数据：获取移动智能设备的运动传感器的原始数据；步骤2，数据预处理：对获取的运动传感器的原始数据进行处理后使数据的数据长度一致并在时间轴上均匀分布；步骤3，基于神经网络的指纹保护数据对抗训练：对指纹识别神经网络模型通过训练数据进行指纹保护的对抗训练；步骤4，数据输出：将实时获取的传感器原始数据按步骤2进行预处理后，然后通过训练后的指纹识别神经网络模型对预处理后的传感器原始数据进行指纹保护处理，处理后根据输出场景输出无指纹信息的传感器数据。该方法能成功保护不同设备传感器的指纹信息且能控制效用损失，不影响相关传感器使用。

Description

一种移动智能设备传感器指纹的保护方法

技术领域

本发明涉及移动智能设备安全领域，尤其涉及一种移动智能设备传感器指纹的保护方法。

背景技术

随着移动互联网的繁荣，移动设备的安全和隐私问题成为一个日受关注的问题，精准地识别用户和用户的移动设备，使各种移动服务(个性化跨平台推荐、广告跨设备服务等)和数据处理(数据融合、数据交易等)成为可能，但是同时也带来了用户潜在隐私信息的泄露。现有的获取设备指纹的方法，常见的如浏览器获取cookie、APP请求安卓设备的IMEI和苹果设备的IDFA等，由于人们对隐私越来越强烈的关注，这些方法受到了越来越多明确的限制，因此有一些新奇的方法被提出来用于提取设备指纹，比如通过移动设备运动传感器进行指纹标记的方法。

随着移动智能设备的普及和基于MEMS的运动传感器(特别地，加速度计传感器和陀螺仪传感器)技术日臻成熟，大部分移动智能设备，比如安卓设备和苹果设备，都配备了加速度计传感器和陀螺仪传感器，这些传感器成为设备指纹实现的重要途径，也是重要的隐私泄露途径。

现在有许多方法来保护设备指纹隐私。现有的一些方法比如浏览器的cookie可以被手动清除，用户可以通过设置来禁止APP获取安卓设备的IMEI和苹果设备的IDFA信息等。然而传感器指纹提取基于硬件，利用了传感器在制造过程中因为加工工艺的限制导致的异质性，这些传感器差异在其设备使用声明周期内几乎恒定且难以修改，现有的一些保护传感器指纹隐私的方法，比如校正和加噪，都很难保证同时降低识别精度并且效用损失可控。但目前并没有很好的保护传感器指纹的方法，如何防止这些方法暴露用户隐私且没有数据的效用损失是迫切需要解决的问题。

发明内容

基于现有技术所存在的问题，本发明的目的是提供一种移动智能设备传感器指纹的保护方法，能安全处理移动智能设备的传感器数据，成功保护不同设备传感器的指纹信息并且能控制效用损失，不影响相关传感器使用。

本发明的目的是通过以下技术方案实现的：

本发明实施方式提供一种移动智能设备传感器指纹的保护方法，包括：

步骤1，收集传感器数据：获取所述移动智能设备的运动传感器的原始数据；

步骤2，数据预处理：对获取的运动传感器的原始数据进行处理，使处理后得到数据的长度一致并在时间轴上均匀分布；

步骤3，去隐私数据输出：用预先训练对抗网络模型得出的数据生成模型，对所述步骤2预处理后的传感器原始数据进行指纹保护处理，处理后根据输出场景输出无指纹信息的传感器数据；其中，预先训练对抗网络模型得出的数据生成模型通过以下方式得出：用按所述步骤1、2依次处理后得出的传感器数据作为训练数据，对对抗网络模型进行对抗训练，训练后得出数据生成模型。

由上述本发明提供的技术方案可以看出，本发明实施例提供的移动智能设备传感器指纹的保护方法，其有益效果为：

该方法通过在较小修改原始传感器数据的情况下混淆了其中的指纹特征，保护了传感器指纹；该方法对用户行为不敏感，在移动智能设备持有者做任意动作时，如保持静止、走路、跑步、爬楼梯等，均可以进行处理。本发明的方法能在不影响传感器功能使用的情况下，有效实现传感器指纹的保护，能够广泛应用于各类移动智能设备保护用户的身份隐私。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的移动智能设备传感器指纹的保护方法的流程图；

图2为本发明实施例提供的移动智能设备传感器指纹的保护方法应用状态示意图。

具体实施方式

下面结合本发明的具体内容，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

如图1所示，本发明实施例提供一种移动智能设备传感器指纹的保护方法，能处理移动智能设备(智能手机、智能平板等)传感器数据，成功保护不同设备传感器的指纹信息并且能控制效用损失，包括以下步骤：

步骤1，收集传感器数据：获取所述移动智能设备的运动传感器的原始数据；

步骤2，数据预处理：对获取的运动传感器的原始数据进行处理，使处理后得到数据的长度一致并在时间轴上均匀分布；

步骤3，去隐私数据输出：用预先训练对抗网络模型得出的数据生成模型，对所述步骤2预处理后的传感器原始数据进行指纹保护处理，处理后根据输出场景输出无指纹信息的传感器数据；其中，预先训练对抗网络模型得出的数据生成模型通过以下方式得出：用按所述步骤1、2依次处理后得出的传感器数据作为训练数据，对对抗网络模型进行对抗训练，训练后得出数据生成模型。

上述方法步骤1中，通过调用移动智能设备的应用程序接口或者运行的浏览器，获取所述移动智能设备的加速度计传感器和陀螺仪传感器的原始数据。

上述方法步骤2中，对获取的传感器的原始数据进行处理为：对获取的传感器的原始数据进行切片和插值处理。

上述对获取的传感器的原始数据进行切片和插值处理包括：

获取的传感器的原始数据进行切片处理，使切片处理后得到的各数据的时间长度保持一致，然后进行PCHIP插值处理，处理后使数据的时序数据在时间轴上均匀分布。

上述方法步骤3中，所述对抗网络模型包括：

指纹识别模型和数据生成模型；其中，

所述指纹识别模型是一个包含全连接重构层和堆叠的长短时记忆网络层的用于识别传感器指纹的神经网络子模型；

所述数据生成模型是一个将传感器原始数据通过卷积神经网络进行修改输出去除指纹信息的数据网络子模型；

所述指纹识别模型与数据生成模型通信连接进行对抗训练后得出能去除指纹隐私且能控制效用损失的数据生成模型。

上述指纹识别模型的长短时记忆网络层不少于两层，每层的记忆单元数目不少于100个；

所述数据生成模型的卷积层不少于两层，且最终输出的数据维度与输入数据的纬度一致。

上述方法步骤3中，用预先训练对抗网络模型得出的数据生成模型，对所述步骤2预处理后的传感器原始数据进行指纹保护处理为：

用预先训练对抗网络模型得出的数据生成模型，对所述步骤2预处理后的传感器原始数据进行修改后输出去除指纹信息的数据。

下面结合具体实施例对本发明做进一步详细说明。

如图1、2所示，本发明实施例提供一种移动智能设备传感器指纹的保护方法，是处理移动智能设备的运动传感器(即加速度计传感器和陀螺仪传感器)保护其传感器指纹信息，该发明包括以下步骤：

步骤1，收集传感器数据：调用APP的获取运动传感器的API或者通过浏览器脚本，获得加速度计传感器和陀螺仪传感器的原始数据。

步骤2，数据预处理：对收集到的数据进行切片，使得数据时间长度保持一致，然后进行PCHIP插值(分段三次Hermite多项式插值)，使传感器的时序数据在时间轴上均匀分布。

步骤3，去隐私数据输出：步骤2处理后的传感器原始数据，用预先训练对抗网络模型得出的数据生成模型进行指纹保护处理，再根据输出场景输出无指纹信息的传感器数据；其中，预先训练对抗网络模型得出数据生成模型的方式如下：按步骤1获取传感器原始数据，并按步骤2进行预处理后的数据作为训练数据，进行对抗网络模型的对抗训练，该对抗网络模型包括两个部分，一部分为指纹识别模型，另一部分为数据生成模型，指纹识别模型是一个识别传感器指纹的神经网络子模型，数据生成模型则是将原始数据进行修改输出去除指纹信息的神经网络子模型，两个神经网络子模型对抗进行训练，最终得出保护指纹隐私且能控制效用损失的数据生成模型。

进一步的，为平衡隐私保护与效用损失，本发明提供以下明确的处理档次来供用户选择：

(1)去隐私程度：本发明用指纹识别神经网络模型来衡量消除传感器的效果，即表示去除隐私的程度。优选的，去隐私程度可分为四个档次，识别模型准确率下降到5％以下为第一档，是去除隐私的程度最佳的一档；识别模型在5％～15％为第二档；15％～30％为第三档；30％及以上为第四档；可以知道，上述去隐私程度的四个档次仅是一种具体可用的设置，使用者也可根据保护隐私的需求，设定其它去隐私程度的档次。

(2)数据效用：本发明用欧几里得距离来衡量原始数据和生成数据的差异，数值越大表示效用会越差(效用是表示数据还能不能被拿来做有用的事情的程度)。数据效用也可分为四个档次，欧几里得距离在0～5之间为第一档，也是数据效用保留最佳的一档；欧几里得距离在5～20为第二档；欧几里得距离在20～40为第三档；欧几里得距离40及以上为第四档；可以知道，上述数据效用的四个档次也仅是一种具体可用的设置，使用者也可根据数据效用的需求，设定其它数据效用的档次。

根据上述设置的去隐私程度和数据效用的档次后，本发明可以在第一档的数据效用情况下去隐私程度维持在第三档，也可以在第一档的去隐私程度情况下数据效用达到第三档。

用户可以根据自己的需要通过选择不同的数据效用档次和去隐私程度档次进行不同程度的传感器指纹保护，进而达到很好的平衡隐私保护与效用损失。

本发明的处理方法在较小修改传感器数据的情况下混淆了其中的指纹特征，保护了传感器指纹；处理方法对用户行为不敏感，在移动智能设备持有者做任意动作时，如保持静止、走路、跑步、爬楼梯等，均可以进行处理。该发明能在不影响传感器功能使用的情况下，有效实现传感器指纹的保护，能够广泛应用于各类智能设备保护用户的身份隐私。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种移动智能设备传感器指纹的保护方法，其特征在于，包括：

步骤1，收集传感器数据：获取移动智能设备的运动传感器的原始数据；

步骤2，数据预处理：对获取的运动传感器的原始数据进行处理，使处理后得到数据的长度一致并在时间轴上均匀分布；

步骤3，去隐私数据输出：用预先训练对抗网络模型得出的数据生成模型，对所述步骤2预处理后的传感器原始数据进行指纹保护处理，处理后根据输出场景输出无指纹信息的传感器数据；其中，预先训练对抗网络模型得出的数据生成模型通过以下方式得出：用按所述步骤1、2依次处理后得出的传感器数据作为训练数据，对对抗网络模型进行对抗训练，训练后得出数据生成模型；

所述对抗网络模型包括：指纹识别模型和数据生成模型；其中，

所述指纹识别模型是一个包含全连接重构层和堆叠的长短时记忆网络层的用于识别传感器指纹的神经网络子模型；

所述数据生成模型是一个将传感器原始数据通过卷积神经网络进行修改输出去除指纹信息的数据网络子模型；

所述指纹识别模型与数据生成模型通信连接进行对抗训练后得出能去除指纹隐私且能控制效用损失的数据生成模型；

所述指纹识别模型的长短时记忆网络层不少于两层，每层的记忆单元数目不少于100个；

所述数据生成模型的卷积层不少于两层，且最终输出的数据维度与输入数据的纬度一致。

2.根据权利要求1所述的移动智能设备传感器指纹的保护方法，其特征在于，所述方法步骤1中，通过调用移动智能设备的应用程序接口或者运行的浏览器，获取所述移动智能设备的加速度计传感器和陀螺仪传感器的原始数据。

3.根据权利要求1或2所述的移动智能设备传感器指纹的保护方法，其特征在于，所述方法步骤2中，对获取的运动传感器的原始数据进行处理为：对获取的运动传感器的原始数据进行切片和插值处理。

4.根据权利要求3所述的移动智能设备传感器指纹的保护方法，其特征在于，所述对获取的运动传感器的原始数据进行切片和插值处理包括：

获取的运动传感器的原始数据进行切片处理，使切片处理后得到的各数据的时间长度保持一致，然后进行PCHIP插值处理，处理后使数据的时序数据在时间轴上均匀分布。

5.根据权利要求1或2所述的移动智能设备传感器指纹的保护方法，其特征在于，所述方法步骤3中，用预先训练对抗网络模型得出的数据生成模型，对所述步骤2预处理后的传感器原始数据进行指纹保护处理为：

用预先训练对抗网络模型得出的数据生成模型，对所述步骤2预处理后的传感器原始数据进行修改后输出去除指纹信息的数据。

Images