CN110418337A - 身份认证方法及装置 - Google Patents

Abstract

本发明提供了一种身份认证方法及装置，其中，该方法包括：采集智能移动设备的用户实时生物行为信息；从所述用户实时生物行为信息中提取用户实时生物行为特征；所述用户实时生物行为特征得到用户实时认知特征；将所述用户实时生物行为特征和所述用户实时认知特征与预先建立的用户模型进行比对，以认证所述采集智能移动设备的用户身份合法性，其中，所述用户模型是根据用户历史生物行为特征和用户历史认知特征建立。通过上述方案能够提高基于身份认证的准确率。

Description

身份认证方法及装置

技术领域

本发明涉及网络安全技术领域，尤其涉及一种身份认证方法及装置。

背景技术

随着计算机及其网络应用的日益普及，尤其是互联网应用的迅猛发展，计算机及其网络系统的安全管理问题日显突出，各种非法计算机及网络入侵事件频频发生。据初步估计，大约70％以上的网络入侵行为，都是从盗用合法用户口令尤其是管理员口令开始的。

鉴于口令保护机制是一种简单的电脑安全保护手段，人们提出了多个基于各种生物特征的用户身份认证方法。但是，目前基于生物特征进行身份认证的准确率难以得到进一步提高，进而限制了设备安全性的增强。

发明内容

本发明提供了一种身份认证方法及装置，以提高基于身份认证的准确率。

为了达到上述目的，本发明采用以下方案实现：

根据本发明实施例的一个方面，提供了一种身份认证方法，包括：

采集智能移动设备的用户实时生物行为信息；

从所述用户实时生物行为信息中提取用户实时生物行为特征；

根据所述用户实时生物行为特征得到用户实时认知特征；

将所述用户实时生物行为特征和所述用户实时认知特征与预先建立的用户模型进行比对，以认证所述采集智能移动设备的用户身份合法性，其中，所述用户模型是根据用户历史生物行为特征和用户历史认知特征建立。

根据本发明实施例的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所述方法的步骤。

根据本发明实施例的又一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述方法的步骤。

本发明的身份认证方法、电子设备及计算机可读存储介质，通过采集提取用户的生物行为特征，基于生物行为特征获取到用户的认知特征，并基于更加稳定的认知特征进行身份认证，能够提高智能移动设备身份认证的准确率，从而提高认证安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的附图。在附图中：

图1是本发明一实施例的身份认证方法的流程示意图；

图2是本发明另一实施例的身份认证方法的流程示意图；

图3是本发明一实施例中主体认知特性对应示意图；

图4是本发明一实施例的身份认证方法的框图示意图；

图5是本发明一实施例的身份认证装置的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

发明人总结发现，当前基于智能移动设备行为特征的身份认证技术提高身份认证的准确率，主要集中在提出新的生物特征、新的机器学习算法等。特征的选择从根本上影响着学习型算法表现的好坏。所以，新的、有效的特征是提高智能移动设备身份认证技术准确率的关键。然而，发明人经过研究发现，虽然各种基本的生物特征(例如，手势特征、击键特征、步态特征)是生物个体固有的，是独一无二的特征，不易改变，但其稳定性仍不能满足智能移动设备身份认证准确率的要求。

为了进一步提高智能移动设备身份认证准确率，发明人经过深入挖掘生物特征，发现基于生物行为特征得到的认知特征所能够反应用户在不同时间与不同情境中保持相对一致的行为方式的倾向，是更加稳定的特征，更不易改变。基于此，本发明提供了一种身份认证方法，下面将对本发明的实施例做详细说明。

图1是本发明一实施例的身份认证方法的流程示意图。如图1所示，一些实施例的身份认证方法可包括以下步骤S110至步骤S140。

步骤S110：采集智能移动设备的用户实时生物行为信息。

该智能移动设备可以是智能手机、平板电脑等，可以具有检测其用户的生物行为信息。该智能移动设备可以具有触摸屏，可以具有各种传感器件(例如，加速度计、陀螺仪等)。

当用户基于该智能移动设备进行身份认证操作时，可以实时采集到用户实时生物行为信息，其中，基于智能移动设备得到的用户生物行为信息可属于用户生物信息的一种。用户实时生物行为信息可以指在用户基于该智能移动设备进行身份认证操作时，该智能移动设备记录的各种关于该用户使用该智能移动设备的行为的信息。

示例性地，在该智能移动设备含有触摸屏的情况下，所采集到的用户实时生物行为信息可包括用户手势原始数据信息、击键原始数据信息等；在该智能移动设备含有加速度计和陀螺仪的情况下，所采集的用户实时生物行为信息可包括传感器原始数据信息等。其中，实时采集的用户手势原始数据信息可包括触摸坐标位置、触摸时间、触摸压力、触摸面积等，击键原始数据信息可包括击键位置(可对应到触摸屏显示的文字，如字母、字符、数字等)、击键时间、击键压力、击键面积等，传感器原始数据信息可包括来自加速度计和陀螺仪的在三维方向上的运动数据信息，又可称为三维运动数据。

步骤S120：从所述用户实时生物行为信息中提取用户实时生物行为特征。

该用户实时生物行为特征可以指从用户实时生物行为信息统计计算出的、能够反映用户使用该智能移动设备的行为的特征。例如，在该智能移动设备含有触摸屏的情况下，提取的用户实时生物行为特征可以包括用户在触摸屏幕时的手势特征、击键特征等；在该智能移动设备含有加速度计和陀螺仪的情况下，提取的用户实时生物行为特征可以包括运动特征。其中，利用加速度计可以采集智能移动设备在三个维度方向的运动速度等信息，利用陀螺仪可以采集智能移动设备在各种姿势，例如，左右扭动、前后俯仰、横纵转向等。智能移动设备常见含有触摸屏、加速度计、陀螺仪等，还常见可进行网络连接。

更具体地，该手势特征可包括手势类型频率、移动平均速度、移动平均距离、平均压力、平均接触面积等。该击键特征可包括点击各字符或功能键的持续时间和时间间隔。该运动特征可包括加速度计特征、陀螺仪特征等，其中，加速度计特征可包括三维方向上的运动特点，陀螺仪特征前后倾斜、左右扭转、纵向转横向等。其中，用户的手势类型可以是指用户在智能移动设备触摸屏上进行操作时手势的划分，例如，轻触、按压、拖拽、放大、缩小、滑动等，该手势类型频率可指单位时间内某种手势类型的发生次数，例如，一分钟内滑动次数。移动平均距离可以是指某移动相关的手势在一定时间内各次移动距离的平均值，例如，在一定时间内平均每次拖拽或滑动的距离。

在一些实施例中，在提取用户实时生物行为特征之前，可以对采集的用户实时生物行为信息进行预处理，以去除数据噪声。示例性的，该步骤S120，具体地，可包括步骤：S1211，去除所述用户实时生物行为信息的数据噪声，并从去除数据噪声后的用户实时生物行为信息中提取用户实时生物行为特征。在其他实施例中，可以不包括去除噪声的步骤。

示例性地，该步骤S1211，更具体地，可包括步骤：S12111，通过包括填写空缺值、识别并删除离群点值、及删除重复值的方式去除所述用户实时生物行为信息的数据噪声。

该用户实时生物行为特征可以是在一定时间窗格内实时采集的生物行为特征。例如，在该时间窗格内，所采集到的用户历史生物行为信息，可包括多个击键的相关信息，可以采集到的多个触屏的相关信息，可以采集到的多个运动相关信息。

例如，在该智能移动设备包括智能移动触摸屏的情况下，该步骤S120，具体地，可包括步骤：S1221，对时间窗格内的用户实时生物行为信息中的触摸坐标位置数据进行统计计算，得到相应的实时手势动作数据；S1222，根据时间窗格内的实时手势动作数据统计得到相应的用户实时生物行为特征中的手势特征。

其中，该实时手势动作数据可包括触碰、按压、拖拽、放大、缩小、滑动中的一种或多种，该实时手势特征可包括手势类型频率、移动平均速度、移动平均距离、平均压力、平均接触面积中的一种或多种。时间窗格内可以根据需要进设定，例如，一分钟、三分钟等，可以与进行训练建模时所用的时间窗格相近或相同。

再例如，在该智能移动设备包括智能移动触摸屏的情况下，该步骤S120，具体地，可包括步骤：S1231，对时间窗格内的用户实时生物行为信息中的击键位置和击键时间进行统计计算，得到实时击键动作数据；S1232，对时间窗格内的所有实时击键动作数据进行顺序拼接，得到相应的用户实时生物行为特征中的击键特征。

其中，该实时击键动作数据可包括各次击键的时间、各次击键对应的击键位置中的一种或多种。击键位置可包括击键坐标位置和对应的文字(例如，数字、字母等)或功能键，换言之，可包括击键对象所在位置，例如点击的某功能键或某字符所在的位置。击键时间可包括按下按键的时间、松开按键的时间，根据按下按键的时间和松开按键的时间可以计算出按键持续时间。

又例如，在该智能移动设备包括加速度计和陀螺仪的情况下，该步骤S120，具体地，可包括步骤：S1241，对时间窗格内的用户实时生物行为信息中的实时三维运动数据进行统计计算，得到相应的用户实时生物行为特征中的实时运动特征。利用加速度计和陀螺仪检测的智能移动设备的运动情况，可以推至为用户使用智能移动设备时的运动情况。

其中，该实时三维运动数据可包括加速度计和陀螺仪采集的基本数据。该实时运动特征可包括加速度计特征、陀螺仪特征等，其中，加速度计特征可包括三维方向上的运动特点，陀螺仪特征可包括前后倾斜、左右扭转、纵向转横向中的一种或多种。

步骤S130：根据所述用户实时生物行为特征得到用户实时认知特征。

例如，该用户实时生物行为特征包括基本的生物特征，例如，手势特征、击键特征、运动特征等。该用户实时认知特征是在用户实时生物行为特征的基础上得到。

该用户实时认知特征可以通过对该用户实时生物行为特征求均值、标准差、调和标准差等得到。示例性地，该步骤S130，具体地，可包括步骤：S131，对时间窗格内的用户实时生物行为特征中同类型的特征进行融合，分别得到实时时间相关特征和实时压力相关特征；分别计算实时时间相关特征的均值和标准差与实时压力相关特征的均值和标准差；根据实时时间相关特征的均值和实时标准差计算相应的实时调和平均值，根据实时压力相关特征的均值和标准差计算相应的实时调和平均值，根据计算得到的实时各调和平均值得到相应组的用户实时认知特征。

换言之，可以计算时间窗格内的用户实时生物行为特征中的实时时间相关特征的实时均值和实时标准差，计算时间窗格内的用户实时生物行为特征中的实时压力相关特征的实时均值和实时标准差；并根据实时时间相关特征的实时均值和实时标准差计算实时时间相关特征的实时调和平均值，根据实时压力相关特征的实时均值和实时标准差计算实时压力相关特征的实时调和平均值；将实时时间相关特征的实时调和平均值和实时压力相关特征的实时调和平均值作为至少一部分或综合计算或融合结果作为用户实时认知特征。

可以通过concat方式进行融合，可以将用户实时生物行为特征中关于时间的特征划分为时间相关特征，例如，各种持续时间(如击键持续时间、滑动/拖拽/运动/扭动/俯仰持续时间等)、各种时间间隔(如击键时间间隔、滑动/拖拽/运动/扭动/俯仰时间间隔等)；可以将用户实时生物行为特征中关于压力的特征划分为压力相关特征，例如，按压压力。均值可以用来衡量活动性，标准差可以用来衡量稳定性，调和平均值可以将均值和标准差融合在一起。可以将其中一个调和平均值作为用户实时认知特征，或者可以对多个调和平均值进行融合(如线性组合)得到用户实时认知特征。

认知特征是对智能终端设备的生物特征的深层次挖掘，体现了对于用户来说，认知层面更本质的差异。用户主体的认知特性集中在对人格特质的探讨。人格特质可指在不同的时间与不同的情境中保持相对一致的行为方式的一种倾向，这种倾向能引发人们行为和主动引导人的行为，并使个人面对不同种类的刺激都能做出相同反映的心理结构。人格特质可以由内向外向性和稳定性两方面来衡量。对应到智能移动设备的用户使用行为特征(生物行为特征)，实施例中，可通过动作的稳定性和活动性两个方面来衡量认知特征，稳定性可由用户数据特征的标准差进行衡量，活动性可由均值进行衡量，通过标准差和均值的双向评估，可以定义作为主体的用户的认知特征，该认知特征具有更好的稳定性。

步骤S140：将所述用户实时生物行为特征和所述用户实时认知特征与预先建立的用户模型进行比对，以认证所述采集智能移动设备的用户身份合法性，其中，所述用户模型是根据用户历史生物行为特征和用户历史认知特征建立。

其中，用户历史生物行为特征与用户实时生物行为特征的区别主要在于：一方面，历史生物行为特征所基于的实时生物行为信息与用户实时生物行为特征所基于的实时生物行为信息的采集时间不同；另一方面，历史生物行为特征所基于的实时生物行为信息与用户实时生物行为特征所基于的实时生物行为信息对应的时间段长度或时间窗格数不同。具体而言，一方面，用户实时生物行为特征是从上述用户实时生物行为信息中提取得到的，而用户实时生物行为信息可以是需要对智能移动设备的当前用户所进行的身份认证操作时所采集的生物行为信息；用户历史生物行为特征是从用户历史生物行为信息中提取得到，而用户历史生物行为信息可以是在需要对智能移动设备的当前用户所进行的身份认证操作进行身份认证之前所采集的生物行为信息。此外，可以在不同的时间窗格中分别得到用户历史生物行为信息、用户历史生物行为特征、用户历史认知特征等，从而可以得到多个时间窗格的用户历史生物行为信息、多个时间窗格的用户历史生物行为特征、多个时间窗格的用户历史认知特征，可作为用于训练建模的样本数据。

类似地，用户历史认知特征与用户实时认知特征的区别主要在于：一方面，前者是基于用户历史生物行为特征得到，后者是基于用户实时生物行为特征，而用户历史生物行为特征与用户实时生物行为特征的区别如前所述。

另外，需要说明的是，所述的用户实时生物行为信息、用户实时生物行为特征、用户实时认知特征、用户历史生物行为信息、用户历史生物行为特征、用户历史认知特征等术语中的“用户”是指对智能移动设备进行操作的主体，并不限定是否为采集智能移动设备的所有者或长期使用者。

该步骤S140中，具体地，所述用户模型可以是基于用户历史生物行为特征和用户历史认知特征并采用多核学习的方法训练建立。

在上述步骤S140之前，本发明各实施例的身份认证方法，还可包括建立所述用户模型的步骤。建立所述用户模型各实施例中所涉及的参数可参照前述各实施例中相应的参数实施，重复之处不再赘述。在其他实施例中，身份认证方法可不包括训练建模的过程，在此情况下，可以直接利用现有的或在其他过程中训练的用户模型来实现身份认证。

在一些实施例中，如图2所示，上述步骤S140之前，即，将所述用户实时生物行为特征和所述用户实时认知特征与预先建立的用户模型进行比对，以认证所述采集智能移动设备的用户身份合法性之前，还可包括：

步骤S210：采集所述智能移动设备的用户历史生物行为信息；

步骤S220：从所述用户历史生物行为信息中提取所述用户历史生物行为特征；

步骤S230：根据所述用户历史生物行为特征得到所述用户历史认知特征；

步骤S240：根据所述用户历史生物行为特征和所述用户历史认知特征建立所述用户模型。

在一些实施例中，上述步骤S220中，提取所述用户历史生物行为特征之前，可以先对采集的用户历史生物行为信息进行预处理，以去除数据噪声。该步骤S220，具体地，可包括步骤：S2211，去除所述用户历史生物行为信息的数据噪声，并从去除数据噪声后的用户历史生物行为信息中提取用户历史生物行为特征。

更具体地，上述步骤S2211，即，去除所述用户历史生物行为信息的数据噪声，可包括步骤：S22111，通过包括填写空缺值、识别并删除离群点值、及删除重复值的方式去除所述用户历史生物行为信息的数据噪声。

在一些实施例中，上述步骤S220，即，从所述用户历史生物行为信息中提取用户历史生物行为特征，具体地，可包括步骤：S2221，根据设定时间窗格对所述用户历史生物行为信息进行分组；S2222，对每组用户历史生物行为信息进行统计计算，得到相应组的用户历史生物行为特征。

进一步实施例中，上述步骤S230，即，根据所述用户历史生物行为特征得到用户历史认知特征，具体地，可包括步骤：S231，对每组的用户历史生物行为特征进行统计计算，得到相应组的用户历史认知特征。

示例性地，可以通过稳定性和活动性来衡量用户历史认知特征(用户实时认知特征类似)，其中，稳定性可以通过用户历史生物行为特征的标准差来衡量，活动性可以通过用户历史生物行为特征的均值来衡量。在其他实施例中，可以通过其他统计参数来衡量稳定性或活动性，或者可以通过其他特性来衡量认知特征。

进一步实施例中，上述步骤S240，即，根据所述用户历史生物行为特征和所述用户历史认知特征建立所述用户模型，具体地，可以根据所述用户历史生物行为特征和所述用户历史认知特征并利用机器学习方法建立所述用户模型，例如，可以采用多核学习方法建模。示例性地，上述步骤S240的具体实施方式可包括步骤：S241，根据同组的用户历史生物行为特征和用户历史认知特征形成相应的一个样本数据；S242，利用所有所述样本数据并采用多核学习方法进行训练建模，得到所述用户模型。在其他实施例中，可以采用其他的机器学习方法建立所述用户模型。

其中，上述多核学习方法(Multiple Kernel Learning，MKL)可以是基于多个核的线性组合的学习方法，例如SimpleMKL。不同时间窗格可以对应得到不同的样本数据，从而可以得到多个样本数据，可以利用该些样本数据进行训练建模。一个样本数据可以对应多种特征，例如，包括用户历史生物行为特征和用户历史认知特征，用户历史生物行为特征还可包括多种生物行为特征，每种特征可以称为一种因子。

各实施例中，上述用户历史生物行为特征的类型可包括手势特征、击键特征及运动特征中的一种或多种；类似地，前述用户实时生物行为特征的类型也包括手势特征、击键特征及运动特征的一种或多种。一般而言，用户历史生物行为特征和用户实时生物行为特征所包括的特征的类型较佳地是相同。

为了更好地进行训练建模，可以通过利用所述样本数据采用其他方法预先确定多核学习方法所涉及的参数。

示例性地，上述步骤S242之前，即，利用所有所述样本数据并采用多核学习方法进行训练建模，得到所述用户模型之前，上述步骤S240的方法，即，根据所述用户历史生物行为特征和所述用户历史认知特征建立所述用户模型，还可包括步骤：S243，基于单种所述样本数据，采用单核学习方法确定核函数及其参数；所述核函数及其参数用于得到多核学习的方法的初始参数。具体地，可以采用支持向量机等单核学习方法确定核函数及其参数，例如，采用十折交叉验证方法确定多项式核的项数，采用网格寻优算法确定径向基核的参数。所述的核函数及其参数可包括多项式核的项数、径向基核的参数等。在其他实施例中，可以采用其他机器学习方法进行训练建模得到用户模型。

换言之，样本数据可以包含多种数据，例如，包含用户历史认知特征和至少一种用户历史生物行为特征。所以，可以基于样本数据中的某种用户历史特征数据，采用支持向量机等单核学习方法确定核函数及其参数；例如，对于用户历史击键行为特征，可以采用十折交叉验证方法确定多项式核的项数，对于用户历史手势行为特征，可以采用网格寻优算法确定径向基核的参数。

其中，单核学习方法、十折交叉验证方法、网格寻优算法均可利用现有方法实现。利用上述方法，样本数据中的每种数据可以对应得到相应的核函数及其参数，不同类型数据对应得到的核函数及其参数可以用作多核学习方法中的参数，以在上述步骤S242进行训练建模。

示例性地，在所述用户实时生物行为特征和所述用户历史生物行为特征的类型均包括手势特征的情况下，上述步骤S2222，即，对每组用户历史生物行为信息进行统计计算，得到相应组的用户历史生物行为特征，具体地，可包括步骤：S222211，对每组用户历史生物行为信息中的触摸时间和坐标位置数据进行统计计算，得到相应组的手势动作数据；S222212，根据每组的手势动作数据统计得到相应组的用户历史生物行为特征中的手势特征；所述智能移动设备包括智能移动触摸屏。其中，触摸时间和坐标位置数据包括触摸时间数据和相应的触摸坐标位置数据。

其中，所述手势动作数据可包括触碰、按压、拖拽、放大、缩小、滑动中的一种或多种。所述手势特征可包括手势类型频率、移动平均速度、移动平均距离、平均压力、平均接触面积中的一种或多种。

示例性地，在所述用户实时生物行为特征和所述用户历史生物行为特征的类型均包括击键特征的情况下，上述步骤S2222，具体地，可包括步骤：S222221，对每组用户历史生物行为信息中的击键位置和击键时间进行统计计算，得到击键动作数据；S222222，对每组的所有击键动作数据进行顺序拼接，得到相应组的用户历史生物行为特征中的击键特征；所述智能移动设备包括智能移动触摸屏。

其中，所述击键动作数据可包括各次击键的时间、各次击键对应的击键位置中的一种或多种。

示例性地，在所述用户实时生物行为特征和所述用户历史生物行为特征的类型均包括运动特征的情况下，上述步骤S2222，具体地，可包括步骤：S222231，对每组用户历史生物行为信息中的三维运动数据进行统计计算，得到相应组的用户历史生物行为特征中的运动特征；所述智能移动设备包括加速度计及陀螺仪。

其中，所述运动特征可包括加速度计特征、陀螺仪特征等，其中，加速度计特征可包括三维方向上的运动特点，陀螺仪特征可包括前后倾斜、左右扭转、纵向转横向中的一种或多种。

进一步示例中，上述步骤S231，即，对每组的用户历史生物行为特征进行统计计算，得到相应组的用户历史认知特征，具体地，可包括步骤：S2311，对每组用户历史生物行为特征中同类型的特征进行融合，分别得到时间相关特征和压力相关特征；S2312，分别计算时间相关特征的均值和标准差与压力相关特征的均值和标准差；S2313，根据时间相关特征的均值和标准差计算相应的调和平均值，根据压力相关特征的均值和标准差计算相应的调和平均值，根据计算得到的各调和平均值得到相应组的用户历史认知特征。

其中，在上述步骤S2311中，例如可以通过concat方式进行融合，可以将用户历史生物行为特征中关于时间的特征划分为时间相关特征，例如，各种持续时间(如击键持续时间、滑动/拖拽/运动/扭动/俯仰持续时间等)、各种时间间隔(如击键时间间隔、滑动/拖拽/运动/扭动/俯仰时间间隔等)；可以将用户历史生物行为特征中关于压力的特征划分为压力相关特征，例如，按压压力。均值可以用来衡量活动性，标准差可以用来衡量稳定性，调和平均值可以将均值和标准差融合在一起。可以将其中一个调和平均值作为用户历史认知特征，或者可以对多个调和平均值进行融合(如线性组合)得到用户历史认知特征。

本些实施例中，通过采集提取用户的生物行为特征，基于生物行为特征获取到用户的认知特征，并基于更加稳定的认知特征进行身份认证，能够提高智能移动设备身份认证的准确率，从而提高认证安全性。

为使本领域技术人员更好地了解本发明，下面将以具体实施例说明本发明的实施方式。

在一具体实施例中，身份认证方法是一种基于主体认知特性的多因子身份认证方法，目的在于提高基于生物特征的身份认证技术的准确度和提高智能移动设备的安全性，该方法可包括以下步骤：

(1)实时采集用户的智能移动设备触摸屏的原始信息，包括手势信息、击键信息、以及传感器信息(可包括加速度计信息和陀螺仪信息)；

(2)对得到的原始信息进行数据预处理，去除数据噪声；

(3)从去除数据噪声的原始信息中提取主体(用户)的生物行为特征，包括手势特征、击键特征和运动特征，并在这三部分传统特征的基础上，提取主体的认知特征；

(4)对提取到的主体特征(可包括生物行为特征、认知特征)进行特征融合；

(5)利用融合后的主体特征，采用多核学习方法对主体(用户)身份进行建模；

(6)将实时采集的用户数据带入模型，对当前用户的身份进行识别认证。

在上述步骤(1)中，所述采集的原始信息具体可包括：

实时采集的用户手势原始数据信息可包括触摸坐标位置、触摸发生时的时间、触摸压力和触摸面积；击键原始数据信息可包括键的位置(对应到字母、字符、数字等)、击键行为发生时的时间、压力、面积；传感器原始数据信息可包括来自加速度计和陀螺仪的数据信息。

更具体地，手势原始数据信息中，触摸坐标位置可为将屏幕分为横向X和纵向Y两个方向，采集到的坐标位置可为横向X和纵向Y的绝对位置数据。触摸发生时的时间特征可以是用户发生触摸动作时的具体时间，方便提取时间特征时进行计算。触摸压力和触摸面积可以是用户在接触屏幕时产生的对屏幕的压力和面积。

击键信息作为一种特殊的触摸形式，可含有更具体的用户特征。为了更好地分析用户击键特征，采集的原始数据信息可包括键的位置，即按键为哪个字符、字母、数字或者功能键等。击键行为发生时的时间可为用户按键时的具体时间，包括按下时的时间和抬起时的时间两部分。压力和面积特征可为用户按键时产生的压力和面积。

利用加速度计可采集智能移动设备在水平位置的移动信息，包括沿x轴、y轴和z轴方向的运动信息；利用陀螺仪可采集智能移动设备在三维立体方向的移动信息，可包括设备前后倾斜，左右扭转，从纵向转向横向三方面。

在上述步骤(2)中，具体包括：采用填写空缺值、识别删除离群点、删除重复值等方法对数据进行预处理操作，使得数据是有效的、可用的，便于提取用户特征。

在上述步骤(3)中，如表1所示，所述主体特征具体可包括主体的手势特征、击键特征、运动特征和认知特征四部分。

主体手势特征可以通过记录统计手势动作来提取的。每一类的手势都可以通过跟踪用户在移动设备上的手指移动轨迹来采集。可通过手势的移动像素点位置来记录用户动作，进而对原始采集到的手势数据进行统计计算，将零散的数据拼接为一个动作，再将多个动作拼接为一个可以提取特征的区间。主体手势动作主要可包括轻触、按压、拖拽、放大、缩小、滑动等。通过分析原始数据，可以提取包括手势类型、移动速度、移动距离、压力、接触面积等特征。

主体击键特征可包括时间特征、压力特征、面积特征三部分，其中时间特征可包括持续时间和间隔时间两部分，持续时间指单个按键的按下和抬起时间差，间隔时间指多个按键的间隔时间，以两个键为例，可包括down-up、up-up、down-down、up-down四个时间特征。压力特征指在按键开始、按键过程中和按键抬起的时候产生的对屏幕的压力。面积特征可为在按键过程中产生的面积。

传感器特征可包括从加速度计和陀螺仪采集的特征，加速度计特征可包括设备沿x轴、y轴和z轴的运动；陀螺仪特征可包括设备前后倾斜，左右扭转，从纵向转向横向三方面。

主体认知特征可以是对用户智能终端设备特征的深层次挖掘，体现了对于个人来说认知层面更本质的差异。主体认知特性集中在对人格特质的探讨。人格特质指的是在不同的时间与不同的情境中保持相对一致的行为方式的一种倾向，这种倾向能引发人们行为和主动引导人的行为，并使个人面对不同种类的刺激都能做出相同反映的心理结构。

人格特质可以由内向外向性和稳定性两方面来衡量。如图3所示，对应到用户智能移动设备使用行为特征，本研究通过动作的稳定性和活动性两个方面来衡量主体认知特征，稳定性由用户数据特征的标准差进行衡量，活动性由均值进行衡量，通过标准差和均值的双向评估，定义主体的认知特性。活动性由公式(1)来进行计算，稳定性由公式(2)进行计算，双向评估由公式(3)进行计算。例如，用户击键行为的持续时间特征为X＝[x₁,x₂,...,x_n]，其中，X表示特征集，x_i为第i个特征，1≤i≤n，i为正整数，n和N为特征的个数，则用户击键持续时间特征涉及到的认知特征为稳定性特征S、活动性特征A、综合特征C。其中，如下面公式(1)至(3)，稳定性特征S可以用标准差s_N表示，活动性特征A可以用均值表示，综合特征C可以用稳定性特征S和活动性特征A的调和均值表示。

在上述步骤(4)中，对提取到的主体特征进行特征融合。可采用concat方式对主体智能移动设备使用特征进行早融合，以实现基于多因子的用户身份认证。

在上述步骤(5)中，可采用多核学习方法对用户实现身份认证。多核学习方法中的核函数可如下面公式(4)所示，其中，d_m为核函数线性组合中的第m个核函数的系数，M为核的个数，1≤m≤M，m为正整数。与单核学习方法相比，多核学习方法的核函数K(x,x')可为多个核函数K_m(x,x')的线性组合。

由于多核学习方法的核函数多了线性组合的系数d，所以可以在单核学习方法的基础上，将用户身份认证问题转化为求解公式(5)的最小化问题，其中d和α为需要进行求解的系数，J为最小化目标函数，M为核的个数，s.t.代表求解公式所需的条件。

可根据不同的特征形式选取径向基核函数和线性核函数的优化组合，进行特征融合。

更具体地实施例中，参见图4所示，基于主体特性的用户智能终端设备身份认证方法，可包括以下内容及步骤：

S1：采集用户智能终端设备使用行为数据，建立用户行为信息基础数据库。

S2：采用填写空缺值、识别删除离群点、删除重复值等方法对用户基础数据进行清理。

S3：定义时间窗格m，转换用户样本。在本例中，将m设置为1分钟，即一分钟之内的所有基础数据划分为一组，方便统计用户行为特征。

S4：在划分用户样本后，提取用户手势特征、击键特征、运动特征和认知特征。首先提取用户手势特征、击键特征和运动特征。

对于手势特征来说，由于基础数据只包含位置信息，所以第一步数据处理应该为组合手势动作，在本例中手势动作包括轻触、按压、拖拽、放大、缩小、滑动六类。根据位置基础数据信息来进行计算和统计，将原始数据组合为手势动作数据。然后，根据手势动作数据，统计时间窗格内出现的手势类型频率、移动平均速度、移动平均距离、平均压力、平均接触面积等信息。手势类型指根据手势的划分判定用户手势类型，形成手势类型的频率分布计算。移动平均速度、移动平均距离、平均压力、平均接触面积为时间窗格内各个手势进行过程中产生的平均速度、距离、压力和接触面积。

击键特征包括两部分，持续时间和间隔时间。根据原始数据，拼接用户击键序列，剔除序列里不必要的噪声数据，例如长时间的击键空白。在时间窗格内形成连续的击键序列后，计算各个字符的持续时间和间隔时间。

运动特征中加速度计特征包括设备沿x轴、y轴和z轴的运动；陀螺仪特征包括设备前后倾斜，左右扭转，从纵向转向横向三方面。根据原始数据，在时间窗格内计算各个运动方向的平均数据。

认知特征在原有的手势特征、击键特征和运动特征的基础上进行计算，主要针对时间相关特征、活动频率相关特征和压力相关特征。已经计算的手势特征、击键特征和运动特征都是根据时间窗格的划分，统计的单个时间窗格内各个特征的均值。为了计算认知特征，单个时间窗格内时间相关特征和压力相关特征的标准差也根据公式(2)来计算。为了形成统一的认知特征评判标准，根据公式(3)计算单个时间窗格内特征均值和标准差的调和平均值。

S5：提取用户智能移动设备行为特征后，统一形成规范化的样本数据存入数据库，方便进行建模。

S6：为了确定多核学习方法的参数，首先通过支持向量机等单核学习方法来计算最佳核函数和参数，例如，采用十折交叉验证的方法，确定多项式核的项数，采用网格寻优算法，确定径向基核函数的参数c和g。参数确定之后，采用多核学习方法对用户进行训练建模，存入用户模型数据库。

S7：在建立好用户模型之后，当用户实时数据被采集，重复步骤S1～S5，将实时数据与用户模型进行比对，进而判断当前用户是不是合法用户。

本实施例中，以智能移动设备生物特征为基础，加入主体认知特性，采用多核学习方法，实现用户身份认证。具体采集用户智能移动设备手势信息、击键信息、传感器信息等原始数据，提取用户手势特征、击键特征、运动特征、认知特征，采用多核学习的方法，对用户样本进行建模，根据用户模型，对用户使用数据进行分类，实现用户认证。主体认知特性反应了在不同的时间与不同的情境中保持相对一致的行为方式的一种倾向，深入挖掘主体认知特性有助于提高设备的安全性。主体认知特性反应了在不同的时间与不同的情境中保持相对一致的行为方式的一种倾向，是主体相对稳定地特征，不易改变。深入挖掘主体认知特性，应用于智能移动设备身份认证，有助于提高准确率，增强智能移动设备安全。

基于与图1所示的身份认证方法相同的发明构思，本发明实施例还提供了一种身份认证装置，如下面实施例所述。由于该身份认证装置解决问题的原理与身份认证方法相似，因此该身份认证装置的实施可以参见身份认证方法的实施，重复之处不再赘述。

如图5所示，一些实施例的身份认证装置，可包括：

信息采集单元310，用于采集智能移动设备的用户实时生物行为信息；

行为特征提取单元320，用于从所述用户实时生物行为信息中提取用户实时生物行为特征；

认知特征获取单元330，用于根据所述用户实时生物行为特征得到用户实时认知特征；

身份识别单元340，用于将所述用户实时生物行为特征和所述用户实时认知特征与预先建立的用户模型进行比对，以认证所述采集智能移动设备的用户身份合法性，其中，所述用户模型是根据用户历史生物行为特征和用户历史认知特征建立。

一些实施例中，图5所示的身份认证装置还可包括建模单元，连接于身份识别单元之前。该身份识别单元，可包括：

信息采集模块，用于采集所述智能移动设备的用户历史生物行为信息；

行为特征提取模块，用于从所述用户历史生物行为信息中提取所述用户历史生物行为特征；

认知特征获取模块，用于根据所述用户历史生物行为特征得到所述用户历史认知特征；

训练建模模块，用于根据所述用户历史生物行为特征和所述用户历史认知特征建立所述用户模型。

一些实施例中，行为特征提取模块，具体可用于：去除所述用户历史生物行为信息的数据噪声；并从去除数据噪声后的用户历史生物行为信息中提取用户历史生物行为特征。

一些实施例中，行为特征提取模块，具体可用于：根据设定时间窗格对所述用户历史生物行为信息进行分组；对每组用户历史生物行为信息进行统计计算，得到相应组的用户历史生物行为特征。

一些实施例中，认知特征获取模块，具体可用于：对每组的用户历史生物行为特征进行统计计算，得到相应组的用户历史认知特征。

一些实施例中，训练建模模块，具体可用于：根据同组的用户历史生物行为特征和用户历史认知特征形成相应的一个样本数据；利用所有所述样本数据并采用多核学习方法进行训练建模，得到所述用户模型。

一些实施例中，身份认证装置，还可包括：参数确定模块，用于基于单种所述样本数据，采用单核学习方法确定核函数及其参数；所述核函数及其参数用于得到多核学习方法的初始参数。

一些实施例中，所述用户实时生物行为特征和所述用户历史生物行为特征的类型均包括手势特征、击键特征及运动特征。

一些实施例中，行为特征提取模块，更具体可用于：对每组用户历史生物行为信息中的触摸时间和坐标位置数据进行统计计算，得到相应组的手势动作数据；根据每组的手势动作数据统计得到相应组的用户历史生物行为特征中的手势特征；所述智能移动设备包括智能移动触摸屏；对每组用户历史生物行为信息中的击键位置和击键时间进行统计计算，得到击键动作数据；对每组的所有击键动作数据进行顺序拼接，得到相应组的用户历史生物行为特征中的击键特征；对每组用户历史生物行为信息中的三维运动数据进行统计计算，得到相应组的用户历史生物行为特征中的运动特征；所述智能移动设备包括加速度计和陀螺仪。

一些实施例中，认知特征获取模块，更具体可用于：对每组用户历史生物行为特征中同类型的特征进行融合，分别得到时间相关特征和压力相关特征；分别计算时间相关特征的均值和标准差与压力相关特征的均值和标准差；根据时间相关特征的均值和标准差计算相应的调和平均值，根据压力相关特征的均值和标准差计算相应的调和平均值，根据计算得到的各调和平均值得到相应组的用户历史认知特征。

一些实施例中，所述手势动作数据包括触碰、按压、拖拽、放大、缩小、滑动中的一种或多种；所述手势特征包括手势类型频率、移动平均速度、移动平均距离、平均压力、平均接触面积中的一种或多种。

一些实施例中，所述击键动作数据包括各次击键的时间、各次击键对应的击键位置中的一种或多种。

一些实施例中，所述运动特征包括加速度计特征和陀螺仪特征。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所述方法的步骤。

本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述方法的步骤。该电子设备可以是智能移动设备，例如，手机、平板电脑等。

综上所述，本发明实施例的身份认证方法、身份认证装置、电子设备及计算机可读存储介质，通过采集提取用户的生物行为特征，基于生物行为特征获取到用户的认知特征，并基于更加稳定的认知特征进行身份认证，能够提高智能移动设备身份认证的准确率，从而提高认证安全性。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种身份认证方法，其特征在于，包括：

采集智能移动设备的用户实时生物行为信息；

从所述用户实时生物行为信息中提取用户实时生物行为特征；

根据所述用户实时生物行为特征得到用户实时认知特征；

将所述用户实时生物行为特征和所述用户实时认知特征与预先建立的用户模型进行比对，以认证所述采集智能移动设备的用户身份合法性，其中，所述用户模型是根据用户历史生物行为特征和用户历史认知特征建立。

2.如权利要求1所述的身份认证方法，其特征在于，将所述用户实时生物行为特征和所述用户实时认知特征与预先建立的用户模型进行比对，以认证所述采集智能移动设备的用户身份合法性之前，还包括：

采集所述智能移动设备的用户历史生物行为信息；

从所述用户历史生物行为信息中提取所述用户历史生物行为特征；

根据所述用户历史生物行为特征得到所述用户历史认知特征；

根据所述用户历史生物行为特征和所述用户历史认知特征建立所述用户模型。

3.如权利要求2所述的身份认证方法，其特征在于，从所述用户历史生物行为信息中提取所述用户历史生物行为特征，包括：

去除所述用户历史生物行为信息的数据噪声；

并从去除数据噪声后的用户历史生物行为信息中提取用户历史生物行为特征。

4.如权利要求2所述的身份认证方法，其特征在于，

从所述用户历史生物行为信息中提取用户历史生物行为特征，包括：

根据设定时间窗格对所述用户历史生物行为信息进行分组；

对每组用户历史生物行为信息进行统计计算，得到相应组的用户历史生物行为特征；

根据所述用户历史生物行为特征得到用户历史认知特征，包括：

对每组的用户历史生物行为特征进行统计计算，得到相应组的用户历史认知特征；

根据所述用户历史生物行为特征和所述用户历史认知特征建立所述用户模型，包括：

根据同组的用户历史生物行为特征和用户历史认知特征形成相应的一个样本数据；

利用所有所述样本数据并采用多核学习方法进行训练建模，得到所述用户模型。

5.如权利要求4所述的身份认证方法，其特征在于，利用所有所述样本数据并采用多核学习方法进行训练建模，得到所述用户模型之前，根据所述用户历史生物行为特征和所述用户历史认知特征建立所述用户模型，还包括：

基于单种所述样本数据，采用单核学习方法确定核函数及其参数；所述核函数及其参数用于得到多核学习的方法的初始参数。

6.如权利要求4所述的身份认证方法，其特征在于，所述用户实时生物行为特征和所述用户历史生物行为特征的类型均包括手势特征、击键特征及运动特征。

7.如权利要求6所述的身份认证方法，其特征在于，

对每组用户历史生物行为信息进行统计计算，得到相应组的用户历史生物行为特征，包括：

对每组用户历史生物行为信息中的触摸时间和坐标位置数据进行统计计算，得到相应组的手势动作数据；根据每组的手势动作数据统计得到相应组的用户历史生物行为特征中的手势特征；所述智能移动设备包括智能移动触摸屏；

对每组用户历史生物行为信息中的击键位置和击键时间进行统计计算，得到击键动作数据；对每组的所有击键动作数据进行顺序拼接，得到相应组的用户历史生物行为特征中的击键特征；

对每组用户历史生物行为信息中的三维运动数据进行统计计算，得到相应组的用户历史生物行为特征中的运动特征；所述智能移动设备包括加速度计和陀螺仪；

对每组的用户历史生物行为特征进行统计计算，得到相应组的用户历史认知特征，包括：

对每组用户历史生物行为特征中同类型的特征进行融合，分别得到时间相关特征和压力相关特征；

分别计算时间相关特征的均值和标准差与压力相关特征的均值和标准差；

根据时间相关特征的均值和标准差计算相应的调和平均值，根据压力相关特征的均值和标准差计算相应的调和平均值，根据计算得到的各调和平均值得到相应组的用户历史认知特征。

8.如权利要求7所述的身份认证方法，其特征在于，

所述手势动作数据包括触碰、按压、拖拽、放大、缩小、滑动中的一种或多种；所述手势特征包括手势类型频率、移动平均速度、移动平均距离、平均压力、平均接触面积中的一种或多种；

所述击键动作数据包括各次击键的时间、各次击键对应的击键位置中的一种或多种；

所述运动特征包括加速度计特征和陀螺仪特征。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。