CN110866231A - 服务器、智能终端以及隐式身份认证系统和方法 - Google Patents

Abstract

本发明公开了一种服务器、智能终端以及隐式身份认证系统和方法，所述方法包括：采集用户解锁九宫格密码时的传感器数据；将采集的传感器数据输入到预先训练得到的神经网络模型中；根据所述神经网络模型的输出对所述用户进行隐式身份认证；其中，所述神经网络模型是以所述用户设置九宫格密码时采集的传感器数据作为正样本预先训练得到的。应用本发明可以提高识别的准确率，且解锁认证产生的时延不影响用户体验、通用性好。

Description

服务器、智能终端以及隐式身份认证系统和方法

技术领域

本发明涉及隐式身份认证领域，特别是指一种服务器、智能终端以及隐式身份认证系统和方法。

背景技术

隐式身份认证实质上是一个二分类的问题，目的是区分出合法访问者和其他访问者。目前大部分工作都是通过分析用户的行为习惯，设计特征提取算法描述用户具有辨识度的生物特点，将其送入主流的机器学习进行训练，达到隐式认证的效果。根据分析的场景不同，主要可以分为基于触屏行为、基于击键、基于签名、基于步态、基于应用程序使用以及基于地理位置的认证模式。

其中，基于触屏行为的隐式认证方法为，通过分析用户在划屏时手指对屏幕的压力、划过屏幕时的速度和加速度、触屏轨迹从起点到终点的偏移角度等特征，实现隐式认证的效果。

基于击键行为的隐式认证方法为，通过分析用户在智能智能终端的击键行为来识别用户身份，包括击键的压力、按键触摸点的分布区域、两次击键的时间间隔等特征。

基于签名的隐式认证方法为，对用户的签名进行分析，通过笔迹的速度大小、行程时间、行程间时间、行程位移幅度、行程位移方向和速度方向等特征作为识别依据，使用机器学习算法进行认证。。

基于步态的隐式认证方法为，通过手机传感器的数据分析用户行进过程中步进的频率、垂直位移、水平加速度和垂直加速度等相关指标进行身份认证

基于应用程序使用的隐式认证方法为，通过分析用户使用智能智能终端中应用程序的频率和时间、通话对象和发送短信等信息判断当前使用人是否为合法用户，实现隐式身份认证的功能。

基于地理位置的隐式认证方法为，根据GPS定位等信息分析智能智能终端是否处于常见区域，进而判断当前用户是否为合法用户。

目前主流的隐式认证方法基本上都是使用机器学习方法展开的，有如下一些缺点：

一、特征设计复杂，难以实现好的效果，从而降低了识别的准确率：以上基于特征提取的隐式认证方法的识别准确率很大程度上取决于特征设计的质量，人工设计的特征工程不能恰到好处地分析和利用操作习惯的异同性，过于细致复杂的行为刻画增加了计算量，甚至拒绝用户本人，而减少特征的复杂度和数量可能降低识别的准确率，失去隐式认证的意义。

二、用户体验差：现有方法数据预处理过程中复杂的特征提取计算使得隐式识别功能难以部署到智能智能终端，大多数停留在证明方法的可行性。同时，一些方法的准确率不够高或是回应时间过长会牺牲用户体验。

三、通用性差：上述方法很多时候都针对于某个或某些特定场景，但是现实情况下对于同一用户而言，在不同上下文环境中同一种操作反馈给移动智能终端的数据大相径庭。这种局限性使得大多数隐式身份认证难以落地，通用性较差。

发明内容

本发明提出了一种服务器、智能终端以及隐式身份认证系统和方法，可以提高识别的准确率，且解锁认证产生的时延不影响用户体验、通用性好。

基于上述目的，本发明提供一种隐式身份认证方法，包括：

采集用户解锁九宫格密码时的传感器数据；

将采集的传感器数据输入到预先训练得到的神经网络模型中；

根据所述神经网络模型的输出对所述用户进行隐式身份认证；

其中，所述神经网络模型是以所述用户设置九宫格密码时采集的传感器数据作为正样本预先训练得到的。

其中，所述神经网络模型具体根据如下方法训练得到的：

智能终端在所述用户设置九宫格密码时，将采集到的传感器数据发送给服务器；

所述服务器将该智能终端发送的传感器数据作为正样本，将其它智能终端发送的其他用户设置九宫格密码时采集的传感器数据作为负样本，进行所述神经网络模型的训练；

所述服务器将训练得到的神经网络模型的权重参数和网络结构发送给所述智能终端。

其中，所述神经网络模型包含两层卷积长短期记忆网络，其中，第一层使用2×2的过滤器，第二层使用3×1的过滤器。

较佳地，采集的传感器数据，具体包括如下数据之一或如下数据的任意组合：

触摸屏的受力坐标及压力；

陀螺仪记录的沿三个坐标轴方向上的角速度；

重力加速度记录的重力加速度；

磁力计记录的磁北、真北和偏移；

加速度计记录的线性加速度在以手机为中心的x，y，z三轴分量。

本发明还提供一种隐式身份认证系统，包括：服务器和智能终端；其中，

所述智能终端用于将用户设置九宫格密码时采集的传感器数据发送给所述服务器；并将用户解锁九宫格密码时采集的传感器数据，输入到预先训练得到的神经网络模型中，根据所述神经网络模型的输出对所述用户进行隐式身份认证；

所述服务器用于将所述智能终端发送的用户设置九宫格密码时采集的传感器数据作为正样本训练得到所述神经网络模型，并将训练得到的神经网络模型的权重参数和网络结构发送给所述智能终端。

本发明还提供一种智能终端，包括：九宫格密码设置模块，用于在用户设置九宫格密码时采集传感器数据发送给服务器；

神经网络模型构建模块，用于接收所述服务器返回的所述神经网络模型的权重参数和网络结构，构建出训练得到的神经网络模型；

隐式身份认证模块，用于在用户解锁九宫格密码时采集传感器数据，并输入到所述训练得到的神经网络模型中，根据所述神经网络模型的输出对所述用户进行隐式身份认证。

本发明还提供一种服务器，包括：

正样本获取模块，用于对于当前待训练的神经网络模型所对应的智能终端，将该智能终端发送的用户设置九宫格密码时采集的传感器数据作为正样本；

负样本获取模块，用于将其它智能终端发送的其他用户设置九宫格密码时采集的传感器数据作为负样本；

训练模块，用于根据所述正、负样本对所述神经网络模型进行训练；

模型参数发送模块，用于将训练得到的神经网络模型的权重参数和网络结构发送给所述神经网络模型所对应的智能终端。

本发明的技术方案中，采集用户解锁九宫格密码时的传感器数据；将采集的传感器数据输入到预先训练得到的神经网络模型中；根据所述神经网络模型的输出对所述用户进行隐式身份认证；其中，所述神经网络模型是以所述用户设置九宫格密码时采集的传感器数据作为正样本预先训练得到的。

这样，在用户设置九宫格密码时触屏发生的时间可以采集足够的数据量，且用户设置九宫格密码时使用的手势具有足够的分辨力，用做训练神经网络模型的正样本，有助于提高神经网络模型的识别准确率；

而且，在用户解锁九宫格密码时触屏发生的时间也可以采集足够的数据量用做认证，且用户解锁九宫格密码时使用的手势具有足够的分辨力，可以提高认证时的识别的准确率；此外，解锁认证产生的时延不影响用户体验，且通用性好。

附图说明

图1为本发明实施例提供的一种隐式身份认证系统的架构图；

图2为本发明实施例提供的一种隐式身份认证方法的流程图；

图3为本发明实施例提供的一种神经网络模型的训练方法流程图；

图4为本发明实施例提供的一种智能终端和服务器的内部结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

本发明的发明人考虑到，用于在移动设备上验证用户的大多数方法都定义了系统的入口点。通常，用户面临密码质询，只有在输入正确的密码时才被授予访问权限。指纹和人脸识别的认证方式，都作为更便捷更有识别性的方法来验证合法用户。目前移动设备存储了越来越多的个人隐私甚至公司机密，对于一些需要高安全级别的应用和功能，连续或隐式认证方法可以提供额外的防线，实时地监控设备使用环境。人机交互是通过触屏实现的，用户一旦使用设备，触屏信息随之产生，使用触屏信息作为身份鉴别的依据，有以下两个优点:一、触摸数据表示两个生物特征，即用户手几何和肌肉行为；这种生物特征变化有可能提供用户辨别力；二、现在移动设备上的开销非常低，可以轻松访问触摸数据。

对于触屏认证，根据基于时间戳点的数据识别出用户的手势模型是哪一种是一个尚未解决的问题，针对于此，本发明的技术方案中，聚焦于用户在九宫格解锁的时间内，捕捉这期间设备产生的连续的变化，使用神经网络模型对用户的个性进行拟合；通过选取用户在九宫格使用pin码解锁的时刻做生物识别，好处有如下三点：1、触屏发生的时间可以采集足够的数据量做认证；2、解锁时使用的手势具有足够的分辨力，可以提高识别的准确率；3、解锁认证产生的时延不影响用户体验，且通用性好。

基于此，本发明的主要思路为，采集用户解锁九宫格密码时的传感器数据；将采集的传感器数据输入到预先训练得到的神经网络模型中；根据所述神经网络模型的输出对所述用户进行隐式身份认证；其中，所述神经网络模型是以所述用户设置九宫格密码时采集的传感器数据作为正样本预先训练得到的。

这样，在用户设置九宫格密码时触屏发生的时间可以采集足够的数据量，且用户设置九宫格密码时使用的手势具有足够的分辨力，用做训练神经网络模型的正样本，有助于提高神经网络模型的识别准确率；

而且，在用户解锁九宫格密码时触屏发生的时间也可以采集足够的数据量用做认证，且用户解锁九宫格密码时使用的手势具有足够的分辨力，可以提高认证时的识别的准确率；

此外，解锁认证产生的时延不影响用户体验，且通用性好。

下面结合附图详细说明本发明实施例的技术方案。

本发明实施例提供的一种隐式身份认证系统，架构如图1所示，包括：智能终端101和服务器102；其中，智能终端101和服务器102可以通过网络通信。

智能终端101用于将用户设置九宫格密码时采集的传感器数据发送给所述服务器102；并接收服务器102返回的所述神经网络模型的权重参数和网络结构，构建出训练得到的神经网络模型；进而，将用户解锁九宫格密码时采集的传感器数据，输入到预先训练得到的神经网络模型中，根据所述神经网络模型的输出对所述用户进行隐式身份认证；

服务器102用于将所述智能终端101发送的用户设置九宫格密码时采集的传感器数据作为正样本，将其它智能终端发送的其他用户设置九宫格密码时采集的传感器数据作为负样本，进行所述神经网络模型的训练；并将训练得到的神经网络模型的权重参数和网络结构发送给智能终端101。

具体地，本发明实施例提供的一种隐式身份认证方法的具体流程如图2所示，包括如下步骤：

步骤S201：智能终端101采集用户解锁九宫格密码时的传感器数据。

本步骤中，智能终端101显示九宫格，并采集用户解锁九宫格密码时的传感器数据；其中，采集的传感器数据可以包括如下数据之一或如下数据的任意组合：智能终端101的触摸屏的受力坐标及压力、智能终端101的陀螺仪记录的沿三个坐标轴方向上的角速度、智能终端101的重力加速度记录的重力加速度、智能终端101的磁力计记录的磁北、真北和偏移、智能终端101的加速度计记录的线性加速度在以手机为中心的x，y，z三轴分量。

步骤S202：智能终端101将采集的传感器数据输入到预先训练得到的神经网络模型中。

本步骤中，智能终端101所使用的神经网络模型具体可以包含两层卷积长短期记忆网络，其中，第一层使用2×2的过滤器，用于对每一个时刻的网格数据进行卷积运算，试图联系相同传感器不同维度的数据，并且不对卷积后的数据做填充；第二层使用3×1的过滤器，用于进一步联系不同传感器之间的数据特征。

步骤S203：智能终端101根据所述神经网络模型的输出对所述用户进行隐式身份认证。

本步骤中，智能终端101根据所述神经网络模型的输出，确人对所述用户的隐式身份认证是否通过；此外，智能终端101还可根据用户在九宫格输入的密码进行显式身份认证。在判断隐式身份认证和显式身份认证均通过的情况下，确认用户的身份。

上述提及的智能终端101使用的神经网络模型具体是根据如下方法训练得到的，流程如图3所示，包括如下步骤：

步骤S301：智能终端101在所述用户设置九宫格密码时，将采集到的传感器数据发送给服务器102。

步骤S302：服务器102对接收的传感器数据进行对齐。

本步骤中，服务器102对接收的传感器数据进行对齐具体包括频率对齐和数据序列长度对齐；

具体地，服务器102对接收的传感器数据进行频率对齐：由于不同传感器的采样频率各不相同，因此，服务器102以频率最低的传感器采样的数据作为参照数据点，对于来自其它传感器的数据选取与参照数据点最邻近的数据。

服务器102对接收的传感器数据进行数据序列长度对齐：由于用户每次设置密码用的时间不同，采集到的数据序列长度自然也不同；因此，服务器102以一个大于通常采集到的数据序列长度的标准长度进行传感器数据序列对齐：服务器102对接收的传感器数据进行补零，直到接收的传感器数据的数据序列长度达到标准长度。

事实上，服务器102除了对智能终端101发送的传感器数据进行对齐外，还可对其它终端发送的传感器数据进行对齐。

步骤S303：服务器102根据接收的传感器数据进行神经网络模型的训练。

具体地，服务器102将智能终端101发送的传感器数据作为正样本，将其它智能终端发送的其他用户设置九宫格密码时采集的传感器数据作为负样本，进行所述神经网络模型的训练。训练算法可采用现有技术，此处不再赘述。

步骤S304：服务器102将训练得到的神经网络模型的权重参数和网络结构发送给所述智能终端101。

步骤S305：智能终端101根据服务器102返回的所述神经网络模型的权重参数和网络结构，构建出训练得到的神经网络模型。

上述智能终端101和服务器102的内部结构框图，如图4所示，包括：九宫格密码设置模块401、神经网络模型构建模块402、隐式身份认证模块403。

九宫格密码设置模块，用于在用户设置九宫格密码时采集传感器数据发送给服务器102；

神经网络模型构建模块，用于接收所述服务器102返回的所述神经网络模型的权重参数和网络结构，构建出训练得到的神经网络模型；

隐式身份认证模块，用于在用户解锁九宫格密码时采集传感器数据，并输入到所述训练得到的神经网络模型中，根据所述神经网络模型的输出对所述用户进行隐式身份认证。

上述的服务器102包括：正样本获取模块501、负样本获取模块502、训练模块503、模型参数发送模块504。

正样本获取模块501用于对于当前待训练的神经网络模型所对应的智能终端，将该智能终端发送的用户设置九宫格密码时采集的传感器数据作为正样本；

负样本获取模块502用于将其它智能终端发送的其他用户设置九宫格密码时采集的传感器数据作为负样本；

训练模块503用于根据所述正、负样本对所述神经网络模型进行训练；

模型参数发送模块504用于将训练得到的神经网络模型的权重参数和网络结构发送给所述神经网络模型所对应的智能终端。

进一步，服务器102还可包括：数据对齐模块505。

数据对齐模块505用于对接收的各智能终端发送的传感器数据进行对齐处理。

本发明的技术方案中，采集用户解锁九宫格密码时的传感器数据；将采集的传感器数据输入到预先训练得到的神经网络模型中；根据所述神经网络模型的输出对所述用户进行隐式身份认证；其中，所述神经网络模型是以所述用户设置九宫格密码时采集的传感器数据作为正样本预先训练得到的。

这样，在用户设置九宫格密码时触屏发生的时间可以采集足够的数据量，且用户设置九宫格密码时使用的手势具有足够的分辨力，用做训练神经网络模型的正样本，有助于提高神经网络模型的识别准确率；

而且，在用户解锁九宫格密码时触屏发生的时间也可以采集足够的数据量用做认证，且用户解锁九宫格密码时使用的手势具有足够的分辨力，可以提高认证时的识别的准确率；此外，解锁认证产生的时延不影响用户体验，且通用性好。

本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明的精神和原则之内，所做的任何省略、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)

1.一种隐式身份认证方法，其特征在于，包括：

采集用户解锁九宫格密码时的传感器数据；

将采集的传感器数据输入到预先训练得到的神经网络模型中；

根据所述神经网络模型的输出对所述用户进行隐式身份认证；

其中，所述神经网络模型是以所述用户设置九宫格密码时采集的传感器数据作为正样本预先训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述神经网络模型具体根据如下方法训练得到的：

智能终端在所述用户设置九宫格密码时，将采集到的传感器数据发送给服务器；

所述服务器将该智能终端发送的传感器数据作为正样本，将其它智能终端发送的其他用户设置九宫格密码时采集的传感器数据作为负样本，进行所述神经网络模型的训练；

所述服务器将训练得到的神经网络模型的权重参数和网络结构发送给所述智能终端。

3.根据权利要求2所述的方法，其特征在于，在所述进行所述神经网络模型的训练之前，还包括：

所述服务器将各智能终端发送的传感器数据进行对齐。

4.根据权利要求1-3任一所述的方法，其特征在于，所述神经网络模型包含两层卷积长短期记忆网络，其中，第一层使用2×2的过滤器，第二层使用3×1的过滤器。

5.根据权利要求1-3任一所述的方法，其特征在于，采集的传感器数据，具体包括如下数据之一或如下数据的任意组合：

触摸屏的受力坐标及压力；

陀螺仪记录的沿三个坐标轴方向上的角速度；

重力加速度记录的重力加速度；

磁力计记录的磁北、真北和偏移；

加速度计记录的线性加速度在以手机为中心的x，y，z三轴分量。

6.一种隐式身份认证系统，其特征在于，包括：服务器和智能终端；其中，

所述智能终端用于将用户设置九宫格密码时采集的传感器数据发送给所述服务器；并将用户解锁九宫格密码时采集的传感器数据，输入到预先训练得到的神经网络模型中，根据所述神经网络模型的输出对所述用户进行隐式身份认证；

所述服务器用于将所述智能终端发送的用户设置九宫格密码时采集的传感器数据作为正样本训练得到所述神经网络模型，并将训练得到的神经网络模型的权重参数和网络结构发送给所述智能终端。

7.根据权利要求6所述的系统，其特征在于，

所述服务器具体用于将所述智能终端发送的用户设置九宫格密码时采集的传感器数据作为正样本，将其它智能终端发送的其他用户设置九宫格密码时采集的传感器数据作为负样本，进行所述神经网络模型的训练；并将训练得到的神经网络模型的权重参数和网络结构发送给所述智能终端。

8.根据权利要求7所述的系统，其特征在于，

所述智能终端具体用于将用户设置九宫格密码时采集的传感器数据发送给所述服务器；并接收所述服务器返回的所述神经网络模型的权重参数和网络结构，构建出训练得到的神经网络模型；进而，将用户解锁九宫格密码时采集的传感器数据，输入到所述训练得到的神经网络模型中，根据所述神经网络模型的输出对所述用户进行隐式身份认证。

9.一种智能智能终端，其特征在于，包括：

九宫格密码设置模块，用于在用户设置九宫格密码时采集传感器数据发送给服务器；

神经网络模型构建模块，用于接收所述服务器返回的所述神经网络模型的权重参数和网络结构，构建出训练得到的神经网络模型；

隐式身份认证模块，用于在用户解锁九宫格密码时采集传感器数据，并输入到所述训练得到的神经网络模型中，根据所述神经网络模型的输出对所述用户进行隐式身份认证。

10.一种服务器，其特征在于，包括：

正样本获取模块，用于对于当前待训练的神经网络模型所对应的智能终端，将该智能终端发送的用户设置九宫格密码时采集的传感器数据作为正样本；

负样本获取模块，用于将其它智能终端发送的其他用户设置九宫格密码时采集的传感器数据作为负样本；

训练模块，用于根据所述正、负样本对所述神经网络模型进行训练；

模型参数发送模块，用于将训练得到的神经网络模型的权重参数和网络结构发送给所述神经网络模型所对应的智能终端。

Images