CN111353139A - 一种持续认证的方法、装置、电子设备及存储介质 - Google Patents
一种持续认证的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111353139A CN111353139A CN202010043265.5A CN202010043265A CN111353139A CN 111353139 A CN111353139 A CN 111353139A CN 202010043265 A CN202010043265 A CN 202010043265A CN 111353139 A CN111353139 A CN 111353139A
- Authority
- CN
- China
- Prior art keywords
- behavior
- data
- gait
- touch
- user
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000006399 behavior Effects 0.000 claims abstract description 171
- 230000005021 gait Effects 0.000 claims abstract description 150
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 230000002085 persistent effect Effects 0.000 claims abstract description 12
- 230000033001 locomotion Effects 0.000 claims description 46
- 238000012795 verification Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 15
- 230000003542 behavioural effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013475 authorization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000003786 sclera Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Collating Specific Patterns (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本说明书一个或多个实施例提供一种持续认证的方法、装置、电子设备及存储介质。具体地,所述方法包括:获取用户当前的步态数据和触摸数据;依据所述步态数据提取步态特征,依据所述触摸数据提取触摸特征;根据所述步态特征和所述触摸特征,通过特征融合得到行为特征;将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份;其中,所述行为特征模板,基于前期步态数据和前期触摸数据,通过预设的机器学习算法构建并训练得到。本说明书的技术方案,够方便的对用户的身份进行持续认证,难于破解且安全稳定性高,又能够使用户具有友好的操作体验,不因持续认证导致用户操作体验下降。
Description
技术领域
本说明书一个或多个实施例涉及身份认证技术领域,尤其涉及一种持续认证的方法、装置、电子设备及存储介质。
背景技术
随着社会信息化的迅猛发展以及智能电网建设进程的快速推进,电力系统业务规模爆发式增长,种类也不断增多,这意味着在未来复杂多变的电力业务环境下,信息安全防护工作的难度逐渐增加。账号管理和认证服务,有利于支撑电力业务高效、安全的开展。然而,现有的身份安全认证仍存在易于破解、安全隐患高等问题,难以有效支撑能源互联网的建设。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种持续认证的方法、装置、电子设备及存储介质,以解决现有认证方式易于破解、安全隐患高的问题。
基于上述目的,本说明书一个或多个实施例提供了一种持续认证的方法,包括:
获取用户当前的步态数据和触摸数据;
依据所述步态数据提取步态特征,依据所述触摸数据提取触摸特征;
根据所述步态特征和所述触摸特征,通过特征融合得到行为特征;
将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份;
其中,所述行为特征模板,基于前期步态数据和前期触摸数据,通过预设的机器学习算法构建并训练得到。
进一步的,在提取所述步态特征和所述触摸特征之前,还包括:
对所述步态数据和所述触摸数据先进行降噪处理,后进行标准化处理。
进一步的,对所述步态数据进行降噪处理,具体包括:
采用移动平均滤波方法对所述步态数据进行两次平滑处理,其中,第一次平滑处理的窗口大于第二次平滑处理的窗口;和/或,
所述触摸数据包括滑动数据,对所述滑动数据的降噪处理,具体包括:依次计算滑动起点至每一延伸点的距离并过滤距离不符合升序的延伸点。
进一步的,所述特征融合的方法基于所述步态特征和所述触摸特征之间的相关关系得到所述行为特征。
进一步的,所述基于所述步态特征和所述触摸特征之间的相关关系得到所述行为特征的步骤,具体包括:
利用典型相关分析算法,计算所述步态特征和所述触摸特征之间的典型相关变量;
变换所述典型相关变量,得到代表性步态特征和代表性触摸特征;
根据线性变换的融合规则,将所述代表性步态特征和所述代表性触摸特征进行融合,得到所述行为特征。
进一步的,所述基于前期步态数据和前期触摸数据,通过预设的机器学习算法构建并训练得到行为特征模板的步骤,具体包括:
依据前期步态数据和前期触摸数据,得到前期步态特征和前期触摸特征;
根据所述前期步态特征和所述前期触摸特征,通过特征融合得到前期行为特征;
根据所述前期行为特征,通过预设的机器学习算法,构建并训练得到所述行为特征模板。
进一步的,所述获取用户当前的步态数据和触摸数据的步骤之前,还包括:
获取并验证登录信息,根据验证结果确定登录者是否为授权用户;
当所述登录者为授权用户时,所述将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份的步骤,具体包括:
将所述行为特征和行为特征模板库中的所述登录者的行为特征模板进行匹配,
若匹配成功,则判断用户是登录者;
否则,记录所述行为特征并发送重新验证指令;
如果重新验证成功,判断所述用户为登录者,并基于所述行为特征,更新对应的行为特征模板;
如果重新验证失败,则清除所述行为特征并判断用户为非法用户。
进一步的,所述将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份的步骤之前,还包括:
查看所述登录者的行为特征模板的数量是否达到预设模板数量,若未达到,则根据运动状态数据确定是否注册行为特征模板。
进一步的,所述根据运动状态数据确定是否注册行为特征模板的步骤,具体包括:
根据运动状态数据,确定用户的运动状态;
基于所述运动状态和所述登录者的行为特征模板的运动状态标识,确定所述运动状态是否已注册;
当所述运动状态未注册时,则根据步态数据和触摸数据,通过预设的机器学习算法,构建并训练得到所述运动状态对应的行为特征模板。
本说明书的一个或多个实施例还提供一种执行前述任一所述的方法的持续认证装置,包括:
数据获取模块,用于获取用户当前的步态数据和触摸数据;
特征提取模块,用于依据所述步态数据提取步态特征,依据所述触摸数据提取触摸特征;
特征融合模块,用于根据所述步态特征和所述触摸特征,通过特征融合得到行为特征;
匹配模块,用于将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份。
本说明书的一个或多个实施例还提供一种电子设备,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如前述任一所述的方法。
本说明书的一个或多个实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行前述任一所述的方法。
从上面所述可以看出,本说明书一个或多个实施例提供的一种持续认证的方法、装置、电子设备及存储介质,由用户当前的步态数据和触摸数据提取得到步态特征和触摸特征,所述步态特征和触摸特征经过特征融合得到行为特征,根据所述行为特征和行为特征模板库中的行为特征模板的匹配结果,判断用户的身份。这样的技术方案,使得步态特征和触摸特征在用户身份认证的过程中均得到考量,实现一次认证过程对用户两种不同类型的行为均进行了判断,难于破解、极大的提高了身份认证的安全性。此外,步态特征和触摸特征能够在用户的正常使用过程中持续不断的获得,且无需用户专门配合,因此在用户的整个操作过程中,既能够方便的对用户的身份进行持续认证,又能够使用户具有友好的操作体验,不因持续认证导致用户操作体验下降。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例,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。
图1为本说明书一个或多个实施例提供的持续认证的方法流程示意图;
图2为本说明书一个或多个实施例提供的特征融合的方法流程示意图;
图3为本说明书一个或多个实施例提供的训练行为特征模板的流程示意图;
图4为本说明书一个或多个实施例提供的根据匹配结果判断用户的身份的流程示意图;
图5为本说明书一个或多个实施例提供的基于运动状态数据确定是否注册行为特征模板的流程示意图;
图6为本说明书一个或多个实施例提供的持续认证装置的结构示意图;
图7为本说明书一个或多个实施例提供的电子设备的结构示意图。
具体实施方式
为使本公开的目的、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,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
目前对于用户的身份认证,主要有三种类型。具体地,第一种是“你知道什么”,例如基于密码/pin的认证,通过验证用户的用户名和密码/pin是否匹配来判断用户的身份,由于只是对密码/pin进行验证与当时输入密码/pin的人无关,故安全性不足,容易受到攻击。第二种是“你拥有什么”,例如基于令牌、密钥、智能卡等的认证;其中,基于令牌的认证,一旦入口处的认证被窃取后,将无法保证用户信息的安全;基于密钥的认证属于静态认证,一旦密钥泄露,也可能导致攻击;基于智能卡的认证依赖于智能卡,智能卡是一种内置集成电路的芯片,在芯片中保存了和用户相关的数据,由于每次从智能卡中读取的数据都是静态的,通过内存扫描或者网络监听等很容易截取到用户的身份验证信息,同样存在安全隐患。第三种是“你是谁”,即通过生物特征来判断当前用户的身份,鉴于生物特征更难复制,可以提供较高安全性的身份认证,主要包括面部特征、眼部特征、声纹、指纹、掌纹,其中眼纹可以包括虹膜、巩膜等,由于生物特征往往需要特殊硬件的支持,容易被扭曲而遭到改变、需要用户特别配合等,限制了其适用的范围,应用环境比较狭隘。
由此,本说明书一个或多个实施例提供一种持续认证的方法,以解决目前认证方法易于破解、安全隐患高等问题。
参考图1,所述持续认证的方法,具体包括:
步骤101:获取用户当前的步态数据和触摸数据。这里,需要说明的是,所述用户是指实际操作终端的人。步态数据和触摸数据属于行为数据,具备一定的唯一性和差异性,从而确保可以根据用户的操作中表现出的步态和触摸来准确地判断用户的身份;同时,行为数据具备稳定性,因此能够在一段较长的时间内,确保实现稳定的身份认证。由于步态数据和触摸数据在用户操作的整个过程中不断产生,因此能够持续不断获得用户的步态数据和触摸数据,实现对用户身份的持续认证,又因为行为数据不易被模仿,不易受到攻击,使得身份的认证更加安全、更加全面。
应当理解的,所述步态数据和所述触摸数据能够通过用户使用的终端内置的传感器采集得到。所述终端可以为包括手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、POS(Point of Sales,销售终端)、车载电脑等任意终端设备。所述传感器能够获取用户的步态数据和/或触摸数据即可,包括但不限于加速度传感器、陀螺仪传感器、压力传感器等。
步骤102:依据所述步态数据提取步态特征,依据所述触摸数据提取触摸特征。
本步骤中,依据所述步态数据和所述触摸数据,通过向量和/或矩阵的形式分别构建代表所述步态数据的步态特征数据集合、所述触摸数据的触摸特征数据集合,本说明实施例中分别称之为步态特征、触摸特征。
具体的,根据不同的实施例需要,可以选择不同数量的参数,来构建所述步态特征和所述触摸特征。
例如,选择三轴上的加速度、三轴上加速度合成标量的最大最小值以及标准差作为步态特征。
又如,选择点击操作、水平滑动和垂直滑动作为触摸特征。
显然,选择的参数可以为更多。在具体实施例时,可以根据获取到的步态数据和触摸数据的内容,以及数据处理能力,以构建相应形式的步态特征和触摸特征。
步骤103:根据所述步态特征和所述触摸特征,通过特征融合得到行为特征。
本步骤中,对于前述得到的所述步态特征和所述触摸特征,进行特征融合处理。通过特征融合处理得到行为特征,将步态特征和触摸特征两组变量融合成一组变量,这里称之为行为特征,比较而言,所述行为特征既体现了步态特征又体现了触摸特征,能够更方便的用于后续步骤对用户的身份进行认证。
此外,所述特征融合的方法可以是例如:串行融合策略、并行融合策略、神经网络的融合策略等。其中,串行融合策略是将步态特征和触摸特征的向量直接首尾相连,融合后的行为特征维数是两者维数之和;并行融合策略是并行融合步态特征和触摸特征,获得行为特征的维数与步态特征和触摸特征中维数高的一者相同;神经网络的融合策略是将步态特征和触摸特征作为神经网络输入,从而实现特征级融合。
步骤104:将所述行为特征和行为特征模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份;其中,所述行为特征模板,基于前期步态数据和前期触摸数据,通过预设的机器学习算法构建并训练得到。
可选的,所述行为特征模板包括登录者标识和运动状态标识。
前述步骤中,已经获得了用户当前的行为特征。本步骤中,通过匹配所述行为特征和行为模板库中的行为特征模板的方式,来判断用户的身份。
如果在获取用户当前的步态数据和触摸数据之前,已经通过了登录验证,则具体的判断规将在后续实施例进行详细的描述。
如果在获取用户当前的步态数据和触摸数据之前,未经过登录验证,也就是说将本步骤中的匹配所述行为特征和行为模板库中的行为特征模板的操作作为登录验证,那么匹配成功的用户能够登录成功,得到相应的授权权限;否则,所述用户被认为非法用户。
对于所述行为特征模板,需要说明的是,所述前期步态数据和前述触摸数据来源于可信的授权对象,即真实的授权用户,以保障匹配结果的真实可靠。
本领域技术人员能够理解的,在本步骤判断用户为合法用户的基础上,步骤101~步骤104能够被重新执行,以实现对用户身份的持续认证。
从前述实施例可见,由用户当前的步态数据和触摸数据提取得到步态特征和触摸特征,所述步态特征和触摸特征经过特征融合得到行为特征,根据所述行为特征和行为特征模板库中的行为特征模板的匹配结果,判断用户的身份。这样的技术方案,使得步态特征和触摸特征在用户身份认证的过程中均得到考量,实现一次认证过程对用户两种不同类型的行为均进行了判断,难于破解、极大的提高了身份认证的安全性。此外,步态特征和触摸特征能够在用户的正常使用过程中持续不断的获得,且无需用户专门配合,因此在用户的整个操作过程中,既能够方便的对用户的身份进行持续认证,又能够使用户具有友好的操作体验,不因持续认证导致用户操作体验下降。
特别是,现阶段的众多电网业务依赖于移动终端,通过移动终端上的传感器采集数据,能够方便的采集相应的步态数据和触摸数据。前述实施例的步骤既可以在移动终端自带的处理器、存储器中执行,也可以将所述步态数据和触摸数据通过网络传输给系统服务器,通过系统服务器和终端的配合实现。这样的方式,可以提高认证的准确率和保障用户的信息安全,对安全高效的开展电网业务具有重要意义。
本说明书一个或多个实施例中,在提取所述步态特征和所述触摸特征之前,还包括:
对所述步态数据和所述触摸数据先进行降噪处理,后进行标准化处理。
这里,所述步态数据和所述触摸数据通常都包含一些噪声,所述噪声的来源可以是,如触摸操作会有重复滑动、用户存在无意识动作影响步态数据的真实性、终端传感器性能影响等。通过降噪处理,能够提高后续所述步态特征和所述触摸特征的准确可靠性。
进一步的,所述步态数据和所述触摸数据的参数单位、数量级均存在不同;同时,相同类别的数据,根据用户的习惯的差异也存在较大的差异。因此对经过降噪处理的步态数据和触摸数据进行标准化处理。
例如,对于步态数据中的加速度数据,采用Z-score方法进行标准化。Z-score标准化方法能够将不同量级的数据统一化为同一个量级,并将其以经计算出的Z-score值衡量表示,以保证数据之间可比性。在对数据进行Z-score标准化之前,需要得到总体加速度数据的均值μ,总体加数据数据的标准差σ和个体的观测值。将以上三个值代入Z-score公式就能够得到每个加速度的Z-score均衡值,实现所述加速度的标准化处理。
又如,使用MinMaxScaler的标准化方法,将触摸数据中的滑动数据缩放至[0,1]的范围。
进一步的,本说明书一个或多个实施例,对所述步态数据进行降噪处理,具体包括:
采用移动平均滤波方法对所述步态数据进行两次平滑处理;
其中,第一次平滑处理的窗口大于第二次平滑处理的窗口;和/或,
所述触摸数据包括滑动数据,对所述滑动数据的降噪处理,具体包括:依次计算滑动起点至每一延伸点的距离并过滤距离不符合升序的延伸点。
本步骤中,移动平均滤波方法基于统计规律,将连续的采样数据看成一个长度固定为N的队列,在新的一次测量后,上述队列的首数据去掉,其余N-1个数据依次前移,并将新的采样数据插入,作为新队列的尾;然后对这个队列进行算术运算,并将其结果做为本次测量的结果,其中,N即为窗口。
可选的,所述第一次平滑处理的窗口为7;所述第二次平滑处理的窗口为5。采用这样的窗口大小,平滑处理的效果好,能够有效减小所述步态数据中的微小波动。
对于滑动数据,通过过滤距离不符合升序的延伸点的方法,有利于去除滑动数据中的异常点,保障所述滑动数据的精准可靠。
本说明书一个或多个实施例中,所述特征融合的方法基于所述步态特征和所述触摸特征之间的相关关系得到所述行为特征。
具体的,基于所述步态特征和所述触摸特征之间的相关关系进行特征融合的方式,相比与神经网络的融合策略,更加便于实现。同时,特征融合后得到的所述行为特征维度适宜,且参数间相关性较小,保障所述行为特征能够在有效代表所述步态特征和所述触摸特征的基础上,易于处理,降低计算难度。
进一步的,参考图2,本说明书一个或多个实施例中,所述基于所述步态特征和所述触摸特征之间的相关关系得到所述行为特征的步骤,具体包括:
步骤201:利用典型相关分析算法,计算所述步态特征和所述触摸特征之间的典型相关变量。
本步骤中,所述典型相关变量在所述步态特征和所述触摸特征之间具有最大相关性,而各自组内之间互不相干。可选的,利用准则函数能够方便的确保所述典型相关变量符合前述要求。
步骤202:变换所述典型相关变量,得到代表性步态特征和代表性触摸特征。
步骤203:根据线性变换的融合规则,将所述代表性步态特征和所述代表性触摸特征进行融合,得到所述行为特征。
为更方便的理解前述各步骤的内容,以下举例说明。
所述步态特征表示为X={x|x∈Rp},所述触摸特征表示为Y={y|y∈Rq},其中,p代表所述步态特征中的参数维度,例如,当所述步态特征包括三轴上的加速度、三轴上加速度合成标量的最大最小值以及标准差时,p取4;q代表所述触摸特征中的参数维度。
对应步骤201:
利用典型相关分析算法,计算出每一对典型相关变量α,β,得到X和Y之间的典型相关变量,记做
其中,αi Tx,βi Ty分别为x与y的第i对典型变量;
对应步骤202:
将u1,…,ui为变换后代表性步态特征,v1,…,vi为变换后代表性触摸特征,分别表示为:
其中,Wx=(α1,α2,…αi),Wy=(β1,β2,…βi)。
对应步骤203:
这里,Z1的方法对应线性变化的融合规则,本实施例中选择线性变化的融合规则,得到的融合结果Z1即为行为特征。所述行为特征,融合效果好,认证结果准确。
这样的特征融合方法,能够有效避免维度灾难,且充分体现所述步态特征和所述触摸特征之间的关系,又减小了所述步态特征中和所述触摸特征中内部因素的相关性对行为特征的影响。
应当理解的,当所述步态特征和所述触摸特征的维度均较少的情况下,所述特征融合的方法也可以是前述提及的串行融合策略、并行融合策略等。
本说明书一个或多个实施例还提供了所述基于前期步态数据和前期触摸数据,通过预设的机器学习算法构建并训练得到行为特征模板的具体步骤,如图3所示。
具体地,包括:
步骤301:依据前期步态数据和前期触摸数据,得到前期步态特征和前期触摸特征。
本步骤中,如前所述,所述前期步态数据和所述前期触摸数据来自于可信的授权对象,即真实的授权用户。所述可信的授权对象提供的前期步态数据和前期触摸数据能够用于判断用户是否为授权对象本人,将其他人和授权对象进行有效的区分,实现用户身份的认证。
进一步的,所述前期步态数据和所述前期触摸数据也可以通过终端设备采集。所述终端设备的特点参见前述,不再赘述。
本步骤中,对所述前述步态数据和所述前期触摸数据进行降噪处理和标准化,提取得到所述前期步态特征和所述前期触摸特征的具体方法,同前述的提取所述步态特征和所述触摸特征的方法一致,不再赘述。
步骤302:根据所述前期步态特征和所述前期触摸特征,通过特征融合得到前期行为特征。
本步骤中的特征融合方法,与前述的步态特征和前述的触摸特征融合成行为特征的方法一致,不再赘述。
步骤303:根据所述前期行为特征,通过预设的机器学习算法,构建并训练得到所述行为特征模板。
本步骤中,所述预设的机器学习算法可以选自朴素贝叶斯算法、支持向量机算法、决策树算法、神经网络算法、kNN算法、深度学习算法和逻辑回归算法中的一种或多种。
由此可见,所述行为特征模板经过机器学习算法得到,充分挖掘了所述前期行为特征的特点,能够代表所述授权用户的特点,用于判断用户是否为该对应的授权用户。
本说明书一个或多个实施例中,所述获取用户当前的步态数据和触摸数据的步骤之前,还包括:
获取并验证登录信息,根据验证结果确定登录者是否为授权用户。
这里,任何能够实现验证登录的方式均可以被选用,并不限于前述提及的现有认证方法,例如所述验证登录信息是前述提及的现有认证方式的任一种,例如密钥、智能卡、指纹、掌纹等。
又如,本说明书实施例提供的行为特征认证的方法用于登录验证,也是可以的。具体的,在正式使用前,需要可信的授权用户配合完成全部行为特征模板的注册。相应的,第一次执行本说明书的实施例进行登录验证,后续执行本说明书的实施例完成持续认证。
进一步的,获取并验证登录信息为初始阶段执行一次即可,并不非每次获取用户当前的步态数据和触摸数据的步骤均需执行。
可以理解的,当验证信息无法通过时,确定登录者为非法用户,此时将无需采集用户当前的步态数据和触摸数据。如图4所示,当所述登录者为授权用户时,所述将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份的步骤,具体包括:
步骤401:将所述行为特征和行为特征模板库中的所述登录者的行为特征模板进行匹配。
本步骤中,直接将所述行为特征和所述登录者的行为特征模板进行匹配,更加具有针对性,提高匹配的准确性的同时还能降低资源占用率。
步骤4021:若匹配成功,则判断用户是登录者。
本步骤中,如果所述行为特征与所述登录者的行为特征模板相似,即二者匹配,即表明用户与登录者是同一人,当前的用户能够继续获得对相关资源的使用和访问权限。
如果所述行为特征与登录者的行为特征模板不相似,即不匹配,即表明用户的行为特征与登录者的行为特征模板存在差异,则需要进一步对用户的身份进行验证。
对应执行步骤4022:否则,记录所述行为特征并发送重新验证指令。
可选的,所述重新验证指令设置有专用的验证信息,通过专用的验证信息,即便常用的验证信息被破解,也能够借助专用的验证信息保障授权用户和系统资源的安全。
显然,所述重新验证指令对应的验证信息也可以与开始登录时的验证信息相同。
步骤4031:如果重新验证成功,判断所述用户为登录者,并基于所述行为特征,更新对应的行为特征模板。
应当理解的,登录者在将较长的时间间隔内,其行为特征可能发生变化,通过这样的设置,能够方便的适应登录者的这一变化,提高登录者的使用体验。
对于更新定的行为特征模板的具体方法,和前述得到行为特征模板的方式类似,仅需将前期行为特征替换为本步骤中已经存有的行为特征即可,不再赘述。
步骤4032:如果重新验证失败,则清除所述行为特征并判断用户为非法用户。
如果重新验证失败,则说明用户并不知道或具有相关的验证信息,也就表明用户不是原登录者,是非法用户。
本说明书一个或多个实施例中,所述将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份的步骤之前,还包括:
查看所述登录者的行为特征模板的数量是否达到预设模板数量,若未达到,则根据运动状态数据确定是否注册行为特征模板。
这里,通过登录者具有不同的运动状态,例如走、跑、静坐等。显然,不同的运动状态适用于不同的行为特征模板。预设模板的数量可以根据具体的认证精确合理设置。当认证精度要求高时,对运动状态的区别更加多样化;当认证精度要求较低时,对运动状态的区别可以简化。
对于运动状态数据,可以是前述提及的步态数据。当然,其他任何能够方便的获取且用于判断运动状态的数据均可以。
应当理解的,本步骤适用于采用现有技术登录的实施例。这样的方式,行为特征模板是隐形自动注册的,无需登录者特别的配合,登录者体验更好。
如图5所示,本说明书一个或多个实施例中,所述根据运动状态数据确定是否注册行为特征模板的步骤,具体包括:
步骤501:根据运动状态数据,确定用户的运动状态。
这里,确定用户的运动状态的方法采用现有技术,不再赘述。
步骤502:基于所述运动状态和所述登录者的行为特征模板的运动状态标识,确定所述运动状态是否已注册。
如果所述运动状态已经注册,则可以执行用于身份验证的相关步骤。
步骤503:当所述运动状态未注册时,则根据步态数据和触摸数据,通过预设的机器学习算法,构建并训练得到所述运动状态对应的行为特征模板。
本步骤中的方法与前述利用前期步态数据和前期触摸数据,得到行为特征模板的过程相同,不再赘述。
本说明书一个或多个实施例中,鉴于登录者的行为随着时间的变化,可能发生变化,因此本说明书中实施例中的所述行为特征模板定期维护重新注册,以保障验证准确性。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台手机或操作终端等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
如图6所示,本说明书一个或多个实施例还提供一种执行前述任一项所述的方法的持续认证装置,包括:
数据获取模块601,用于获取用户当前的步态数据和触摸数据;
特征提取模块602,用于依据所述步态数据提取步态特征,依据所述触摸数据提取触摸特征;
特征融合模块603,用于根据所述步态特征和所述触摸特征,通过特征融合得到行为特征;
匹配模块604,用于将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份。
进一步的,所述特征提取模块602,还用于对所述步态数据和所述触摸数据先进行降噪处理,后进行标准化处理。
进一步的,所述特征提取模块602,用于执行以下步骤:采用移动平均滤波方法对所述步态数据进行两次平滑处理;其中,第一次平滑处理的窗口大于第二次平滑处理的窗口;和/或,
所述触摸数据包括滑动数据,对所述滑动数据的降噪处理,具体包括:依次计算滑动起点至每一延伸点的距离并过滤距离不符合升序的延伸点。
进一步的,所述特征融合模块603,用于执行以下步骤:利用典型相关分析算法,计算所述步态特征和所述触摸特征之间的典型相关变量;
变换所述典型相关变量,得到代表性步态特征和代表性触摸特征;
根据线性变换的融合规则,将所述代表性步态特征和所述代表性触摸特征进行融合,得到所述行为特征。
进一步的,还包括,注册模板模块,所述注册模板模块用于执行以下步骤:依据前期步态数据和前期触摸数据,得到前期步态特征和前期触摸特征;
根据所述前期步态特征和所述前期触摸特征,通过特征融合得到前期行为特征;
根据所述前期行为特征,通过预设的机器学习算法,构建并训练得到所述行为特征模板。
进一步的,所述匹配模块604,用于执行以下步骤:将所述行为特征和行为特征模板库中的所述登录者的行为特征模板进行匹配,
若匹配成功,则判断用户是登录者;
否则,记录所述行为特征并发送重新验证指令;
如果重新验证成功,判断所述用户为登录者,并基于所述行为特征,更新对应的行为特征模板;
如果重新验证失败,则清除所述行为特征并判断用户为非法用户。
进一步的,所述装置还用于执行以下步骤:查看所述登录者的行为特征模板的数量是否达到预设模板数量,若未达到,则根据运动状态数据确定是否注册行为特征模板。
进一步的,所述装置还用于执行以下步骤:根据运动状态数据,确定用户的运动状态;
基于所述运动状态和所述登录者的行为特征模板的运动状态标识,确定所述运动状态是否已注册;
当所述运动状态未注册时,则根据步态数据和触摸数据,通过预设的机器学习算法,构建并训练得到所述运动状态对应的行为特征模板。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本说明书一个或多个实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行前述任一持续认证的方法。本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
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;在本公开的思路下,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说明书一个或多个实施例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。
另外,为简化说明和讨论,并且为了不会使本说明书一个或多个实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本说明书一个或多个实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (12)
1.一种持续认证的方法,其特征在于,包括:
获取用户当前的步态数据和触摸数据;
依据所述步态数据提取步态特征,依据所述触摸数据提取触摸特征;
根据所述步态特征和所述触摸特征,通过特征融合得到行为特征;
将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份;
其中,所述行为特征模板,基于前期步态数据和前期触摸数据,通过预设的机器学习算法构建并训练得到。
2.根据权利要求1所述的方法,其特征在于,在提取所述步态特征和所述触摸特征之前,还包括:
对所述步态数据和所述触摸数据先进行降噪处理,后进行标准化处理。
3.根据权利要求2所述的方法,其特征在于,对所述步态数据进行降噪处理,具体包括:
采用移动平均滤波方法对所述步态数据进行两次平滑处理,其中,第一次平滑处理的窗口大于第二次平滑处理的窗口;和/或,
所述触摸数据包括滑动数据,对所述滑动数据的降噪处理,具体包括:依次计算滑动起点至每一延伸点的距离并过滤距离不符合升序的延伸点。
4.根据权利要求1所述的方法,其特征在于,所述特征融合的方法基于所述步态特征和所述触摸特征之间的相关关系得到所述行为特征。
5.根据权利要求4所述的方法,其特征在于,所述基于所述步态特征和所述触摸特征之间的相关关系得到所述行为特征的步骤,具体包括:
利用典型相关分析算法,计算所述步态特征和所述触摸特征之间的典型相关变量;
变换所述典型相关变量,得到代表性步态特征和代表性触摸特征;
根据线性变换的融合规则,将所述代表性步态特征和所述代表性触摸特征进行融合,得到所述行为特征。
6.根据权利要求1所述的方法,其特征在于,所述基于前期步态数据和前期触摸数据,通过预设的机器学习算法构建并训练得到行为特征模板的步骤,具体包括:
依据前期步态数据和前期触摸数据,得到前期步态特征和前期触摸特征;
根据所述前期步态特征和所述前期触摸特征,通过特征融合得到前期行为特征;
根据所述前期行为特征,通过预设的机器学习算法,构建并训练得到所述行为特征模板。
7.根据权利要求1所述的方法,其特征在于,所述获取用户当前的步态数据和触摸数据的步骤之前,还包括:
获取并验证登录信息,根据验证结果确定登录者是否为授权用户;
当所述登录者为授权用户时,所述将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份的步骤,具体包括:
将所述行为特征和行为特征模板库中的所述登录者的行为特征模板进行匹配,
若匹配成功,则判断用户是登录者;
否则,记录所述行为特征并发送重新验证指令;
如果重新验证成功,判断所述用户为登录者,并基于所述行为特征,更新对应的行为特征模板;
如果重新验证失败,则清除所述行为特征并判断用户为非法用户。
8.根据权利要求7所述的方法,其特征在于,所述将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份的步骤之前,还包括:
查看所述登录者的行为特征模板的数量是否达到预设模板数量,若未达到,则根据运动状态数据确定是否注册行为特征模板。
9.根据权利要求8所述的方法,其特征在于,所述根据运动状态数据确定是否注册行为特征模板的步骤,具体包括:
根据运动状态数据,确定用户的运动状态;
基于所述运动状态和所述登录者的行为特征模板的运动状态标识,确定所述运动状态是否已注册;
当所述运动状态未注册时,则根据步态数据和触摸数据,通过预设的机器学习算法,构建并训练得到所述运动状态对应的行为特征模板。
10.一种执行权利要求1~9任一项所述的方法的持续认证装置,其特征在于,包括:
数据获取模块,用于获取用户当前的步态数据和触摸数据;
特征提取模块,用于依据所述步态数据提取步态特征,依据所述触摸数据提取触摸特征;
特征融合模块,用于根据所述步态特征和所述触摸特征,通过特征融合得到行为特征;
匹配模块,用于将所述行为特征和行为模板库中的行为特征模板进行匹配,根据匹配结果判断用户的身份。
11.一种电子设备,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9任意一项所述的方法。
12.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043265.5A CN111353139A (zh) | 2020-01-15 | 2020-01-15 | 一种持续认证的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043265.5A CN111353139A (zh) | 2020-01-15 | 2020-01-15 | 一种持续认证的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353139A true CN111353139A (zh) | 2020-06-30 |
Family
ID=71195650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010043265.5A Pending CN111353139A (zh) | 2020-01-15 | 2020-01-15 | 一种持续认证的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353139A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111322A (zh) * | 2021-04-12 | 2021-07-13 | 浙江大学 | 一种基于多模态融合的智能手机辅助认证方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571924A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 一种多区域特征融合的步态识别方法及系统 |
CN102136024A (zh) * | 2010-01-27 | 2011-07-27 | 中国科学院自动化研究所 | 生物特征识别性能测评和诊断优化系统 |
CN110163611A (zh) * | 2019-03-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种身份识别方法、装置以及相关设备 |
-
2020
- 2020-01-15 CN CN202010043265.5A patent/CN111353139A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571924A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 一种多区域特征融合的步态识别方法及系统 |
CN102136024A (zh) * | 2010-01-27 | 2011-07-27 | 中国科学院自动化研究所 | 生物特征识别性能测评和诊断优化系统 |
CN110163611A (zh) * | 2019-03-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种身份识别方法、装置以及相关设备 |
Non-Patent Citations (2)
Title |
---|
杨力等 * |
杨力等: "基于步态特征的移动平台持续认证方案" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111322A (zh) * | 2021-04-12 | 2021-07-13 | 浙江大学 | 一种基于多模态融合的智能手机辅助认证方法 |
CN113111322B (zh) * | 2021-04-12 | 2022-06-07 | 浙江大学 | 一种基于多模态融合的智能手机辅助认证方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12032668B2 (en) | Identifying and authenticating users based on passive factors determined from sensor data | |
US11170084B2 (en) | Biometric authentication | |
CN105279405B (zh) | 触屏用户按键行为模式构建与分析系统及其身份识别方法 | |
US8942431B2 (en) | Biometrics based methods and systems for user authentication | |
US20210004451A1 (en) | Step-up authentication | |
US20170230363A1 (en) | Method, computer program, and system for identifying multiple users based on their behavior | |
Lee et al. | Understanding keystroke dynamics for smartphone users authentication and keystroke dynamics on smartphones built‐in motion sensors | |
Teh et al. | Strengthen user authentication on mobile devices by using user’s touch dynamics pattern | |
Blanco‐Gonzalo et al. | Performance evaluation of handwritten signature recognition in mobile environments | |
US11537693B2 (en) | Keyboard and mouse based behavioral biometrics to enhance password-based login authentication using machine learning model | |
US9202035B1 (en) | User authentication based on biometric handwriting aspects of a handwritten code | |
Amin et al. | Biometric and traditional mobile authentication techniques: Overviews and open issues | |
Saevanee et al. | Text-based active authentication for mobile devices | |
US20160162683A1 (en) | Passive security of applications | |
Sun et al. | A 3‐D hand gesture signature based biometric authentication system for smartphones | |
Koong et al. | A user authentication scheme using physiological and behavioral biometrics for multitouch devices | |
Wang et al. | Improving reliability: User authentication on smartphones using keystroke biometrics | |
US20140101752A1 (en) | Secure gesture | |
Belkhede et al. | Biometric mechanism for enhanced security of online transaction on Android system: A design approach | |
Wu et al. | CaIAuth: Context-aware implicit authentication when the screen is awake | |
Zhang et al. | Multimodal continuous user authentication on mobile devices via interaction patterns | |
Stylios et al. | BioPrivacy: a behavioral biometrics continuous authentication system based on keystroke dynamics and touch gestures | |
Chaitanya et al. | Verification of pattern unlock and gait behavioural authentication through a machine learning approach | |
CN111353139A (zh) | 一种持续认证的方法、装置、电子设备及存储介质 | |
Gattulli et al. | Touch events and human activities for continuous authentication via smartphone |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |