CN112765579B - 一种用户身份识别方法、装置、设备和存储介质 - Google Patents

一种用户身份识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112765579B
CN112765579B CN202110364991.1A CN202110364991A CN112765579B CN 112765579 B CN112765579 B CN 112765579B CN 202110364991 A CN202110364991 A CN 202110364991A CN 112765579 B CN112765579 B CN 112765579B
Authority
CN
China
Prior art keywords
behavior
user
sequence
sequences
biometric fingerprint
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.)
Active
Application number
CN202110364991.1A
Other languages
English (en)
Other versions
CN112765579A (zh
Inventor
房华锋
韦凯
陈曦
孙悦
郭晓鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Trusfort Technology Co ltd
Original Assignee
Beijing Trusfort Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Trusfort Technology Co ltd filed Critical Beijing Trusfort Technology Co ltd
Priority to CN202110364991.1A priority Critical patent/CN112765579B/zh
Publication of CN112765579A publication Critical patent/CN112765579A/zh
Application granted granted Critical
Publication of CN112765579B publication Critical patent/CN112765579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开一种用户身份识别方法、装置、设备和存储介质，包括：获取第一用户输入密码击键的第一行为特征数据；构建所述第一用户的第一行为生物指纹序列，所述第一行为生物指纹序列包括第一用户本次输入密码时每次击键的第一行为特征数据集合，所述第一行为特征数据集合包括本次击键的多个第一行为特征数据；根据多组所述第一行为生物指纹序列与多组公共行为生物指纹序列得到第一用户的识别阈值；获取第二用户输入密码时击键的行为特征数据，构建第二用户的第二行为生物指纹序列；确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离；所述平均距离满足所述识别阈值时，判定所述第二用户为所述第一用户。

Description

一种用户身份识别方法、装置、设备和存储介质
技术领域
本发明涉及数据分析领域，尤其涉及一种用户身份识别方法、装置、设备和存储介质。
背景技术
现有针对智能移动终端的用户身份认证手段主要分为三类：
第一类所知：密码、隐私问题等
第二类所持：U盾、动态令牌等
第三类所有：指纹、人脸、声纹等
众所周知，第一类认证手段在互联网时代容易被窃取盗用。第二类认证手段因需要除智能移动终端以外的设备，携带不便且容易丢失。第三类认证手段很大程度解决了容易窃取、携带不便的问题，也是目前应用最广泛的手段。但是随着科技的发展，指纹、人脸、声纹等人体生物密码被复制、传播、滥用，此类身份认证手段不再适用。
目前，急需一种新型认证手段，既能保护用户资料安全性，又能给用户带来良好的体验，同时具备唯一、不可复制、不可传播的特性。
发明内容
有鉴于此，本公开提供了一种用户身份识别方法、装置、设备和存储介质，以至少解决现有技术中存在的以上技术问题。
为了实现上述目的，在第一方面，本发明提供一种用户身份识别方法，包括：
获取第一用户输入密码时击键的第一行为特征数据；
构建所述第一用户的第一行为生物指纹序列，所述第一行为生物指纹序列包括第一用户本次输入密码时每次击键的第一行为特征数据集合，所述第一行为特征数据集合包括本次击键的多个第一行为特征数据；
根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列得到第一用户的识别阈值；
获取第二用户输入密码时击键的行为特征数据，构建第二用户的第二行为生物指纹序列，所述第二行为生物指纹序列包括第二用户本次输入密码时每次击键的第二行为特征数据集合，所述第二行为特征数据集合包括本次击键的多个第二行为特征数据；
确定所述第二行为生物指纹序列和多组所述第二行为生物指纹序列之间的平均距离；
所述平均距离满足所述识别阈值时，判定所述第二用户为所述第一用户。
其中，所述第一行为特征数据或所述第二行为特征数据，包括：
通过加速度计采集的数据、通过陀螺仪采集的数据、通过屏幕传感器采集的数据和时间节点数据；
所述时间节点数据包括：击键按下时间和击键释放时间。
其中，该方法还包括：
多组所述第一行为生物指纹序列中每组第一行为生物指纹序列对应的击键次数相同；
所述第一行为生物指纹序列、公共行为生物指纹序列和所述第二行为生物指纹序列对应的击键次数相同。
其中，所述根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列得到第一用户的识别阈值，包括：
确定多组第一行为生物指纹序列对应的第一平均距离序列；
确定多组公共行为生物指纹序列与多组第一行为生物指纹序列之间的第二平均距离序列；
所述识别阈值大于等于所述第一平均距离序列中的最大值，且小于等于所述第二平均距离序列中的最小值。
其中，所述确定多组第一行为生物指纹序列对应的第一平均距离序列，包括：
确定多组第一行为生物指纹序列的第一行为特征数据的均值；
根据所述均值和每组第一行为生物指纹序列的第一行为特征数据确定第一行为特征数据的方差；
根据所述方差确定多组第一行为生物指纹序列中两两第一行为生物指纹序列之间的距离；
根据两两第一行为生物指纹序列之间的距离，确定每组第一行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离，得到第一平均距离序列。
其中，所述确定多组公共行为生物指纹序列与多组第一行为生物指纹序列之间的第二平均距离序列，包括：
确定多组第一行为生物指纹序列的第一行为特征数据的均值；
根据所述均值和每组第一行为生物指纹序列的第一行为特征数据确定第一行为特征数据的方差；
对于每组公共行为生物指纹序列：根据所述方差，确定该组公共行为生物指纹序列和每组第一行为生物指纹序列之间的距离；
根据该组公共行为生物指纹序列和每组第一行为生物指纹序列之间的距离，确定该组公共行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离；
根据每组公共行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离，得到所述第二平均距离序列。
其中，确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离，包括：
确定多组第一行为生物指纹序列的第一行为特征数据的均值；
根据所述均值和每组第一行为生物指纹序列的第一行为特征数据确定第一行为特征数据的方差；
根据所述方差、所述第二行为特征数据和所述第一行为特征数据，确定所述第二行为生物指纹序列和每组第一行为生物指纹序列之间的距离；
根据所述第二行为生物指纹序列和每组第一行为生物指纹序列之间的距离，确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离。
为实现上述目的，在第二方面，本发明提供一种用于识别用户身份的装置，包括：
数据采集处理模块，用于获取第一用户输入密码时击键的第一行为特征数据；
行为生物指纹构建模块，用于构建所述第一用户的第一行为生物指纹序列，所述第一行为生物指纹序列包括第一用户本次输入密码时每次击键的第一行为特征数据集合，所述第一行为特征数据集合包括本次击键的多个第一行为特征数据；
第一计算模块，用于根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列计算得到第一用户的识别阈值；
所述数据采集处理模块，还用于获取第二用户输入密码时击键的行为特征数据；
所述行为生物指纹构建模块，还用于构建第二用户的第二行为生物指纹序列，所述第二行为生物指纹序列包括第二用户本次输入密码时每次击键的第二行为特征数据集合，所述第二行为特征数据集合包括本次击键的多个第二行为特征数据；
第二计算模块，用于确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离；
识别模块，用于在确定所述平均距离满足所述识别阈值时，判定所述第二用户为所述第一用户。
为了实现上述目的，在第三方面，本发明提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行所述的用户身份识别方法。
为了实现上述目的，在第四方面，本发明提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现所述的用户身份识别方法。
在本发明中，通过对第一用户的击键行为特征进行量化得到行为特征数据，由行为特征数据构建第一用户的行为生物指纹序列，结合多组第一行为生物指纹序列与公共行为生物指纹序列得到第一用户的识别阈值，将识别阈值与第二用户的行为生物指纹序列进行比较，以识别第二用户的身份，此身份识别方法相较其他方法更方便，更安全。
附图说明
图1示出了一实施例所示的用户身份识别的方法流程图；
图2示出了一实施例所示的确定第一用户识别阈值流程示意图；
图3示出了一实施例所示的用户身份识别的过程示意图；
图4示出了一实施例所示的用户身份识别的装置结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，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，而非全部实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
为了更方便、更安全的识别用户身份，如图1所示，本公开示例提供了一种用户身份识别方法，该方法包括：
步骤101，获取第一用户输入密码时击键的第一行为特征数据；
步骤102，构建所述第一用户的第一行为生物指纹序列，所述第一行为生物指纹序列包括所述机主本次输入密码时每次击键的第一行为特征数据集合，所述第一行为特征数据集合包括本次击键的多个第一行为特征数据；
步骤103，根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列得到第一用户的识别阈值；
步骤104，获取第二用户输入密码时击键的行为特征数据，构建第二用户的第二行为生物指纹序列，所述第二行为生物指纹序列包括第二用户本次输入密码时每次击键的第二行为特征数据集合，所述第二行为特征数据集合包括本次击键的多个第二行为特征数据；
步骤105，确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离；
步骤106，所述平均距离满足所述识别阈值时，判定所述第二用户为所述第一用户。
在该示例中，通过对第一用户的击键行为特征进行量化得到行为特征数据，由行为特征数据构建第一用户的行为生物指纹序列，结合多组第一行为生物指纹序列与公共行为生物指纹序列得到第一用户的识别阈值，将识别阈值与第二用户的行为生物指纹序列进行比较，以识别第二用户的身份，此身份识别方法相较其他方法更方便，更安全。
在一个示例中，第一用户为机主，第二用户为任意用户，基于第一用户的击键行为特征数据对第二用户的行为进行分析，判断第二用户是否为第一用户，如果是，则认为第二用户识别通过。
若要识别第二用户的身份：
首先，需获取第一用户的第一行为特征数据：当智能移动终端识别到第一用户进入登录账户环节时，获取第一用户输入密码时的第一行为特征数据，包括：通过加速度计采集的数据、通过陀螺仪采集的数据、通过屏幕传感器采集的数据和时间节点数据；
所述时间节点数据包括：击键按下时间和击键释放时间。
然后，构建第一用户的第一行为生物指纹序列，第一行为生物指纹序列包括第一用户本次输入密码时每次击键的第一行为特征数据集合，所述第一行为特征数据集合包括本次击键的多个第一行为特征数据。
在确定第一用户的识别阈值时，需要获取多组第一行为生物指纹序列，每组第一行为生物指纹序列对应的击键次数相同，即每组第一行为生物指纹序列对应的输入密码的位数相同。
在确定第一用户的识别阈值时，还可以引入公共用户的公共行为生物指纹序列，在一个示例中，第一行为生物指纹序列与公共行为生物指纹序列对应的击键次数相同，即对应的输入密码的位数相同。
并且，后续构建的第二用户的第二行为生物指纹序列对应的击键次数也与第一行为生物指纹序列对应的击键次数相同。
在实际应用中，每个机主输入密码的位数不同，一个机主也会使用多个密码，这多个密码的位数也可能不同。那么，在采集机主（第一用户）的行为特征数据，计算得到行为生物序列后，可将行为生物序列按照输入密码的位数（即击键次数）进行分类。假设第二用户当前输入的密码为6位，那么根据第一用户的对应6位密码的第一行为生物序列以及公共行为生物序列，来实现本发明的方案。
如图2所示，确定第一用户的识别阈值的过程包括：。
步骤201，确定多组第一行为生物指纹序列对应的第一平均距离序列。
该步骤的实现过程包括：
首先，计算多组第一行为生物指纹序列的第一行为特征数据的均值；
根据所述均值和每组第一行为生物指纹序列的第一行为特征数据计算得到多组第一行为生物指纹序列的第一行为特征数据的方差；
根据所述方差计算得到多组第一行为生物指纹序列中两两第一行为生物指纹序列之间的距离；
根据两两第一行为生物指纹序列之间的距离，确定每组第一行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离，得到第一平均距离序列。
步骤202，确定多组公共行为生物指纹序列与多组第一行为生物指纹序列之间的第二平均距离序列。
该步骤的实现过程包括：
对于每组公共行为生物指纹序列，根据步骤201中所述的方差，计算得到该组公共行为生物指纹序列和每组第一行为生物指纹序列之间的距离；
根据该组公共行为生物指纹序列和每组第一行为生物指纹序列之间的距离，计算得到该组公共行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离；
根据每组公共行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离，得到所述第二平均距离序列。
步骤203，所述识别阈值大于等于所述第一平均距离序列中的最大值，且小于等于所述第二平均距离序列中的最小值。
通过上述过程可确定出第一用户的识别阈值。
对于第二用户，在采集到第二用户的第二行为特征数据后，构建第二行为生物指纹序列，然后，计算第二行为生物指纹序列与多组所述第一行为生物指纹序列之间的平均距离，包括：
根据步骤201中所述的方差、所述第二行为特征数据和所述第一行为特征数据，确定所述第二行为生物指纹序列和每组第一行为生物指纹序列之间的距离；
根据所述第二行为生物指纹序列和每组第一行为生物指纹序列之间的距离，确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离。
当该第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离满足第一用户的识别阈值时，判定第二用户为第一用户，则第二用户的身份识别通过，否则不通过。
下面通过一个具体的实施例来说明上述的用户身份识别过程，如图3所示，包括：
步骤301，数据采集与预处理。
当智能移动终端识别到机主（即第一用户）进入登录账户环节时，获取机主输入密码时的键盘交互行为特征数据；所述行为特征数据（即第一行为特征数据）依赖智能移动终端内置的传感器进行采集，在一个示例中，传感器至少包括加速度计、陀螺仪、屏幕传感器。
当智能移动终端识别到机主通过键盘交互输入m位密码时的m次击键行为时，获取的行为特征数据至少包括：
屏幕传感器数据：每次击键产生的屏幕触摸压力和每次击键产生的屏幕触摸面积；
加速度计数据：每次击键从按下到释放时间段内，每20毫秒获取智能移动终端沿XYZ坐标轴方向的三个加速度数据序列；
陀螺仪数据：每次击键从按下到释放时间段内，每20毫秒智能移动终端以XYZ坐标轴为轴旋转的三个角速度数据序列；
X轴为沿智能移动终端下边，方向从左至右的坐标轴；Y轴为沿智能移动终端左边，方向从下至上的坐标轴；Z轴为垂直于智能移动终端屏幕，方向与智能移动终端屏幕朝向相同的坐标轴；
时间节点数据，包括：
第一次击键按下时间t1，第一次击键释放时间T1；
第二次击键按下时间t2，第二次击键释放时间T2；
…
第i次击键按下时间ti，第i次击键释放时间Ti；
…
第m次击键按下时间tm,第m次击键释放时间Tm；
其中，i的取值范围为1到m。
对上述时间节点数据进行预处理，得到用户的击键节奏特征数据，包括：
第i次与第i+1次击键之间用户手指悬空时间长度ti+1-Ti；
第i次与第i+1次击键的按下时间间隔ti+1-ti；
第i次与第i+1次击键的释放时间间隔Ti+1-Ti；
第i次击键的按下时间与第i+1次击键的释放时间间隔Ti+1-ti；
第i次击键按压时长Ti-ti。
步骤302，数据特征赋权。
对上述行为特征数据赋权，在一个示例中，将行为特征数据中的击键节奏特征数据的权重确定为α，将行为特征数据中的屏幕触摸压力、屏幕触摸面积、加速度计数据以及陀螺仪数据的权重确定为β，其中，使α＞β，以提升击键节奏特征的权重，削弱外部环境对分析结果的影响。
步骤303，构建行为生物指纹序列。
根据所述赋权后的行为特征数据构建行为生物指纹序列（即第一行为生物指纹序列）Y={y1,y2,y3,…yi…ym-1,ym}，其中，yi为机主第i次击键行为对应的行为特征数据集合（即第一行为特征数据集合），i的取值范围为1到m，m为机主某次输入m位密码时的击键次数，yi中包含n个行为特征数据，n个行为特征数据按照预设的顺序排列。
在一个示例中，当1≤i＜m时，yi包括以下n=8个行为特征数据，8个行为特征数据在yi中的顺序为：
第i次击键产生的屏幕触摸压力；
第i次击键产生的屏幕触摸面积；
第i次击键产生的加速度计数据；
第i次击键产生的陀螺仪数据；
第i次与第i+1次击键之间用户手指悬空时间长度；
第i次与第i+1次击键的按下时间间隔；
第i次与第i+1次击键的释放时间间隔；
第i次击键的按下时间与第i+1次击键的释放时间间隔；
第i次击键按压时长。
可以理解的是，这8种行为特征数据还可以按照任意的顺序排列。需要指出的是，本公开中yi（1≤i＜m）包括的行为特征数据的n并不限于上述8个。
在一个示例中，当i=m时，yi包括以下n=5个行为特征数据，5个行为特征数据在yi中的顺序为：
第i次击键产生的屏幕触摸压力；
第i次击键产生的屏幕触摸面积；
第i次击键产生的加速度计数据序列；
第i次击键产生的陀螺仪数据序列；
第i次击键按压时长；
这5个行为特征数据还可以按照任意的顺序排列。需要指出的是，本公开中yi（i=m）包括的行为特征数据n不限于上述5个。
上述行为生物指纹序列Y={y1,y2,y3,…yi…ym-1,ym}为机主某次输入m位密码时得到的行为生物指纹序列，在实际应用过程中，对于机主多次输入密码的行为，可以按照步骤101-103的方法构建每次输入密码时的行为生物指纹序列。
机主的行为生物指纹序列构建完成后，可由智能移动终端发送到云端服务器保存。
步骤304，获取机主识别阈值。
获取所述机主的行为生物指纹序列Y共L组，得到机主行为生物指纹序列集合γ={Y1,Y2…Ya…YL}。需要指出的是，L组行为生物指纹序列中，每组行为生物指纹序列对应的输入密码时的击键次数相同，例如m=6、L=10，表示机主输入密码10次，每次输入的密码均为6位（即有6次击键行为）。
引入公共生物指纹序列数据库，其中含有多个其他用户（即公共用户）输入密码时行为生物指纹序列（即公共行为生物指纹序列），公共生物指纹序列数据库中行为生物指纹序列的构建方式与步骤101-103中机主的行为生物指纹序列的构建方式相同，即：非机主每次击键对应的行为特征数据集合和机主每次击键对应的行为特征数据集合包含的行为特征数据个数均为n，多个行为特征数据在集合中的排序相同。从公共生物指纹序列数据库中获取行为生物指纹序列N共H组，得到非机主行为生物指纹序列集合η={N1,N2…Nb…NH}。需要指出的是，H组非机主行为生物指纹序列中，每组行为生物指纹序列对应的输入密码时的击键次数与L组机主行为生物指纹序列中每组行为生物指纹序列对应的输入密码时的击键次数相同，例如，H组非机主行为生物指纹序列和L组机主行为生物指纹序列对应的输入密码的击键次数m均为6。
则获取机主识别阈值的过程包括：
1.1，根据以下公式计算集合γ的平均距离序列davg(γ)（即第一平均距离序列）：
Figure DEST_PATH_IMAGE002
；
其中，davg(Ya, γ)为集合γ中第a组行为生物指纹序列和集合γ之间的平均距离，其中：
Figure 713757DEST_PATH_IMAGE003
；
其中，d(Ya,Ya+1)为第a组行为生物指纹序列和第a+1组行为生物指纹序列之间的距离；其中：
Figure 365318DEST_PATH_IMAGE004
；
其中，Ya,i,j为第a组行为生物指纹序列中第i次击键行为对应的行为特征数据集合中的第j个行为特征数据，Ya+1,i,j为第a+1组行为生物指纹序列中第i次击键行为对应的行为特征数据集合中的第j个行为特征数据；n为第i次击键行为对应的行为特征数据集合中包含的行为特征数据的个数，j的取值范围为1到n。
其中，αi,j为集合γ中每组行为生物指纹序列中第i次击键行为对应的行为特征数据中第j个行为特征数据的方差（即多组第一行为生物指纹序列的第一行为特征数据的方差），根据如下的公式计算得到：
Figure 941793DEST_PATH_IMAGE005
；
其中,Ya,i,j为第a组行为生物指纹序列中第i次击键行为对应的行为特征数据集合 中的第j个行为特征数据，
Figure 930477DEST_PATH_IMAGE006
为L组行为生物指纹序列的第i次击键行为对应的行为特征 数据集合中第j个行为特征数据的均值（即多组第一行为生物指纹序列的第一行为特征数 据的均值），根据如下的公式计算得到：
Figure 479270DEST_PATH_IMAGE007
。
1.2，计算集合η与所述集合γ之间的平均距离序列davg(η)（即第二平均距离序列）：
Figure DEST_PATH_IMAGE008
；
其中，davg(Nb, γ)为集合η中第b组行为生物指纹序列和集合γ之间的平均距离，根据如下公式计算得到davg(Nb, γ)：
Figure 190481DEST_PATH_IMAGE009
；
其中，d (Nb, Ya)为集合η中第b组行为生物指纹序列和中第a组行为生物指纹序列之间的距离，根据以下公式计算得到的d (Nb, Ya)：
Figure 519831DEST_PATH_IMAGE010
；
其中，Nb,i,j为集合η中第b组行为生物指纹序列中第i次击键对应的行为特征数据集合中的第j个行为特征数据；Ya,i,j为集合γ中第a组行为生物指纹序列中第i次击键对应的行为特征数据集合中的第j个特征数据。
其中，αi,j为集合γ中每组行为生物指纹序列中第i次击键对应的行为特征数据集合中第j个特征数据的方差。这里的αi,j与上述1.1中的αi,j相同，不再赘述。
1.3，通过如下公式计算机主识别阈值D：
davg(γ)max≤D≤davg(η)min
其中，davg(γ)max为第一平均距离序列中的最大值，davg(η)min为第二平均距离序列中的最小值。
需要说明的是，此算法仅给出阈值D的取值范围，具体数值可根据实际情况在davg(γ)max和davg(η)min范围内调整，其调整方法为：
设定两个指标：
错误接受率FAR，即非机主误判为机主情况的发生概率；
错误拒绝率FRR，即机主误判为非机主情况的发生概率。
当阈值D的数值在取值范围内靠近davg(γ)max时，FAR下降，FRR提高；当阈值D的数值在取值范围内靠近davg(η)min时，FAR提高，FRR下降。
步骤305，身份识别。
得到阈值D后，假设检测到未知用户（即第二用户）进行输入密码操作，所述智能移动终端将在所述未知用户输入密码时获取对应的行为生物指纹序列A，并将所述行为生物指纹序列A与集合γ对比，得到未知用户和机主之间的平均距离（即第二行为生物指纹序列和多组第一行为生物指纹序列之间的平均距离）：
Figure 249890DEST_PATH_IMAGE011
；
其中，d(A,Ya)为行为生物指纹A和行为生物指纹序列Ya之间的距离，通过如下公式计算得到的d(A,Ya)：
Figure 981085DEST_PATH_IMAGE012
其中，Ai,j为行为生物指纹序列A中第i次击键对应的行为特征数据集合中的第j个特征数据；Ya,i,j为行为生物指纹序列Ya中第i次击键对应的行为特征数据集合中的第j个特征数据；这里的αi,j，与1.1中的αi,j相同，此处不再赘述。
当davg(A, γ)≤D，判定当前操作用户为机主；
当davg(A, γ)>D，判定当前操作用户为非机主。
需要指出的是，根据当前未知用户输入密码时的击键次数（即密码位数），选择相应的集合γ进行比对，例如，当前未知用户输入密码为6位（即有6次击键行为），那么获取的集合γ中每组行为生物指纹序列均对应6次击键行为。
步骤306，数据更新：
机主的行为习惯会产生变化，因此设立数据更新机制：
假设识别出当前操作用户为机主，则将当前用户输入密码时得到的行为生物指纹序列加入到上述的集合γ中，则更新后的集合γ可用于下一次用户身份识别。
为了实现上述方法，本公开一示例还提供了一种用户身份识别装置，如图4所示，包括：
数据采集处理模块41，用于获取第一用户输入密码时击键的第一行为特征数据；
行为生物指纹构建模块42，用于构建所述第一用户的第一行为生物指纹序列，所述第一行为生物指纹序列包括第一用户本次输入密码时每次击键的第一行为特征数据集合，所述第一行为特征数据集合包括本次击键的多个第一行为特征数据；
第一计算模块43，用于根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列计算得到第一用户的识别阈值；
所述数据采集处理模块41，还用于获取第二用户输入密码时击键的行为特征数据；
所述行为生物指纹构建模块42，还用于构建第二用户的第二行为生物指纹序列，所述第二行为生物指纹序列包括第二用户本次输入密码时每次击键的第二行为特征数据集合，所述第二行为特征数据集合包括本次击键的多个第二行为特征数据；
第二计算模块44，用于确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离；
识别模块45，用于在确定所述平均距离满足所述识别阈值时，判定所述第二用户为所述第一用户。
其中，第一用户为机主，第二用户为任意用户。
其中，上述的第一行为特征数据或所述第二行为特征数据包括：通过加速度计采集的数据、通过陀螺仪采集的数据、通过屏幕传感器采集的数据和时间节点数据；所述时间节点数据包括：击键按下时间和击键释放时间。
上述的多组所述第一行为生物指纹序列中每组第一行为生物指纹序列对应的击键次数相同；所述第一行为生物指纹序列、公共行为生物指纹序列和所述第二行为生物指纹序列对应的击键次数相同。
在一个示例中，在根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列得到第一用户的识别阈值时，第一计算模块43，还用于：
确定多组第一行为生物指纹序列对应的第一平均距离序列；
确定多组公共行为生物指纹序列与多组第一行为生物指纹序列之间的第二平均距离序列；
所述识别阈值大于等于所述第一平均距离序列中的最大值，且小于等于所述第二平均距离序列中的最小值。
其中，确定多组第一行为生物指纹序列对应的第一平均距离序列时，第一计算模块43，还用于：
确定多组第一行为生物指纹序列的第一行为特征数据的均值；
根据所述均值和每组第一行为生物指纹序列的第一行为特征数据确定第一行为特征数据的方差；
根据所述方差确定多组第一行为生物指纹序列中两两第一行为生物指纹序列之间的距离；
根据两两第一行为生物指纹序列之间的距离，确定每组第一行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离，得到第一平均距离序列。
其中，在确定多组公共行为生物指纹序列与多组第一行为生物指纹序列之间的第二平均距离序列时，第一计算模块43，还用于：
对于每组公共行为生物指纹序列：根据所述方差，确定该组公共行为生物指纹序列和每组第一行为生物指纹序列之间的距离；
根据该组公共行为生物指纹序列和每组第一行为生物指纹序列之间的距离，确定该组公共行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离；
根据每组公共行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离，得到所述第二平均距离序列。
在一个示例中，确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离时，第二计算模块44，还用于根据上述的方差、所述第二行为特征数据和所述第一行为特征数据，确定所述第二行为生物指纹序列和每组第一行为生物指纹序列之间的距离；
根据所述第二行为生物指纹序列和每组第一行为生物指纹序列之间的距离，确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离。
示例性地，本公开还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述的用户身份识别方法。
示例性地，本发明还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的用户身份识别方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述，仅为本发明的具体实施方式，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揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。

Claims (9)

1.一种用户身份识别方法，其特征在于，所述方法包括：
获取第一用户输入密码时击键的第一行为特征数据；
构建所述第一用户的第一行为生物指纹序列，所述第一行为生物指纹序列包括第一用户本次输入密码时每次击键的第一行为特征数据集合，所述第一行为特征数据集合包括本次击键的多个第一行为特征数据；
根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列得到第一用户的识别阈值；
获取第二用户输入密码时击键的行为特征数据，构建第二用户的第二行为生物指纹序列，所述第二行为生物指纹序列包括第二用户本次输入密码时每次击键的第二行为特征数据集合，所述第二行为特征数据集合包括本次击键的多个第二行为特征数据；
确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离；
所述平均距离满足所述识别阈值时，判定所述第二用户为所述第一用户；
所述根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列得到第一用户的识别阈值，包括：
确定多组第一行为生物指纹序列对应的第一平均距离序列；
确定多组公共行为生物指纹序列与多组第一行为生物指纹序列之间的第二平均距离序列；
所述识别阈值大于等于所述第一平均距离序列中的最大值，且小于等于所述第二平均距离序列中的最小值。
2.根据权利要求1所述的方法，其特征在于，所述第一行为特征数据或所述第二行为特征数据包括：
通过加速度计采集的数据、通过陀螺仪采集的数据、通过屏幕传感器采集的数据和时间节点数据；
所述时间节点数据包括：击键按下时间和击键释放时间。
3.根据权利要求1所述的方法，其特征在于，多组所述第一行为生物指纹序列中每组第一行为生物指纹序列对应的击键次数相同；
所述第一行为生物指纹序列、公共行为生物指纹序列和所述第二行为生物指纹序列对应的击键次数相同。
4.根据权利要求1所述的方法，其特征在于，所述确定多组第一行为生物指纹序列对应的第一平均距离序列，包括：
确定多组第一行为生物指纹序列的第一行为特征数据的均值；
根据所述均值和每组第一行为生物指纹序列的第一行为特征数据确定第一行为特征数据的方差；
根据所述方差确定多组第一行为生物指纹序列中两两第一行为生物指纹序列之间的距离；
根据两两第一行为生物指纹序列之间的距离，确定每组第一行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离，得到第一平均距离序列。
5.根据权利要求1所述的方法，其特征在于，所述确定多组公共行为生物指纹序列与多组第一行为生物指纹序列之间的第二平均距离序列，包括：
确定多组第一行为生物指纹序列的第一行为特征数据的均值；
根据所述均值和每组第一行为生物指纹序列的第一行为特征数据确定第一行为特征数据的方差；
对于每组公共行为生物指纹序列：根据所述方差，确定该组公共行为生物指纹序列和每组第一行为生物指纹序列之间的距离；
根据该组公共行为生物指纹序列和每组第一行为生物指纹序列之间的距离，确定该组公共行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离；
根据每组公共行为生物指纹序列与多组第一行为生物指纹序列之间的平均距离，得到所述第二平均距离序列。
6.根据权利要求1所述的方法，其特征在于，确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离，包括：
确定多组第一行为生物指纹序列的第一行为特征数据的均值；
根据所述均值和每组第一行为生物指纹序列的第一行为特征数据确定第一行为特征数据的方差；
根据所述方差、所述第二行为特征数据和所述第一行为特征数据，确定所述第二行为生物指纹序列和每组第一行为生物指纹序列之间的距离；
根据所述第二行为生物指纹序列和每组第一行为生物指纹序列之间的距离，确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离。
7.一种用户身份识别装置，其特征在于，该装置包括：
数据采集处理模块，用于获取第一用户输入密码时击键的第一行为特征数据；
行为生物指纹构建模块，用于构建所述第一用户的第一行为生物指纹序列，所述第一行为生物指纹序列包括第一用户本次输入密码时每次击键的第一行为特征数据集合，所述第一行为特征数据集合包括本次击键的多个第一行为特征数据；
第一计算模块，用于根据多组所述第一行为生物指纹序列与公共用户的多组公共行为生物指纹序列计算得到第一用户的识别阈值；
所述数据采集处理模块，还用于获取第二用户输入密码时击键的行为特征数据；
所述行为生物指纹构建模块，还用于构建第二用户的第二行为生物指纹序列，所述第二行为生物指纹序列包括第二用户本次输入密码时每次击键的第二行为特征数据集合，所述第二行为特征数据集合包括本次击键的多个第二行为特征数据；
第二计算模块，用于确定所述第二行为生物指纹序列和多组所述第一行为生物指纹序列之间的平均距离；
识别模块，用于在确定所述平均距离满足所述识别阈值时，判定所述第二用户为所述第一用户。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一项所述的用户身份识别方法。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一项所述的用户身份识别方法。
CN202110364991.1A 2021-04-06 2021-04-06 一种用户身份识别方法、装置、设备和存储介质 Active CN112765579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110364991.1A CN112765579B (zh) 2021-04-06 2021-04-06 一种用户身份识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110364991.1A CN112765579B (zh) 2021-04-06 2021-04-06 一种用户身份识别方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112765579A CN112765579A (zh) 2021-05-07
CN112765579B true CN112765579B (zh) 2021-07-09

Family

ID=75691136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110364991.1A Active CN112765579B (zh) 2021-04-06 2021-04-06 一种用户身份识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112765579B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4805222A (en) * 1985-12-23 1989-02-14 International Bioaccess Systems Corporation Method and apparatus for verifying an individual's identity
CN101674184A (zh) * 2009-10-19 2010-03-17 北京微通新成网络科技有限公司 一种基于用户击键特征的身份识别方法
CN110418337A (zh) * 2019-07-29 2019-11-05 北京邮电大学 身份认证方法及装置
CN110443012A (zh) * 2019-06-10 2019-11-12 中国刑事警察学院 基于击键特征的身份识别方法
CN112231668A (zh) * 2020-09-18 2021-01-15 同盾控股有限公司 基于击键行为的用户身份认证方法、电子设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7509686B2 (en) * 2003-02-03 2009-03-24 Checco John C Method for providing computer-based authentication utilizing biometrics

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4805222A (en) * 1985-12-23 1989-02-14 International Bioaccess Systems Corporation Method and apparatus for verifying an individual's identity
CN101674184A (zh) * 2009-10-19 2010-03-17 北京微通新成网络科技有限公司 一种基于用户击键特征的身份识别方法
CN110443012A (zh) * 2019-06-10 2019-11-12 中国刑事警察学院 基于击键特征的身份识别方法
CN110418337A (zh) * 2019-07-29 2019-11-05 北京邮电大学 身份认证方法及装置
CN112231668A (zh) * 2020-09-18 2021-01-15 同盾控股有限公司 基于击键行为的用户身份认证方法、电子设备和存储介质

Also Published As

Publication number Publication date
CN112765579A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
Ali et al. Keystroke biometric systems for user authentication
Lamiche et al. A continuous smartphone authentication method based on gait patterns and keystroke dynamics
Ahmed et al. Biometric recognition based on free-text keystroke dynamics
Kim et al. Freely typed keystroke dynamics-based user authentication for mobile devices based on heterogeneous features
Thomas et al. A broad review on non-intrusive active user authentication in biometrics
WO2017075913A1 (zh) 一种基于鼠标行为的认证方法
Wang et al. Improving reliability: User authentication on smartphones using keystroke biometrics
CN111625792B (zh) 一种基于异常行为检测的身份识别方法
CN111625789A (zh) 基于多核学习融合鼠标和键盘行为特征的用户识别方法
D'lima et al. Password authentication using keystroke biometrics
US7706574B1 (en) Identifying and protecting composed and transmitted messages utilizing keystroke dynamics
Al-Saraireh et al. Keystroke and swipe biometrics fusion to enhance smartphones authentication
Alpar Biometric touchstroke authentication by fuzzy proximity of touch locations
Yang et al. Bubblemap: Privilege mapping for behavior-based implicit authentication systems
Wang et al. User authentication method based on MKL for keystroke and mouse behavioral feature fusion
Stylios et al. BioPrivacy: a behavioral biometrics continuous authentication system based on keystroke dynamics and touch gestures
Neha et al. Biometric re-authentication: An approach towards achieving transparency in user authentication
Lee et al. Touch based active user authentication using deep belief networks and random forests
CN112765579B (zh) 一种用户身份识别方法、装置、设备和存储介质
Bhattasali et al. Modular logic of authentication using dynamic keystroke pattern analysis
Bond et al. Touch-based static authentication using a virtual grid
Saini et al. Authenticating mobile phone user using keystroke dynamics
CN114840834A (zh) 一种基于步态特征的隐式身份认证方法
Alieksieiev et al. Studying of keystroke dynamics statistical properties for biometrie user authentication
Dafer et al. Evaluation of keystroke dynamics authentication systems: Analysis of physical and touch screen keyboards

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