[发明专利]非受控步行场景下移动设备的持续身份认证方法

说明书

一种非受控步行场景下移动设备的持续身份认证方法，其步骤为：(1)构建身份认证网络模型；(2)以用户无感知的采集方式，生成步态序列集；(3)利用自适应周期分割算法，生成步态模板集；(4)对步态模板集进行预处理；(5)训练身份认证网络；(6)认证用户身份。(7)若待认证用户的身份与认证后的用户身份一致，则完成用户身份认证，否则锁定移动设备，拒绝访问。本发明克服了现有技术中需要用户主动配合在受控场景下行走而导致的不实用的问题和现有技术中因场景、时间等因素产生的特征分布漂移的问题，使得本发明具有认证准确性，实用性和场景适应性的优点。

技术领域

本发明属于信息技术领域，更进一步涉及信息安全技术领域中的一种非受控步行场景下移动设备的持续身份认证方法。本发明可用于非受控步行生活场景下，利用移动设备采集被认证人的步态数据，完成对用户身份的持续认证。

背景技术

持续身份认证方法是在不影响用户正常行动的情况下，通过持续不断地采集用户独特的生理特征或行为特征，对用户身份进行认证。目前移动设备中普遍内置运动传感器，利用移动设备中的运动传感器采集步态特征，可以持续不断地认证设备持有者的身份，弥补一次性认证的不足。但是现在方法多在受控场景下进行实验，场景适应性较差，当受试者在不同的场地上行走或者采取不同的移动设备携带方式行走时，认证准确率会受到很大影响。

北京航空航天大学在其申请的专利文献“一种基于智能手机加速度传感器的身份认证方法”(申请号：201811301498.X，授权公告号：CN 109302532 B，授权公告日：2020.02.07)中提出了一种基于智能手机加速度传感器的持续身份认证方法。该方法通过手机加速度传感器收集数据并进行预处理，得到欧式距离曲线，根据其随着步态周期呈现出的周期性进行数据划分，计算每一个步态周期对应的步态向量，若每一个步态向量与上一个步态向量欧式距离小于阈值，则为连续相似步态向量。当连续相似步态向量个数达到6时，取最后一个步态向量作为生成的步态向量模板，与当前步态向量模板进行对比，根据对比结果进行身份认证。该方法存在的不足之处有两点：其一，采用手动特征提取的方法，通过分析十个人在走路时，右手手持手机产生的加速度传感器数据来选择特征，当场景发生变化时，该方法选用的特征不一定适用；其二，实际生活中步态周期会随步速变化而改变，该方法以固定步态周期长度来截取数据，难以得到完整步态信息，且欧氏距离方法对噪声敏感，认证准确性受限。

Weitao Xu等作者在其发表的论文“Gait-Watch:A Context-AwareAuthentication System for Smart Watch Based on Gait Recognition”(2017IEEE/ACMSecond International Conference on Internet-of-Things Design andImplementation(IoTDI)，会议论文，2017年59-70页)中提出了适用于智能手表的持续身份认证方案Gait-Watch，该方法通过智能手表获取加速度计信号，通过活动分类器对常见7种步行场景进行分类，再针对每一种步行场景使用稀疏融合方法构建认证模型，最后利用构建好的模型进行身份认证。该方法存在的不足之处是：实验要求受试者佩戴智能手表在受控的七种场景下进行实验，然而，在实际生活中，用户放置移动设备的位置与行走场景是非受控的，针对特定场景的认证方案很难广泛适用于实际生活。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种非受控步行场景下移动设备的持续身份认证方法，在不需要用户主动配合的情况下持续进行步态认证，旨在解决现有步态认证方法步行场景受控，认证准确率受场景影响较大的问题。

实现本发明目的的技术思路是，在不限制用户移动设备放置位置、行走环境和行走方式的非受控环境下，利用移动设备以用户无感知的方式采集用户的步态序列，采用自适应步态周期分割算法截取步态模板，以适应非受控环境下步速变化带来的周期变化问题，构建身份认证网络模型，将中心损失引入损失计算中，在保持不同类别特征的可分离性的同时减小类内间距，提高模型的场景适应性和分类准确性。