[发明专利]一种基于用户鼠标行为的身份认证方法

摘要

本发明一种基于用户鼠标行为的身份认证方法，属于生物认证技术领域，本发明鼠标行为的产生是通过用户操作人机交互设备得到的，这种设备不同于现有技术所使用的复杂昂贵的硬件设备，仅采用计算机，因此具有低成本的优点；此外无论是在训练收集还是监控模式下，鼠标行为的获取是在用户日常操作中，不影响用户正常的使用，具有无干扰的特点；使用鼠标行为作为特征，相对于使用我们的生理特征更容易使人们接受，没有抗拒心理；基于鼠标行为特征的身份认证更适合于现在的操作环境，使用鼠标的机会远远大于其他的人机交互设备；同时由于鼠标的使用贯穿于整个操作的过程中，因此可以对用户的行为做持续性的认证。

主权项

一种基于用户鼠标行为的身份认证方法，其特征在于：包括以下步骤：步骤1、采集大量用户鼠标行为数据，包括鼠标左键单击行为、鼠标右键单击行为、鼠标左键双击行为、鼠标移动行为、鼠标左键拖拽行为、鼠标右键拖拽行为、鼠标移动加左键单击行为、鼠标移动加右键单击行为、鼠标移动加左键拖拽行为、鼠标移动加右键拖拽行为和鼠标移动加左键双击行为；步骤2、对采集的大量用户鼠标行为数据进行行为特征提取，具体如下：鼠标左键单击行为特征包括：点击时间和点击的移动距离，所述的点击时间是指鼠标按下和鼠标弹起之间的时间间隔，所述的点击的移动距离是指指鼠标按下和鼠标弹起之间的移动距离；鼠标右键单击行为特征包括：点击时间和点击的移动距离；鼠标左键双击行为特征包括：第一次点击时间、第一次点击的移动距离、双击间隔时间、双击间隔距离、第二次点击时间和第二次点击的移动距离；鼠标移动行为特征包括：屏幕横轴方向的鼠标移动速率的最大值、最小值、平均值、标准差和区间长度；屏幕纵轴方向的鼠标移动速率的最大值、最小值、平均值、标准差和区间长度；鼠标移动切向速率的最大值、最小值、平均值、标准差和区间长度；鼠标移动切向加速度的最大值、最小值、平均值、标准差和区间长度；鼠标移动切向加加速度的最大值、最小值、平均值、标准差和区间长度；鼠标移动角速度的最大值、最小值、平均值、标准差和区间长度；鼠标移动过程中所有的点横坐标的最大值、最小值、平均值、标准差和区间长度；鼠标移动过程中所有的点纵坐标的最大值、最小值、平均值、标准差和区间长度；鼠标移动角度的最大值、最小值、平均值、标准差和区间长度；鼠标移动曲线曲率的最大值、最小值、平均值、标准差和区间长度；鼠标移动曲线曲率变化率的最大值、最小值、平均值、标准差和区间长度；鼠标移动时间、鼠标移动距离、曲线直线度、关键点、路径抖动、轨迹质量中心、散射系数、第三势差和第四势差；鼠标左键拖拽行为特征包括：鼠标左键按下与弹起之间的鼠标移动行为特征；鼠标右键拖拽行为特征包括：鼠标右键按下与弹起之间的鼠标移动行为特征；鼠标移动加左键单击行为特征包括：鼠标开始移动至鼠标左键按下过程中的鼠标移动行为特征、点击前距离、点击前时间和鼠标左键单击行为特征，所述的点击前距离是指鼠标移 动结束与鼠标左键按下之间的移动距离，所述的点击前时间是指鼠标移动结束与鼠标左键按下之间的时间间隔；鼠标移动加右键单击行为特征包括：鼠标开始移动至鼠标右键按下过程中的鼠标移动行为特征、点击前距离、点击前时间和鼠标右键单击行为特征；鼠标移动加左键拖拽行为特征包括：鼠标开始移动至鼠标左键按下过程中的鼠标移动行为特征、点击前距离、点击前时间和鼠标左键按下至鼠标左键弹起之间的鼠标移动行为特征；鼠标移动加右键拖拽行为特征包括：鼠标开始移动至鼠标右键按下过程中的鼠标移动行为特征、点击前距离、点击前时间和鼠标右键按下至鼠标右键弹起之间的鼠标移动行为特征；鼠标移动加左键双击行为特征包括：鼠标开始移动至鼠标左键按下过程中的鼠标移动行为特征、点击前距离、点击前时间和鼠标左键双击行为特征；步骤3、将提取出的鼠标行为特征值在数据库中进行储存；步骤4、采用随机森林算法，对数据库中的行为特征数据进行分类训练，形成分类器；步骤4‑1、对于所有鼠标行为特征中连续型的特征数据进行离散化处理，将每个鼠标行为特征在其区间范围内进行划分，形成若干个划分区间，将用户的鼠标行为特征数据映射到对应的划分区间内，根据区间标号对鼠标行为特征数据进行标记；步骤4‑2、在鼠标左键单击行为、鼠标右键单击行为、鼠标左键双击行为、鼠标移动加左键单击行为、鼠标移动加右键单击行为和鼠标移动加左键双击行为过程中，判断点击鼠标时，鼠标位置是否有变化，若是，则标记为一类，否则，标记为另一类；在鼠标移动加左键单击行为、鼠标移动加右键单击行为和鼠标移动加左键双击行为过程中，判断鼠标移动结束与鼠标点击动作之间，鼠标位置是否有变化，若是，则标记为一类，否则，标记为另一类；鼠标左键双击行为和鼠标移动加左键双击行为过程中，判断两次点击动作之间，鼠标位置是否有变化，，若是，则标记为一类，否则，标记为另一类；步骤4‑3、根据鼠标行为的个数确定分类器的个数，用户根据需求设置分类器内树的个数；步骤4‑4、构造每个鼠标行为分类器内树的模型，具体构建过程如下：步骤4‑4‑1、根据所需构建的分类器所对应的行为特征，在该鼠标行为特征数据中有放回抽取数据；在其相应的鼠标行为中随机抽取若干类鼠标行为；步骤4‑4‑2、选择划分后信息增益比最大的行为特征作为节点的分类属性，根据该分类 属性对抽取的行为数据进行划分，形成若干个下一层新的节点；步骤4‑4‑3、依次判断该层每个新的节点是否达到终止条件，即该节点是否已无属性类别或该节点内的行为特征数据均来自同一用户，若是，则对该节点进行标记形成叶子节点，并当该层所有节点均已标记时执行步骤4‑4‑4；否则返回执行步骤4‑4‑2对该节点继续进行分裂，并不能选择分裂出该节点的分类属性；步骤4‑4‑4、返回上层，判断其是否为初始节点，若是，则完成该树的构建并执行步骤4‑4‑5；否则执行步骤4‑4‑3；步骤4‑4‑5、执行步骤4‑4‑1至步骤4‑4‑4，直至每个分类器中所有树构建完成，即形成分类器；步骤4‑5、将所有分类器中的每个节点信息存入数据库中，包括分类器编号、决策树编号、节点编号、所选属性编号、属性取值范围、儿子节点偏移量和叶子节点编号；步骤4‑6、根据数据库中的现有数据，计算每个用户的每种类型行为数据所占该种行为数据类型总数的百分比作为先验概率，完成数据库中的行为特征数据的分类训练；步骤5、采集被测用户鼠标行为，形成鼠标行为序列，对该用户鼠标行为进行特征提取并对连续型行为进行离散化处理，将该用户不同类型的鼠标行为数据放入相应的分类器，通过该分类器中所有的树对该行为数据所属用户进行判断，确定该行为数据所属不同用户的概率；步骤6、结合先验概率以及分类器所检测的行为数据所属概率，计算该行为由不同用户完成的概率；步骤7、计算被测用户完成检测到的全部鼠标行为的概率，判断其是否大于用户设定阈值，若是，则该用户是登陆时指定用户，计算机继续正常运行；否则，该用户不是登陆时制定用户，采取使用限制措施，包括拒绝其登录操作和锁屏。