基于手機(jī)傳感器的智能防盜與用戶認(rèn)證

宋暉等

摘 要：本文提出一種新的智能手機(jī)防盜方案：根據(jù)用戶掏手機(jī)動作過程中手機(jī)傳感器產(chǎn)生的數(shù)據(jù)，使用DTW（動態(tài)時間規(guī)整算法）作為分類算法，然后用Boosting算法進(jìn)一步提升分類的準(zhǔn)確性。該方案不僅可以實時智能防盜，而且還可以進(jìn)行用戶認(rèn)證。實驗結(jié)果表明，該方案能達(dá)到令人滿意的準(zhǔn)確率。

關(guān)鍵詞：智能防盜；用戶認(rèn)證；DTW算法；Boosting算法；行為特征

中圖分類號：TP311 文獻(xiàn)標(biāo)識號：A

Abstract： This paper proposes a new scheme： according to the data produced by the phones sensors during users movement of picking phone out of pocket， use DTW as the classification algorithm， and then use the boosting algorithm to enhance the accuracy of classification. This scheme can not only provide intelligent antitheft timely but also provide user authentication. Experiments demonstrate that the scheme can achieve satisfactory accuracy.

Key words： Intelligent Antitheft； User Authentication； DTW； Boosting； Behavioral Traits

0 引 言

如今的智能手機(jī)更多地被用來管理個人信息（圖片、日程安排、銀行卡密碼等）、使用手機(jī)銀行等 [1]。這些個人隱私信息的丟失和泄露會給用戶帶來較大隱患。如何保護(hù)手機(jī)上隱私信息的安全已經(jīng)成為人們普遍關(guān)注和重視的熱點問題。為此提出了各種各樣的解決方案，主要分為兩類：用戶認(rèn)證和手機(jī)防盜。用戶認(rèn)證即用戶進(jìn)入系統(tǒng)前通過某種方法來驗證用戶的合法身份，防止非法用戶進(jìn)入系統(tǒng)導(dǎo)致隱私信息泄露[2]。最常用的用戶認(rèn)證是使用密碼、PIN或圖案密碼來進(jìn)行身份識別。這種方法的缺點之一是密碼越長越復(fù)雜、即越安全，但復(fù)雜的密碼卻難以記憶，而且對于短時間內(nèi)多次進(jìn)入系統(tǒng)導(dǎo)致的頻繁解鎖將造成用戶使用上的十分不便。目前針對手機(jī)防盜采取的方案，大都屬于事后采取措施降低損失的方法。通常是在發(fā)現(xiàn)手機(jī)丟失后發(fā)送指令遠(yuǎn)程鎖定手機(jī)，備份數(shù)據(jù)，刪除數(shù)據(jù)，遠(yuǎn)程定位，近距離控響警報等操作，但卻僅僅能夠降低數(shù)據(jù)丟失和泄露的風(fēng)險，找回手機(jī)的可能性多會很小。

本文提出一種新的手機(jī)智能防盜方案，針對用戶掏取手機(jī)這一過程，采集智能手機(jī)配備的加速度和角速度傳感器數(shù)據(jù)，從這些數(shù)據(jù)中提取用戶的行為特征值，根據(jù)特征值甄別這一動作。該方案根據(jù)掏取手機(jī)動作的傳感器數(shù)據(jù)，能同時完成用戶認(rèn)證和手機(jī)的實時智能防盜功能，如果認(rèn)證成功則自動解鎖系統(tǒng)，認(rèn)證失敗則及時操控防盜警報、避免手機(jī)丟失。

1 相關(guān)工作

基于人體生物特征的認(rèn)證方案如指紋識別、人臉識別、虹膜識別、視網(wǎng)膜識別等，相對于傳統(tǒng)的密碼方案具有更好的安全性和方便性。但是這類方案的缺點是需要特定的硬件支持（指紋識別器等），而且其中的人臉識別、虹膜識別則對周圍的環(huán)境帶有一定要求，再者如人臉識別可以通過使用面部靜態(tài)照片實施偽造，指紋也可以實現(xiàn)復(fù)制。在進(jìn)入智能手機(jī)時代后，手機(jī)除了有觸摸屏之外還配備多種實用傳感器，能夠在使用手機(jī)期間獲得更多的有用數(shù)據(jù)，而后通過數(shù)據(jù)挖掘算法，抽取一定的特征值進(jìn)行用戶行為特征識別認(rèn)證。常見的基于行為特征的用戶認(rèn)證主要有：動態(tài)手勢認(rèn)證，語音識別，擊鍵行為認(rèn)證，步態(tài)認(rèn)證，手機(jī)使用習(xí)慣認(rèn)證等[3]。然而基于擊鍵的用戶認(rèn)證，需要用戶持續(xù)擊鍵一段時間才能識別用戶是否合法，而且這種擊鍵的特征可能因為手機(jī)尺寸和輸入法鍵盤布局的不同而有所變化，因而該種方法更加適合功能手機(jī)。并且這類認(rèn)證方案僅能進(jìn)行用戶認(rèn)證而不能用于手機(jī)防盜。

目前的手機(jī)防盜方案，主要是在用戶發(fā)現(xiàn)手機(jī)丟失之后，通過某種形式遠(yuǎn)程發(fā)送指令備份數(shù)據(jù)、刪除隱私數(shù)據(jù)、鎖定手機(jī)、手機(jī)定位以及手機(jī)警報功能。這種方案的缺點是用戶需要及時發(fā)現(xiàn)手機(jī)丟失，否則會導(dǎo)致信息丟失和泄露，而且通過定位和警報功能找回手機(jī)也頗為困難。

針對以上問題，本文提出基于掏兜動作手機(jī)傳感器數(shù)據(jù)設(shè)計的方案，不僅能實現(xiàn)手機(jī)智能實時防盜，避免手機(jī)丟失，還能實現(xiàn)用戶認(rèn)證功能。

2動態(tài)時間規(guī)整算法（DTW）

DTW[4]是把時間規(guī)整和距離測度結(jié)合起來的一種非線性規(guī)整技術(shù)。算法的輸出是兩個時間序列的最小距離，輸出的值越小說明兩個時間序列越相似。本文使用DTW算法對樣本數(shù)據(jù)分類訓(xùn)練和認(rèn)證識別。在樣本訓(xùn)練階段，假設(shè)訓(xùn)練樣本集由N個樣本組成，分別記為，使用DTW算法分別計算訓(xùn)練樣本集中任意兩個樣本之間的距離，選取其中的最大值maxDist作為訓(xùn)練樣本集的模板特征。maxDist的計算公式如下：

在測試樣本識別階段，用DTW分別計算測試樣本和訓(xùn)練模板中每一個樣本的相似度距離并記為，i=1…..N。若這些值中有半數(shù)以上小于此訓(xùn)練模板的maxDist值，則該測試樣本識別成功。即滿足以下公式的測試樣本識別成功：

3 Boosting算法

Boosting[5]算法可以將若干個弱分類器組合起來，變成一個強分類器。弱分類器指識別錯誤率小于1/2的學(xué)習(xí)算法。識別準(zhǔn)確率很高并能在多項式時間內(nèi)完成的學(xué)習(xí)算法稱為強學(xué)習(xí)算法。Boosting算法使用弱分類算法產(chǎn)生基分類器，對分類錯誤的樣本分配更大的權(quán)值，并在下次分類時重點對分類錯誤的樣本進(jìn)行處理。最后對這些弱分類器進(jìn)行加權(quán)整合得到最終的強分類器。各個弱分類器的識別率不同，識別率越高的弱分類器權(quán)重越高，識別率越低的基分類器權(quán)重越低。

4實驗與結(jié)果分析

由于尋找弱分類器要比強分類器容易很多，通過Boosting算法可以提高弱分類器的準(zhǔn)確率。因此，本文首先使用DTW作為弱分類算法，對數(shù)據(jù)進(jìn)行初步分類。然后用Boosting算法對用DTW得到的弱分類器加權(quán)整合為強分類器，并與未整合之前的弱分類器作對比。整體實驗過程如圖1所示。

4.1數(shù)據(jù)采集程序

研究開發(fā)了一款基于Android 平臺的數(shù)據(jù)采集APP程序。程序采集掏兜動作過程手機(jī)加速度傳感器、角速度傳感器數(shù)據(jù)。程序有三個控制按鈕，開始按鈕即啟動本次數(shù)據(jù)采集，結(jié)束按鈕則終止本次采集，當(dāng)再次按下開始按鈕將重新啟動下一次的數(shù)據(jù)采集，直到本次所需的樣本數(shù)目足夠時，對應(yīng)按下退出鍵結(jié)束程序執(zhí)行。為方便程序的使用，程序的開始和暫停也可以通過音量鍵的上下鍵來控制。數(shù)據(jù)采集程序運行圖則如圖2所示。

4.2數(shù)據(jù)采集

參與數(shù)據(jù)采集的用戶共有20人，其中15名男生，5名女生，每個人采集50個樣本數(shù)據(jù)。使用每人50個樣本中的40次作為訓(xùn)練樣本，根據(jù)構(gòu)建的分類模型訓(xùn)練分類器，另外10次組成大小為200 的識別樣本集以驗證分類器的準(zhǔn)確度。

4.3數(shù)據(jù)初步分析

為驗證方案的可行性，首先對樣本數(shù)據(jù)進(jìn)行初步處理。繪制原始數(shù)據(jù)的時間序列圖，對每個人的樣本數(shù)據(jù)集按照加速度、角速度傳感器的X、Y和Z三個方向的數(shù)據(jù)分別繪制時間序列圖。圖3（a）和圖3（b）分別為兩個不同用戶X方向加速度10次樣本數(shù)據(jù)的時間序列圖。從圖中可以看出同一用戶不同樣本數(shù)據(jù)X方向加速度時間序列圖具有明顯的相似性，不同用戶樣本時間序列圖有明顯的差異性。通過觀察其他用戶其它傳感器數(shù)據(jù)的時間序列圖可以得到相同的結(jié)論。

4.4噪聲去除

從圖3（a）和圖3（b）中可以看到時間序列圖不太平滑，有一些點明顯有些偏離，這是由噪聲導(dǎo)致的。本文使用低通濾波器處理樣本數(shù)據(jù)，過濾掉高頻噪聲。對樣本數(shù)據(jù)進(jìn)行FFT快速傅里葉變換將樣本數(shù)據(jù)從時域轉(zhuǎn)換到頻域。圖4所示為未使用SMA過濾的X方向加速度時間序列圖。圖5所示為X方向加速度一個樣本數(shù)據(jù)轉(zhuǎn)換的頻域圖。從圖中可以看出，大部分?jǐn)?shù)據(jù)頻率低于10HZ，高于10HZ的數(shù)據(jù)是高頻噪聲。使用SMA（simple moving average）過濾器對樣本數(shù)據(jù)進(jìn)行處理。圖6所示即為使用SMA過濾后的X軸加速度時間序列圖，圖7所示則為對SMA過濾后的樣本數(shù)據(jù)進(jìn)行FFT變換得到的頻域圖。對比圖4和圖6可知SMA過濾之后的時間序列圖相比未過濾率之前更加平滑。對比圖5和圖7將會發(fā)現(xiàn)高于10HZ的噪聲數(shù)據(jù)基本被過濾掉。

4.5 DTW算法初步分類

圖8和圖9分別為x方向加速度的兩個樣本數(shù)據(jù)在DTW規(guī)整前和規(guī)整后的時間序列圖，規(guī)整后兩個樣本數(shù)據(jù)時序圖幾乎完全一致，可見DTW能夠盡可能減小時間位移對相似性計算的影響。

使用該方法對樣本數(shù)據(jù)加速度和角速度的X、Y、Z三個方向上的值分別進(jìn)行分類模板訓(xùn)練和測試樣本識別，得出加速度與角速度在X、Y、Z方向上的6個分類器的分類結(jié)果。本文使用認(rèn)證系統(tǒng)性能評價中常用的兩個指標(biāo)：FAR（False Alarm Rate）和IPR（Impostor Pass Rate）評價分類器的性能。圖10所示為這6個分類器的IPR和FAR值。

觀察該圖可見六個分類器中dtw_gry_y（Y方向角速度）的FAR最低為25%，IPR也最低為16.5。六個分類器得到的FAR介于25%～38%，IPR值介于16.5～24%。相比于其它認(rèn)證方法，如步態(tài)認(rèn)證得到EER（Equal Error Rate）為7%，擊鍵認(rèn)證的EER為12.8%，僅僅使用DTW方法對樣本數(shù)據(jù)進(jìn)行識別的結(jié)果還不夠理想。

4.6使用Boosting算法及類比同類認(rèn)證

使用DTW的分類器正確率為62%～75%，屬于較弱分類算法。本文使用Boosting算法來提升這些弱分類器的準(zhǔn)確率。圖11所示為使用Boosting算法得到的FAR、IPR和直接由DTW分類的六個弱分類器的FAR、IPR對比柱狀圖。

由圖可見，使用Boosting對DTW分類器加強后的FAR為12%，IPR為7.5%，和步態(tài)識別認(rèn)證（EER為 7%）以及擊鍵認(rèn)證（EER為12.8%）的準(zhǔn)確率相近。但是步態(tài)識別認(rèn)證需要相對較長的時間才能完成一次認(rèn)證，而本文的方法在訓(xùn)練后只需要一次掏兜動作即可完成認(rèn)證。同樣地，對于擊鍵認(rèn)證方法也需要一段時間的擊鍵動作才能收集到判斷是否為合法用戶的足夠數(shù)據(jù)，而且應(yīng)用于智能手機(jī)上的擊鍵認(rèn)證的準(zhǔn)確率不如在電腦上高，且將受具體的虛擬鍵盤的布局的影響。

5 結(jié)束語

本文提出的基于智能手機(jī)掏兜動作識別方案，能夠同時實現(xiàn)手機(jī)智能實時防盜和透明用戶認(rèn)證。樣本數(shù)據(jù)分類訓(xùn)練完畢后，用戶某次的掏兜動作數(shù)據(jù)作為測試樣本進(jìn)行識別，識別成功則手機(jī)自動解鎖，省去用戶手動解鎖操作；識別失敗則及時警報鈴聲，避免手機(jī)丟失帶來財物和信息損失。目前研究的不足之處是，Boosting之后的準(zhǔn)確率還可以進(jìn)一步提高，有待于在下一階段工作中改進(jìn)。

參考文獻(xiàn)：

[1] SHAHZAD M， LIU A X， SAMUEL A. Secure unlocking of mobile touch screen devices by simple gestures： you can see it but you can not do it [C] // Proceedings of the 19th ACM Annual International Conference on Mobile Computing and Networking 2013， Florida： MobiCom， 2013：39-50.

[2] OGORMAN L. Comparing passwords， tokens， and biometrics for user authentication [J]. Proceedings of the IEEE， 2003，91（12）：2021-2040.

[3] JAKOBSSON M， SHI E， GOLLE P， et al. Implicit authentication for mobile devices [C] // Proceedings of USENIX Summit on Hot Topics in Security 2009， Montreal： HotSec， 2009：9-14.

[4] BERNDT D J， CLIFFORD J. Using dynamic time warping to find patterns in time series [C] // Proceedings of KDD Workshop， Seattle，WA：AAAI Press， 1994：359-370.

[5] BUHLMANN P， HOTHORN T. Boosting algorithms： regularization， prediction and model fitting [J]. Statistical Science， 2007，22（4）： 477-505.