移动终端交互行为分析的身份主动认证.ppt

移动终端交互行为分析的身份主动认证 身份认证？身份安全？在校园网环境下很多服务APP化，身份安全不就是密码、滑屏手势吗？ 身份安全得到极大关注 各种智能计算终端（传统PC、移动手机和平板等）已应用到各行各业，在校园网环境下更是如此，能够存储并访问越来越多的安全和隐私信息，密码泄漏、隐私侵犯、身份盗用等造成的隐密信息泄漏及社会财产损失已引起各国政府和民众的极大关注。 内部人员攻击 密码泄漏 隐私侵犯 身份盗用 身份安全 棱镜门等事件的频发带来的挑战 “棱镜”、“颞颥”事件再次说明由于终端安全信息泄露给社会造成的重大损失 需要对终端操作行为进行持续监控，并对操作者身份进行认知 需要主动式的身份安全分析方法 美国DARPA在2012年12月支持4年期的交互行为测定主动认证计划 在用户使用计算终端的过程中进行主动式行为监控和身份认知分析 强调不需要用户的配合 DARPA Active Authentication - Continued 新的动机：在个人强身份认证信息丢失或被复制（2013年底德国国防部长指纹泄漏）的情况下，能够通过行为分析的方法进行身份的动态识别。 “斯诺登事件” - 第二个4年期项目（从2016开始） 终端交互行为 生物特征 生理特征（虹膜、指纹等） 行为特征（步态等） 终端交互行为： 鼠标 – 移动模式，曲线特征 键盘 – 敲击节奏 触摸屏触摸板 – 触摸模式 穿戴传感器 – 交互模式 优点： 终端交互行为直接从人机交互过程中提取 无需记忆或携带，不需要额外的硬件 可无缝融入用户与智能计算终端的交互过程 智能终端交互行为安全监控和身份认知 终端交互行为安全监控和身份认知 静默式捕获终端用户操作人机交互设备时所产生的交互行为数据 结构化描述交互行为并提取稳定的行为表征特征 监控操作者的身份安全（监控用户的交互行为、持续分析用户的真实身份） 认知用户的物理身份信息（操作者的性别、年龄、左右手使用习惯等信息） 分析框架 关键技术1–交互行为的结构化描述 终端交互行为的结构化描述模型 针对交互操作中行为语义模式的认知和提取，从微习惯模式和任务导向模式两个角度描述交互操作间的语义关系。 提出了基于投影序列模式发现的方法，对人机交互中的任务模式进行挖掘和抽取。 提出了基于场景和位置的相似行为度量和归类的方法，对人机交互行为中非语义行为操作的自动归类。 从语义和任务两方面分别建立非结构性交互行为的结构化描述模型 最小支持度 长度1模式 长度2模式 其他模式 所有模式 2% 23.64% 32.15% 25.22% 81.01% 5% 16.08% 22.06% 24.90% 63.04% 8% 12.29% 17.65% 17.34% 47.19% 20% 0.95% 1.26% 0% 2.21% 关键技术2–交互行为的特征建模 终端交互行为特征的提取和建模 提出一种有效的运动模型来表示行为的交互过程，能够准确地表达指点运动的变化过程，对于行为波动具有良好的鲁棒性。 提出了一种不变性特征的提取方法，在空间和时间维度上提取相似行为类中的统计特征，运动轨迹的形态和动态特征。 提出了一种基于流形变换的特征空间波动分析和去除的方法，以提升特征在不同任务模式间/不同软硬环境中的稳定性和区分性。 解决复杂人机交互过程的行为特征刻画问题 特征空间变换 轨迹特征刻画 关键技术3–行为分类器的构建与基准评价 构建并基准化评价行为分类器 交互行为认证与监控中的学习器基准化分析：比较分析了该领域中17种行为分类器。 基于单分类学习器构建人机行为的识别框架，并采用统计学习理论对各类算法性能进行差异性分析。 利用信息融合与加权窗口方法对多个子类行为模型的识别结果进行融合进而提升识别精度 单分类器 EER(%) s.d.(%) 1 Nearest Neighbor (Manhattan) 8.81 5.72 2 Nearest Neighbor (Euclidean) 9.92 5.78 3 One-Class SVM (Linear) 9.97 5.75 4 One-Class SVM (RBF) 10.52 6.11 5 K-Means (Manhattan) 10.64 6.17 6 Manhattan 11.63 7.22 7 K-Means (Euclidean) 11.98 7.35 8 Euclidean 13.25 8.27 9 Mahalanobis 13.78 8.67 10 K-Means (Mahalanobis) 15.36 9.87 11 Nearest Neighbor (Mahalanobis) 15.82 9.79 12 Manhattan (Normed) 16.78 10.23 13 Euclidean (Norm