声明
第1章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状与挑战分析
1.2.1 国内外研究现状
1.2.2 挑战分析
1.3 论文主要研究内容
1.4 论文主要贡献
1.5 论文结构
第2章 相关技术介绍
2.1 支持向量机
2.1.1 二分类支持向量机
2.1.2 单分类支持向量机
2.2 核岭回归算法
2.3 k-近邻算法
2.4 卷积神经网络
2.5 持续认证评价指标
2.6 本章小结
第3章 基于数据扩增的持续认证
3.1 引言
3.2 相关研究工作
3.3 系统设计
3.3.1 行为数据采集
3.3.2 特征提取
3.4 数据扩增
1. 排列
2. 采样
3. 缩放
4. 截断
5. 噪声
3.5 实验
3.5.1 实验数据集
3.5.2 分类器训练流程
3.6 实验结果与分析
3.6.1 训练数据集样本量的影响
3.6.2 时间窗口的影响
3.6.3 不同数据扩增方法的认证率
3.6.4 不同数据扩增方法组合的认证率
3.6.5 时间效率
3.6.6 与其他认证算法的比较
3.7 本章小结
第4章 基于双流卷积神经网络的持续认证
4.1 引言
4.2 相关研究工作
4.3 双流卷积神经网络
4.3.1 深度可分离卷积
4.3.2 线性瓶颈
4.3.3 双流卷积神经网络结构
4.4 系统设计
4.4.1 数据收集
4.4.2 数据预处理
4.4.3 特征提取
4.4.4 分类模块
4.4.5 认证模块
4.5 实验
4.5.1双流卷积神经网络配置
4.5.2评价标准
4.6 实验结果与分析
4.6.1比较的算法
4.6.2双流卷积神经网络性能
4.6.3持续认证系统性能
4.7 本章小结
第5章 总结与展望
5.1 本文工作总结
5.2 进一步研究工作
参考文献
致谢
发表论文及参加课题一览表
