基于生物行为特征的手机图形密码认证研究

摘要

智能手机的诞生，使人们在生活购物、支付、娱乐等各个方面变得越来越快捷方便。但是由此带来的安全隐患也日益严重，智能手机存储了大量的隐私信息，一旦手机丢失，用户可能会遭受巨大损失。因此，在智能手机上建立一种能够有效防范恶意攻击者的身份认证识别机制显得极其重要。目前，针对智能手机有三种常用的身份验证机制，即PIN码（4位数字密码）、九宫格图案密码（九宫格解锁图案）、指纹识别。其中指纹识别需要特定的硬件支持，成本较高，在智能手机市场上还没有全面普及，而相对于PIN码来说，九宫格解锁图案是目前最简单快速的身份验证机制。九宫格图案密码广泛应用于智能手机等移动设备，常用于锁屏或者锁定手机应用程序，可用于防止未经授权的用户操作手机设备或者手机中的程序。
　　经研究统计，用户使用九宫格图案密码或者PIN码时，往往将解锁图案或者PIN码设置的过于简单，所以很容易被猜测出来。另外有研究显示，通过提取手机屏幕上的油污痕迹，可以快速的破解密码。因此单纯依靠现存的密码验证机制并不能解决密码泄露引起的安全问题。因此，本文提出了一种基于生物行为特征识别的身份认证机制。生物行为特征识别很早就开始研究，常见的有步态识别、手写签名识别以及击键行为识别，这些验证识别机制的基本原理认为每个人的行为都会有特殊性，可以通过提取用户的行为数据，作为每个人的基本特征用户验证身份。基于此原理，本文结合九宫格图案密码的应用，在安卓系统的智能手机上提出了一种基于用户行为特征识别方案。
　　由于智能手机中带有众多感应器，可以随时随地收集用户操作手机的行为特征数据，不需要任何附加设备，相对于指纹识别、人脸识别等生物识别来说几乎是零成本。而且对于用户而言，它是完全透明的，当用户输入手机图案密码时，识别系统自动提取用户的行为特征数据。而且用户的使用手机的行为是长期形成的，难以被人模仿和复制，安全性非常高。
　　本文利用智能手机自带的感应器，提取了用户输入九宫格图案解锁密码时的触摸行为特征，如接触屏幕的位置，压力，接触面积，触摸时间等信息构成用户独特的生物特征。然后采用支持向量机和朴素贝叶斯训练出用户行为模型，并进行对比分析。
　　本文主要包括三部分研究内容，第一部分为第一、二章，即研究背景和相关理论基础。其中，第一章主要阐述了智能手机在人们生活中占据的比重越来越大，以及它普及之后带来的安全隐患。随后对研究意义和国内外研究现状做了梳理，简要介绍了生物特征识别在身份认证领域的应用，以及现有的智能手机的安全应对方案。第二章主要介绍了本文用到的相关理论知识和基本概念。首先，简要总结了生物行为特征识别技术的定义、特点，以及目前研究较为深入的步态识别、手写签名识别、击键行为识别等常见的行为特征识别;然后详述了本文涉及到的机器学习算法支持向量机的基本概念和推导过程;最后，在支持向量机的理论基础上，阐述了SMO算法的求解过程，并对细节进行了讨论。
　　本文第二部分即第三、四章，这部分是全文的核心，第三章开始介绍本文研究的主要内容，基于生物行为特征的手机图形密码认证研究，这部分首先介绍了手机九宫格解锁图案，然后总结目前生物行为特征识别在智能手机上的应用研究现状，接着开始介绍本文的实验系统模型结构，并详述了手机用户的触摸行为特征的收集工作，包括前期准备工作，特征采集系统，以及后期的数据处理工作。第四章紧接着上一章内容，首先介绍模型的测评指标，包括准确度、精确度、召回率、F measure、ROC曲线以及AUC等常用模型指标。然后开始对分类模型结果进行对比，并分析了LibSVM包中核函数的选择对模型预测准确率的影响，从中选出了线性核函数是本实验中最好的核函数。最后利用weka中自带的SMO算法和朴素贝叶斯进行建模实验，并对结果进行分析总结，得出结论。
　　最后一部分，即第五章，总结了本文在生物行为特征方面的研究工作，阐述了本文的研究意义，并针对本文提出的方案的不足之处提出了改进方向，以及未来的研究展望。

目录

声明

摘要

1．绪论

1．1 研究背景

1．2 国内外研究现状

1．3 本文研究内容

1．4 论文组织结构

2．相关理论基础

2．1 生物行为特征识别

2．1．1 步态识别

2．1．2 手写签名识别

2．1．3 击键行为识别

2．2 支持向量机(SVM)

2．2．1 统计学习理论

2．2．2 支持向量机

2．3 序列最小最优化算法(SMO)

2．3．1 关于二次规划算法的探索

2．3．2 SMO算法

2．4 本章小结

3．基于生物行为特征的手机图形密码认证实现

3．1 手机九富格解锁图案

3．1．1 屏幕解锁图案简介

3．1．2 图案解锁密码加密原理

3．1．3 安卓手机图案解锁密码的破解方法

3．2 生物行为特征识别在智能手机上的应用研究现状

3．3 生物行为特征识别实验模型介绍

3．4 用户行为特征采集的前期工作

3．4．1 读取的感应器特征数据

3．4．2 采集数据的环境影响

3．5 用户触摸行为特征数据采集系统

3．5．1 数据库表的设计

3．5．2 数据采集系统界面

3．6 数据处理

3．7 本章小结

4．实验结果与分析

4．1 测评指标

4．2 分类预测结果分析

4．2．1 LibSVM核函数对比

4．2．2 算法对比实验

4．3 本章小结

5．总结与展望

5．1 研究工作总结

5．2 未来研究内容展望

参考文献

后记

致谢

在读期间科研成果