一种基于精准画像的智能手机拥有权检测方法

摘要

本发明公开了一种基于精准画像的智能手机拥有权检测方法，通过识别收集到用户画像特征，计算用户的画像特征与当前用户行为特征的偏差，基于主动自主学习手机用户的日常操作行为，为手机用户进行精准用户画像，精准画像可成为鉴别当前正在使用移动设备的人是否值真正的设备拥有者，从而可以防止信息被盗取，设备被滥用；同时，在现有移动设备的安全机制上，不影响手机用户的正常用户体验的同时，再添加额外的实时保护。

说明书

技术领域

本发明属于移动计算，数据知识挖掘领域，具体涉及一种基于精准画像的 智能手机拥有权检测方法。

背景技术

移动计算，智能终端设备，如智能手机，可穿戴智能设备等，在基于面向 个人服务计算领域已经取得了极大的成功，并在人们的日常工作，出行，和生 活的各个方面有着革命性的发展。当前的移动计算特性，对个人和企业用户 都有着强烈的吸引力。现代的智能移动终端，或可穿戴智能设备都大量存储 这用户的各种个人或企业的敏感信息，如短消息，视频图片，联系人，电子邮 件，社交网络账号，日历实践会议，银行账号，股票交易号等等。这些信息都 是移动计算中最容易被攻击而获得的,一旦手机拥有权被攻击泄漏后，可能给 用户带来极大的经济损失或者个人隐私泄漏。

现有技术中，还没有有效的方法能够智能检测手机的拥有权。

发明内容

本发明提供了一种基于精准画像的智能手机拥有权检测方法，通过识别收 集到用户画像特征，计算用户的画像特征与当前用户行为特征的偏差，基于主 动自主学习手机用户的日常操作行为，为手机用户进行精准用户画像，精准画 像可成为鉴别当前正在使用移动设备的人是否值真正的设备拥有者，从而可以 防止信息被盗取，设备被滥用。

为了解决上述技术问题，本发明包括以下技术方案：

一种基于精准画像的智能手机拥有权检测方法，其特征在于，包括以下步 骤，

S1，在手机用户初始使用智能手机时，收集用户的使用信息；

S2，触发主动学习，识别收集到用户画像特征，学习归纳用户的画像特征； 用户的画像特征指用户的使用特征，即通过用户的使用特征模拟出用户画像；

S3，计算用户的画像特征与当前用户行为特征的偏差，并计算聚集偏差；

S4，将所述聚集偏差和预期操作相比较；

S5，如果步骤S4所述比较结果在阈值范围外，则调用授权机制核实用户 的身份，进入步骤S6；如果比较结果在阈值范围内，则预期操作将被如期启 动；

S6，授权机制核实用户身份，如果身份核实无误，则预期操作正常启动， 否则预期操作被终止。

较优地，步骤S1所述的使用信息包括用户打字时的设备角度、打字频率、 打字姿势、应用程序的使用模式、基于时效的应用使用模式和基于环境的应用 使用模式。

具体地，步骤S2学习归纳用户的画像特征，具体包括以下步骤，

在目标用户i的培养模式中，得到目标用户i的m次输入行为，计算出目标 用户模板经过m次测试出的第i个特征偏差值σ_i；

画像特征通过特征矢量表示，假设给定一个未知样品的n维特征矢量X， 特征矢量X的偏差d从n个画像特征的特征矢量中计算获取；

$d(X_Q,X_i)=\underset{j=1}{\overset{n}{\Sigma }}\frac{\left|\right|X_{Q,j}-X_{i,j}\left|\right|}{{\sigma }_j},i=\mathrm{1,2}...n$

其中，X_Q,j是特征矢量X_Q的第j特征，X_i,j是特征矢量X_i的第j个特征， X_Q的近邻最小距离(X_Q,i)作为目标用户的测量模板，d(X_Q,X_i)表示特征矢量 X_Q与特征矢量X_i的偏差。

具体地，步骤S3计算聚集偏差具体包括以下步骤，

(301)，计算用户的画像特征与当前用户行为特征的偏差，假设所述偏差 为矢量d₁,d₂,…d_n，n为画像特征的个数；

(302)，假设当前样本数据的特征矢量为X＝{X₁,X₂,…X_i,…,X_n},X_i表示 第i个画像特征，目标用户的模板表示为T＝{T₁,T₂,…,T_n}；

(303)，σ_i表示在目标用户模板经过m次测试出的第i个特征偏差值，则聚 集偏差D的计算公式为：

$D(X,T)=\underset{i=1}{\overset{n}{\Sigma }}\left|\right|\frac{X_i-T_i}{{\sigma }_i}\left|\right|$

其中，D(X,T)表示特征矢量X与目标用户T的聚集偏差。

与现有技术相比，本发明包括以下有益效果：

通过识别收集到用户画像特征，计算用户的画像特征与当前用户行为特征 的偏差，基于主动自主学习手机用户的日常操作行为，为手机用户进行精准用 户画像，精准画像可成为鉴别当前正在使用移动设备的人是否值真正的设备拥 有者，从而可以防止信息被盗取，设备被滥用；同时，在现有移动设备的安全 机制上，不影响手机用户的正常用户体验的同时，再添加额外的实时保护。

附图说明

图1为本发明的工作流程图。

具体实施方式

为使本发明的目的、技术方案、优点更加清楚，下面结合附图对本发明的 具体实施方式进行详细说明。

以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整 的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部 的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动 的前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示，一种基于精准画像的智能手机拥有权检测方法，其特征在于， 包括以下步骤，

S1，在手机用户初始使用智能手机时，收集用户的使用信息；

步骤S1所述的使用信息包括用户打字时的设备角度、打字频率、打字姿 势、应用程序的使用模式、基于时效的应用使用模式和基于环境的应用使用模 式。应用程序的使用模式具体包括应用程序调用指令、首先登陆邮箱，再登陆 社交应用；基于时效的应用使用模式具体包括在午餐时间浏览邮件等；基于环 境的应用使用模式包括在有wifi的场合看视频等。

S2，触发主动学习，识别收集到用户画像特征，学习归纳用户的画像特征；

具体地，步骤S2学习归纳用户的画像特征，具体包括以下步骤，

在目标用户i的培养模式中，得到目标用户i的m次输入行为，计算出目标 用户模板经过m次测试出的第i个特征偏差值σ_i；

画像特征通过特征矢量表示，假设给定一个未知样品的n维特征矢量X， 特征矢量X的偏差d从n个画像特征的特征矢量中计算获取；

$d(X_Q,X_i)=\underset{j=1}{\overset{n}{\Sigma }}\frac{\left|\right|X_{Q,j}-X_{i,j}\left|\right|}{{\sigma }_j},i=\mathrm{1,2}...n$

其中，X_Q,j是特征矢量X_Q的第j特征，X_i,j是特征矢量X_i的第j个特征， X_Q的近邻最小距离(X_Q,i)作为目标用户的测量模板。

S3，计算用户的画像特征与当前用户行为特征的偏差，并计算聚集偏差；

具体地，步骤S3计算聚集偏差具体包括以下步骤，

(301)，计算用户的画像特征与当前用户行为特征的偏差，假设所述偏差 为矢量d₁,d₂,…d_n，n为画像特征的个数；

(302)，假设当前样本数据的特征矢量为X＝{X₁,X₂,…X_i,…,X_n},X_i表示 第i个画像特征，目标用户的模板表示为T＝{T₁,T₂,…,T_n}；

(303)，σ_i表示在目标用户模板经过m次测试出的第i个特征偏差值，则聚 集偏差D的计算公式为：

$D(X,T)=\underset{i=1}{\overset{n}{\Sigma }}\left|\right|\frac{X_i-T_i}{{\sigma }_i}\left|\right|$

其中，D(X,T)表示特征矢量X与目标用户T的聚集偏差。

S4，将所述聚集偏差和预期操作相比较。

S5，如果步骤S4所述比较结果在阈值范围外，则调用授权机制核实用户 的身份，进入步骤S6；如果比较结果在阈值范围内，则预期操作将被如期启 动。阈值通过设置精确度要求进行配置。

S6，授权机制核实用户身份，如果身份核实无误，则预期操作正常启动， 否则预期操作被终止。授权机制指手机用户的具体启动任务操作。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术 人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些 改进和润饰也应视为本发明的保护范围。