基于注意力模块的移动设备多场景持续身份认证

针对用户与移动设备交互时会产生场景变化,现有工作中只能采集特定的单一场景特征,无法实现多场景转换认证,并且身份认证准确率较低的问题,提出了一种基于移动模式的、注意力模块和卷积神经网络融合(CNN-SACA)的多场景持续认证方案.在不限使用场景和操作的情况下,提取用户与移动设备交互时的移动模式(move-ment patterns,MP)特征,捕捉在动态和静态场景下产生的手部微运动,从而实现多场景的身份认证.设计并使用了一个包括五层卷积层结构的卷积神经网络,在第一层卷积后按序通过改进的空间和通道注意力子模块,再在多层卷积后进行反序分配权重,从两个维度来对通过卷积后所表征的MP特征分配双重注意力权重,增强关键特征表达.利用公开数据集验证所提方案在多场景身份认证方面的有效性和可行性.实验结果表明,所提出的基于移动模式的深度学习模型可以较好地解决身份认证场景单一的局限性,多场景的身份认证的准确率达到99.6%;同时,所提出的CNN-SACA模型与单独的CNN模型相比准确率提高了1.5个百分点,有效改善多场景下的移动设备身份认证能力.