郭佳鑫 黃曉芳 徐 蕾

(西南科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 四川綿陽 621010)

基于移動(dòng)終端的多屬性決策隱式身份認(rèn)證方法

郭佳鑫 黃曉芳 徐 蕾

(西南科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 四川綿陽 621010)

移動(dòng)終端使用云服務(wù)的方式日趨頻繁，然而目前口令認(rèn)證在移動(dòng)終端的應(yīng)用存在密碼易丟失、安全性差等風(fēng)險(xiǎn)，基于多屬性決策方法，設(shè)計(jì)并實(shí)現(xiàn)了一種新的基于移動(dòng)終端的隱式身份認(rèn)證算法，該算法獲取用戶行為習(xí)慣作為基本屬性，構(gòu)建用戶正常行為決策矩陣，通過主觀授權(quán)方法獲取屬性權(quán)重并進(jìn)行綜合評(píng)價(jià)，最終得到基于用戶行為的隱式身份認(rèn)證模型。實(shí)驗(yàn)證明，該方法能實(shí)現(xiàn)移動(dòng)終端的身份認(rèn)證。

隱式身份認(rèn)證 多屬性決策 移動(dòng)終端 云服務(wù) 認(rèn)證模型

隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，移動(dòng)終端在日常生活中占有越來越重要的地位。同時(shí)云服務(wù)的興起，移動(dòng)應(yīng)用程序可以更加方便快捷地調(diào)用云服務(wù)來完成相應(yīng)功能?，F(xiàn)在移動(dòng)終端主要采用的認(rèn)證方式是口令認(rèn)證，這種方式部署簡(jiǎn)單、使用方便，但是其背后存在著不可忽視的安全問題。在當(dāng)前的使用模式中，其僅僅解決了用戶登錄系統(tǒng)時(shí)的身份認(rèn)證問題，并沒有解決用戶在持續(xù)連接中的身份認(rèn)證問題。

為了解決用戶在使用云服務(wù)過程中的身份認(rèn)證問題，本文根據(jù)用戶在使用云服務(wù)的過程中其行為習(xí)慣呈現(xiàn)穩(wěn)定狀態(tài)的特點(diǎn)，采用多屬性決策的方法構(gòu)建隱式身份認(rèn)證模型，實(shí)現(xiàn)對(duì)用戶的持續(xù)身份認(rèn)證。本文主要貢獻(xiàn)在于提出了一種移動(dòng)終端的多屬性決策隱式身份認(rèn)證算法，實(shí)現(xiàn)根據(jù)用戶行為屬性判定用戶身份是否屬實(shí)。

1 相關(guān)概念

在身份認(rèn)證過程中，存在兩種身份認(rèn)證方式，一種是顯式身份認(rèn)證，還有一種是隱式身份認(rèn)證。顯式認(rèn)證即用戶提供直接的身份認(rèn)證證明，隱式身份認(rèn)證則是通過收集用戶特征對(duì)用戶進(jìn)行身份認(rèn)證[1]。

1.1 隱式身份認(rèn)證

用戶在使用應(yīng)用程序時(shí)，往往需要使用自己的賬號(hào)和密碼才能使用應(yīng)用程序提供的服務(wù)。用戶輸入用戶名和密碼這種認(rèn)證方式就屬于顯式認(rèn)證。而隱式身份認(rèn)證采用的是基于用戶的習(xí)慣行為來進(jìn)行身份認(rèn)證，例如步態(tài)識(shí)別[2]、擊鍵模式識(shí)別[3]等。

基于隱式身份認(rèn)證的方法能夠在某些應(yīng)用場(chǎng)景中代替用戶的賬號(hào)和密碼[4-6]，例如利用步態(tài)和心電圖進(jìn)行身份認(rèn)證等方案。隱式身份認(rèn)證方案除了能夠?qū)鹘y(tǒng)密碼進(jìn)行替代，還能夠在用戶身份認(rèn)證方面形成一定的補(bǔ)充[7-8]，當(dāng)用戶的移動(dòng)終端失竊后，不法分子通過移動(dòng)應(yīng)用獲取用戶資料，在這種情況下，就可以通過對(duì)當(dāng)前用戶的行為進(jìn)行對(duì)比實(shí)現(xiàn)身份認(rèn)證。

1.2 多屬性決策方法

在經(jīng)濟(jì)管理系統(tǒng)中的決策對(duì)象往往涉及多個(gè)不同的指標(biāo)，需要從不同的角度和多個(gè)方面進(jìn)行考察，并通過綜合評(píng)價(jià)做出科學(xué)合理的決策。一般而言，這些不同的屬性具有不同的量綱，很難采用統(tǒng)一尺度進(jìn)行度量，屬性之間具有不可共度性、沖突性，因此，如何處理不同屬性之間的不可共度性以及協(xié)調(diào)屬性之間的沖突性，是此類綜合決策問題的關(guān)鍵，而多屬性決策方法就是解決此類問題的有力工具[9-10]。

多屬性決策一般是對(duì)已有的決策信息通過一定的方式對(duì)一組備選方案進(jìn)行排序擇優(yōu)或者評(píng)價(jià)[11]。對(duì)于多屬性決策問題，一般可以描述為：給定一組備選方案X={x1,x2,…,xm}，對(duì)于其中的每個(gè)方案xi，其有若干個(gè)屬性構(gòu)成集合U={u1,u2,…,un}，這里的每個(gè)ui代表一個(gè)評(píng)定準(zhǔn)則，進(jìn)行綜合評(píng)定的過程就是通過屬性集對(duì)每個(gè)方案進(jìn)行綜合評(píng)價(jià)。決策的目的就是從多個(gè)備選方案中找到一個(gè)使決策者最滿意的方案，或者能夠?qū)@一組決策方案基線排序。

2 基于移動(dòng)終端的多屬性隱式身份認(rèn)證算法

本文提出了一種基于移動(dòng)終端的多屬性隱式身份認(rèn)證算法，該算法的基本思想是提取用戶在移動(dòng)終端的多種行為屬性，將這些不同時(shí)刻的行為屬性組成向量即用戶狀態(tài)向量，通過借鑒多屬性決策思想構(gòu)建用戶正常行為矩陣和確定各個(gè)屬性的權(quán)重，最后通過對(duì)當(dāng)前的用戶狀態(tài)向量和用戶習(xí)慣狀態(tài)向量進(jìn)行綜合評(píng)價(jià),實(shí)現(xiàn)用戶身份鑒別。

2.1 算法總體設(shè)計(jì)

2.1.1 用戶認(rèn)證總體流程

在本方法中，需要構(gòu)建一個(gè)用戶正常行為矩陣N，一個(gè)用戶特異狀態(tài)向量S，一個(gè)用戶習(xí)慣向量H。

第一步：在用戶首次登錄云服務(wù)之前，N,S,H均為空，當(dāng)用戶通過顯式認(rèn)證的方式調(diào)用云服務(wù)后，第一個(gè)狀態(tài)向量F首先加入N中，同時(shí)使H=F。

第二步：當(dāng)用戶下一時(shí)刻狀態(tài)向量X到來時(shí)，X與H進(jìn)行綜合評(píng)價(jià)，如果綜合評(píng)價(jià)值小于T，則判定當(dāng)前用戶可信，同時(shí)將X加入到N中。

圖1 總體流程圖Fig.1 General flow chart

第三步：如果綜合評(píng)價(jià)大于閾值T，則需要將X與S進(jìn)行綜合評(píng)價(jià)。如果S為空，這時(shí)需要用戶進(jìn)行顯式認(rèn)證，用戶通過顯式認(rèn)證，令S=X，將X加入到N中，同時(shí)重新計(jì)算H，未通過則判定該用戶不可信。

第四步：如若S不為空且X與S進(jìn)行綜合評(píng)價(jià)小于閥值T，則判定當(dāng)前向量為正常向量，同時(shí)將X加入到N中，并重新計(jì)算用戶習(xí)慣向量H，同時(shí)令S=X，如果綜合評(píng)價(jià)大于閥值T，則判定當(dāng)前用戶不可信?？傮w流程如圖1所示。

2.1.2 相關(guān)參數(shù)說明

表1 相關(guān)參數(shù)說明Table 1 Parameter description

2.2 算法詳細(xì)流程

算法主要由4個(gè)部分組成：用戶正常行為矩陣的構(gòu)建、用戶狀態(tài)向量規(guī)范化處理、屬性權(quán)重分配、向量綜合評(píng)價(jià)。

2.2.1 用戶正常行為矩陣構(gòu)建

在構(gòu)建用戶正常行為矩陣之前，需要確定屬性集合U，屬性集合通過特征子集算法獲取。用戶獲取云服務(wù)后，對(duì)用戶的正常狀態(tài)向量進(jìn)行存儲(chǔ)，構(gòu)成正常行為矩陣N，通過N獲取用戶的習(xí)慣狀態(tài)向量H={h1,h2,…,hn}。初始狀態(tài)，N為空，當(dāng)F進(jìn)入后，使H=F。在本算法中，根據(jù)需要選擇n個(gè)用戶正常狀態(tài)向量構(gòu)成N，同時(shí)N以隊(duì)列的方式存儲(chǔ)數(shù)據(jù)。

圖2 用戶正常狀態(tài)矩陣N
Fig.2 User’s normal behavior matrix

2.2.2 用戶狀態(tài)向量規(guī)范化處理

對(duì)于一個(gè)多屬性決策問題，屬性和屬性之間往往存在不可公度性和矛盾性，具體表現(xiàn)為在狀態(tài)向量中的屬性單位有可能不一致，量綱不同以及屬性之間的數(shù)量級(jí)不同，因而直接使用原始的決策矩陣進(jìn)行綜合評(píng)價(jià)，有可能會(huì)產(chǎn)生誤差。在對(duì)屬性進(jìn)行規(guī)范化處理的過程中，存在幾種不同的方法，由于本方案主要關(guān)注當(dāng)前向量與用戶習(xí)慣向量的各項(xiàng)之間的變化，因而在方案中各屬性為成本型屬性，即與習(xí)慣向量對(duì)比，習(xí)慣向量的各項(xiàng)為0，當(dāng)前向量的元素與習(xí)慣向量的元素進(jìn)行對(duì)比，如果發(fā)生變化則將當(dāng)前向量的元素置為1，否則就置為0。

對(duì)于向量中的各個(gè)屬性，如果行為屬性對(duì)應(yīng)的值是符號(hào)數(shù)據(jù)，則在進(jìn)行規(guī)范化時(shí)，只需要判斷兩者是否相等即可：

對(duì)于向量中的各個(gè)元素，如果對(duì)應(yīng)的值是范圍數(shù)據(jù)，則在進(jìn)行規(guī)范時(shí)，需要指定數(shù)據(jù)的變化范圍，如果變化范圍超過某個(gè)閾值，則將其屬性值置為1，否則置為0。

在采集用戶狀態(tài)向量的過程中，可能出現(xiàn)某些屬性值為空缺的情況。針對(duì)這種情況，處理的方法為遇到空缺的選項(xiàng)，將其賦值為1。

2.2.3 屬性權(quán)重分配

屬性權(quán)重在決策過程中占有極其重要的地位，權(quán)重的分配會(huì)直接影響到用戶狀態(tài)綜合評(píng)價(jià)的可靠性和準(zhǔn)確性。當(dāng)前在多屬性決策中，權(quán)重分配主要存在3種方法，一種是基于決策者主觀判斷的主觀賦權(quán)法，一種是基于決策矩陣的客觀賦權(quán)法和主客觀綜合賦權(quán)法,在文獻(xiàn)[12-15]中提出了不同的權(quán)重獲取方法。

由于客觀賦權(quán)法跟決策矩陣相關(guān)，而在對(duì)用戶狀態(tài)向量進(jìn)行判斷的過程中，其決策矩陣是不斷變化的，因而在權(quán)重分配方法中，采用主觀賦權(quán)法。主觀賦權(quán)法中的專家打分法由于權(quán)重由相關(guān)專家直接給出，很難做到客觀、合理，同時(shí)也很難保證在思考過程中的思維一致性。所以本方案采用的是主觀賦權(quán)法中的特征向量法獲取權(quán)重，做到屬性權(quán)重的相對(duì)客觀和思維一致。

首先，所有的屬性進(jìn)行兩兩比較，得到判斷矩陣An×n:

圖3 判斷矩陣
Fig.3 Judgment matrix

在屬性進(jìn)行兩兩比較時(shí)，一般采用的是1-9標(biāo)度法則。

表2 九標(biāo)度法Table 2 Nine-scale algorithm

若i與j比較得到aij，則j與i比較得到的是1/aij。屬性之間的相對(duì)重要性體現(xiàn)了兩屬性之間權(quán)重的相對(duì)關(guān)系，可以近似的認(rèn)為aij=wi/wj，得到關(guān)系式：

(A-nI)W=0

其中I為單位矩陣，若判斷矩陣中的值估算是準(zhǔn)確的，則上面的式子是嚴(yán)格成立的；若判斷失誤，aij小的變化會(huì)導(dǎo)致特征值的震動(dòng)，從而有

AW=λmaxW

其中λmax為判斷矩陣A最大的特征值，特征值λmax對(duì)應(yīng)的特征向量即為屬性權(quán)重向量。

W=(ω1,ω2,…,ωn)

2.2.4 向量綜合評(píng)價(jià)

在本方案中，對(duì)用戶進(jìn)行身份識(shí)別是通過對(duì)當(dāng)前的用戶狀態(tài)向量與用戶的習(xí)慣狀態(tài)向量進(jìn)行綜合評(píng)價(jià)。綜合評(píng)價(jià)方法為計(jì)算當(dāng)前向量X與用戶習(xí)慣向量H的距離。

距離度量一般用于衡量個(gè)體在空間上的距離，距離越大則說明個(gè)體直接的差距越大。最常見的距離度量方式是歐幾里得距離。計(jì)算X和H之間的距離：

由于將H的各元素置為0，因而距離公式可簡(jiǎn)化為：

同時(shí)由于各個(gè)元素之間權(quán)重不同，最終用戶向量的綜合評(píng)價(jià)函數(shù)如下：

當(dāng)用戶當(dāng)前向量的綜合評(píng)價(jià)值較高，說明當(dāng)前向量與用戶習(xí)慣向量之間的變化較大，當(dāng)前用戶為不可信用戶，需要用戶進(jìn)行顯式身份認(rèn)證。

3 實(shí)驗(yàn)仿真

在原始數(shù)據(jù)中，包含了用戶、文檔ID、文檔頁(yè)數(shù)、文檔狀態(tài)、時(shí)間、IP地址等原始數(shù)據(jù)，通過篩選，最終選取了以下5個(gè)屬性，其中包括IP地址、用戶使用的操作系統(tǒng)、用戶所處位置、用戶所處頁(yè)面以及用戶在頁(yè)面的操作次數(shù)。數(shù)據(jù)來源于實(shí)驗(yàn)室易企簽平臺(tái)，使用了1 000條用戶行為數(shù)據(jù)。

表3 屬性說明Table 3 Property description

通過實(shí)驗(yàn)仿真可以發(fā)現(xiàn)，當(dāng)用戶的行為習(xí)慣出現(xiàn)較大波動(dòng)時(shí)，對(duì)用戶向量進(jìn)行綜合評(píng)價(jià)，能夠發(fā)現(xiàn)當(dāng)前用戶行為是否可信。

當(dāng)用戶行為正常，這里截取其中200條行為數(shù)據(jù)評(píng)定情況，其綜合評(píng)定情況如圖4所示。

圖4 用戶行為正常Fig.4 Normal user behaviors

當(dāng)用戶不能通過顯式認(rèn)證，將會(huì)阻止用戶進(jìn)行操作。其綜合評(píng)定情況如圖5所示，其中用戶習(xí)慣向量為:(10.10.10.198 android 綿陽登錄 4),用戶當(dāng)前向量為(117.136.82.218 ios 濟(jì)南 文檔 6),綜合評(píng)價(jià)值為0.751 9，用戶行為異常，同時(shí)模擬用戶未能通過顯式認(rèn)證，后續(xù)操作被阻止。

圖5 用戶行為異常，認(rèn)證失敗Fig.5 Abnormal user behaviors, authentication failed

當(dāng)用戶行為異常，綜合評(píng)定值出現(xiàn)異常波動(dòng)，同時(shí)超過設(shè)定閾值。圖6中出現(xiàn)用戶綜合評(píng)定預(yù)定閾值為0.4，其中用戶習(xí)慣向量為：(10.10.10.198 android 綿陽設(shè)置 6)，用戶當(dāng)前向量為：(78.25.45.47 ios 成都設(shè)置 4)，通過當(dāng)前向量與用戶習(xí)慣向量進(jìn)行對(duì)比，得出綜合評(píng)價(jià)值為0.890 4，遠(yuǎn)遠(yuǎn)超過閾值，用戶行為異常。但模擬用戶通過顯式認(rèn)證，出現(xiàn)圖5顯示的后續(xù)認(rèn)證結(jié)果，否則將直接提示用戶行為異常，阻止操作。

圖6 用戶行為異常，認(rèn)證成功Fig.6 Abnormal user behaviors, authentication passed

為了對(duì)算法效率進(jìn)行分析，在實(shí)驗(yàn)過程中收集了每處理100條數(shù)據(jù)時(shí)每條數(shù)據(jù)所消耗的平均時(shí)間，其結(jié)果如圖7所示，所有數(shù)據(jù)的平均消耗時(shí)間為0.30 ms。從實(shí)驗(yàn)結(jié)果可以證明該方法能夠獲得較快的處理速度。

與傳統(tǒng)的行為認(rèn)證方法相比較，基于多屬性決策的隱式身份認(rèn)證方法有表4所述特點(diǎn)。

圖7 平均消耗時(shí)間Fig.7 Time averagely consumed

表4 與傳統(tǒng)行為認(rèn)證比較Table 4 Comparison with traditional behaviors

4 結(jié)束語

本文結(jié)合多屬性決策方法的特點(diǎn)，提出了一種基于多屬性決策思想的用戶認(rèn)證方法。該方法通過構(gòu)建用戶行為矩陣，對(duì)用戶向量進(jìn)行規(guī)范化處理，對(duì)屬性權(quán)重進(jìn)行分配以及對(duì)用戶當(dāng)前向量進(jìn)行綜合評(píng)價(jià)等過程，實(shí)現(xiàn)了移動(dòng)終端使用云服務(wù)過程中的隱式認(rèn)證。通過該方法能夠?qū)鹘y(tǒng)的身份認(rèn)證技術(shù)進(jìn)行一定的補(bǔ)充，使身份認(rèn)證的方法更加完善和多樣化。但本文未就屬性數(shù)量對(duì)認(rèn)證結(jié)果的影響進(jìn)行研究，在下一步工作中將針對(duì)這個(gè)問題進(jìn)行研究。

[1] TOBIAS S.Implicit Authentication on Mobile Devices [C].The Media Informatics Advanced Seminar on Ubiquitous Computing, 2011.

[2] 肖德貴, 王磊.基于加權(quán)行質(zhì)量向量的步態(tài)識(shí)別方法[J].計(jì)算機(jī)工程, 2011, 37(11):215-217.

[3] 易斌, 胡曉勤.基于加權(quán)貝葉斯的擊鍵特征身份識(shí)別[J].現(xiàn)代計(jì)算機(jī), 2015, (5):15-19.

[4] JUAN S A F, HUSSEIN A O, SADDIK A E.ECG Authentication for Mobile Devices[J].IEEE Transactions on Instrumentation and Measurement, 2015, 65(3):591-600.

[5] LEE W H, LEE R B.Implicit Authentication for Smartphone Security[C].1st International Conference on Information Systems Security and Privacy (ICISSP).Angers:FRANCE 2015:160-176.

[6] FAHMI P N A, KODIROV E, CHOI D J, et al.Implicit authentication based on ear shape biometrics using smartphone camera during a call[C]. 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC). IEEE Conference Publications, 2012:2272-2276.

[7] 田靜.云計(jì)算環(huán)境下用戶行為安全認(rèn)證機(jī)制的研究[J].計(jì)算機(jī)安全, 2014, (12):47-49.

[8] 陳亞睿, 田立勤，楊揚(yáng).云計(jì)算環(huán)境下動(dòng)態(tài)用戶行為認(rèn)證的機(jī)制、模型與分析[J].系統(tǒng)仿真學(xué)報(bào), 2011, 23(11):2302-2307.

[9] 徐玖平，吳巍.多屬性決策的理論與方法[M].北京:清華大學(xué)出版社, 2006.

[10] 陳建蕓.多屬性決策方法研究綜述[J].現(xiàn)代商業(yè), 2010, (30):112-113.

[11] 姜啟源.多屬性決策應(yīng)用中幾種主要方法的比較[J].數(shù)學(xué)建模及其應(yīng)用, 2012,1(3):16-28.

[12] ZHOU L H, LIU W Y, WANG L Z.Static strategic game approach for multiple attribute decision making problems without weight information[J].International Journal on Artificial Intelligence Tools, 2011, 20(3):577-588.

[13] 江文奇.多屬性決策的組合賦權(quán)優(yōu)化方法[J].運(yùn)籌與管理, 2006, 15(6):40-43.

[14] 郭紅玲，黃定軒.多屬性決策中屬性權(quán)重的無偏好賦權(quán)方法[J].西南交通大學(xué)學(xué)報(bào), 2007, 42(4):505-510.

[15] 黃定軒, 武振業(yè), 宗蘊(yùn)璋.基于屬性重要性的多屬性客觀權(quán)重分配方法[J].系統(tǒng)工程理論方法應(yīng)用, 2004, 13(3):203-207.

Implicit Authentication Method Based On Multiple Attribute Decision Making of Mobile Terminals

GUO Jiaxin, HUANG Xiaofang, XU Lei

(SchoolofComputerScienceandTechnology,SouthwestUniversityofScienceandTechnology,Mianyang621010,Sichuan,China)

With the rapid development of mobile internet technology, cloud-computing-based services are now being widely adopted. As cloud services in mobile terminals are becoming frequent, there are more and more risk and lack of security in the application of password authentication in those mobile terminals. A new implicit authentication algorithm for mobile terminals, based on the multi-attribute decision-making method, was designed and developed. By obtaining the basic properties of user behavior, the algorithm constructs the decision matrix of normal user behavior and achieves the attribute weights through the subjective authentication and conducts a comprehensive evaluation, finally modeling the user behavior implicit authentication. Experimental results show that the method can realize the authentication of mobile terminals and enriches the current password authentication technology in a certain degree.

Implicit authentication; Multiple attribute decision making; Mobile terminal; Cloud service; Authentication model

2016-09-20

國(guó)家自然科學(xué)基金資助項(xiàng)目(61303230)。

第一作者，郭佳鑫(1991—)，男，碩士研究生，E-mail:1206857585@qq.com；通信作者，黃曉芳(1976—)，女，副教授，研究方向?yàn)閿?shù)字內(nèi)容版權(quán)管理、認(rèn)證機(jī)制的研究以及信息系統(tǒng)安全評(píng)估，E-mail: xf.swust@qq.com

TP393

A

1671-8755(2016)04-0073-05