姜 奇,趙曉敏,趙貴川,王金花,李興華

(1.西安電子科技大學(xué) 網(wǎng)絡(luò)與信息安全學(xué)院,陜西 西安 710126;2.中國電子科技集團(tuán)公司第三十研究所 保密通信重點實驗室,四川 成都 610041)

1 引 言

生物特征因其不會被遺忘或丟失、不易偽造或被盜等特性,已被廣泛應(yīng)用于用戶的身份認(rèn)證中[1-3]。按生物特征類型的不同,基于生物特征認(rèn)證的方式可劃分為3類[4]：基于生理(physiological)特征[5-7]、基于生物學(xué)(biological)特征[8]和基于行為(behavioral)特征的認(rèn)證[9-10]。其中,生理特征可從人類身體的固有部位中獲取,如指紋、面部、虹膜、視網(wǎng)膜和掌紋等;生物學(xué)特征可從心跳、心電圖和腦電波等人類生命活動中獲取;行為特征可從用戶執(zhí)行任務(wù)時的行為活動中獲取,包括觸屏、步態(tài)和語音等。

在實際應(yīng)用場景中,由于敵手攻擊、噪聲干擾或環(huán)境變化等不可預(yù)測的原因,單模態(tài)身份認(rèn)證系統(tǒng)往往面臨著認(rèn)證不可靠和準(zhǔn)確率低等問題[11]。例如,基于指紋等生理特征的認(rèn)證易受環(huán)境影響且會遭受表示攻擊[12];基于心跳等生物學(xué)特征的認(rèn)證會遭受模擬攻擊[13];基于觸屏等行為特征的認(rèn)證會受到偽造[14]和統(tǒng)計[15]等攻擊的影響。

多模態(tài)認(rèn)證系統(tǒng)通過融合兩種或多種生物特征模態(tài)來實現(xiàn)身份認(rèn)證,可以有效地緩解上述單模態(tài)認(rèn)證的局限性[16]。在融合系統(tǒng)中,由于攻擊者很難同時對所有生物特征來源進(jìn)行攻擊,因此增加了攻擊難度,使多模態(tài)認(rèn)證系統(tǒng)具有更高的系統(tǒng)可靠性和魯棒性。同時,當(dāng)某個生物特征受環(huán)境或噪聲影響時,可以通過降低該生物特征在認(rèn)證中的重要性程度,提高其他未受干擾生物特征的重要性程度來保證系統(tǒng)的認(rèn)證準(zhǔn)確性。在設(shè)計多模態(tài)認(rèn)證系統(tǒng)時,融合策略可以在認(rèn)證流程的數(shù)據(jù)采集、數(shù)據(jù)處理、用戶認(rèn)證和決策等不同階段執(zhí)行,根據(jù)融合時機(jī)的不同可劃分為傳感器級、特征級、分?jǐn)?shù)級以及決策級融合。針對不同的融合級別,已有大量文獻(xiàn)說明了不同多模態(tài)融合方案在生物識別技術(shù)中的應(yīng)用及其有效性[4,17-21]。

現(xiàn)有研究中提出的多模態(tài)融合方法大多采用固定規(guī)則和閾值的融合策略來達(dá)到預(yù)期的認(rèn)證性能[7,22-23]。事實上,用戶的認(rèn)證需求會隨所處環(huán)境的不同而發(fā)生變化。例如,當(dāng)用戶訪問隱私級別較高的程序或處于公共場合時,需要較高安全等級的認(rèn)證。因此,固定規(guī)則和參數(shù)的融合策略缺乏靈活性且不能為系統(tǒng)提供最佳的認(rèn)證性能。為此,文獻(xiàn)[24-25]提出了基于粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)的多模態(tài)認(rèn)證方案,能夠自適應(yīng)地搜索最佳融合規(guī)則、融合參數(shù)和決策閾值。然而,粒子群優(yōu)化算法在解決多模態(tài)復(fù)雜問題時會陷入局部最優(yōu)解,且文獻(xiàn)[24-25]的候選融合規(guī)則較為簡單,不能解決分類器間出現(xiàn)沖突時認(rèn)證性能下降的問題。為了解決以上問題,筆者提出了上下文自適應(yīng)的多模態(tài)生物特征認(rèn)證系統(tǒng),該系統(tǒng)可根據(jù)用戶的上下文信息變化自適應(yīng)地選擇最佳融合策略,并通過融合多種生物特征為用戶提供安全的身份驗證。

筆者的貢獻(xiàn)如下:

(1) 提出了一種基于自適應(yīng)粒子群優(yōu)化(Adaptive Particle Swarm Optimization,APSO)的自適應(yīng)融合策略選擇方法。所提方法擴(kuò)展性高,不僅能夠根據(jù)不同的上下文自適應(yīng)選擇最佳的多模態(tài)融合策略,還能在滿足當(dāng)前上下文認(rèn)證安全需求的同時保證系統(tǒng)最佳的認(rèn)證性能。

(2) 基于所提出的自適應(yīng)融合策略選擇方法,設(shè)計了一套完整的分?jǐn)?shù)級融合多模態(tài)認(rèn)證方案,能夠?qū)崿F(xiàn)安全、有效的用戶身份認(rèn)證。

(3) 分別為不同安全需求的場景確定了最佳融合策略,在真實行為特征數(shù)據(jù)集上的實驗結(jié)果表明了本方案的可行性和有效性。此外,在相同數(shù)據(jù)集和實驗環(huán)境下,對比了本方案和現(xiàn)有多模態(tài)認(rèn)證方案[24-25],結(jié)果表明所提出認(rèn)證系統(tǒng)的全局錯誤率更小,具有更好的認(rèn)證性能。

2 相關(guān)工作

目前,大量文獻(xiàn)提出了多模態(tài)融合方案且說明了其在身份認(rèn)證技術(shù)中的有效性[26]。SITOVAZ等[22]提出將用戶在設(shè)備上執(zhí)行擊鍵行為時產(chǎn)生的HMOG特征(捕獲用戶在執(zhí)行動作時產(chǎn)生的微小運動和方向變化)、觸屏點擊特征以及擊鍵特征進(jìn)行加權(quán)求和的分?jǐn)?shù)級融合,結(jié)果表明融合后的等錯誤率降低,最好為7.16%(行走)和10.05%(坐著)。由于t-范數(shù)(triangular norm,t-norm)可以考慮多模態(tài)認(rèn)證分?jǐn)?shù)之間的關(guān)聯(lián)性,HANMANDLU等[23]提出利用t-norm進(jìn)行分?jǐn)?shù)級融合,他們考慮了多種t-norm融合方式,并在3個公開生物數(shù)據(jù)集上進(jìn)行認(rèn)證實驗,實驗結(jié)果表明,t-norm融合方式相比于基于分類器(如支持向量機(jī),邏輯回歸,多層感知機(jī)等)的分?jǐn)?shù)級融合方式和基于簡單組合(如最小、平均值和最大)的分?jǐn)?shù)級融合方式表現(xiàn)出更好的性能。KHODADOUST等[19]提出利用一個手指的指紋、靜脈和指節(jié)指紋來完成用戶認(rèn)證,以增加用戶友好性,降低系統(tǒng)的實現(xiàn)成本。AIZI等[20]提出了一種利用虹膜和指紋兩種模態(tài)進(jìn)行身份識別的多生物特征融合方法,每種模態(tài)都被單獨處理以生成分?jǐn)?shù)向量,隨后利用決策樹結(jié)合加權(quán)和基于模糊邏輯的方法實現(xiàn)融合。

以上提到的文獻(xiàn)雖然證明了融合帶來的性能上的提升,但其提出的多模態(tài)融合方案都使用固定的融合規(guī)則和參數(shù)來達(dá)到預(yù)期的性能。由于用戶認(rèn)證安全需求隨上下文不同而變化,固定的融合策略不能在變化的認(rèn)證安全需求下發(fā)揮更好的認(rèn)證性能,因此目前發(fā)展趨勢是設(shè)計能夠自適應(yīng)地確定變化的環(huán)境安全性或用戶需求的多模態(tài)認(rèn)證系統(tǒng)的方案。

VATSA等[27]提出了將基于密度的融合方式與基于分類器的融合方式順序結(jié)合的融合算法,解決了多模態(tài)認(rèn)證中不同模態(tài)提供沖突認(rèn)證結(jié)果時對認(rèn)證性能產(chǎn)生影響的問題。此外,他們設(shè)計了基于認(rèn)證樣本質(zhì)量的動態(tài)選擇算法來確定不同的融合規(guī)則,以提高認(rèn)證準(zhǔn)確率并降低計算成本。但此算法整體流程較繁瑣,并且兩種融合方式中參數(shù)是固定的。EDWARDS等[28]使用用戶的指紋、手掌和面部開發(fā)了一個三階段多模態(tài)生物特征認(rèn)證系統(tǒng),并使用孿生神經(jīng)網(wǎng)絡(luò)測試了3種串行融合方法。通過在決策中使用串行融合策略來緩解用戶使用不便問題,并通過在特征提取和分?jǐn)?shù)生成中利用深度學(xué)習(xí)技術(shù)來提高準(zhǔn)確性。文獻(xiàn)[27-28]可以動態(tài)地選擇融合規(guī)則,但其融合參數(shù)固定。WALIA等[29]提出了一種基于指紋、手指靜脈和虹膜3種互補(bǔ)生物特征組成的多模態(tài)認(rèn)證系統(tǒng)。該融合系統(tǒng)分別對不同生物特征獲得的分?jǐn)?shù)執(zhí)行貼現(xiàn)函數(shù)后,使用PCR-6規(guī)則將其組合,不僅達(dá)到了增強(qiáng)并發(fā)分類器的目的,同時還有效地解決了不同分類器之間產(chǎn)生沖突后認(rèn)證性能下降的問題。ALAGARSAMY等[30]以人耳和人臉兩種生物特征為輸入,提出了一個完整的多模態(tài)生物特征識別系統(tǒng),該系統(tǒng)采用自適應(yīng)Runge-Kutta閾值分割方法來獲得人臉圖像耳朵輪廓的精確閾值。文獻(xiàn)[29-30]可以動態(tài)地調(diào)整融合參數(shù),但其融合規(guī)則固定。

與以上方案不同,文獻(xiàn)[24-25]提出了自適應(yīng)尋找滿足性能約束的最佳融合規(guī)則和融合參數(shù)的多模態(tài)認(rèn)證方案。VEERAMACHANENI等[24]提出了自適應(yīng)多模態(tài)生物特征管理算法,利用粒子群優(yōu)化(Particle Swarm Optimization,PSO)方法搜索所有的決策級融合規(guī)則(包括與、或、異或等)和決策閾值,以自適應(yīng)地尋找最佳組合。該算法雖然解決了固定融合規(guī)則和融合參數(shù)的缺陷,但多個模態(tài)決策結(jié)果可能有較大的差異,從而導(dǎo)致認(rèn)證性能下降。其次,使用粒子群優(yōu)化算法搜索最佳融合策略時會陷入局部最優(yōu)解。KUMAR等[25]在文獻(xiàn)[24]的基礎(chǔ)上,利用粒子群優(yōu)化算法搜索分?jǐn)?shù)級融合規(guī)則(包括最大值、最小值、加權(quán)、乘積等規(guī)則)、融合參數(shù)和決策閾值,以尋找最佳融合方案。較之文獻(xiàn)[24]中的方案,此方案性能有所提升,但可供選擇的分?jǐn)?shù)級融合規(guī)則有限且均比較簡單,不能解決分類器間認(rèn)證出現(xiàn)沖突時性能下降的問題。因此,筆者在此基礎(chǔ)上進(jìn)行深入研究,提出了根據(jù)行為特征上下文變化自適應(yīng)選擇最優(yōu)融合策略的分?jǐn)?shù)級融合多模態(tài)認(rèn)證方案,使得認(rèn)證系統(tǒng)在用戶友好性、靈活性和安全性上有更好的表現(xiàn)。

3 方案設(shè)計

如圖1所示,筆者提出了一種基于自適應(yīng)粒子群優(yōu)化的自適應(yīng)分?jǐn)?shù)級融合多模態(tài)認(rèn)證方案。該方案可分為自適應(yīng)選擇階段和認(rèn)證階段兩個部分。自適應(yīng)選擇階段的目標(biāo)是從多種預(yù)定義的分?jǐn)?shù)級融合規(guī)則中自適應(yīng)地選擇一種,使得認(rèn)證系統(tǒng)滿足當(dāng)前認(rèn)證安全需求的同時具有最佳的認(rèn)證性能。在認(rèn)證階段,先基于自適應(yīng)階段所選擇的融合規(guī)則和融合參數(shù)對多模態(tài)生物特征的認(rèn)證分?jǐn)?shù)進(jìn)行融合,然后結(jié)合決策閾值對用戶的身份進(jìn)行認(rèn)證。

圖1 自適應(yīng)分?jǐn)?shù)級多模態(tài)融合框架流程圖

3.1 自適應(yīng)選擇階段

3.1.1 認(rèn)證安全需求的量化

首先根據(jù)上下文信息(地理位置和應(yīng)用程序信息)來評估當(dāng)前場景下的認(rèn)證安全需求,具體的評估模型可見文獻(xiàn)[18]。對于認(rèn)證安全需求較高的場景,如使用敏感性較高的應(yīng)用時,錯誤接受了冒名頂替者的代價遠(yuǎn)高于錯誤拒絕了真正用戶的代價,因此需要實現(xiàn)低錯誤接受率(False Acceptance Rate,FAR)的認(rèn)證。反之,對于認(rèn)證安全需求較低的場景,考慮到用戶友好性,需要實現(xiàn)低錯誤拒絕率(False Rejection Rate,FRR)的認(rèn)證。基于上述說明,文中定義了兩個參數(shù):錯誤接受非法用戶的全局代價CFA以及錯誤拒絕合法用戶的全局代價CFR。當(dāng)認(rèn)證安全需求較高時,認(rèn)證系統(tǒng)的錯誤接受率應(yīng)盡可能低,以防止非法用戶被誤認(rèn)為合法用戶,則此時錯誤接受非法用戶的代價CFA應(yīng)較大。反之,當(dāng)認(rèn)證安全需求較低時,錯誤拒絕合法用戶的代價CFR應(yīng)較大,以提升用戶體驗。綜上,當(dāng)前上下文中認(rèn)證系統(tǒng)的全局錯誤率為

E=CFAFAR(η)+CFRFRR(η) ,

(1)

其中,FAR(η)和FRR(η)分別表示在決策閾值為η時認(rèn)證系統(tǒng)的全局錯誤接受率和錯誤拒絕率。值得注意的是,一般通過FAR+FRR來計算全局錯誤率,此時錯誤接受率和錯誤拒絕率的權(quán)重都為1,總和為2。因此,設(shè)置CFA+CFR=2,以保證全局錯誤率計算的一致性。則式(1)可重寫為

E=CFAFAR(η)+(2-CFA)FRR(η) 。

(2)

綜上所述,CFA可視為對認(rèn)證安全需求的量化,其范圍為[0,2]。文中以0.1為步長將不同的認(rèn)證安全需求量化成21個不同的安全等級。綜上所述,可通過最小化多模態(tài)認(rèn)證系統(tǒng)的全局錯誤率E來為不同的認(rèn)證安全等級選擇最佳融合策略和決策閾值,以達(dá)到系統(tǒng)最佳的認(rèn)證性能。

3.1.2 預(yù)定義的分?jǐn)?shù)級融合規(guī)則

首先預(yù)定義了4種通用的分?jǐn)?shù)級融合規(guī)則,包括加權(quán)平均(sum)、加權(quán)乘積(product)、加權(quán)指數(shù)(exp)和以及加權(quán)雙曲正切(tanh)。具體計算方式如式(3)～式(6),其中,wi為第i種模態(tài)的融合參數(shù),N為融合的生物模態(tài)的數(shù)量,Si為各模態(tài)的用戶認(rèn)證得分。此外,文中進(jìn)一步考慮了5種基于t-norm的分?jǐn)?shù)級融合規(guī)則,以減少不同生物模態(tài)認(rèn)證器間的沖突,提高認(rèn)證性能。兩種模態(tài)融合分?jǐn)?shù)S=T(S1,S2)的計算式如式(7)～式(11),其中w為融合參數(shù),若需更多種模態(tài)融合,則計算方式為S=T(T(S1,S2,…,SN-1),SN)。在實際使用中,融合規(guī)則可根據(jù)需求任意擴(kuò)展。

(3)

(4)

(5)

(6)

Einstrinproduct:T(S1,S2)=S1S2/(2-(S1+S2-S1S2)) ,

(7)

Hamacher:T(S1,S2)=S1S2/(S1+S2-S1S2) ,

(8)

(9)

Frank:T(S1,S2)=logw(1+(wS1-1)(wS2-1)/(w-1)) ,

(10)

Yager:T(S1,S2)=max(1-((1-S1)w+(1-S2)w)1/w,0) 。

(11)

3.1.3 基于自適應(yīng)粒子群優(yōu)化的自適應(yīng)融合策略選擇

為了使E最小,本方案基于自適應(yīng)粒子群優(yōu)化算法[31]在所有預(yù)定義的分?jǐn)?shù)級融合規(guī)則、融合參數(shù)以及決策閾值中進(jìn)行搜索,以確定最佳的融合策略組合。自適應(yīng)粒子群優(yōu)化算法通過結(jié)合參數(shù)自適應(yīng)方法和精英學(xué)習(xí)策略,使搜索能夠跳出潛在的局部最優(yōu)值,具體的步驟如下:

(12)

(13)

其中?∈[0,1]為慣性權(quán)重,用于平衡收斂速度;c1∈N*,c2∈N*為加速系數(shù),c1表示粒子自認(rèn)知,有利于局部探索以及保持粒子群體的多樣性,c2表示群體影響力,有利于促使粒子群體快速收斂到全局最優(yōu)位置;rand(·)是在[0,1]范圍內(nèi)生成的N+1維均勻分布的隨機(jī)數(shù)。

為防止搜索陷入局部極值以及提高搜索精度,在每次迭代結(jié)束后,需要根據(jù)當(dāng)前粒子群分布更新粒子屬性參數(shù),即?、c1和c2,具體更新過程如圖2所示。其中,相鄰兩次迭代之間參數(shù)的最大增量或減量由式(14)決定:

圖2 更新粒子屬性參數(shù)過程

|ci(t+1)-ci(t)|≤δ,i=1,2 ,

(14)

其中,δ∈[0.05,0.1]為加速率,當(dāng)需要“略微”改變時,使用0.5δ作為加速率。值得注意的是,當(dāng)進(jìn)化狀態(tài)為收斂時,更新算法執(zhí)行精英學(xué)習(xí)策略(Elitist Learning Strategy,ELS),該策略作用于當(dāng)前全局最優(yōu)粒子的隨機(jī)一個維度,在其上添加高斯擾動,達(dá)到跳出局部最優(yōu)值的目的。

基于以上所述自適應(yīng)粒子群優(yōu)化算法,結(jié)合預(yù)定義的分?jǐn)?shù)級融合規(guī)則、融合規(guī)則參數(shù)以及決策閾值來搜索最佳的融合策略組合。由于融合規(guī)則是離散的,而自適應(yīng)粒子群優(yōu)化算法只能對連續(xù)值進(jìn)行處理,因此分別對每種融合規(guī)則進(jìn)行搜索,對比后選取其中最佳融合策略。最佳融合策略搜索算法過程如下。

算法1最佳融合策略搜索算法。

輸入:K種融合規(guī)則fusion(·),CFA,E,優(yōu)化算法optimization(·),粒子群搜索空間particle

輸出:最佳融合規(guī)則result,融合參數(shù)w(若存在)、決策閾值η,最小錯誤率E

① BEGIN

② FOR k=1,2,…,K DO

③ particle=(w′,η′);

④ (w′,η′,E′)=optimization(particle);

⑤ IFE′

⑥ result=fusion(k),E=E′,w=w′,η=η′;

⑦ END

⑧ END FOR

⑨ END

3.2 認(rèn)證階段

在此階段,認(rèn)證系統(tǒng)結(jié)合采集的多模生物特征和自適應(yīng)階段所選擇的融合策略對用戶進(jìn)行身份認(rèn)證。認(rèn)證的具體過程為:首先,設(shè)備通過傳感器采集N種模態(tài)的生物特征數(shù)據(jù);然后對獲取的數(shù)據(jù)進(jìn)行預(yù)處理并提取出對應(yīng)的特征向量Fi(i=1,2,…,N),這些特征向量作為對應(yīng)模態(tài)認(rèn)證模型modeli(i=1,2,…,N)的輸入,分別輸出用戶認(rèn)證分?jǐn)?shù)Si(i=1,2,…,N);接著結(jié)合自適應(yīng)階段確定的融合策略,將得到的多模態(tài)用戶身份認(rèn)證得分進(jìn)行融合后得到最終的認(rèn)證分?jǐn)?shù)S;最后將S與自適應(yīng)階段獲得的決策閾值η進(jìn)行比較,以完成對用戶的認(rèn)證。其中,認(rèn)證模型modeli是根據(jù)第i個模態(tài)的數(shù)據(jù)訓(xùn)練得到的,文中采用支持向量機(jī)(Support Vector Machine,SVM)模型進(jìn)行訓(xùn)練,得到認(rèn)證模型。

支持向量機(jī)是一種二分類模型,它的學(xué)習(xí)策略是間隔最大化,即求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面。文中在給定第i個模態(tài)訓(xùn)練集的情況下,利用支持向量機(jī)算法學(xué)習(xí)得到一個認(rèn)證模型modeli,即找到一個最優(yōu)分離超平面,使樣本到這個超平面的距離最大,以保證測試數(shù)據(jù)能被正確的分類。

4 實驗驗證與分析

所提出的方案基于用戶的上下文信息來量化認(rèn)證安全需求,與采用生理特征的文獻(xiàn)[24-25]相比,上下文信息能反映更真實的認(rèn)證環(huán)境,進(jìn)而確定更符合實際的認(rèn)證安全等級。因此,基于一個公開的數(shù)據(jù)集[32]進(jìn)行實驗,該數(shù)據(jù)包含兩種行為模態(tài):觸屏?xí)r觸控傳感器行為和運動傳感器行為。首先證明了提出的基于自適應(yīng)粒子群優(yōu)化的自適應(yīng)多模態(tài)認(rèn)證方案的可行性和有效性。然后,與現(xiàn)有方案進(jìn)行了對比,在相同認(rèn)證安全等級下,所提出的多模態(tài)認(rèn)證系統(tǒng)全局錯誤率更小、認(rèn)證性能更好。

4.1 數(shù)據(jù)集描述

文獻(xiàn)[32]中介紹了一個公開的大規(guī)模行為數(shù)據(jù)集,該數(shù)據(jù)集包含100位用戶的行為數(shù)據(jù),每個用戶分別在閱讀、輸入文本和地圖導(dǎo)航3個任務(wù)中執(zhí)行8次會話任務(wù),每個會話持續(xù)15分鐘。在執(zhí)行會話過程中,記錄了加速度計,陀螺儀及磁力計等運動傳感器讀數(shù)以及觸控傳感器數(shù)據(jù)。本次實驗中使用了該數(shù)據(jù)100位用戶在閱讀時的觸控和運動傳感器所有8個會話的數(shù)據(jù),分別作為觸屏?xí)r觸控傳感器行為生物特征和運動傳感器行為生物特征原始數(shù)據(jù)。

4.2 單模態(tài)認(rèn)證

為了獲取后續(xù)用于融合的生物模態(tài)認(rèn)證分?jǐn)?shù),分別進(jìn)行了上述兩種行為的單模態(tài)實驗。實驗時,將用戶自己數(shù)據(jù)作為合法用戶數(shù)據(jù),其他用戶數(shù)據(jù)作為非法用戶數(shù)據(jù),混合劃分訓(xùn)練集和測試集,劃分比例為7∶3。模型訓(xùn)練時,利用訓(xùn)練集,經(jīng)過預(yù)處理、特征提取和支持向量機(jī)模型訓(xùn)練幾個步驟后,獲得訓(xùn)練模型;認(rèn)證評估時,利用測試集,經(jīng)過預(yù)處理、特征提取和模型認(rèn)證之后,獲取到當(dāng)前用戶是合法用戶的分?jǐn)?shù),該分?jǐn)?shù)在[0,1]范圍內(nèi),之后的融合實驗是在此分?jǐn)?shù)上進(jìn)行的。

圖3顯示了兩種行為生物特征認(rèn)證的受試者工作特征曲線(Receiver Operating characteristic Curve,ROC),體現(xiàn)了在不同決策閾值下的錯誤接受率(False Acceptance Rate,FAR)和正確接收率(True Accept Rate,TAR)的變化關(guān)系,其中FRR=1-TAR,等錯誤率(Equal Error Rate,EER)為錯誤接受率和錯誤拒絕率相等時的錯誤率。當(dāng)認(rèn)證安全需求較高時,應(yīng)選擇受試者工作特征曲線上錯誤接受率較低的點所對應(yīng)閾值,即曲線上靠近左下角的點。反之,當(dāng)認(rèn)證安全需求較低時,考慮到用戶便利性,應(yīng)選擇靠近受試者工作特征曲線右上角的點。

圖3 兩種行為生物特征認(rèn)證時的ROC圖

4.3 自適應(yīng)融合多模態(tài)認(rèn)證評估

在上述單模態(tài)實驗獲取的認(rèn)證分?jǐn)?shù)的基礎(chǔ)上,為了對提出的自適應(yīng)融合多模態(tài)認(rèn)證系統(tǒng)的可行性和有效性進(jìn)行驗證,將上述認(rèn)證分?jǐn)?shù)數(shù)據(jù)按1∶1比例劃分成了學(xué)習(xí)集和評估集。學(xué)習(xí)集用來學(xué)習(xí)不同認(rèn)證安全等級下的融合策略,學(xué)習(xí)到的參數(shù)將在評估集上進(jìn)行驗證和評估分析。此外,在利用自適應(yīng)粒子群優(yōu)化算法進(jìn)行搜索過程中,設(shè)置粒子群規(guī)模大小為100,初始參數(shù)設(shè)置為?=0.9,c1=1,c2=1,當(dāng)搜索迭代次數(shù)達(dá)到100次時,流程終止。

本方案在不同認(rèn)證安全等級下選取的融合策略如表1所示。可以看出,在[0.6,1.9]范圍內(nèi)的認(rèn)證安全等級均選擇了t-norm融合規(guī)則,充分說明了t-norm的優(yōu)勢。此外,與圖3所示的單模態(tài)認(rèn)證對比可知,在不同認(rèn)證安全等級下,本方案均實現(xiàn)了更低的全局錯誤率,說明本方案的認(rèn)證性能更好,且靈活度更高。

表1 在不同認(rèn)證安全等級下選取的融合策略(-表示任意)

圖4表示當(dāng)CFA=0.6時,自適應(yīng)融合策略選擇方法在尋求最優(yōu)解的過程中全局錯誤率的變化情況。從圖中可看出,隨著迭代次數(shù)增加,錯誤率減少后趨于平穩(wěn)。不同認(rèn)證安全等級下和不同融合規(guī)則下的最小全局錯誤率如圖5所示,可以看出文中預(yù)定義的融合規(guī)則在學(xué)習(xí)集和評估集上都能實現(xiàn)較小的最小全局錯誤率,表明了認(rèn)證系統(tǒng)的有效性。此外,相同的認(rèn)證安全等級下,學(xué)習(xí)集和評估集上的最小全局錯誤率相似,表明了學(xué)習(xí)到的參數(shù)適用于實際的認(rèn)證系統(tǒng)中。

圖4 最優(yōu)融合策略搜索過程中全局錯誤率變化(CFA=0.6)

(a) 學(xué)習(xí)集

4.4 相關(guān)文獻(xiàn)對比

文獻(xiàn)[24-25]提出了自適應(yīng)的多模態(tài)認(rèn)證方法,其中,文獻(xiàn)[24]重點關(guān)注基于粒子群優(yōu)化算法的自適應(yīng)決策級融合的多模態(tài)認(rèn)證,文獻(xiàn)[25]重點關(guān)注分?jǐn)?shù)級融合的認(rèn)證。文中根據(jù)上下文信息自適應(yīng)地確定安全認(rèn)證等級,提供了更全面的融合規(guī)則,采用自適應(yīng)粒子群優(yōu)化算法能夠跳出潛在的局部最優(yōu)值,進(jìn)而找到最優(yōu)的融合策略。圖6和圖7分別展示了在不同認(rèn)證安全等級下,文中方案與對比方案[24-25]在相同學(xué)習(xí)集和評估集上獲取的全局錯誤率。從圖中可以看出,在任意認(rèn)證安全等級下,本方案均實現(xiàn)了更小的全局錯誤率,表明所提出的多模態(tài)認(rèn)證系統(tǒng)的搜索精度更高,認(rèn)證性能更好。

(a) 學(xué)習(xí)集

(a) 學(xué)習(xí)集

表2展示了文中方案與文獻(xiàn)[24]和文獻(xiàn)[25]在相同評估集上執(zhí)行認(rèn)證和搜索算法的時間開銷。具體而言,文中使用粒子群優(yōu)化算法和自適應(yīng)粒子群優(yōu)化算法為21個不同的安全等級搜索融合策略,并使用18 000個樣本在不同的安全等級下分別進(jìn)行了5輪認(rèn)證,以求取平均時間。由表2可知,文中方案的認(rèn)證時間更短,表明自適應(yīng)選擇的融合策略是最優(yōu)的;自適應(yīng)粒子群優(yōu)化算法搜索的時間比粒子群優(yōu)化算法的長,這是因為主動跳出潛在局部最優(yōu)解是耗時的。值得注意的是,文中采用的自適應(yīng)粒子群優(yōu)化算法搜索最佳融合策略的過程可以根據(jù)不同的安全等級離線完成,在認(rèn)證過程中可根據(jù)當(dāng)前場景的安全等級直接使用最佳融合策略。

表2 執(zhí)行認(rèn)證與搜索算法時間開銷對比

此外,與最近所提出的多模態(tài)生物認(rèn)證方案[27-30]相比,文中所提出的基于上下文自適應(yīng)分?jǐn)?shù)級融合的認(rèn)證方法更加靈活,不需要固定融合規(guī)則或參數(shù),而是根據(jù)不同的認(rèn)證安全等級自適應(yīng)地選擇最佳的融合策略,從而為不同的場景提供安全的認(rèn)證,同時保證系統(tǒng)具備最優(yōu)的認(rèn)證性能。

5 結(jié)束語

針對現(xiàn)有多模態(tài)融合研究中存在使用固定規(guī)則和參數(shù)的融合策略、不能根據(jù)上下文靈活調(diào)整認(rèn)證安全需求的問題,文中提出了基于自適應(yīng)粒子群優(yōu)化的自適應(yīng)分?jǐn)?shù)級融合多模態(tài)認(rèn)證方案。該方案能夠根據(jù)用戶的上下文信息變化自適應(yīng)地選擇最佳融合策略,保證系統(tǒng)具有最佳的認(rèn)證性能。首先,自適應(yīng)粒子群優(yōu)化算法根據(jù)認(rèn)證安全等級和預(yù)定義的分?jǐn)?shù)級融合規(guī)則自適應(yīng)地選擇最佳的融合策略。其次,多個生物特征模態(tài)的認(rèn)證分?jǐn)?shù)經(jīng)過最佳融合后可對用戶身份進(jìn)行認(rèn)證。再次,在公開的行為特征數(shù)據(jù)集上評估了本方案的可行性和有效性;與現(xiàn)有的方案相比,在相同認(rèn)證安全等級下本方案的搜索精度更高,全局錯誤率更小。在未來的工作中,將增加生物特征模態(tài)的數(shù)量對所提出方案進(jìn)行全面的實驗評估。