一種基于加速度傳感器的設備指紋提取和識別方法技術

本發明專利技術公開了一種基于加速度傳感器的設備指紋提取和識別方法，采用了收集設備加速度傳感器數據的方式，實現對當前設備的識別。與現有技術相比，該方法依靠于硬件而非傳統的軟件，提高了該方法的可靠性和穩定性；設備的加速度傳感器在制造過程中因為加工工藝的限制，不同的加速度傳感器之間存在微小的誤差，而這些誤差在設備的生命周期內幾乎是恒定且無法修改的，所以該方法相對于傳統的依據mac地址等硬件信息的方式準確度更高。同時本發明專利技術方法在不需要安裝任何控件以及不需要用戶任何額外操作的情況下實現設備的識別，提高了用戶體驗。經過大量設備檢驗后，計算出識別精確度在99％左右。

Device fingerprint extraction and recognition method based on acceleration sensor

The invention discloses a device fingerprint extraction and recognition method based on an acceleration sensor, which adopts the method of collecting device acceleration sensor data to realize the recognition of the current device. Compared with the prior art, the method relies on hardware instead of traditional software, this method improves the reliability and stability of equipment; acceleration sensor in the manufacturing process because of the limitation of the processing technology, has the small error between the different acceleration sensor, and the error in the equipment life cycle is almost constant and not modify, so this method is compared with traditional hardware based on the MAC address information in a way that is more accurate. At the same time, the method of the invention realizes the device identification without the need to install any controls and does not require any additional operation of the user, thereby improving the user experience. After a large number of equipment testing, the calculation accuracy is about 99%.

【技術實現步驟摘要】
一種基于加速度傳感器的設備指紋提取和識別方法
本專利技術屬于互聯網領域，涉及一種基于加速度傳感器的設備指提取和識別方法。
技術介紹
近些年來，用戶識別成為應用開發商及運營商普遍的需求。識別用戶及他們的消費習慣，可以幫助廣告商、電子商務平臺等更有針對性地投放廣告以及產品，提高轉化率。而對于其他一類需要保障賬戶安全的應用，如電子錢包應用、在線購物應用等，識別用戶更是為了滿足安全需求。不法分子竊取賬號密碼在其余任意設備上登錄并實行違法行為的情況時有發生，關聯賬號與智能終端設備來識別用戶，能有效地提升賬號的安全性，保障個人財產和隱私的安全。通常地，瀏覽器可以通過Cookies來識別賬號和設備，而智能手機上的app則通過請求設備的ID，如IMEI等，來識別用戶。但這些通用的方法已經引起了人們對用戶隱私安全問題的關注，相應的措施已經被提出來規范這些行為。因此，我們必須尋找一種新的方式識別用戶，辨識用戶賬號是在哪一個終端設備上被使用。
技術實現思路
本專利技術提供一種基于加速度傳感器的設備指紋提取和識別方法，在無需用戶參與情況下，通過獲取設備加速度傳感器固有差異對設備進行識別，無需用戶安裝控件、提高了用戶體驗。本專利技術的基于加速度傳感器的設備指紋提取和識別方法，包括以下步驟1)調用設備內部微型電機使設備震動，收集設備加速度傳感器數據。2)對加速度傳感器數據進行預處理，提取采樣間隔I(k)和三軸分量的平方和根S(k)，再采用三次樣條插值處理使其在時域均勻分布。3)分別對I(k)和S(k)在時域上提取均值(Mean)、標準差(Std.Dev)、平均差(AverageDeviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMSAmplitude)、最大值(HighestValue)、最小值(LowestValue)8個特征，在頻域上提取標準差(Spec.Std.Dev)、幾何中心(Spec.Centroid)、偏度(Spec.Skewness)、峰度(Spec.Kurtosis)、頻譜波峰(SpectralCrest)、K-不規則性(Irregularity-K)、J-不規則性(Irregularity-J)、光滑度(Smoothness)、調性系數(Flatness)、滾降性(RollOff)10個特征，并將該共計36個特征作為設備指紋。4)使用機器學習的方法對設備指紋進行訓練和識別。有益效果：本專利技術所使用方法，采用了收集設備加速度傳感器數據的方式，實現對當前設備的識別。與現有技術相比，該方法依靠于硬件而非傳統的軟件，提高了該方法的可靠性和穩定性；設備的加速度傳感器在制造過程中因為加工工藝的限制，不同的加速度傳感器之間存在微小的誤差，而這些誤差在設備的生命周期內幾乎是恒定且無法修改的，所以該方法相對于傳統的依據mac地址等硬件信息的方式準確度更高。同時本專利技術方法在不需要安裝任何控件以及不需要用戶任何額外操作的情況下實現設備的識別，提高了用戶體驗。經過大量設備檢驗后，計算出識別精確度在99％左右。附圖說明圖1是本專利技術實施例的方法流程圖。圖2是時域上8個特征的計算方法。圖3是頻域上10個特征的計算方法。具體實施方式下面結合實施例和說明書附圖對本專利技術做進一步說明。本專利技術實施例的方法流程，請參閱圖1所示。1)在運行設備指紋提取方法之前，需要在APP登錄頁面嵌入調用微型電機和加速度傳感器的腳本。2)打開登錄頁面時，自動運行腳本，使智能設備保持一定時間的震動狀態。在震動狀態期間，收集加速度傳感器的數據，并上傳到云端。3)加速度傳感器數據由四個分量組成，分別為時間戳T(k)，X軸加速度分量Sx(k)，Y軸加速度分量Sy(k)和Z軸加速度分量Sz(k)。在云端對加速度傳感器數據進行預處理，提取采樣間隔I(k)和三軸分量的平方和根I(k)，再采用三次樣條插值處理使其在時域均勻分布。其中I(k)和S(k)的計算方法如下所示：I(k)＝T(k+1)-T(k)4)分別對I(k)和S(k)在時域上提取均值(Mean)、標準差(Std.Dev)、平均差(AverageDeviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMSAmplitude)、最大值(HighestValue)、最小值(LowestValue)8個特征，特征計算方法如圖2所示，其中x為待提取特征的原始數據的時域表達形式，N為x中數據的個數；在頻域上提取標準差(Spec.Std.Dev)、幾何中心(Spec.Centroid)、偏度(Spec.Skewness)、峰度(Spec.Kurtosis)、頻譜波峰(SpectralCrest)、K-不規則性(Irregularity-K)、J-不規則性(Irregularity-J)、光滑度(Smoothness)、調性系數(Flatness)、滾降性(RollOff)10個特征，特征計算方法如圖3所示，其中y為待提取特征的原始數據的頻域表達形式，ym和yf分為放大系數和頻率窗口，N為ym和yf中數據的個數。并將該共計36個特征作為設備指紋。5)對設備指紋使用機器學習的方法進行訓練和識別。每一臺已知設備為一類樣本，使用多分類的機器學習算法，判斷待識別設備與每一類樣本的相似程度，并對相似程度應用閾值法。根據經驗設定閾值，當待識別設備與每一類的相似程度均小于閾值時，則認為該設備是一個新設備，將其添加進數據庫，并請求更多的樣本用于訓練。當待識別設備與某一類或者多類樣本的相似程度大于閾值時，則認為該設備屬于相似程度最大的那一類樣本相對應的設備。本文檔來自技高網...

【技術保護點】
一種基于加速度傳感器的設備指紋提取和識別方法，其特征在于，該方法包括以下步驟：1)調用設備內部微型電機使設備震動，收集設備加速度傳感器數據；2)對加速度傳感器數據進行預處理，提取采樣間隔I(k)和三軸分量的平方和根S(k)，再采用三次樣條插值法使其在時域均勻分布；3)分別對I(k)和S(k)在時域上提取均值(Mean)、標準差(Std.Dev)、平均差(Average?Deviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMS?Amplitude)、最大值(Highest?Value)、最小值(Lowest?Value)8個特征，在頻域上提取標準差(Spec.Std.Dev)、幾何中心(Spec.Centroid)、偏度(Spec.Skewness)、峰度(Spec.Kurtosis)、頻譜波峰(Spectral?Crest)、K?不規則性(Irregularity?K)、J?不規則性(Irregularity?J)、光滑度(Smoothness)、調性系數(Flatness)、滾降性(Roll?Off)10個特征，并將該共計36個特征作為設備指紋；4)使用機器學習的方法對設備指紋進行訓練和識別。...

【技術特征摘要】
1.一種基于加速度傳感器的設備指紋提取和識別方法，其特征在于，該方法包括以下步驟：1)調用設備內部微型電機使設備震動，收集設備加速度傳感器數據；2)對加速度傳感器數據進行預處理，提取采樣間隔I(k)和三軸分量的平方和根S(k)，再采用三次樣條插值法使其在時域均勻分布；3)分別對I(k)和S(k)在時域上提取均值(Mean)、標準差(Std.Dev)、平均差(AverageDeviation)、偏度(Skewness)、峰度(Kurtosis)、均方根振幅(RMSAmplitude)、最大值(HighestValu...

【專利技術屬性】
技術研發人員：程雨詩，徐文淵，
申請(專利權)人：浙江大學，
類型：發明
國別省市：浙江,33