非受控步行场景下移动设备的持续身份认证方法

    公开(公告)号:CN112966248A

    公开(公告)日:2021-06-15

    申请号:CN202110310021.3

    申请日:2021-03-23

    摘要: 一种非受控步行场景下移动设备的持续身份认证方法,其步骤为:(1)构建身份认证网络模型;(2)以用户无感知的采集方式,生成步态序列集;(3)利用自适应周期分割算法,生成步态模板集;(4)对步态模板集进行预处理;(5)训练身份认证网络;(6)认证用户身份。(7)若待认证用户的身份与认证后的用户身份一致,则完成用户身份认证,否则锁定移动设备,拒绝访问。本发明克服了现有技术中需要用户主动配合在受控场景下行走而导致的不实用的问题和现有技术中因场景、时间等因素产生的特征分布漂移的问题,使得本发明具有认证准确性,实用性和场景适应性的优点。

    联邦学习中多用户梯度置换的聚合方法

    公开(公告)号:CN112906052A

    公开(公告)日:2021-06-04

    申请号:CN202110257594.4

    申请日:2021-03-09

    IPC分类号: G06F21/62 G06N20/00

    摘要: 本发明公开的一种联邦学习中多用户梯度置换的聚合方法,旨在保护用户敏感数据的场景下,解决现有隐私保护技术中存在的用户计算开销大导致整个聚合过程的效率低以及利用差分隐私的方法会降低全局模型的准确率的问题,本发明实现步骤为:生成服务器的公钥和私钥,生成聚合比例,加密聚合比例,每个用户对其每个梯度加权,置换加权梯度,聚合所有用户的混淆梯度集,更新模型参数集合。本发明的方法保证聚合后的模型准确率不下降的同时大大提高了整个聚合过程的效率,实现对用户敏感数据的有效保护。

    联邦学习中多用户梯度置换的聚合方法

    公开(公告)号:CN112906052B

    公开(公告)日:2022-12-23

    申请号:CN202110257594.4

    申请日:2021-03-09

    IPC分类号: G06F21/62 G06N20/00

    摘要: 本发明公开的一种联邦学习中多用户梯度置换的聚合方法,旨在保护用户敏感数据的场景下,解决现有隐私保护技术中存在的用户计算开销大导致整个聚合过程的效率低以及利用差分隐私的方法会降低全局模型的准确率的问题,本发明实现步骤为:生成服务器的公钥和私钥,生成聚合比例,加密聚合比例,每个用户对其每个梯度加权,置换加权梯度,聚合所有用户的混淆梯度集,更新模型参数集合。本发明的方法保证聚合后的模型准确率不下降的同时大大提高了整个聚合过程的效率,实现对用户敏感数据的有效保护。

    非受控步行场景下移动设备的持续身份认证方法

    公开(公告)号:CN112966248B

    公开(公告)日:2022-10-21

    申请号:CN202110310021.3

    申请日:2021-03-23

    摘要: 一种非受控步行场景下移动设备的持续身份认证方法,其步骤为:(1)构建身份认证网络模型;(2)以用户无感知的采集方式,生成步态序列集;(3)利用自适应周期分割算法,生成步态模板集;(4)对步态模板集进行预处理;(5)训练身份认证网络;(6)认证用户身份。(7)若待认证用户的身份与认证后的用户身份一致,则完成用户身份认证,否则锁定移动设备,拒绝访问。本发明克服了现有技术中需要用户主动配合在受控场景下行走而导致的不实用的问题和现有技术中因场景、时间等因素产生的特征分布漂移的问题,使得本发明具有认证准确性,实用性和场景适应性的优点。