[发明专利]综合多种因素的手持设备浏览行为认证方法及系统

权利要求书

1.一种综合多种因素的手持设备浏览行为认证方法，其特征在于，包括：

采集用户数据，所述用户数据至少包括手持设备所处的外部环境数据、用户操作数据和浏览行为数据；

对所述用户数据进行预处理；

根据预处理后的用户数据中的外部环境数据、用户操作数据和浏览行为数据构建训练模型，所述训练模型包括外部环境模型、用户操作模型和浏览行为模型；所述用户操作数据和浏览行为数据通过触屏数据获取；

对待测数据进行检测，并通过所述外部环境模型、用户操作模型和浏览行为模型共同对用户行为进行并行认证，如果任一模型认证异常，则判定使用用户非法；

所述用户数据为向量；

所述外部环境数据通过持续测量外部环境，通过采集环境特征向量进行迭代更新；

所述触屏数据至少包括应用启动时间戳、应用板块、滑动开始时间戳、触点时间戳和触点坐标中的一种或几种的组合。

2.根据权利要求1所述的综合多种因素的手持设备浏览行为认证方法，其特征在于，对外部环境数据向量的属性feat_i，进行向量规整化处理：

其中，MAX(feat_i)为属性最大值，MIN(feat_i)为属性最小值；

对向量规整化处理后的数据进行聚类处理，并获取聚类结果的轮廓系数。

3.根据权利要求2所述的综合多种因素的手持设备浏览行为认证方法，其特征在于，所述聚类处理包括随机挑选k个样本作为初始中心向量，将其他样本分配给距离其最近的中心向量，构成不相交的聚类，将各个聚类的中心向量作为新的中心，重复上述过程直至收敛；

所述获取聚类结果的轮廓系数包括，将待分类数据划分为k个簇，对于簇中的每个向量，分别计算其轮廓系数，所述轮廓系数通过如下公式获取：

其中，i为向量，S(i)为轮廓系数，a(i)为i向量到所有它属于的簇中其它点的距离，b(i)为i向量到所有非本身所在簇的点的平均距离。

4.根据权利要求3所述的综合多种因素的手持设备浏览行为认证方法，其特征在于，根据外部环境数据的聚类处理结果，为每个环境类初始化一个空的手势数据集；

如果没有剩余的手势数据，则对所有环境类对应的手势数据集进行聚类，保留每个环境类对应数据集平均轮廓系数最大的聚类结果，对个环境类对应数据集的簇进行分类训练，并获取训练结果；

如果仍有剩余的手势数据，则读取一条手势数据，并获取与所述手势数据最近的一条环境数据向量，对该环境数据向量的属性进行规整化处理，再根据聚类簇中心获取外部环境所属的环境类，将所述手势数据的属性部分加入该外部环境所属环境类的手势数据集。

5.根据权利要求4所述的综合多种因素的手持设备浏览行为认证方法，其特征在于，读取一条手势数据，并获取距离所述手势数据时间戳最近的环境数据所属的环境类，判断是否还有新的手势数据：

如果没有，则对训练集集合中的每个训练集进行SVDD训练，并输出训练结果；

如果有，则读取新的手势数据，判断所述新的手势数据的向量应用时间戳与当前应用启动时间戳是否相等，

如果不等，则采用本次启动时间戳替代当前时间戳；

如果相等，则继续判断向量所属板块与当前板块是否相同，如果不同，则将本次环境类代替当前环境类；如果相同，则更新浏览行为数据向量，若手势数据计数大于预先设定的阈值，则继续手势数据计数，若手势数据计数不大于预先设定的阈值，则向训练集集合中标志为当前环境和当前模板的集合写入浏览行为数据向量后，再继续手势数据计数。