23、基于手势认证的深度学习模型与对抗攻击

基于手势认证的深度学习模型与对抗攻击

1. 研究背景

行为生物识别技术在认证领域具有重要意义，与生理生物识别认证相比，其非侵入性特点使其更具吸引力。基于手势的认证是一种较新的行为生物识别技术，已取得了不错的成果。目前分析手势的技术多种多样，包括加速度、角运动、3D 运动以及三者的混合。本研究旨在探索深度学习技术在基于手势认证中的有效性，基于新收集的三轴加速度计手势数据（TAGD），考虑了支持向量机（SVM）和一维卷积神经网络（1D - CNN）两种时间序列分类（TSC）技术。

2. 相关工作

• 手势认证技术分类 ：
  • 触摸屏手势认证 ：通常分析触摸动态，如手指大小和压力等输入。例如，有的方法收集手指行为和位置数据，通过 SVM 进行用户认证；还有的利用粒子群优化来寻找触摸屏动态中的模式。
  • 运动手势认证 ：依赖加速度计和陀螺仪数据来分析移动设备的加速度和角运动。此前的研究应用了动态时间规整（DTW）、SVM 和隐马尔可夫模型（HMM）等进行用户认证。也有使用“leap motion”控制器收集 3D 运动数据并应用相似度阈值进行认证的方法，以及利用双流 CNN 分析 3D 空间中的全身和手部手势的方法。
• 对抗攻击研究 ：在基于手势认证的对抗攻击方面研究较少，但在行为生物识别的一般领域有一些相关研究。如有的研究分析行为鼠标动态，发现深度学习认证模型易受对抗攻击；还有研究生成对抗样本，分析连续触摸式认证系统（TC