[发明专利]一种身份认证方法、装置及其存储介质

权利要求书

1.一种身份认证方法，其特征在于，所述身份认证方法包括：

获取用户自由输入时的击键时间序列中的单键持续时间和双键持续时间，其中，所述单键持续时间是指单键的持续按压时间，所述双键持续时间是指相邻两个键中开始动作和结束动作之间的时间差，所述开始动作包括第一按键的按下或弹起，所述结束动作包括第二按键的按下或弹起；

以矩阵的行代表所述单键持续时间中对应的按键按下，以矩阵的列代表所述单键持续时间中对应的按键弹起，以所述矩阵的行列交叉对应的值代表所述单键持续时间中对应按键按下到弹起的平均持续时间，生成单键序列矩阵；

以矩阵的行和列分别代表所述双键持续时间中对应的按键按下或弹起，以所述矩阵的行列交叉对应的值代表所述双键持续时间中从行对应按键按下或弹起到列对应按键按下或弹起的平均持续时间，生成双键序列矩阵；

采用分组卷积分别对所述单键序列矩阵和所述双键序列矩阵进行特征提取；

将特征提取的结果输入击键识别模型，采用所述击键识别模型获得身份认证结果。

2.根据权利要求1所述的身份认证方法，其特征在于，在所述采用分组卷积分别对所述单键序列矩阵和所述双键序列矩阵进行特征提取之前，所述身份认证方法还包括：

对所述单键序列矩阵和所述双键序列矩阵进行最大最小标准化处理。

3.根据权利要求1所述的身份认证方法，其特征在于，所述将特征提取的结果输入击键识别模型，包括：

通过单通道输入将所述单键序列矩阵的特征提取结果输入击键识别模型；

通过多通道输入将所述双键序列矩阵的特征提取结果输入所述击键识别模型。

4.根据权利要求1所述的身份认证方法，其特征在于，在所述将特征提取的结果输入击键识别模型之前，所述身份认证方法还包括：

基于TensorFlow搭建卷积神经网络；

由所述卷积神经网络训练获得所述击键识别模型。

5.根据权利要求4所述的身份认证方法，其特征在于，所述卷积神经网络包括卷积层和全连接层，所述由所述卷积神经网络训练获得所述击键识别模型，包括：

获取所述用户大量的自由输入时的击键时间序列作为训练样本；

基于所述训练样本计算获得所述用户所有按键的训练单键持续时间和训练双键持续时间；

基于所述单键持续时间生成训练单键序列矩阵，基于所述训练双键持续时间生成训练双键序列矩阵；

采用分组卷积分别对所述训练单键序列矩阵和所述训练双键序列矩阵进行特征提取；

将特征提取的结果融合输入至所述全连接层，以获得分类识别结果；

迭代执行所述“采用分组卷积分别对所述训练单键序列矩阵和所述训练双键序列矩阵进行特征提取”至所述“将特征提取的结果融合输入至所述全连接层”的步骤，在所述卷积神经网络的损失低于预设阈值时获得所述击键识别模型。

6.根据权利要求1所述的身份认证方法，其特征在于，在所述采用所述击键识别模型获得身份认证结果之后，所述身份认证方法还包括：

基于持续采集的所述用户输入时的击键时间序列，采用所述击键识别模型对所述用户进行持续地身份认证；

若所述用户通过身份认证，使所述击键识别模型保持后台持续认证；

若所述用户未通过身份认证，则注销所述用户并重新进行身份认证。