[发明专利]一种基于磁感应信号的移动设备监控方法及系统

说明书

本发明涉及一种基于磁感应信号的移动设备监控方法及系统，其中方法包括：收集环境磁感应数据；对所述磁感应数据进行预处理；对预处理后的磁感应数据进行特征提取；将提取的特征输入预训练好的识别模型，输出识别结果，其中，所述识别结果包括使用设备的用户、设备类别和当前运行的应用中的一个或多个。与现有技术相比，本发明在不改变现有电器设备硬件结构的情况下，通过磁场强度传感器，采集智能移动设备工作时自身产生的磁感应信号来完成设备类型的识别、工作状态的识别，以及用户的识别，低成本地实现了移动智能设备的用户认证和设备监控与管理。

技术领域

本发明涉及一种智能移动设备的旁路监控和管理领域，尤其是涉及一种基于磁感应信号的移动设备监控方法及系统。

背景技术

移动设备在我们的日常生活中发挥着不可替代的作用。据预测，到2020年底将有超过90亿部手机，平板电脑和笔记本电脑。捕捉用户设备行为，包括知道用户当前使用的设备类型、哪个应用程序正在运行以及哪个用户正在使用设备，这些信息在移动设备监控管理和用户身份认证等领域很有帮助。但是，一个人可能有多个移动设备，例如一个智能手机和一个笔记本电脑。另一方面，一个移动设备可以由多个用户使用，例如，家庭成员公用一台笔记本电脑。常规认证方法不能区分不同的用户。因此，需要跨平台用户认证的方法来理解用户设备行为。一个简单的解决方案是在每个设备中安装一个进程监视器，并在云端进行统计。尽管该解决方案解决了跨平台问题，但用户识别仍然是一个难题。请注意，通过前置摄像头进行识别对于此问题是不切实际的，因为始终打开摄像头会导致电池在短时间内耗尽。指纹识别是识别用户设备行为的有前途的方法。还有许多其他偏信道的研究来实现这一目标，例如使用加速计、功耗和声信号信息。加速度计和功耗信息因太粗糙而无法准确识别用户，而声音信号可能在很大程度上受到环境的干扰。

使用磁感应信号进行用户认证核心需要解决时间序列分类问题。传统时间序列分类方法人工提取时间特征，然后将其输入到单个分类器或集成分类器中，生成输出。人工特征提取对专家经验依赖严重，且涉及用户认证这种复杂的场景时很难保证特征选取的准确性。此外，传统的方法大多依赖时域上的特征，然而这些特征很容易随时间变化，导致预先训练好的模型不具有很好的泛化性能。

电磁信号是进行用户认证和设备管理更合适的解决方案。我们观察到电磁信号是移动设备计算强度的一个反映，例如，重负载应用会提高CPU功耗和其他功耗，从而为应用的识别提供了可能。此外，不同用户在使用同一设备甚至同一应用时会有不同的用户行为习惯，例如：打字的速度、常用的操作等，从而导致电磁信号产生相应的变化。这些也为使用电磁信号进行用户级别的识别提供了可能。近年来，深层神经网络已被用于时间序列分类任务。深度学习模型自动生成特征并达到最先进的性能。长期短期记忆网络则被证明可以很好解决时间序列问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于磁感应信号的移动设备监控方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于磁感应信号的移动设备监控方法，包括：

收集环境磁感应数据；

对所述磁感应数据进行预处理；

对预处理后的磁感应数据进行特征提取；

将提取的特征输入预训练好的识别模型，输出识别结果，其中，所述识别结果包括使用设备的用户、设备类别和当前运行的应用中的一个或多个。

所述对所述磁感应数据进行预处理，包括：

采用高斯滤波算法进行平滑滤波；

采用快速傅里叶变换得到频域信号；

采用主成分分析提取其主要成分。

所述对预处理后的磁感应数据进行特征提取，包括：