摘要
传统的信息系统用户身份认证方法一般为账号密码识别、指纹锁识别、摄像机人脸识别等，易被窃取或遗留痕迹被非法复制利用，成本高，还有可能泄露用户隐私。此外，现有的身份认证方法仅在用户登录时进行一次身份认证，无法在整个系统操作过程中持续的验证用户身份。 基于WiFi感知人体生物特征的身份认证方法无需特殊硬件支持，具有成本低、易于部署、不依赖于视觉可见、不涉及用户隐私等特点，近几年引起广泛的研究。对于基于WiFi感知人体生物特征的身份认证方法，本文基于信道状态信息做了以下两个方面的研究。 一方面针对传统一次用户身份认证方法存在的问题，本文结合信息系统使用特点提出一种基于用户按键行为对CSI影响的一次身份认证方法FWiA方法，这种方法基于合法用户按键行为的CSI特征，几乎无法窃取，与传统加密方法相结合可以实现安全的一次性用户登录认证。本方法基于室内WiFi菲涅尔区增强按键这一微手势对信号传输的影响，提出活动片段检测算法和子载波选择算法精确提取有效信息，利用随机搜索算法训练最优参数的核支持向量机分类模型，有效提高身份认证精度。 另一方面针对信息系统用户持续身份认证的需求，提出了利用用户本身对CSI的影响的持续身份认证方法DeepCWiA方法，该方法运用于信息系统中可以保证非法用户无法使用信息系统。该方法计算不同接收天线相位测量值差值的方差数据，充分融合多天线相位信息，设计了自注意力机制-全卷积神经网络分类模型。自注意力机制-全卷积神经网络分类模型在最后一个卷积层后使用全局平均池代替传统的全连接层，减少模型参数的同时利用数据的全局信息，防止模型过拟合，同时自注意力机制模块使分类模型既考虑数据的全局信息又聚焦局域重点特征。 实验结果表明，FWiA方法对6名受试者的平均认证精度可以达到90.9%，相较于现有的一些身份认证方法精度提高1.4%-3%。DeepCWiA方法对5名受试者的平均认证精度达到94.8%，且该方法具有一定的抗干扰能力，当其他干扰用户在合法用户身后距1.2米以外的距离时该方法仍能正常工作。
NETL