摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-20页 |
1.1 研究背景及意义 | 第11-13页 |
1.2 国内外研究发展状态 | 第13-17页 |
1.2.1 基于情景感知应用研究 | 第13-14页 |
1.2.1.1 PC端基于行为特征的实际应用 | 第14页 |
1.2.1.2 移动端基于行为特征的实际应用 | 第14页 |
1.2.2 基于行为感知身份识别研究 | 第14-16页 |
1.2.2.1 PC端基于行为特征的身份识别 | 第15页 |
1.2.2.2 移动端基于行为特征的身份识别 | 第15-16页 |
1.2.3 机器学习研究 | 第16-17页 |
1.3 研究内容及创新点 | 第17-19页 |
1.3.1 研究内容及预期目标 | 第17-18页 |
1.3.2 文章创新点 | 第18-19页 |
1.4 论文章节安排 | 第19-20页 |
第二章 行为识别关键技术研究 | 第20-32页 |
2.1 行为识别的分类与研究方法 | 第20页 |
2.2 触摸屏感知用户行为原理 | 第20-22页 |
2.2.1 触点坐标 | 第21页 |
2.2.2 触点面积,压力 | 第21-22页 |
2.3 ANDROID相关技术支持 | 第22-23页 |
2.3.1 API | 第22-23页 |
2.3.2 SQLite数据库 | 第23页 |
2.4 特征选择算法 | 第23-25页 |
2.5 机器学习算法简介 | 第25-31页 |
2.5.1 决策树分类器(Decision Tree) | 第25-26页 |
2.5.2 朴素贝叶斯分类器(Naive Bayesian) | 第26-27页 |
2.5.3 K最近邻分类(k-Nearest Neighbor) | 第27-28页 |
2.5.4 逻辑回归(Logistic Regression) | 第28-29页 |
2.5.5 支持向量机(Support Vector Machine) | 第29-31页 |
2.5.5.1 SVM的原理简介 | 第29页 |
2.5.5.2 LIBSVM | 第29-31页 |
2.6 本章小结 | 第31-32页 |
第三章 SAFEGUARD设计与实现 | 第32-47页 |
3.1 SAFEGUARD的整体设计 | 第32-34页 |
3.2 行为特征采集 | 第34-37页 |
3.2.1 数据采集 | 第34-35页 |
3.2.2 特征描述 | 第35-37页 |
3.2.2.1 滑动特征 | 第35-37页 |
3.2.2.2 点击特征 | 第37页 |
3.3 特征预处理 | 第37-39页 |
3.3.1 数据分组 | 第37页 |
3.3.2 数据过滤 | 第37-39页 |
3.4 特征选择 | 第39-40页 |
3.5 特征可区分处理与唯一性分析 | 第40-44页 |
3.5.1 唯一性定义与展示 | 第40-43页 |
3.5.2 唯一性量化 | 第43-44页 |
3.6 分类识别 | 第44-46页 |
3.6.1 分类识别算法 | 第44-45页 |
3.6.2 识别结果决策 | 第45-46页 |
3.7 本章小结 | 第46-47页 |
第四章 SAFEGUARD结果测试与性能分析 | 第47-63页 |
4.1 实验设计与评价指标 | 第47-48页 |
4.1.1 实验环境设置 | 第47页 |
4.1.2 评价指标 | 第47-48页 |
4.2 识别效果与分析 | 第48-58页 |
4.2.1 特征选择 | 第48-49页 |
4.2.2 分类算法 | 第49-52页 |
4.2.3 识别准确率 | 第52-56页 |
4.2.3.1 阈值 | 第52-53页 |
4.2.3.2 训练量 | 第53-54页 |
4.2.3.3 测试量 | 第54-56页 |
4.2.4 鲁棒性 | 第56-58页 |
4.2.4.1 性别与年龄 | 第56-57页 |
4.2.4.2 应用程序 | 第57-58页 |
4.2.4.3 用户状态与设备 | 第58页 |
4.3 敌手攻击 | 第58-60页 |
4.3.1 真实敌手模仿攻击 | 第59页 |
4.3.2 敌手攻击模拟实验 | 第59-60页 |
4.4 系统开销 | 第60-61页 |
4.5 系统分析 | 第61-62页 |
4.6 本章小结 | 第62-63页 |
第五章 总结与展望 | 第63-65页 |
5.1 研究工作总结 | 第63页 |
5.2 不足与展望 | 第63-65页 |
致谢 | 第65-66页 |
参考文献 | 第66-70页 |
攻读硕士学位期间取得的成果 | 第70-71页 |