随着移动终端技术的迅速发展,智能手机的隐私保护问题变得日益关键。对手机用户进行身份认证是保护手机隐私的重要手段之一。然而,现有的身份认证方式(例如,口令密码、九宫格图形密码、指纹认证、人脸认证等)均属于一次认证,无法保证手机在使用过程中当前用户身份的合法性。基于行为生物特征的认证方式,通过完全利用手机内置的传感器自动采集用户在使用手机过程中的行为生物特征数据,能够给用户提供持续、无感知的认证,并最终保证移动用户身份在手机持续使用过程中的合法性。本文针对智能手机端的身份认证问题展开研究,基于智能手机在使用过程中其用户的行为生物特征,提出了两种基于行为生物特征的持续认证方案,主要研究工作包括:1.基于数据扩增的持续认证。基于本地的持续认证,往往因为没有充足的时间收集大量的训练数据训练认证模型,而导致认证效果不佳。本文突破传统的认证方案对大量训练数据的依赖,尝试使用数据扩增方法创造额外的人工数据,从而增加训练数据,间接减少用户等待收集训练数据的时间。具体地,本文提出了基于数据扩增的持续认证系统。该系统由数据采集、数据扩增、特征提取、分类以及认证等五个模块组成。数据采集模块利用手机内置的加速度传感器和陀螺仪传感器收集用户的行为生物特征数据。在数据扩增模块,我们提出了一套包含五种数据扩增操作的方法来生成额外的人工数据。在对数据分别从时域和频域两个方面提取特征之后,特征数据将通过单分类支持向量机来训练模型,最后认证模块为当前用户提供持续的认证。本文分别从时间窗口、数据扩增方法、时间效率以及与其他认证算法比较等四个方面全面评价了该系统。实验结果表明,基于数据扩增的持续认证在时间效率和认证准确率上都优于传统的未进行数据扩增的持续认证。2.基于双流卷积神经网络的持续认证。面对复杂的移动用户行为生物数据,手工设计特征往往耗时费力且效果有限,因此本文提出了面向移动端轻量级的双流卷积神经网络来自动提取移动用户的行为生物特征,该网络基于深度可分离卷积构建。进一步地,本文提出了基于双流卷积神经网络的持续认证系统。该系统由数据收集、数据预处理、特征提取、分类以及认证等五个模块组成。数据收集模块主要利用内置于手机的加速度传感器和陀螺仪传感器来收集用户的行为生物特征数据。在数据预处理模块,我们将原始的行为生物特征数据处理为能用于双流卷积神经网络的数据流,即时域数据流和频域数据流。进而在特征提取模块,我们将已训练好的双流卷积神经网络作为特征提取器,提取用户的特征,并将已提取的特征用于认证模型——单分类支持向量机的训练。最后认证模块将持续判断当前用户身份的合法性。本文从准确率、模型大小、模型计算成本等三个方面全面评价了用于特征提取的双流卷积神经网络,实验结果表明该双流卷积神经网络明显优于与之相比较的其他文献中的移动端神经网络框架。最后对基于双流卷积神经网络的持续认证系统的评估结果表明,相较于依靠手工提取特征的持续认证,该方法在认证时间和认证准确率上都有较大的提升。