智能安全鍵盤(pán)軟硬件完整方案

　　一、系統方案

　　隨著(zhù)計算機及其網(wǎng)絡(luò )應用的日益普及，尤其是互聯(lián)網(wǎng)應用的迅猛發(fā)展，計算機及其網(wǎng)絡(luò )系統的安全管理問(wèn)題日顯突出，各種非法的計算機及網(wǎng)絡(luò )入侵事件頻頻發(fā)生。據統計，網(wǎng)絡(luò )入侵的70%~80%來(lái)自于網(wǎng)絡(luò )內部，因此加強對計算機使用者身份的監督和管理，防止合法用戶(hù)的越權和惡意訪(fǎng)問(wèn)以及非法用戶(hù)的非法訪(fǎng)問(wèn)都顯得十分重要。

　　那么，我們怎樣加強對計算機使用者身份的監督和管理呢?

　　首先，傳統的密碼技術(shù)是最常用的用戶(hù)訪(fǎng)問(wèn)控制手段，但密碼又比較容易遺失或被破解。

　　于是，人們提出了多個(gè)基于各種生物特征的用戶(hù)身份認證方法，是的身份認證智能化。這些生物特征包括：指紋、虹膜、面部、聲音、掌形(紋)等。但基于這些生物特征的用戶(hù)身份認證方法均需要額外價(jià)格不菲的硬件設備(其價(jià)格從數百美元到數萬(wàn)美元不等)，這也就使得基于這些生物特征的用戶(hù)身份認證方法無(wú)法得到廣泛的應用。

　　為利用現有普通電腦硬件，完成基于生物特征的用戶(hù)身份認證，人們提出了基于用戶(hù)擊鍵特征來(lái)進(jìn)行用戶(hù)身份認證的方法，該方法利用用戶(hù)輸入口令時(shí)的擊鍵壓力、擊鍵節奏等所構成的用戶(hù)生物特征，來(lái)進(jìn)行用戶(hù)身份的認證工作。用戶(hù)由于不同的生理特點(diǎn)和習慣，在使用鍵盤(pán)時(shí)存在擊鍵力度、鍵盤(pán)熟練程度等明顯差異(類(lèi)似于筆跡、指紋)。

　　受智能密碼的啟發(fā)，即不同用戶(hù)的鍵盤(pán)使用習慣、特征存在差異，我們提出一種將用戶(hù)鍵盤(pán)使用特征和神經(jīng)網(wǎng)絡(luò )技術(shù)相結合的用戶(hù)身份監督、管理方法。本系統就是利用這種差異提取特征量， 建立模型， 實(shí)現對用戶(hù)身份的辨別和監控。

　　目前，國內外有關(guān)的基于用戶(hù)擊鍵生物特征進(jìn)行身份認證研究的公開(kāi)報道并不多：Dunn認為擊鍵時(shí)延符合正態(tài)分布并使用了距離分類(lèi)法;Monrose 和Rubin提出了一種基于K近鄰聚類(lèi)方法的算法;Kacholia和Pandit提出了一種基于啟發(fā)式聚類(lèi)的算法，但并沒(méi)有給出聚類(lèi)算法的細節;Ru 和Eloff及Tapiador 和Sigüenza嘗試了模糊數學(xué)的方法;朱明等人也提出了基于示例學(xué)習的方法對用戶(hù)身份的真偽進(jìn)行判斷，曲維光和宋如順等人則利用對神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練來(lái)區分不同的用戶(hù)，Monrose 等人將這一技術(shù)用于強化用戶(hù)身份驗證。但是，他們的研究都是基于軟件層面的，而且采樣數據也很有限。

　　我們提出的智能安全鍵盤(pán)將壓力傳感器加入傳統鍵盤(pán)中，旨在利用已有的用戶(hù)名和密碼，通過(guò)用戶(hù)特定的擊鍵特征，即按鍵時(shí)間長(cháng)短、時(shí)間間隔和壓力三個(gè)參數，來(lái)判定某一擊鍵序列是否為某特定用戶(hù)的行為，進(jìn)而對用戶(hù)身份的真偽進(jìn)行判斷識別，以此來(lái)強化身份驗證的效果，防止密碼被他人非法使用，加強對計算機使用者身份的監督和管理，使鍵盤(pán)操作更安全，從而達到信息安全的目的。

　　二、實(shí)現方案

　　(一)理論基礎

　　根據一個(gè)簡(jiǎn)化的統計，人腦由百億條神經(jīng)組成，每條神經(jīng)平均連結到其它幾千條神經(jīng)。通過(guò)這種連結方式，神經(jīng)可以收發(fā)不同數量的能量。神經(jīng)的一個(gè)非常重要的功能是，它們對能量的接受并不是立即作出響應，而是將它們累加起來(lái)，當這個(gè)累加的總和達到某個(gè)臨界閾值時(shí)，將自己的那部分能量發(fā)送給其它的神經(jīng)。大腦通過(guò)調節這些連結的數目和強度進(jìn)行學(xué)習。盡管這是個(gè)生物行為的簡(jiǎn)化描述。但同樣可以充分有力地被看作是神經(jīng)網(wǎng)絡(luò )的模型。

　　閾值邏輯單元(Threshold Logic Unit，TLU)

　　理解神經(jīng)網(wǎng)絡(luò )的第一步是從對抽象生物神經(jīng)開(kāi)始，并把重點(diǎn)放在閾值邏輯單元(TLU)這一特征上。一個(gè)TLU是一個(gè)對象，它可以輸入一組加權系數的量，對它們進(jìn)行求和，如果這個(gè)和達到或者超過(guò)了某個(gè)閾值，則輸出一個(gè)量。用符號標注這些功能，首先，輸入值以及它們的權系數分別記為X1,X2,...,Xn和W1,W2,...,Wn。接著(zhù)，求和計算出的Xi*Wi，產(chǎn)生了激發(fā)層a，換一種方法表示：

　　a = (X1 * W1)+(X2 * W2)+...+(Xi * Wi)+...+ (Xn * Wn)

　　閾值稱(chēng)為theta。最后，輸出結果y。當a>=theta時(shí)y=1，反之y=0。輸出可以是連續的，因為它也可以由一個(gè)squash函數s(或 sigma)判定，該函數的自變量是a，函數值在0和1之間，y=s(a)。

　　閾值邏輯單元，帶有 sigma 函數(頂部)和 cutoff 函數(底部)

　　TLU 會(huì )分類(lèi)，假設一個(gè)TLU有兩個(gè)輸入值，它們的權系數等于1，theta值等于1.5。當這個(gè) TLU 輸入<0,0>、<0,1>、<1,0>和<1,1>時(shí)，它的輸出分別為0、0、0、1。TLU將這些輸入分為兩組：0組和1組。

　　TLU 的學(xué)習原理

　　神經(jīng)網(wǎng)絡(luò )的學(xué)習機制是模仿大腦調節神經(jīng)連結的原理。TLU通過(guò)改變它的權系數和閾值來(lái)學(xué)習。當SUM(Xi*Wi)>=theta時(shí)TLU在臨界點(diǎn)時(shí)輸出的是1而不是0，臨界點(diǎn)是出現在SUM(Xi*Wi)+(-1*theta)>=0的時(shí)候。所以，我們可以把-1看成一個(gè)常量輸入，它的權系數theta在學(xué)習的過(guò)程中進(jìn)行調整。這樣，當SUM(Xi*Wi)+(-1*theta)>=0時(shí)，y=1，反之y=0。

　　在學(xué)習過(guò)程中，神經(jīng)網(wǎng)絡(luò )輸入一系列需要分類(lèi)的術(shù)語(yǔ)示例和它們的正確分類(lèi)或者目標。

　　這樣的輸入可以看成一個(gè)向量：，這里t是一個(gè)目標或者正確分類(lèi)。神經(jīng)網(wǎng)絡(luò )用這些來(lái)調整權系數，其目的使學(xué)習中的目標與其分類(lèi)相匹配。更確切地說(shuō)，這是有指導的學(xué)習，與之相反的是無(wú)指導的學(xué)習。前者是基于帶目標的示例，而后者卻只是建立在統計分析的基礎上。權系數的調整有一個(gè)學(xué)習規則，一個(gè)理想化的學(xué)習算法如下所示：

　　fully_trained = FALSE

　　DO UNTIL (fully_trained):

　　fully_trained = TRUE

　　FOR EACH training_vector = ::

　　# Weights compared to theta

　　a = (X1 * W1)+(X2 * W2)+...+(Xn * Wn) - theta

　　y = sigma(a)

　　IF y != target:

　　fully_trained = FALSE

　　FOR EACH Wi:

　　MODIFY_WEIGHT(Wi) # According to the training rule

　　IF (fully_trained):

　　BREAK

　　學(xué)習規則有很多，通過(guò)對收集的大量資料的研究分析，我們發(fā)現，有一條似乎合理的規則是基于這樣一種思想，即權系數和閾值的調整應該由分式(t-y)確定。這個(gè)規則通過(guò)引入學(xué)習率alpha(0