智能安全鍵盤(pán)軟硬件完整方案

　　BP算法的學(xué)習過(guò)程如下:

　?、僬騻鞑ィ狠斎胄畔妮斎雽咏?jīng)隱含層逐層處理，并傳向輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)(如下圖所示)。

　?、诜聪騻鞑ィ喝绻谳敵鰧硬荒艿玫狡谕妮敵?，則轉入反向傳播，將誤差信號沿原來(lái)的連接通路返回，通過(guò)修改各層神經(jīng)元的權值，使誤差信號最小。

　　BP算法的主要步驟如下：

　?、僦盟袡嘀禐檩^小的隨機數;

　?、谔峁┯柧毤?，給定輸入向量X=(x1,x2,……,xm)和期望的目標輸出向量D=(d1,d2,……,dn);

　?、矍跋蛴嬎?，計算實(shí)際輸出，計算隱含層,輸出層各神經(jīng)元的輸出：

　?、軐敵鰧佑嬎?delta;：

　?、輳暮笙蚯坝嬎愀麟[層δ：

　?、抻嬎悴⒈４娓鳈嘀敌拚浚?/p>

　?、咝拚龣嘀担?/p>

　?、嗯袛嗍欠袷諗?，如果收斂則結束，不收斂則轉至(3)重復計算，直到誤差Ep滿(mǎn)足要求。

　　本系統實(shí)現設計的BP網(wǎng)絡(luò )考慮到用戶(hù)的口令長(cháng)度通常為8~16個(gè)，對應生成的特征的維數為23-47維，因此網(wǎng)絡(luò )的輸入節點(diǎn)數定為20~50，可依據口令長(cháng)度選擇。隱含層節點(diǎn)數需要在實(shí)現過(guò)程中不斷模擬訓練進(jìn)行確定，以使判別效果達到最佳。

　?、泼艽a處理模塊

　　設混沌序列為

　　考慮到這四個(gè)值在PS/2總線(xiàn)上傳輸帶來(lái)的安全性的問(wèn)題，我們決定讓其在密碼處理模塊和PC機端分別生成，生成函數如下：

　　(三)硬件框圖

　　在硬件框圖中，鍵盤(pán)信號包括按鍵時(shí)間長(cháng)短、按鍵時(shí)間間隔和密碼明文三個(gè)信號，該信號通過(guò)RS232總線(xiàn)傳送至FPGA。由于FPGA的ADC對電壓的范圍有要求，壓力信號先通過(guò)AMP進(jìn)行放大處理后，再通過(guò)ADC轉換成數字信號后再傳送至FPGA。在FPGA上，信號處理模塊運用神經(jīng)網(wǎng)絡(luò )算法對采集的信號樣本進(jìn)行處理，對于通過(guò)神經(jīng)網(wǎng)絡(luò )的信號樣本，通過(guò)密碼處理模塊的混沌算法對密碼進(jìn)行加密后，再通過(guò)RS232總線(xiàn)送至PC。在PC端，密碼實(shí)際上為密碼原文經(jīng)混沌加密以后的密文。

　　三、設計與實(shí)現的功能

　　1.安全性。以應用為基礎，以神經(jīng)網(wǎng)絡(luò )為核心，以混沌算法輔助完成基于有限學(xué)習正例集合的正反例識別。通過(guò)采集用戶(hù)擊鍵習慣相關(guān)系數，采用BP神經(jīng)網(wǎng)絡(luò )算法動(dòng)態(tài)學(xué)習、判別合法用戶(hù)特征，再通過(guò)混沌算法對密碼進(jìn)行加密處理，實(shí)現高效、高用戶(hù)辨別能力的身份認證。

　　2.多用戶(hù)支持。利用FPGA的大量數據處理能力，可以方便地實(shí)現采樣數據與相關(guān)數據庫中大量數據的迅速比對。

　　3.力感識別。通過(guò)對相關(guān)資料的學(xué)習，我們發(fā)現目前關(guān)于用戶(hù)特征信息采樣的研究工作都是基于擊鍵時(shí)間長(cháng)短和時(shí)間間隔的，我們通過(guò)力度傳感設備將用戶(hù)擊鍵力度數字化之后，作為用戶(hù)特征信息的一個(gè)方面，進(jìn)行比對驗證和學(xué)習。

　　4.密碼鍵盤(pán)與普通鍵盤(pán)的切換。單用戶(hù)應用環(huán)境中，可以通過(guò)硬件開(kāi)關(guān)屏蔽傳感器不進(jìn)行相應數據處理而實(shí)現密碼鍵盤(pán)與普通鍵盤(pán)的切換。

　　5.成本低廉。對用戶(hù)的眼底圖像、指紋、頭像等的識別均需要特殊的硬件設備，且有些設備價(jià)格相當昂貴，不利于系統的實(shí)施和推廣。而除了力感識別所需的壓力傳感器以外，了解用戶(hù)的擊鍵節奏不需要添加其他硬件，是各種生物特征用戶(hù)認證技術(shù)中代價(jià)較小的一種，易于為用戶(hù)所接受。

　　四、性能指標

　　在系統檢測方面，我們將分別模擬單用戶(hù)和多用戶(hù)應用環(huán)境，采集相關(guān)數據，通過(guò)以下兩個(gè)評價(jià)指標，檢測系統的性能：

　　1.檢測率(Detection Rate，DR)：被檢測到的假冒樣本的數量和測試集中總的假冒樣本的數量的比率;

　　2.虛警率(False Positive Rate，FPR)：正常樣本數據被誤檢為假冒樣本的數量和測試集中總的正常樣本的數量的比率。

　　五、系統特色

　　本系統最大的特色在于采用了神經(jīng)網(wǎng)絡(luò )算法，智能地對用戶(hù)擊鍵特征進(jìn)行學(xué)習和識別。

　　人工神經(jīng)網(wǎng)絡(luò )模型主要考慮網(wǎng)絡(luò )連接的拓撲結構、神經(jīng)元的特征、學(xué)習規則等。目前，已有近40種神經(jīng)網(wǎng)絡(luò )模型，其中有反傳網(wǎng)絡(luò )、感知器、自組織映射、Hopfield網(wǎng)絡(luò )、波耳茲曼機、適應諧振理論等。根據連接的拓撲結構，神經(jīng)網(wǎng)絡(luò )模型可以分為：(1)前向網(wǎng)絡(luò ) 網(wǎng)絡(luò )中各個(gè)神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡(luò )中沒(méi)有反饋，可以用一個(gè)有向無(wú)環(huán)路圖表示。這種網(wǎng)絡(luò )實(shí)現信號從輸入空間到輸出空間的變換，它的信息處理能力來(lái)自于簡(jiǎn)單非線(xiàn)性函數的多次復合。網(wǎng)絡(luò )結構簡(jiǎn)單，易于實(shí)現。反傳網(wǎng)絡(luò )是一種典型的前向網(wǎng)絡(luò )。(2)反饋網(wǎng)絡(luò ) 網(wǎng)絡(luò )內神經(jīng)元間有反饋，可以用一個(gè)無(wú)向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò )的信息處理是狀態(tài)的變換，可以用動(dòng)力學(xué)系統理論處理。系統的穩定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò )、波耳茲曼機均屬于這種類(lèi)型。

　　學(xué)習是神經(jīng)網(wǎng)絡(luò )研究的一個(gè)重要內容，它的適應性是通過(guò)學(xué)習實(shí)現的。根據環(huán)境的變化，對權值進(jìn)行調整，改善系統的行為。由Hebb提出的Hebb學(xué)習規則為神經(jīng)網(wǎng)絡(luò )的學(xué)習算法奠定了基礎。Hebb規則認為學(xué)習過(guò)程最終發(fā)生在神經(jīng)元之間的突觸部位，突觸的聯(lián)系強度隨著(zhù)突觸前后神經(jīng)元的活動(dòng)而變化。在此基礎上，人們提出了各種學(xué)習規則和算法，以適應不同網(wǎng)絡(luò )模型的需要。有效的學(xué)習算法，使得神經(jīng)網(wǎng)絡(luò )能夠通過(guò)連接權值的調整，構造客觀(guān)世界的內在表示，形成具有特色的信息處理方法，信息存儲和處理體現在網(wǎng)絡(luò )的連接中。

　　本系統采用的神經(jīng)網(wǎng)絡(luò )算法的學(xué)習方式為監督學(xué)習。我們將訓練樣本的數據加到網(wǎng)絡(luò )輸入端，同時(shí)將相應的期望輸出與網(wǎng)絡(luò )輸出相比較，得到誤差信號，以此控制權值連接強度的調整，經(jīng)多次訓練后收斂到一個(gè)確定的權值。當樣本情況發(fā)生變化時(shí)，經(jīng)學(xué)習可以修改權值以適應新的環(huán)境。

　　人工神經(jīng)網(wǎng)絡(luò )特有的非線(xiàn)性適應性信息處理能力，克服了傳統人工智能方法對于直覺(jué)，如模式、語(yǔ)音識別、非結構化信息處理方面的缺陷，使之在神經(jīng)專(zhuān)家系統、模式識別、智能控制、組合優(yōu)化、預測等領(lǐng)域得到成功應用。人工神經(jīng)網(wǎng)絡(luò )與其它傳統方法相結合，將推動(dòng)人工智能和信息處理技術(shù)不斷發(fā)展。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò )正向模擬人類(lèi)認知的道路上更加深入發(fā)展，與模糊系統、遺傳算法、進(jìn)化機制等結合，形成計算智能，成為人工智能的一個(gè)重要方向，將在實(shí)際應用中得到發(fā)展。將信息幾何應用于人工神經(jīng)網(wǎng)絡(luò )的研究，為人工神經(jīng)網(wǎng)絡(luò )的理論研究開(kāi)辟了新的途徑。神經(jīng)計算機的研究發(fā)展很快，已有產(chǎn)品進(jìn)入市場(chǎng)。光電結合的神經(jīng)計算機為人工神經(jīng)網(wǎng)絡(luò )的發(fā)展提供了良好條件。

　　神經(jīng)網(wǎng)絡(luò )在這個(gè)領(lǐng)域中有很多優(yōu)點(diǎn)，使得它越來(lái)越流行。它在類(lèi)型分類(lèi)/識別方面非常出色。神經(jīng)網(wǎng)絡(luò )可以處理例外及不正常的輸入數據，這對于很多系統都很重要(例如雷達及聲波定位系統)。很多神經(jīng)網(wǎng)絡(luò )都是模仿生物神經(jīng)網(wǎng)絡(luò )的，即是他們仿照大腦的運作方式工作。神經(jīng)網(wǎng)絡(luò )也得助于神經(jīng)系統科學(xué)的發(fā)展，使它可以像人類(lèi)一樣準確地辨別物件而有電腦的速度!

　　基于軟件實(shí)現的神經(jīng)網(wǎng)絡(luò )也有些不好的地方。這通常都是因為缺乏足夠強大的硬件。神經(jīng)網(wǎng)絡(luò )的力量源自于以并行方式處理資訊，即是同時(shí)處理多項數據。因此，要一個(gè)串行的機器模擬并行處理是非常耗時(shí)的。但是，我們將該算法轉移到硬件板上來(lái)實(shí)現，避免了這一缺陷。

　　本系統的另一個(gè)特色點(diǎn)在于對密碼的混沌加密。

　　混沌理論是一種迅速發(fā)展的新科學(xué)，致力于研究復雜的、非線(xiàn)性的、動(dòng)態(tài)的系統?；煦缋碚摬皇顷P(guān)于無(wú)序的理論，雖然從字面上看起來(lái)是這樣。相反，它可以看作是一種更好地理解秩序的方法。

　　混沌系統具有三個(gè)關(guān)鍵要素：一是對初始條件的敏感依賴(lài)性;二是臨界水平，這里是非線(xiàn)性事件的發(fā)生點(diǎn);三是分形維，它表明有序和無(wú)序的統一?；煦缦到y經(jīng)常是自反饋系統，出來(lái)的東西會(huì )回去經(jīng)過(guò)變換再出來(lái)，循環(huán)往復，沒(méi)完沒(méi)了，任何初始值的微小差別都會(huì )按指數放大，因此導致系統內在地不可長(cháng)期預測。

　　混沌是一個(gè)難以精確定義的數學(xué)概念。一般而言，“混沌”是指由確定性方程描述的動(dòng)力學(xué)系統中表現出的非確定性行為，或稱(chēng)之為確定的隨機性。“確定性”是因為它由內在的原因而不是外來(lái)的噪聲或干擾所產(chǎn)生，而“隨機性”是指其不規則的、不能預測的行為，只可能用統計的方法描述?；煦鐒?dòng)力學(xué)系統的主要特征是其狀態(tài)對初始條件的靈敏依賴(lài)性，混沌反映其內在的隨機性?；煦缋碚撌侵该枋鼍哂谢煦缧袨榈姆蔷€(xiàn)性動(dòng)力學(xué)系統的基本理論、概念、方法，它把動(dòng)力學(xué)系統的復雜行為理解為其自身與其在同外界進(jìn)行物質(zhì)、能量和信息交換過(guò)程中內在的有結構的行為，而不是外來(lái)的和偶然的行為，混沌狀態(tài)是一種定態(tài)?；煦鐒?dòng)力學(xué)系統的定態(tài)包括：靜止、平穩量、周期性、準同期性和混沌解?；煦畿壘€(xiàn)是整體上穩定與局部不穩定相結合的結果，稱(chēng)之為奇異吸引子。一個(gè)奇異吸引子有如下一些特征：(1)奇異吸引子是一個(gè)吸引子，但它既不是不動(dòng)點(diǎn)，也不是周期解;(2)奇異吸引子是不可分割的，即不能分為兩個(gè)以及兩個(gè)以上的吸引子;(3)它對初始值十分敏感，不同的初始值會(huì )導致極不相同的行為。

　　我們正是利用混沌算法的以上特性，結合基于用戶(hù)按鍵特征的混沌初值，生成相應的混沌序列對密文進(jìn)行處理，從而極大地加強了本系統的安全性。

　　六、系統測試

　　(一)測試方案

　　取10人，每?jì)扇艘唤M，共5組。10個(gè)用戶(hù)使用同一臺電腦和鍵盤(pán)，要求他們根據自身的輸入習慣使用，不要刻意模仿，依次進(jìn)行如下實(shí)驗。

　　實(shí)驗一：10個(gè)用戶(hù)分別按自己正常的輸入習慣輸入自己設定的6位密碼8次，各個(gè)用戶(hù)分別形成自己的訓練樣本。經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò )學(xué)習后，各用戶(hù)再分別輸入自己預定的6位密碼，測試本系統的虛警率。

　　實(shí)驗二：各用戶(hù)按自己的正常輸入習慣分別輸入錯誤的6位密碼，測試本系統的檢測率。

　　實(shí)驗三：每組用戶(hù)分別用該組另一用戶(hù)的6位密碼嘗試登錄本系統，測試本系統的檢測率。