基于GRU的智能手機多場景步態認證

姜奇，馮茹，張瑞杰，王金花，陳婷，魏福山

基于GRU的智能手機多場景步態認證

姜奇1,2，馮茹1，張瑞杰3，王金花4，陳婷4，魏福山5

（1. 西安電子科技大學網絡與信息安全學院, 陜西 西安 710126；2. 河南省網絡密碼技術重點實驗室，河南 鄭州 450001；3. 信息工程大學密碼工程學院，河南 鄭州 450001；4. 保密通信重點實驗室，四川 成都 610041；5.信息工程大學網絡空間安全學院，河南 鄭州 450001）

基于步態的智能手機認證研究大多針對單一受控場景，而未考慮多場景變化對認證準確性的影響。智能手機以及用戶的運動方向在不同場景下會發生變化，當使用對方向變化敏感的傳感器采集用戶步態數據時，可能會因場景的改變出現一定的偏差。因此，為智能手機提供一種多場景下的高精度步態認證方法已成為亟待解決的問題。此外，模型訓練算法的選取是決定步態認證準確率和效率的關鍵。目前流行的基于長短期記憶（LSTM，long short-term memory）網絡的認證模型能夠實現較高的認證準確率，但其訓練參數較多，內存占用較大，訓練效率有待提升。針對現有步態認證方案未滿足多場景認證需求、模型認證和訓練且難以兼顧高效率與高準確率的問題，提出了基于門控循環單元（GRU，gate recurrent unit）的智能手機多場景步態認證方案。通過小波變換對步態信號進行初步降噪處理，并采用自適應的步態周期分割算法對循環的步態信號進行切分。為滿足多步態場景的認證需求，采用坐標系轉換方法對步態信號進行方向無關性處理，以消除智能手機方向以及用戶運動方向對認證結果的影響。為實現高準確率認證以及高效率訓練模型，利用不同體系結構的GRU以及多種優化方式訓練用戶步態模型。在公開數據集PSR和ZJU-GaitAcc上對所提方案進行實驗分析。與所列方案對比，所提方案提高了認證準確率，較之基于LSTM的步態認證模型，所提模型的訓練效率提升了約20%。

持續認證；步態行為；多傳感器；門控循環單元

0 引言

近年來，基于用戶行為的持續認證受到廣泛關注，如步態[1]、觸屏[2]、手勢[3]等。步態由于受到身體特征、行走習慣和社會環境的影響，具備個人獨特性且難以被模仿，成為身份認證的研究熱點。伴隨智能手機內各種傳感器的集成，基于手機內置傳感器獲取用戶行為相較于可穿戴傳感器更加便捷，不需要額外的硬件設備，具有低能耗、低成本、易于獲取等優點[4]。

步態認證框架通?？煞譃閿祿杉c預處理和模型注冊與認證兩方面?，F階段已有大量步態認證方案，但仍存在一些缺陷。在數據采集與預處理方面，只有少數研究考慮了傳感器放置部位以及步態活動對認證結果的干擾，文獻[1,5-7]直接忽略此因素，未考慮多場景下的認證情況。文獻[8]的實驗雖然綜合分析了手機放置部位與行走場地變化對認證結果的影響，但并未解決某些場景下認證結果較差的問題，如上下樓梯等。在模型注冊與認證方面，現有方案[9-15]采用的機器學習算法大多難以兼顧認證準確性和模型訓練效率。

在實際的步態場景中，用戶根據個人習慣以及不同需求，將手機放置于身體不同部位，進行不同的步態活動。原始傳感器數據來源于手機自身的設備坐標系，對方向的變化很敏感，設備方向或用戶運動方向的不同可能導致完全不同的測量結果，因此需要對其進行方向無關性處理。處理方式可概括為以下3種。

1) 將傳感器固定放置于用戶身體的某一部位[9,10,16-18]。在實驗中，要求用戶在固定運動傳感器位置的前提下采集步態數據，而手機通常被不受限制地放置在口袋或拿在手中，此方法顯然不符合實際情況。

2) 將數據由設備坐標系轉換到世界坐標系[19-20]。此方法可以抵消設備方向的變化，但由于世界坐標系的、軸固定指向磁場東方和北方，在此坐標系下，一旦用戶的運動方向發生變化，運動傳感器采集的步態信號也隨之變化，故此時步態特征并未獨立于用戶運動方向。

3) 將數據轉到以用戶為中心的坐標系。文獻[21]基于加速度計數據，利用主成分分析（PCA，principal component analysis）原理找到用戶的運動方向，計算得到一個與重力運動方向對齊的新坐標，此坐標以用戶為中心，可消除設備方向以及用戶運動方向的干擾，方案計算復雜度低，但未消除加速度計的固有偏差，導致新坐標方向的精確度不夠高。文獻[22]通過濾波器消除加速度計存在的噪聲和偏差，根據世界坐標系下的加速度計算瞬時速度，將瞬時速度方向作為用戶的運動方向，得出以用戶為中心坐標的三軸方向，此方法能夠很好地去除步態場景變化的干擾，但需要將數據由設備坐標系先轉化到世界坐標系，再轉為用戶坐標系，計算復雜度高，步驟煩瑣。

現有相關方案中步態模型的注冊與認證多采用傳統的機器學習法或統計學習法，如絕對距離、相關性、直方圖、支持向量機（SVM，support vector machine）、近鄰（KNN，-nearest neighbor）算法等。這些模型在訓練前期，需人工提取原始數據的特征，難以準確表示來自不同用戶步態的差異性，認證準確率不高。深度學習可以進行端到端的認證，自適應地提取步態特征。循環神經網絡（RNN，recurrent neural network）由于適合處理時間序列性數據，而被應用到基于運動傳感器的步態認證[13-14]。然而，傳統的RNN模型容易受到梯度消失和梯度爆炸的問題，且RNN的訓練耗時長[23]。文獻[15]采用長短期記憶（LSTM，long short-term memory）網絡進行步態認證，在PSR和GaitAcc兩個數據集上實驗分別得到94%和95%的精度，雖然LSTM可以通過細胞單元和門控機制來克服RNN的上述缺點，但LSTM的參數較多，導致模型的收斂速率緩慢，影響訓練效率。

針對上述問題，本文首先將手機運動傳感器獲取的步態信號進行降噪以及步態周期分割處理；其次，為滿足多步態場景的認證需求，改進文獻[21-22]中坐標系轉換的思想，去除加速度計的固有偏差，更精確地表示出用戶坐標系三軸方向；然后將運動傳感器數據投影變換到此新坐標下，以對其進行方向無關性處理；再次，利用不同體系結構的GRU訓練用戶步態模型，并引入多種優化方式實現高準確率認證以及高效率訓練用戶模型。實驗結果表明，與所列方案相比，本文方案提高了不同步態場景下的認證準確性，在PSR和GaitAcc兩個數據集上的認證等錯誤率（EER，equal error rate）分別為3.94%和4.51%。相較基于LSTM的步態認證模型，本文模型的訓練效率提升了約20%，且內存占用更小。

1 方案設計

本文提出的步態認證框架如圖1所示，主要包括注冊和認證兩個階段。當有新用戶注冊時，智能手機內置的運動傳感器收集用戶的步態數據。智能手機將用戶步態數據傳輸至服務器，經過數據預處理后，存入服務器端時序數據庫中，進而利用這些數據訓練出基于GRU的用戶步態模型，同時將此模型下發至手機端用于離線認證。認證階段分為在線認證和離線認證。當連接網絡時，可通過在線認證來判斷當前用戶是否為合法用戶，若為合法用戶，可將其步態數據傳輸至服務器端進行模型更新，以應對用戶步態隨時間的變化；當未連接網絡時，可在手機端進行離線認證，確保認證方案的實時性。

本文方案中，注冊和認證階段前期均需進行數據預處理工作，包括小波變換降噪、步態周期分割以及坐標系轉換。智能手機只需將運動傳感器數據進行收集和簡單處理，計算密集型任務即步態模型的訓練被部署于服務器，以節省智能手機端的電池能量和計算開銷。接下來，將詳細介紹方案中的關鍵步驟。

1.1 數據采集

圖1 基于GRU的智能手機多場景步態認證系統框架

Figure 1 GRU-based multi-scenario gait authentication system framework for smartphones

1.2 數據降噪

采集到的運動傳感器數據受用戶運動狀態、手機所置身體部位及其他環境因素的干擾，不可避免地包含了大量的噪聲，會降低認證的準確率。因此，需要去除重復、不相關的步態信號，突出步態信號原本的特征差異。本文采用小波變換閾值降噪法過濾步態信號中的噪聲，原因在于：相對于其他降噪方法，該方法能夠很好地處理步態信號與噪聲重疊的情形，保護有用的尖峰步態信號和突變步態信號，在去除高頻噪聲的同時保留步態信號高頻成分；此方法原理簡單、計算復雜度低且容易實現，資源消耗較小。

圖2 降噪前后處理效果對比

Figure 2 Comparison of processing effects before and after noise reduction

1.3 步態周期分割

步驟2 計算所有局部最小值的平均值，將平均值以上的局部最小值從候選集合中去除，如圖3(b)所示。

步驟3 將相鄰的候選點作為一組，選擇每組內的最小值作為周期分割的起始點，如圖3(c)所示，得到步態周期分割的起始點。

圖3 步態周期分割過程

Figure 3 The process of gait cycle segmentation

1.4 坐標系轉換

1.4.1 加速度計數據校準

步態周期分割后，設備坐標系下的加速度計數據可表示為：

步驟1 移除重力分量，得到加速度在水平面的分量，如式(9)所示。

步驟2 求得設備坐標系下，、、三軸數據的平均值，如式(10)所示。

步驟3 將三軸數據去中心化，即用每一坐標的值減去相應的平均值，如式(11)所示。

其中，代表一個步態周期內的樣本個數。

1.5 注冊階段

本文旨在保證高認證準確性的前提下，更為高效地訓練步態認證模型。因此，在訓練模型時做出以下幾點優化。

（1）參數初始化

神經網絡訓練過程中，前一層的訓練結果會直接影響后一層輸入數據的分布，而訓練數據分布的頻繁變換，導致模型參數需要不斷迭代以適應新的分布，這會大大降低網絡訓練效率。為此，本文引入批歸一化（BN，batch normalization），將其置于激活函數之前，使得訓練數據經激活函數變換后都形成均值為0，方差為1的正態分布，從而提高模型訓練效率。

（2）反向傳播優化

使用Adam[27]優化算法對模型的損失函數進行反向傳播優化。Adam是一種優化的梯度更新算法，它結合了適應性梯度和均方根傳播兩種梯度優化算法的優勢，通過計算梯度的一階矩和二階矩估計，為每個參數獨立設計自適應學習率，解決了隨機梯度優化算法設置固定學習率帶來的問題。

（3）防止過擬合

為了防止過擬合，減少神經元的計算開銷，采用Dropout[28]技術，提高模型的泛化能力，即在訓練時隨機從網絡中丟棄一些神經網絡單元，減少訓練過程中的參數量，大大降低計算量，有利于高效訓練步態認證模型。

（4）不同體系結構的GRU模型

本文研究了3種不同的GRU體系結構的步態認證效果，即單層GRU、雙向GRU、多層GRU。其中，單層GRU僅由一個循環層構成；雙向GRU由兩個循環層構成，且兩層結構的運行方向相反；多層GRU由兩個運行方向一致的循環層構成。

1.6 認證階段

本文考慮了兩種認證方案，即離線認證和在線認證。隨著時間的推移，合法用戶的步態習慣可能會發生一些變化，為了應對此變化，考慮使模型可以自適應地變化以避免頻繁的模型重置。在網絡連接的條件下，若服務器端判定當前用戶為合法用戶，將累計指定數量的新合法樣本添加到訓練集，使模型的訓練集實現自動更新，同時可以增大判定為合法用戶的閾值，以保證更高的認證準確率。為了減少智能手機端的計算開銷和存儲空間，只考慮在服務器端進行認證模型的更新。若用戶所處環境無法進行網絡連接，則可用本地的身份認證模型進行認證，包括前期的數據預處理均在本地進行。

2 理論分析與實驗評估

為了評估本文方案在多步態場景下的有效性以及高效性，對當前步態認證領域廣泛應用的基于LSTM的模型（簡稱為LSTM）與基于GRU的模型（簡稱為GRU）進行對比。下文首先理論分析GRU相較于LSTM的優勢，然后通過實驗加以驗證。

2.1 理論分析

LSTM與GRU均通過門控單元對步態信息進行篩選，保留數據中的長期依賴性，但二者工作機制存在不同，導致認證效果以及性能存在區別。

其次，計算候選記憶細胞：

最后，得到新的記憶細胞，并輸出當前隱狀態信息：

其次，計算候選隱狀態：

最后，利用更新門計算當前隱狀態：

下文通過實驗對比分析在本文多步態場景中GRU和LSTM的性能。

2.2 實驗設置

2.2.1 數據集介紹

本文在兩個公開的數據集PSR和ZJU- GaitAcc上進行方案的驗證評估，下面分別對其詳細介紹。

PSR數據集[29]采集了10位用戶的智能手機運動傳感器（加速度計、陀螺儀和磁力計）數據，采樣頻率為50 Hz，涉及6種行為活動。對于不同的行為活動有5種不同的設備位置，分別為褲子右口袋、褲子左口袋、腰部、右上臂、右手腕。本文選擇其中涉及步態的4種行為活動即步行、慢跑、上樓梯、下樓梯，與不同設備位置組合共20種步態場景進行評估。每種步態場景數據采集量為9 000條，故每位用戶的數據量有180 000條。

ZJU-GaitAcc數據集[30]采集了175位用戶步行時的加速度計數據，采樣頻率為100 Hz，包括5種設備的位置，分別為左上臂、右手腕、右側骨盆、左大腿、右腳踝。參與用戶中的153人參加了兩次會話的數據采集，不同會話的間隔范圍為一周至半年，其他22位用戶僅參加了一次會話。本文選擇同時參與兩次會話的用戶數據進行實驗。

本文選擇上述兩個數據集進行實驗的原因是綜合考量方案的可行性。PSR數據集采集的步態場景較多，但其包含用戶數較少；ZJU-GaitAcc數據集采集用戶數較多，且包含不同會話數據，但該數據集僅包括步行時5種不同設備位置的加速度計數據。

2.2.2 評估指標

為了全面分析本文所提方案的綜合性能，選擇準確率、EER、曲線下方面積大?。ˋUC，area under curve）作為評估指標。準確率表示被正確分類的樣本占所有樣本的比率；EER表示閾值變化時，錯誤接受率（FAR，false accept rate）和錯誤拒絕率（FRR，false reject rate）相等的錯誤率；AUC表示受試者工作特征曲線（ROC，receiver operating characteristic curve）下方的面積大小。準確率越高，EER越小，AUC越大表明認證效果越好。

2.2.3 訓練參數設置

經過多組實驗，本文將網絡參數更新的學習率設為0.001；隱藏層節點個數為128。訓練epoch次數為200次，每批次訓練樣本為64個。訓練樣本大小決定了每epoch花費的時間以及迭代之間梯度的平滑程度，訓練樣本過大導致梯度容易陷入局部最小值，而過小會導致模型訓練速度緩慢，梯度震蕩嚴重，不利于收斂。Dropout概率取值為0.8，即在每次網絡訓練時，只需更新80%的參數權重，減少了權重更新的計算量，從而提升網絡模型的訓練效率。

2.3 坐標系轉換前后對比實驗

為了驗證坐標系轉換對于多場景認證效果的提升，本文采用PSR數據集中不同步態活動（步行、慢跑、上樓梯、下樓梯）的數據進行實驗，并對比了不同體系結構的GRU的認證結果，如圖4所示。

由圖4可知，經過坐標系轉換后的準確率，整體有較大提升，尤其是對于上下樓梯的步態活動。在上下樓梯時，設備坐標系下的運動傳感器數據受到更多手機晃動以及用戶移動方向變化帶來的噪聲干擾，難以準確獲取用戶的步態信號；而經坐標系轉換后，運動傳感器數據獨立于手機方向與用戶的步態方向，能夠更精確地捕獲用戶步態信息?？梢暬鴺宿D換前后步態數據，可看出用戶坐標系下的數據波動相較設備坐標系下更加平穩有規律，且噪聲干擾更少；步行和慢跑的步態數據在轉換前已經更平穩且具有周期性，所以轉換后的認證準確率提升較小。此外，橫向對比這3種不同體系結構可得出，雙向GRU和多層GRU都略高于單層GRU，原因是兩層循環神經網絡的學習能力更強，雙向GRU與多層GRU的認證結果相差不大，雙向GRU要略好于多層GRU。

圖4 不同體系結構GRU坐標系轉換前后準確率對比

Figure 4 Comparison of accuracy rates before and after GRU coordinate system conversion with different architectures

2.4 多步態場景實驗

結合實際生活情況，在不同的步態場景下，用戶可能會將智能手機放于身體的不同位置。例如在步行時，用戶更習慣將手機放在左右口袋或者腰包中；而在慢跑時，為了運動便捷，更習慣將手機放在上臂或腕部的包中。在以上情境中，手機的放置部位對步態認證有著一定程度的影響。本文首先采用PRS數據集，共20種步態場景進行實驗。從2.3節的實驗中可以看出雙向體系結構的GRU的認證效果相對更好，所以在本實驗中采用雙向GRU作為認證模型，并將其與雙向LSTM進行對比評估，實驗結果如表1所示。

表1 雙向GRU和雙向LSTM在不同步態場景下的準確率

由表1可知，手機位于腰部時的認證效果最佳，而位于左右口袋、腕部、上臂的認證效果較差。分析其原因可得，位于腰部時，手機與用戶身體貼合，且位于人的中心位置，更能準確捕獲用戶的步態行為；而位于左右口袋時，用戶的步態行為會導致口袋內的手機晃動，因此產生更多的干擾因素；當手機位于腕部和上臂時，此時運動傳感器不僅記錄了步態信號，也反映了上臂的擺動信號。

此外，將雙向GRU和雙向LSTM在20種步態場景中的平均認證性能進行對比，由表1中數據可計算得出平均準確率分別為92.00%和91.68%；平均EER分別為9.38%和10.12%；平均AUC分別為93.07%和92.39%。綜上，可得出雙向GRU的認證性能略優于雙向LSTM，但不可否定的是在一些場景中LSTM有著更好的認證結果。

表2給出了采用U-GuitAcc數據集進行實驗的結果。由表中可觀察到，會話內的認證準確率普遍高于會話間，這是由于用戶在會話內的步態活動基本保持一致，而隨著時間的增加，步態習慣可能會發生變化，著裝不同等會導致步態信號不同。此外，可以發現將設備置于大腿時的認證準確率最高，其次是骨盆處，相當于PSR數據集中的腰部，這是由于大腿處采集的加速度計信號更貼合用戶步態行為。本文在不區分放置部位的情況下評估了不同會話狀態下的性能，即將不同部位的步態數據混合，得到一個綜合測量數據集以進行評估，實驗結果表明，該綜合數據集下會話內的認證準確率為96.83%，AUC為96.89%，EER為4.51%；會話間的認證準確率為89.76%，AUC為88.92%，EER為10.78%。

表2 不同設備放置部位會話內和會話間的認證結果

2.5 方案性能分析

本文方案旨在服務于智能手機端的步態認證，因此認證時延可能會影響到用戶的隱私安全以及用戶友好性。為此，本文針對認證時所需的步態周期個數進行實驗對比，同樣，對比了雙向GRU和雙向LSTM的認證性能，如圖5所示。由圖5(a)可知，當認證所需步態周期個數為1時，EER較高，隨著周期個數的增加，EER逐漸下降，直到周期個數為4時，達到最優結果，之后又開始增加。原因是當周期個數較少時，捕獲的步態信號有限且具備偶然性，當獲得足夠的數據時便可更好地體現用戶步態特征，得到最優的認證結果，而更多的數據反而會引入更多干擾因素，影響最終結果。同樣，從圖5(b)可看出AUC隨步態周期個數的增加而增加，當周期個數為4時，獲得了最優的AUC，隨后又逐漸下降。這說明本文方案在較少的步態周期下，即可獲得較高的認證結果，具備高效率的認證性能。

此外，從圖5可以看出GRU和LSTM在步態周期為4時均達到了最優的認證結果，且相差不大。但是從訓練效率角度分析，基于雙向LSTM的步態模型訓練大約需要52.39 s，而基于雙向GRU的步態模型大約需要43.57 s，模型的訓練效率提升了約20%。此外，雙向LSTM的模型占用存儲空間約為1.86 MB，雙向GRU的模型占用存儲空間約為1.5 MB。綜上，在不影響步態認證準確率的前提下，選擇基于GRU的步態認證模型是一個更好的選擇。

圖5 GRU和LSTM認證結果隨步態周期個數增加變化情況

Figure 5 The variation of GRU and LSTM authentication results with increasing gait cycles

2.6 相關文獻對比

將PSR數據集中4種不同步態活動的認證結果與文獻[5]和[8]進行對比，結果如表3所示。由表中可以看出文獻[5]在4種步態活動下的認證準確率均未達到90%以上，認證效果較差。文獻[8]在步行時準確率達到了94.86%，但上下樓梯時的認證準確率同樣偏低。本文方案在4種步態活動下的認證準確率都優于其他方案，尤其提升了上下樓梯時的認證準確率，表明本文方案在不同的步態活動下魯棒性更高，認證準確率更高。此外，本文還考慮了不同步態活動下，不同手機放置部位的影響，共20種步態場景，適用范圍更廣。將ZJU-GaitAcc數據集的認證結果與使用同數據集的文獻[1]和文獻[30]的認證結果進行對比，由表3中可觀察到本文方案的處理方法得到的認證準確率更高，這是由于本文通過坐標系轉換對步態數據進行了方向無關性處理，且利用GRU以及多種模型優化方式訓練得到步態認證模型，從而獲得較高的認證準確率。

表3 與現有文獻對比

3 結束語

本文提出了基于GRU的智能手機多場景步態認證方案，通過去噪、步態周期提取以及坐標系轉換等方法對步態信號進行處理，去除其中方向無關因素的干擾。此外，采用雙向GRU模型進行模型注冊和用戶認證，權衡了訓練效率和準確性。實驗結果表明，與其他方案對比，本文方案提高了不同步態場景下的認證準確率，較之基于LSTM的步態認證模型，基于GRU的模型訓練效率提升了約20%。為了達到實用性和實時性，本文將認證分為在線認證和離線認證。由于在線認證涉及用戶步態數據、用戶認證模型的傳輸，以及數據的隱私保護問題，本文將此部分留到未來工作中。

[1] SUN F, MAO C, FAN X, et al. Accelerometer-based speed adaptive gait authentication method for wearable IoT devices[J]. IEEE Internet of Things Journal, 2018, 6(1): 820-830.

[2] 姜奇, 文悅, 張瑞杰, 等. 面向智能手機的自適應觸屏持續認證方案[J]. 電子學報, 2022, 50(5): 1131-1139.

JIANG Q, WEN Y, ZHANG R J, et al. Adaptive touch screen cotinuous authentication scheme for smartphones[J]. Acta Electronica Sinica, 2022, 50(5): 1131-1139.

[3] JIANG Q, HUANG X H, ZHANG N, et al. Shake to communicate: secure handshake acceleration-based pairing mechanism for wrist worn devices[J]. IEEE Internet of Things Journal, 2019, 6(3): 5618-5630.

[4] ZHU T T, QU Z Y, XU H T, et al. RiskCog: unobtrusive real-time user authentication on mobile devices in the wild[J]. IEEE Transactions on Mobile Computing, 2020, 19(2): 466-483.

[5] 蔣偉, 王瑞錦, 余蘇喆, 等. 基于步態識別的移動設備身份認證模型[J]. 電子科技大學學報, 2019, 48(2): 272-277.

JIANG W, WANG R J, YU S Z, et al. Research on identity authentication model of mobile devices based on gait recognition[J]. Journal of University of Electronic Science and Technology of China, 2019, 48(2): 272-277.

[6] COLA G, AVVENUTI M, MUSSO F, et al. Gait-based authentication using a wrist-worn device[C]//Proceedings of the 13th International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services. 2016: 208-217.

[7] MUAAZ M, MAYRHOFER R. Smartphone-based gait recognition: From authentication to imitation[J]. IEEE Transactions on Mobile Computing, 2017, 16(11): 3209-3221.

[8] 楊力, 馬卓茹, 張程輝, 等. 基于步態特征的移動平臺持續認證方案[J]. 通信學報, 2019, 40(7): 126-134.

YANG L, MA Z R, ZHANG C H, et al. Mobile platform continuous authentication scheme based on gait characteristics[J]. Journal on Communications, 2019, 40(7): 126-134.

[9] THANG H M, VIET V Q, DINH THUC N, et al. Gait identification using accelerometer on mobile phone[C]//2012 International Conference on Control, Automation and Information Sciences (ICCAIS). 2012: 344-348.

[10] HESTBEK M R, NICKEL C, BUSCH C. Biometric gait recognition for mobile devices using wavelet transform and sup-port vector machines[C]//2012 19th International Conference on Systems, Signals and Image Processing (IWS-SIP). 2012: 205-210.

[11] HOANG T, CHOI D, NGUYEN T. On the instability of sensor orientation in gait verification on mobile phone[C]//2015 12th International Joint Conference on e-Business and Telecommunications (ICETE). 2015: 148-159.

[12] CHOI S, YOUN I H, LEMAY R, et al. Biometric gait recognition based on wireless acceleration sensor using k-nearest neighbor classification[C]//2014 International Conference on Computing, Networking and Communications (ICNC). 2014: 1091-1095.

[13] FERNANDEZ-LOPEZ P, LIU-JIMENEZ J, KIYOKAWA K, et al. Recurrent neural network for inertial gait user recognition in smartphones[J]. Sensors, 2019, 19(18): 4054.

[14] GIORGI G, MARTINELLI F, SARACINO A, et al. Walking through the deep: gait analysis for user authentication through deep learning[C]//IFIP International Conference on ICT Systems Security and Privacy Protection. 2018: 62-76.

[15] ZHANG M. Gait activity authentication using LSTM neural networks with smartphone sensors[C]//2019 15th International Conference on Mobile Ad-Hoc and Sensor Networks (MSN). 2019: 456-461.

[16] GAFUROV D, HELKALA K, SONDROL T. Biometric gait authentication using accelerometer sensor[J]. Journal of Computers, 2006, 1(7): 51-59.

[17] GAFUROV D, SNEKKENES E, BOURS P, et al. Gait authentication and identification using wearable accelerometer sensor[C]//2007 IEEE Workshop on Automatic Identification Advanced Technologies. 2007: 220-225.

[18] MANTYJARVI J, LINDHOLM M, VILDJIOUNAITE E, et al. Identifying users of portable devices from gait pattern with accelerometers[C]//Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing. 2005: 973-976.

[19] XU W, SHEN Y, ZHANG Y, et al. Gait-watch: a context-aware authentication system for smart watch based on gait recognition[C]//Proceedings of the Second International Conference on Internet-of-Things Design and Implementation. 2017: 59-70.

[20] XU W, REVADIGAR G, LUO C, et al. Walkie-talkie: Motion-assisted automatic key generation for secure on-body device communication[C]//2016 15th ACM/IEEE International Conference on Information Processing in Sensor Net-works (IPSN). 2016: 1-12.

[21] GADALETA M, ROSSI M. IDNet: Smartphone-based gait recognition with convolutional neural networks[J]. Pattern Recognition, 2018, 74: 25-37.

[22] FERREIRA A, SANTOS G, ROCHA A, et al. User-centric coordinates for applications leveraging 3-axis accelerometer data[J]. IEEE Sensors Journal, 2017, 17(16): 5231-5243.

[23] ABUHAMAD M, ABUHMED T, MOHAISEN D, et al. AUToSen: deep learning-based implicit continuous authentication using smartphone sensors[J]. IEEE Internet of Things Journal, 2020, 7(6): 5008-5020.

[24] ZOU Q, NI L, WANG Q, et al. Robust gait recognition by integrating inertial and RGBD sensors[J]. IEEE Transactions on Cybernetics, 2018, 48(4): 1136-1150.

[25] FONG W T, ONG S K, NEE A Y C. Methods for in-field user calibration of an inertial measurement unit without external equipment[J]. Measurement Science and Technology, 2008, 19(8): 085202.

[26] 戴邵武, 王克紅, 慶曾宏. 基于混合 PSO 算法的加速度計快速標定方法[J]. 壓電與聲光, 2015, 37(2): 232-236.

DAI S W, WANG K H, QING Z H. Rapid calibration of accelerometer based on hybrid particle swarm optimization algorithm[J]. Piezoelectrics & Acoustooptics, 2015, 37(2): 232-236.

[27] KINGMA D P, BA J. Adam: A method for stochastic optimization[C]//Proceedings of the 2015 International Conference on Learning Representations. 2015: 1-15.

[28] SRIVASTAVA N, HINTON G, KRIZHEVSKY A, et al. Dropout: A simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15(1): 1929-1958.

[29] SHOAIB M, BOSCH S, INCEL O, et al. Fusion of smartphone motion sensors for physical activity recognition[J]. Sensors, 2014, 14(6): 10146-10176.

[30] ZHANG Y, PAN G, JIA K, et al. Accelerometer-based gait recognition by sparse representation of signature points with clusters[J]. IEEE Transactions on Cybernetics, 2014, 45(9): 1864-1875.

GRU-based multi-scenario gait authentication for smartphones

JIANG Qi1,2, FENG Ru1, ZHANG Ruijie3, WANG Jinhua4, CHEN Ting4, WEI Fushan5

1. School of Cyber Engineering, Xidian University, Xi’an 710126, China 2. Henan Key Laboratory of Network Cryptography Technology, Zhengzhou 450001, China 3. College of Cryptographic Engineering, Information Technology University, Zhengzhou 450001, China 4. Science and Technology on Communication Security Laboratory, Chengdu 610041, China 5. School of Cyber Science and Engineering, Information Technology University, Zhengzhou 450001, China

At present, most of the gait-based smartphone authentication researches focus on a single controlled scenario without considering the impact of multi-scenario changes on the authentication accuracy. The movement direction of the smartphone and the user changes in different scenarios, and the user’s gait data collected by the orientation-sensitive sensor will be biased accordingly. Therefore, it has become an urgent problem to provide a multi-scenario high-accuracy gait authentication method for smartphones. In addition, the selection of the model training algorithm determines the accuracy and efficiency of gait authentication. The current popular authentication model based on long short-term memory (LSTM) network can achieve high authentication accuracy, but it has many training parameters, large memory footprint, and the training efficiency needs to be improved. In order to solve the above problems a multi-scenario gait authentication scheme for smartphones based on Gate Recurrent Unit (GRU) was proposed. The gait signals were preliminarily denoised by wavelet transform, and the looped gait signals were segmented by an adaptive gait cycle segmentation algorithm. In order to meet the authentication requirements of multi-scenario, the coordinate system transformation method was used to perform direction-independent processing on the gait signals, so as to eliminate the influence of the orientation of the smartphone and the movement of the user on the authentication result. Besides, in order to achieve high-accuracy authentication and efficient model training, GRUs with different architectures and various optimization methods were used to train the gait model. The proposed scheme was experimentally analyzed on publicly available datasets PSR and ZJU-GaitAcc. Compared with the related schemes, the proposed scheme improves the authentication accuracy. Compared with the LSTM-based gait authentication model, the training efficiency of the proposed model is improved by about 20%.

continuous authentication, gait behavior, multi-sensor, GRU

TP393

A

10.11959/j.issn.2096?109x.2022060

2022?05?23；

2022?07?22

張瑞杰，rjz_wonder@163.com

國家自然科學基金重大研究計劃（92167203）；國家自然科學基金（62072352，62125205）；陜西省教育廳科研計劃項目（20JY016）；陜西省重點產業鏈項目（2020ZDLGY09-06）

The Major Research Plan of the National Natural Science Foundation of China(92167203), The National Natural Science Foundation of China(62072352, 62125205), Scientific Research Program Funded by Education Department of Shaanxi Provincial Government (20JY016), Key Industrial Chain Projects in Shaanxi Province(2020ZDLGY09-06)

姜奇, 馮茹, 張瑞杰, 等. 基于GRU的智能手機多場景步態認證[J]. 網絡與信息安全學報, 2022, 8(5): 26-39.

Format: JIANG Q, FENG R, ZHANG R J, et al. GRU-based multi-scenario gait authentication for smartphones[J]. Chinese Journal of Network and Information Security, 2022, 8(5): 26-39.

姜奇（1983?），男，安徽全椒人，西安電子科技大學教授、博士生導師，主要研究方向為密碼協議，物聯網安全。

馮茹（1997?），女，山西晉城人，西安電子科技大學碩士生，主要研究方向為生物認證。

張瑞杰（1984?），女，河南鄭州人，信息工程大學講師，主要研究方向為人工智能、網絡信息防御等。

王金花（1995?），女，山西太原人，保密通信重點實驗室助理工程師，主要研究方向為密碼協議設計與分析。

陳婷（1995?），女，江西贛州人，保密通信重點實驗室助理工程師，主要研究方向為網絡安全、密碼協議設計與分析。

魏福山（1983?），男，甘肅武威人，信息工程大學副教授、博士生導師，主要研究方向為安全協議設計與分析。