基于用戶行為特征的驗(yàn)證碼技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的普及和蓬勃發(fā)展，信息安全的重要性日益凸顯，針對(duì)信息安全的威脅也與日俱增，從而給網(wǎng)絡(luò)信息安全帶來(lái)了新的挑戰(zhàn)。作為保證網(wǎng)絡(luò)環(huán)境安全的門(mén)戶，驗(yàn)證碼技術(shù)的研究具有十分重要的理論價(jià)值和現(xiàn)實(shí)意義。與此同時(shí)，驗(yàn)證碼破解技術(shù)日趨成熟，越來(lái)越多的研究者探究新型驗(yàn)證碼技術(shù)以防御攻擊。
　　本文主要研究一種基于用戶使用鼠標(biāo)行為特征的新型驗(yàn)證碼技術(shù)。不同于傳統(tǒng)的圖片驗(yàn)證碼對(duì)用戶識(shí)別能力的判斷，行為式驗(yàn)證碼采用雙重認(rèn)證：第一重是圖像的匹配；

2、第二重是根據(jù)對(duì)人機(jī)交互時(shí)鼠標(biāo)軌跡進(jìn)行的行為特征提取和鑒別來(lái)區(qū)分人機(jī)。本文的具體研究?jī)?nèi)容如下：
　?。?）對(duì)用戶使用鼠標(biāo)完成拖動(dòng)驗(yàn)證生成的行為軌跡進(jìn)行建模分析，基于鼠標(biāo)動(dòng)力學(xué)、信息熵及符號(hào)化時(shí)間序列分析等理論進(jìn)行特征提取。提取的特征不僅包括時(shí)間、采樣點(diǎn)處的位移偏移量等靜態(tài)特征，還包括信息熵、拖動(dòng)速度等動(dòng)態(tài)特征。為了提高特征的魯棒性，需進(jìn)行特征離散化。此外，利用相對(duì)熵衡量提取的行為特征在兩類樣本分布上的差異性，從而選取有效區(qū)分人機(jī)的特

3、征。
　?。?）提取的特征可以從各個(gè)角度表達(dá)用戶的行為特征，但由于其維數(shù)較高，導(dǎo)致識(shí)別的時(shí)間復(fù)雜度大。本文采用主成分分析法將輸入空間映射到低維特征空間，在降低維度的同時(shí)，保留了有效信息。為了得到最具判別能力的特征，采用線性判別分析進(jìn)一步提取特征子空間，并建立行為判別模型來(lái)區(qū)分人機(jī)。
　?。?）本文采用支持向量機(jī)（SVM）進(jìn)行人機(jī)區(qū)分。針對(duì)人機(jī)難以區(qū)分的問(wèn)題，初步使用One-Class SVM算法進(jìn)行異常檢測(cè)。針對(duì)參數(shù)的選取對(duì)

4、SVM識(shí)別率的影響問(wèn)題，本文利用提取的鼠標(biāo)行為特征數(shù)據(jù)進(jìn)行研究。實(shí)驗(yàn)結(jié)果表明，核參數(shù)和誤差項(xiàng)懲罰參數(shù)C的設(shè)定很大程度上影響SVM的分類效果。
　?。?）針對(duì)SVM存在分類偏差的問(wèn)題，本文從黎曼幾何的角度出發(fā)，在滿足Mercer定理的前提下，對(duì)SVM的高斯核采用保角變換進(jìn)行修正，并通過(guò)多次迭代訓(xùn)練分類模型。在本文行為特征數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，修正后的核函數(shù)可以提高分類準(zhǔn)確率，并且減少支持向量的數(shù)目。改進(jìn)的模型具有較好的泛化能力，