智能安全鍵盤軟硬件完整方案

　　一、系統(tǒng)方案

　　隨著計算機(jī)及其網(wǎng)絡(luò)應(yīng)用的日益普及，尤其是互聯(lián)網(wǎng)應(yīng)用的迅猛發(fā)展，計算機(jī)及其網(wǎng)絡(luò)系統(tǒng)的安全管理問題日顯突出，各種非法的計算機(jī)及網(wǎng)絡(luò)入侵事件頻頻發(fā)生。據(jù)統(tǒng)計，網(wǎng)絡(luò)入侵的70%~80%來自于網(wǎng)絡(luò)內(nèi)部，因此加強(qiáng)對計算機(jī)使用者身份的監(jiān)督和管理，防止合法用戶的越權(quán)和惡意訪問以及非法用戶的非法訪問都顯得十分重要。

　　那么，我們怎樣加強(qiáng)對計算機(jī)使用者身份的監(jiān)督和管理呢?

　　首先，傳統(tǒng)的密碼技術(shù)是最常用的用戶訪問控制手段，但密碼又比較容易遺失或被破解。

　　于是，人們提出了多個基于各種生物特征的用戶身份認(rèn)證方法，是的身份認(rèn)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身份認(rèn)證方法均需要額外價格不菲的硬件設(shè)備(其價格從數(shù)百美元到數(shù)萬美元不等)，這也就使得基于這些生物特征的用戶身份認(rèn)證方法無法得到廣泛的應(yīng)用。

　　為利用現(xiàn)有普通電腦硬件，完成基于生物特征的用戶身份認(rèn)證，人們提出了基于用戶擊鍵特征來進(jìn)行用戶身份認(rèn)證的方法，該方法利用用戶輸入口令時的擊鍵壓力、擊鍵節(jié)奏等所構(gòu)成的用戶生物特征，來進(jìn)行用戶身份的認(rèn)證工作。用戶由于不同的生理特點(diǎn)和習(xí)慣，在使用鍵盤時存在擊鍵力度、鍵盤熟練程度等明顯差異(類似于筆跡、指紋)。

　　受智能密碼的啟發(fā)，即不同用戶的鍵盤使用習(xí)慣、特征存在差異，我們提出一種將用戶鍵盤使用特征和神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合的用戶身份監(jiān)督、管理方法。本系統(tǒng)就是利用這種差異提取特征量， 建立模型， 實(shí)現(xiàn)對用戶身份的辨別和監(jiān)控。

　　目前，國內(nèi)外有關(guān)的基于用戶擊鍵生物特征進(jìn)行身份認(rèn)證研究的公開報道并不多：Dunn認(rèn)為擊鍵時延符合正態(tài)分布并使用了距離分類法;Monrose 和Rubin提出了一種基于K近鄰聚類方法的算法;Kacholia和Pandit提出了一種基于啟發(fā)式聚類的算法，但并沒有給出聚類算法的細(xì)節(jié);Ru 和Eloff及Tapiador 和Sigüenza嘗試了模糊數(shù)學(xué)的方法;朱明等人也提出了基于示例學(xué)習(xí)的方法對用戶身份的真?zhèn)芜M(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(xùn)練來區(qū)分不同的用戶，Monrose 等人將這一技術(shù)用于強(qiáng)化用戶身份驗(yàn)證。但是，他們的研究都是基于軟件層面的，而且采樣數(shù)據(jù)也很有限。

　　我們提出的智能安全鍵盤將壓力傳感器加入傳統(tǒng)鍵盤中，旨在利用已有的用戶名和密碼，通過用戶特定的擊鍵特征，即按鍵時間長短、時間間隔和壓力三個參數(shù)，來判定某一擊鍵序列是否為某特定用戶的行為，進(jìn)而對用戶身份的真?zhèn)芜M(jìn)行判斷識別，以此來強(qiáng)化身份驗(yàn)證的效果，防止密碼被他人非法使用，加強(qiáng)對計算機(jī)使用者身份的監(jiān)督和管理，使鍵盤操作更安全，從而達(dá)到信息安全的目的。

　　二、實(shí)現(xiàn)方案

　　(一)理論基礎(chǔ)

　　根據(jù)一個簡化的統(tǒng)計，人腦由百億條神經(jīng)組成，每條神經(jīng)平均連結(jié)到其它幾千條神經(jīng)。通過這種連結(jié)方式，神經(jīng)可以收發(fā)不同數(shù)量的能量。神經(jīng)的一個非常重要的功能是，它們對能量的接受并不是立即作出響應(yīng)，而是將它們累加起來，當(dāng)這個累加的總和達(dá)到某個臨界閾值時，將自己的那部分能量發(fā)送給其它的神經(jīng)。大腦通過調(diào)節(jié)這些連結(jié)的數(shù)目和強(qiáng)度進(jìn)行學(xué)習(xí)。盡管這是個生物行為的簡化描述。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)開始，并把重點(diǎn)放在閾值邏輯單元(TLU)這一特征上。一個TLU是一個對象，它可以輸入一組加權(quán)系數(shù)的量，對它們進(jìn)行求和，如果這個和達(dá)到或者超過了某個閾值，則輸出一個量。用符號標(biāo)注這些功能，首先，輸入值以及它們的權(quán)系數(shù)分別記為X1,X2,...,Xn和W1,W2,...,Wn。接著，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)

　　閾值稱為theta。最后，輸出結(jié)果y。當(dāng)a>=theta時y=1，反之y=0。輸出可以是連續(xù)的，因?yàn)樗部梢杂梢粋€squash函數(shù)s(或 sigma)判定，該函數(shù)的自變量是a，函數(shù)值在0和1之間，y=s(a)。

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

　　TLU 會分類，假設(shè)一個TLU有兩個輸入值，它們的權(quán)系數(shù)等于1，theta值等于1.5。當(dāng)這個 TLU 輸入<0,0>、<0,1>、<1,0>和<1,1>時，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(xí)原理

　　神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制是模仿大腦調(diào)節(jié)神經(jīng)連結(jié)的原理。TLU通過改變它的權(quán)系數(shù)和閾值來學(xué)習(xí)。當(dāng)SUM(Xi*Wi)>=theta時TLU在臨界點(diǎn)時輸出的是1而不是0，臨界點(diǎn)是出現(xiàn)在SUM(Xi*Wi)+(-1*theta)>=0的時候。所以，我們可以把-1看成一個常量輸入，它的權(quán)系數(shù)theta在學(xué)習(xí)的過程中進(jìn)行調(diào)整。這樣，當(dāng)SUM(Xi*Wi)+(-1*theta)>=0時，y=1，反之y=0。

　　在學(xué)習(xí)過程中，神經(jīng)網(wǎng)絡(luò)輸入一系列需要分類的術(shù)語示例和它們的正確分類或者目標(biāo)。

　　這樣的輸入可以看成一個向量：，這里t是一個目標(biāo)或者正確分類。神經(jīng)網(wǎng)絡(luò)用這些來調(diào)整權(quán)系數(shù)，其目的使學(xué)習(xí)中的目標(biāo)與其分類相匹配。更確切地說，這是有指導(dǎo)的學(xué)習(xí)，與之相反的是無指導(dǎo)的學(xué)習(xí)。前者是基于帶目標(biāo)的示例，而后者卻只是建立在統(tǒng)計分析的基礎(chǔ)上。權(quán)系數(shù)的調(diào)整有一個學(xué)習(xí)規(guī)則，一個理想化的學(xué)習(xí)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(xí)規(guī)則有很多，通過對收集的大量資料的研究分析，我們發(fā)現(xiàn)，有一條似乎合理的規(guī)則是基于這樣一種思想，即權(quán)系數(shù)和閾值的調(diào)整應(yīng)該由分式(t-y)確定。這個規(guī)則通過引入學(xué)習(xí)率alpha(0