基于深度学习的磁感应智能卡安全访问认证方法及系统与流程

本发明涉及访问认证领域，具体为一种基于深度学习的磁感应智能卡安全访问认证方法及系统。

背景技术：

1、磁感应智能卡通过与读卡器之间的通信进行认证，然而在这一过程中可能面临各种风险，例如延迟、数据重传、噪声干扰等，但是现有技术忽略了用户在认证成功后的行为模式也可能揭示潜在的安全风险，不能够将认证过程与用户的行为模式结合分析，忽视了认证过程中的详细信息和用户后续行为的分析。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的磁感应智能卡安全访问认证方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、s1：通过卷积神经网络从智能卡和读卡器之间传输的信号数据进行处理，采集认证成功的用户在认证过程中产生的延迟信息、重传率信息以及噪声信息；

4、s2：根据延迟信息、重传率信息以及噪声信息的综合性处理，量化用户在认证过程中存在的风险；

5、s3：根据用户认证成功后在数据库中的行为特征与其他用户在数据库中的行为特征进行对比，确定用户的相似信息，并根据用户历史的登录行为，确定用户的时效信息；

6、s4：将用户的相似信息和时效信息综合处理，量化用户行为信息的风险程度，并将结合用户在认证过程中存在的风险，确定用户的安全信任评分。

7、优选的，所述延迟信息，包括：

8、将采集的延迟信息进行处理，通过延迟波动系数进行表示，延迟波动系数的获取逻辑为：设置监测区间和滑动窗口的大小，将每个滑动窗口中的数据标记为：，其中，n=1、2、3、……、n，n为正整数，j=1、2、3、……、j，j为正整数，n表示监测区间内滑动窗口的编号，j表示第n个滑动窗口中数据的编号；

9、获得每个滑动窗口中数据的标准差，将每个滑动窗口中数据的标准差标记为：bz，其中，，；

10、设定一个延迟标准差的参考阈值，在每个滑动窗口内计算的标准差与预设的参考阈值进行比较，如果滑动窗口内计算出的标准差超过参考阈值，则该滑动窗口标记为异常窗口，获得监测区间内异常窗口的数量，并将监测区间内异常窗口的数量标记为：，通过监测区间内异常窗口的数量与监测区间内滑动窗口的数量之比计算延迟波动系数，延迟波动系数的计算公式为：，其中，为延迟波动系数。

11、优选的，所述重传率信息，包括：

12、将采集的重传率信息进行处理，通过重传率异常系数表示，重传率异常系数的获取逻辑为：获得监测区间内重传的数据包，根据重传数据包的传输时间顺序，确定重传数据包序列；

13、对数据进行平稳化处理，使用自回归移动平均模型对重传数据包序列进行建模，利用自回归移动平均模型对未来的重传率进行预测，确定自回归移动平均模型的阶数，将处理好的重传数据包序列拟合自回归移动平均模型，自回归移动平均模型的表达式为：；其中，为时间点t处的重传率，p为自回归部分的阶数，q为移动平均部分的阶数，为时间点t的误差项，、、……、为自回归参数，、、……、为移动平均参数；

14、使用拟合好的自回归移动平均模型对未来的时间点进行重传率预测，收集实际的未来时间点的重传率值和预测的未来时间点的重传率值，计算预测值与实际值之间的偏差；

15、设定残差阈值，将计算出的残差与残差阈值进行比较，若计算出的残差大于残差阈值，则将时间点标记为异常时间点，若计算出的残差小于残差阈值，则将时间点标记为正常时间点，获得异常时间点和正常时间点的数量，计算重传率异常系数，计算公式为：；其中，为重传率异常系数，为异常时间点的数量，为正常时间点的数量。

16、优选的，所述噪声信息，包括：

17、将采集的噪声信息进行处理，通过信噪偏差系数表示，信噪偏差系数的获取逻辑为：获得监测区间内信号强度和噪声强度，并将监测区间内信号强度和噪声强度分别标记为：和，i=1、2、3、……、i，i为正整数，i为监测区间内采集的编号；

18、设置信号强度阈值和噪声强度阈值，并将信号强度阈值和噪声强度阈值分别标记为：和；

19、计算信号强度偏差，计算公式为：其中，为信号强度偏差；

20、计算噪声强度偏差，计算公式为：其中，为噪声强度偏差；

21、计算信噪偏差系数，计算公式为：；其中，为信噪偏差系数。

22、优选的，量化用户在认证过程中存在的风险，包括：

23、将延迟波动系数、重传率异常系数以及信噪偏差系数综合性分析，建立通讯风险模型，生成通信风险评估系数，通信风险评估系数的计算公式为：；其中，为通信风险评估系数，、、分别为延迟波动系数、重传率异常系数以及信噪偏差系数的比例系数，、、都大于0。

24、优选的，所述相似信息，包括：

25、用户的行为相似信息通过用户在安全认证成功后在数据库中的浏览历史和点击记录获得，获得用户进入数据库后的操作行为特征，操作行为特征包括点击对象、浏览时间、操作频率、访问范围，生成用户行为特征矩阵，获得其他正常用户进入数据库后的操作行为特征，根据其他正常用户的点击对象、浏览时间、操作频率、访问范围，生成其他正常用户行为特征矩阵，并通过相似度计算的方式对比用户行为特征矩阵和其他正常用户行为特征矩阵的相似度，并将用户行为特征矩阵和其他正常用户行为特征矩阵的相似度结果通过相似系数表示。

26、优选的，所述时效信息，包括：

27、将用户的时效信息通过时效系数表示，时效系数的获取逻辑为：根据用户的认证记录，获得用户每次登录的时间间隔，并将用户每次登录的时间间隔标记为：，其中，k=1、2、3、……、k，k为正整数，k为用户每次登录的时间间隔的编号；

28、计算用户每次登录的时间间隔的标准差，计算公式为：；其中，为用户每次登录的时间间隔的标准差，为用户每次登录的时间间隔的平均值，；

29、获得用户距离上一次认证登录的时间间隔，并将用户距离上一次认证登录的时间间隔标记为：，计算时效系数，计算公式为：；其中，为时效系数。

30、优选的，量化用户行为信息的风险程度，确定用户的安全信任评分，包括：

31、将相似系数和时效系数综合性分析，建立行为风险模型，生成用户行为风险评估系数，用户行为风险评估系数的计算公式为：；其中，为用户行为风险评估系数，为相似系数，、为相似系数、时效系数的比例系数，、都大于0。

32、将通信风险评估系数和用户行为风险评估系数通过加权求和计算，生成安全信任评分，安全信任评分的表达式为：；其中，为安全信任评分，、为通信风险评估系数、用户行为风险评估系数的比例系数，、都小于0。

33、设置安全信任评分阈值，在用户每次通过磁感应智能卡进行认证通过后，获得用户的安全信任评分，将用户的安全信任评分与安全信任评分阈值进行对比，若安全信任评分大于安全信任评分阈值，则生成安全信号，若安全信任评分小于安全信任评分阈值，则生成预警信号。

34、优选的，一种基于深度学习的磁感应智能卡安全访问认证系统，包括数据采集模块、认证模块、行为分析模块、风险评估模块以及评分模块，模块之间信号连接；

35、数据采集模块，用于采集智能卡与读卡器之间的认证过程产生的数据，并采集用户在数据库中的行为数据；

36、认证模块，用于处理智能卡与读卡器之间的认证过程，使用深度学习模型对传输的信号数据进行验证，生成认证成功或失败的初步结果，并收集相关数据用于后续分析；

37、行为分析模块，用于记录用户在数据库中的操作行为，并提取用户的行为特征；

38、风险评估模块，用于通过通讯风险模型和行为风险模型，分别量化认证过程的风险和用户行为的风险；

39、评分模块，用于将认证过程风险和行为风险综合，生成用户的安全信任评分，并与阈值进行对比，确定用户的安全状态。

40、与现有技术相比，本发明的有益效果是：

41、本发明通过从用户使用磁感应智能卡进行认证识别的过程，收集相应的数据，量化认证识别过程的风险程度，并从用户行为的角度，量化用户行为的风险程度，并综合量角度分析确定用户的安全评分，有助于获得更全面的安全分析，实现全面的风险评估和动态的安全管理。