摩擦纳米发电机阵列结合机器学习助力自供能人机交互系统安全

xibei

       在高速发展的信息时代，网络安全已经成为人们的一大顾虑，这使得人机交互界面需要有一个有效并能持续验证用户身份的解决方案。需要至少两个认证因素的多因素认证机制（Multi-factor authentication）可以提供比常用的单一认证因素方案（密码、指纹）高得多的安全级别。多因素认证机制不仅要求输入正确的密码，往往还要求额外的信息进行辅助验证，比如第三方安全令牌或用户自身的生物特征（指纹、声纹、虹膜等等）。击键动力学，Keystroke Dynamics，例如按键延迟、按键保持时间等，是基于人们的打字属性的生物行为信息，特别适合为使用实体键盘的系统增加额外的安全保护。然而，类似于其他行为生物特征，击键动力学的打字属性有时会有大的统计上的波动，而如果能从击键行为里提取更多的生物行为信息，如击键力度，将会有利于减少这种波动对于最终验证结果的影响。然而传统的键盘无法直接获取用户的击键力度，需要引入额外的压力传感器，使得硬件的成本和复杂性大幅度增加。

       近日，中国科学院北京纳米能源与系统研究所所长，佐治亚理工学院校董教授王中林院士（通讯作者）课题组研发了一套双因素验证、基于压强增强的击键动力学和摩擦纳米发电机阵列的身份验证和识别系统。此发明里使用的基于摩擦纳米发电机的主动感测硬件在系统完整性方面优于基于传统压力传感器的键盘，并且在信号质量方面优于之前的摩擦电传感器件。课题组首先在基于摩擦电的击键装置里引入了一层新的屏蔽电极用于防止误触，有效地将信号与干扰加噪声比从2db提高到10dB。在不同的按键力度下，所发明的击键装置会产生不同大小的电压信号，从而使得在没有传统压力传感器的情况下也能够体现打字力和手指大小等对电信号的影响，实现压强增强的击键动力学分析。通过采用支持向量机的监督式机器学习算法对提取出的用户特征信息进行训练和识别，可以实现高达98.7%的识别准确率。这是摩擦纳米发电机与机器学习技术的第一次深度融合，该系统可以实现对于用户身份的实时连续监测和识别，具有成本低廉、识别率高、适用性广等特点，在物联网、智慧城市、赛博网络安全、互联网金融中具有广泛的应用前景。相关成果以“Keystroke dynamics enabled authentication and identification using triboelectric nanogenerator array”为题发表在Materials Today上。