计算机系统的用户身份认证,在日常生活中随处可见。大部分系统采用传统的一次性认证方法,如密码、基于生物特征识别中的指纹和脸部识别。但是密码存在被破解或忘记的风险,而指纹和脸部识别都需要特定的硬件设备。对于一次性认证方法,一旦入侵者通过一次认证,那么在入侵系统后的操作将不再受到限制。计算机系统活动中的操作行为可以被视作一种生物行为特征,不能被盗取或复制,可以用于身份认证。如果将用户的操作行为(击键,鼠标点击滑动等)抽象成行为模型,应用模型对用户的身份不断判断,实现用户身份的持续认证。持续认证克服了一次性认证的弊端。用户在操作系统时会产生大量静态环境信息,通过综合有用静态信息能够达到唯一标识系统主机的目的。本文从用户击键行为,鼠标点击滑动行为,主机静态信息三个方面研究多因子行为模型持续认证,主要研究工作及成果如下:1.基于深度学习模型的自由文本击键身份持续认证:构建卷积神经网络(convolutional neural networks,CNN)加循环神经网络(recurrent neural networks,RNN)的深度学习模型。应用模型对用户击键数据训练,获得用户击键行为模型。使用训练好的模型在公开数据集测试最优相等错误率(equal error rate,EER)为3.04%。模型结合滑动窗口,设计判定算法实现了基于击键行为的身份持续认证原型系统。2.基于鼠标操作行为人机识别模型:深入分析鼠标点击滑动的高级特征,使用机器学习算法训练鼠标操作行为模型识别机器行为。身份持续认证中的辅助模型。3.基于主机静态信息模型主机判别模型:研究多维度,多层次的能够标识用户主机的静态信息。将可用的静态整合起来,结合比对算法构建主机指纹模型来判别用户常用主机。