基于联邦学习的移动设备主动认证

移动设备上的用户主动认证旨在学习一个能够基于设备传感器信息正确识别已注册用户的模型。由于缺乏负类数据，它常被建模为一类分类问题。在实践中，移动设备连接到中央服务器，例如所有基于安卓的设备都通过互联网连接到 Google 服务器。这种设备-服务器结构可被近期提出的联邦学习（FL）与分割学习（SL）框架所利用，以在分布于多个设备上的数据上执行协作学习。利用 FL/SL 框架，我们可以通过在跨设备分布的多个用户数据上训练用户认证模型来缓解负数据缺乏的问题。为此，我们提出了一种新颖的用户主动认证训练方法，称为联邦主动认证（FAA），其利用了 FL/SL 的原理。我们首先表明现有的 FL/SL 方法对 FAA 是次优的，因为它们依赖于数据在设备间均匀（即独立同分布，IID）分布，而 FAA 中并非如此。随后，我们提出了一种能够处理 FAA 中异构/非 IID 数据分布的新方法。具体而言，我们首先提取对应于每个用户数据的均值和方差等特征统计量，随后在中央服务器中组合以学习一个多类分类器并发送回各个设备。我们使用三个主动认证基准数据集（MOBIO、UMDAA-01、UMDAA-02）进行了大量实验，结果表明该方法优于基于最先进一类分类的 FAA 方法，并且也能够超越传统的 FL/SL 方法。