基于行为数据隐私与极简硬件支持的智能手机冒名者检测

冒名者是指接管智能手机并获取合法用户机密与隐私信息的攻击者。本文提出一种纵深防御机制，利用简单的深度学习算法快速检测冒名者，其检测准确率优于以往最佳的、需计算多种特征的机器学习算法工作。不同于先前工作，我们进而考虑通过将用户行为（传感器）数据不暴露于智能手机之外来保护其隐私。针对该场景，我们提出一种基于循环神经网络（RNN）的深度学习算法，仅使用合法用户的传感器数据来学习其正常行为。我们提出利用预测误差分布（PED）来提升检测准确率。我们还展示了如何将一种称为 SID（Smartphone Impostor Detector，智能手机冒名者检测器）的极简硬件模块设计并集成到智能手机中，以实现自包含的冒名者检测。实验结果表明，与其他 RNN 加速器相比，SID 能以极低的硬件成本与能耗支持实时冒名者检测。