身份识别系统有很多的应用，因为一个人具有很多的特征，从生理习惯特征到行为习惯特征，这些都可以成为识别一个人身份的密码，因此根据这些产生了很多的身份识别系统，哪些虹膜识别指纹识别面部识别之类的我们也经常可以听到，其实根据我们敲击键盘的习惯频率，也可以成为判断一个人身份的一个因素。

简单来说，我们要做的是一种通过用户敲击键盘的习惯进行身份鉴别的系统。国内外之前有一些相关研究，但是通常是数千条数据训练，而且不能随意改变敲击的字符串，或者是有的要求采用带有压力传感器的键盘，难以实用和推广。我们做一个比较简单的根据匹配相似度的系统，采用普通键盘即可使用，其算法实现很简单。

首先说我们的一个应用场景：我们可以在各种网站的登录界面部署系统，当用户输入密码时，不止验证密码是否正确，身份识别系统同时将这次密码输入同注册时的密码输入习惯进行匹配，如果相似度较低，则增加验证方式，如手机验证码。那么针对这种场景，我们想了一点方法。

数据采集处理

key为键盘码，time单位为ms，type=0为按下，type=1为抬起

采集数据后，我们要考虑键盘按键事件之间的关系。

在这里，可以看出能提出两种特征，一种是驻留时间特征(dwelltime)，另一种是飞跃时间特征(flighttime)。驻留时间特征是说一个按键被按下后持续的事件，飞跃时间特征有图中的四种定义，我们采用的是从某个按键被抬起到下一个按键被按下之间的时间差作为飞跃时间特征。（即图中的Ftype1Ftype1）

从前面那个例子提出的驻留时间特征为(101,90,90,60,80,70,90)，为什么没有标出是哪些按键的驻留时间，是因为在这个应用场景中，我们的密码不会变化，这样的话我们无需考虑记录对应位置。

相应地，提出的飞跃时间特征如下：，与驻留时间特征不同的是，驻留时间是一个向量，其每一项的含义特定，而飞跃时间特征为一个键值对的集合，假设出现多个键值对的键值相同时，我们将其取平均值。而且注意到，后一个“81-87”这一项对应的值为负数，并不是bug，这种情况是非常常见的现实情况，读者可以想想是什么情况出现了。

从鉴别的角度来看，实验中飞跃时间特征对于区分用户的作用非常明显，应该说相比于飞跃时间特征，驻留时间特征对于身份识别系统贡献微乎其微，如果有想实现这种系统的读者，建议先用飞跃时间特征。

匹配算法

此，我们拿到了两种特征。后面仅以飞跃时间特征为例（若想综合驻留时间特征的信息，可以分别去按照下面的算法计算相似度，然后做加权平均）。

我们假设由注册时采集的用户密码输入得到的特征为FAFA,其是一个键值对集合，登录时同样可得到类似的特征FBFB。我们将其对应键的值排好，分别生成两个序列

这里我加了一个系数λλ，其实是一种惩罚系数，因为实验发现如果密码输入过快或者密码过短，通常的身份识别系统匹配方式都会出现过高的相似度，导致漏检率较高。在我们的实验中，发现通常取2到3之间效果不错。

S=mifm>0else0

将S输出，即为我们给出的输入习惯相似度。

如果这种身份识别系统可以实现的话，可以在更大程度上保护我们的隐私和财产，这对于我们的生活来说将是很大的一种改变和便利，基于此，相信在以后可能会出现类似功能的身份识别系统应用在账号保护中，这将给与我们很大的期待。