基于加速度傳感器的WLALCS身份認(rèn)證及實現(xiàn)

2014-09-18 17:34:03高煥芝郭云鏑劉晴陳再良鄒北驥

湖南大學(xué)學(xué)報·自然科學(xué)版 2014年8期

關(guān)鍵詞：身份認(rèn)證云計算

高煥芝+郭云鏑+劉晴+陳再良+鄒北驥

收稿日期：20140326

基金項目：國家自然科學(xué)基金資助項目（61173122，61262032）；湖南省自然科學(xué)基金資助項目（12JJ6059， 12JJ2038）

作者簡介：高煥芝（1976-），女，河北唐山人，中南大學(xué)博士研究生

通訊聯(lián)系人，Email：csgrandeur@csu.edu.cn

摘要：針對當(dāng)前移動設(shè)備身份認(rèn)證方法或易破解、或難實現(xiàn)、或成本高的問題，提出一種新的基于手機(jī)加速度傳感器的人體感知身份認(rèn)證方法.該方法利用當(dāng)前手機(jī)普遍內(nèi)置的加速度傳感器采集人體運動數(shù)據(jù)（通常為動態(tài)手勢），結(jié)合經(jīng)典匹配算法LCS，提出限制匹配窗口的近似判等最長公共子序列算法，對采樣點序列限制區(qū)間匹配，針對浮點數(shù)據(jù)對采樣點距離近似判等，進(jìn)行數(shù)據(jù)匹配實現(xiàn)身份認(rèn)證，并基于云計算模型實現(xiàn)了手機(jī)身份認(rèn)證平臺.較之已有的基于手勢身份認(rèn)證方法，有效降低了針對模仿動作攻擊的接受錯誤率，非攻擊認(rèn)證相等錯誤率為2%，而模仿動作攻擊的相等錯誤率降低至5%.該系統(tǒng)具有易于在各類移動設(shè)備系統(tǒng)部署，不需要額外的設(shè)備等優(yōu)勢，且基于生物特征原理，特別加強(qiáng)了抵抗模仿動作攻擊的健壯性，不易被破解.

關(guān)鍵詞：加速度傳感器；身份認(rèn)證；近似判等最長公共子序列；云計算

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

Accelerometer Based Authentication Method in WLALCS

GAO Huanzhi1， GUO Yundi1，2， LIU Qing1，2， CHEN Zailiang1，2， ZOU Beiji1，2

（1.School of Information Science and Engineering， Central South Univ，Changsha，Hunan410083， China；

2. Mobile Health Ministry of EducationChina Mobile Joint Laboratory， Changsha，Hunan410083， China ）

Abstract：Aiming at problems in authentication methods of mobile devices， such as being easy to crack or difficult to implement or high costs， this paper presented a new mobile phone acceleration sensor authentication method on human perception. To use the current widespread acceleration sensor in mobile phones to capture human motion data （typically dynamic gesture）， we proposed an authentication algorithm named Window Limited Approximate Longest Common Sequence （WLALCS） based on the classical matching algorithm LCS. And we implemented an authentication system on cloud computing model. Compared with the existing gesture and accelerometer based authentication methods， this method effectively reduced the equal error rate on imitate action attack. Nonimitate attack authentication EER （Equal Error Rate） is 2%， and imitate attack authentication EER is 5%. This system is easy to deploy on any smart phone systems and does not need any additional sensors. Based on the biological characteristics， we reinforced the robustness towards mimicry attack.

Key words：accelerometer； authentication； Window Limited Approximate Lonest Common Sequence（WLALCS）； cloud computing

傳統(tǒng)的身份認(rèn)證方法有用戶名密碼、PIN、文本形式和九宮格等，此類方法輸入口令的時候很容易被竊取，從而仿冒真實用戶身份，簡單的口令容易被破解，復(fù)雜的口令造成用戶記憶上的不便.因此，需要一種新的更為有效的身份認(rèn)證方式，要求簡單易用、安全可靠.生物特征認(rèn)證技術(shù)的興起對傳統(tǒng)身份認(rèn)證方法起到了很好的補(bǔ)充和完善作用.

基于生物特征[1]的身份認(rèn)證，由于其安全、可靠和便利等特點，越來越受到人們的重視，生物特征識別技術(shù)在過去的十幾年中取得了長足的進(jìn)展，生物特征認(rèn)證方法主要有人臉認(rèn)證[2]、指紋認(rèn)證[3]、虹膜認(rèn)證[4]和手寫簽名認(rèn)證[5]等.然而在手持設(shè)備身份認(rèn)證方面，以上認(rèn)證技術(shù)存在技術(shù)成本高、需要特定的硬件設(shè)施和易被仿冒等缺點.

隨著2010年以來智能手機(jī)市場的爆發(fā)式增長，當(dāng)前的手機(jī)普遍帶有加速度傳感器（三軸加速度傳感器、陀螺儀等），同時結(jié)合手機(jī)本身能夠運行軟件的特性，為低成本、高效率實現(xiàn)基于重力加速度傳感器的人體行為感知方法與身份認(rèn)證帶來了契機(jī).

近年來智能終端普遍裝備了越來越豐富的傳感器，出現(xiàn)了新的身份認(rèn)證方法.如利用三軸加速計進(jìn)行的步態(tài)身份認(rèn)證[6-8]，利用三軸加速計把簡單運動軌跡與密碼對應(yīng)的身份認(rèn)證[9-10]等.

每個人對持有的物體進(jìn)行空間移動（通常為手持物體在空間中劃動筆畫，但不限于用手）時，其動作角度、力度和速度等都具有自己的個體特征，通過智能手機(jī)內(nèi)置加速度傳感器則可獲取用戶移動手機(jī)時的這些空間動作信息.針對用戶對手機(jī)完成的空間移動數(shù)據(jù)的個體特征進(jìn)行分析，可實現(xiàn)身份認(rèn)證.這種認(rèn)證方法的好處是在數(shù)據(jù)采集過程中不依賴場景、光照、用戶體征完整性（視力、聽力和語言等）以及額外的設(shè)備，實現(xiàn)成本低，方便易用，可用于需要身份認(rèn)證的場合，在即將進(jìn)入移動互聯(lián)網(wǎng)的時代浪潮下，具有廣闊的應(yīng)用前景.

基于手勢的身份認(rèn)證方法，文獻(xiàn)[11]受到步態(tài)識別的啟發(fā)，從生物特征的角度進(jìn)行了可行性分析，通過加速度傳感器采集手勢數(shù)據(jù)，并通過監(jiān)督和非監(jiān)督降維進(jìn)行分類，通過數(shù)據(jù)分析，提出手勢運動可作為人體行為的生物特征，并可應(yīng)用于小群體的身份認(rèn)證的結(jié)論.文獻(xiàn)[12]結(jié)合文獻(xiàn)[13]中基于手勢識別的認(rèn)證方法在非模仿動作攻擊場景下得到了良好的效果，對基于加速度傳感器采集手勢特征的身份認(rèn)證方法前景給出了積極的觀點.文獻(xiàn)[13-15]描述了幾種基于手機(jī)三軸加速計進(jìn)行手勢身份認(rèn)證的方法，文獻(xiàn)[14]基于特定的手勢進(jìn)行認(rèn)證，不允許用戶自定義個性化的手勢.文獻(xiàn)[15]中的方法需要較多的訓(xùn)練樣本才能達(dá)到較為理想的相等錯誤率（Equal Error Rate，EER），文獻(xiàn)[13]中的工作更側(cè)重于人機(jī)交互的手勢識別精度，而認(rèn)證方面，在非攻擊認(rèn)證情況下取得了較好效果，但對于針對性模仿動作攻擊，EER依然為10%，無法應(yīng)用于關(guān)鍵性信息的加密認(rèn)證.

移動設(shè)備的身份認(rèn)證，要求具備易用性與實時性的特征，即要求僅需要較小的樣本，不受周邊環(huán)境影響，同時驗證花費時間短.需要大樣本訓(xùn)練的基于學(xué)習(xí)的方法（如HMM[16]等）、基于視覺（使用攝像頭）和語音等方法都會受到一定的限制.

本文基于動態(tài)規(guī)劃原理、最長公共子序列（Longest Common Sequence， LCS）[17]算法，設(shè)計了一個限制匹配窗口的近似判等最長公共子序列（Window Limited Approximate Longest Common Sequence， WLALCS）算法，并以動態(tài)時間規(guī)整（Dynamic Time Warping， DTW）[18]作為輔助判斷條件，在Lumia1520和PC服務(wù)器上實現(xiàn)了基于云計算的手機(jī)身份認(rèn)證原型系統(tǒng).該系統(tǒng)整個認(rèn)證過程在50 ms左右，系統(tǒng)不受光照和噪聲等環(huán)境影響，通過20名20～30歲的實驗者一周時間進(jìn)行手勢動作攻擊實驗結(jié)果，該系統(tǒng)有效將模仿動作攻擊的認(rèn)證過程相等錯誤率（EER）降低至5%，有效地改善了基于三軸加速計的手勢身份認(rèn)證方法在模仿動作攻擊時的不健壯性.

1WLALCS認(rèn)證算法

本文針對利用加速度傳感器提取動作特征進(jìn)行身份認(rèn)證問題，基于LCS設(shè)計了WLALCS算法，同時以DTW算法作為針對模板與驗證數(shù)據(jù)序列累積距離輔助判斷條件.

1.1數(shù)據(jù)獲取及處理

利用Lumia搭載的WP8系統(tǒng)內(nèi)置三軸加速度傳感器獲取運動數(shù)據(jù)，結(jié)合軟件設(shè)置，用戶將按鈕按下為動作起點，系統(tǒng)開始記錄用戶動作的加速度數(shù)據(jù)；按鈕松開為手勢終點，系統(tǒng)停止記錄.

采樣頻率為60 Hz，獲取數(shù)據(jù)為時間序列的x，y和z三軸加速度g（g為重力加速度，取9.8 m/s2）的浮點數(shù)，并對數(shù)據(jù)平滑處理以消除沖擊噪聲.

1.2WLALCS算法思想

對于時間序列X，設(shè)X.length為X的采樣點個數(shù)，X[i]為時間順序第i個采樣點.設(shè)待匹配序列T為模板序列，S為樣本序列.

1.2.1數(shù)據(jù)篩選

由于人完成特定動作的時間有一定的不穩(wěn)定性，而人類的反應(yīng)時間一般在0.3 s，針對采樣頻率， 0.3×60 = 18，實驗時取允許采樣點個數(shù)誤差為20，即對于長度與模板相差超過20的數(shù)據(jù)將直接拒絕.

1.2.2最長公共子序列（LCS）

最長公共子序列算法是基于動態(tài)規(guī)劃的經(jīng)典線性序列匹配算法，子序列為線性序列順序連續(xù)或非連續(xù)子集，最長公共子序列指兩個或多個線性序列的最長非連續(xù)公共部分，可有效表示兩個線性序列的編輯距離和相似度[17].

算法描述如下[19]：

兩個序列T和S的最長公共子序列為LCS（T，S），LCSdp（i，j）表示由序列T的T[1]～T[i]組成的子序列與序列S的S[1]～S[j]組成的子序列的最長公共部分，即該動態(tài)規(guī)劃算法的子問題，如式（1）所示，LCSdp（T.length，S.length）即為LCS（T，S）的結(jié)果.

LCST，S=LCSdpT.length，S.length.（1）

由規(guī)則EQUAL（T[i]，S[i]）判定T[i]與S[i]相等關(guān)系.當(dāng)EQUAL（T[i]，S[i]）分別為TRUE和FALSE時，LCSdp采取不同的遞推規(guī)則.EQUAL（T[i]，S[i]）為TRUE時，規(guī)則如式（2）所示，為FALSE時，規(guī)則為式（3）所示.

LCSdpi，j=maxLCSdpi-1，j-1+1

LCSdpi-1，j

LCSdpi，j-1，（2）

LCSdpi，j=maxLCSdpi-1，j

LCSdpi，j-1.（3）

1.2.3限制匹配窗口

由于人有一定的反應(yīng)時間，故模板和測試數(shù)據(jù)序列的動作起點往往是沒有完全對齊的，在做LCS時枚舉匹配起點，并限制匹配窗口大小，取最長匹配結(jié)果為最終匹配結(jié)果，即Window limited.取T和S采樣點較少的一個的采樣點個數(shù)為匹配窗口大小，這里假設(shè)S.length < T.length，枚舉匹配起點start由1至T.length-S.length，設(shè)每個start對應(yīng)的T[start]～T[start+S.length-1]的采樣點組成的序列為P，則WLALCS（T，S）為：

WLALCST，S=max[LCS（P，S）]. （4）

1.2.4近似判等

對于式（2），由于獲取的數(shù)據(jù)序列為浮點數(shù)，對于相近的采樣點很難完全相等，故可規(guī)定兩點距離小于一定閾值時判定兩點相等，即近似判等.

設(shè)定ratio_errdis判等閾值，定義S[i]與T[i]的距離為三軸坐標(biāo)差的絕對值與T所有采樣點對應(yīng)坐標(biāo)最大值和最小值的差的比值的和，即

DistanceTi，Si=

∑x，y，zpTi.p-Si.pmaxT.p-minT.p.（5）

則當(dāng)Distance（T[i]，S[i]）

1.2.5序列相似度

定義序列相似度為WLALCS（T，S）的匹配長度與模版T的長度的比值.即序列相似度matched_proportion為：

matched_proportioin=WLALCST，ST.length. （6）

1.2.6算法復(fù)雜度

由于采樣點個數(shù)與模板相差20以上的樣本將被直接排除，故枚舉起點的復(fù)雜度可視為常數(shù)，WLALCS的時間和空間復(fù)雜度都為O（T.length·S.length）.

1.3動態(tài)時間規(guī)整

動態(tài)時間規(guī)整（DTW）是基于動態(tài)規(guī)劃的對線性序列進(jìn)行模式匹配的經(jīng)典算法，文獻(xiàn)[13]在手勢識別方法上對該算法有了詳細(xì)的描述，本研究使用此方法作為輔助判斷方法，閾值參數(shù)會相對放寬.算法簡單描述如下：

DTW（T，S）為序列T與S的DTW距離，DTWdp（i，j）表示由序列T的T[1]～T[i]組成的子序列與序列S的S[1]～S[j]組成的子序列的最優(yōu)DTW距離，DTWdp（T.length，S.length）即為DTW（T，S）的結(jié)果，如式（7）所示.最優(yōu)子問題遞推規(guī)則如式（8）所示.

DTWT，S=DTWdpT.length，S.length. （7）

DTWdpi，j=minDTWdpi-1，j-1

DTWdpi-1，j

DTWdpi，j-1+

DistanceTi，Sj. （8）

DTW的時間和空間復(fù)雜度都為O（T.length·S.length）.

2云計算認(rèn)證平臺

目前流行的移動設(shè)備操作系統(tǒng)復(fù)雜多樣，主流的有Android， IOS， Windows Phone等，但即使相同的Android系統(tǒng)，也因為版本不同，給APP開發(fā)者的軟件適配帶來很多麻煩.同時，現(xiàn)有設(shè)備的CPU浮點運算能力與3～5年前的PC機(jī)相仿，雖然運行論文所提算法沒有問題，但對于未來提高認(rèn)證精度而可能會采用的更為復(fù)雜的算法，移動設(shè)備的硬件壓力將越來越大.目前移動互聯(lián)網(wǎng)已進(jìn)入3G時代，而4G技術(shù)也正在興起.本文所采集的每組手勢數(shù)據(jù)僅為1～5 kB，足夠在普通應(yīng)用場所進(jìn)行快速數(shù)據(jù)交換.

云計算是一種新興的計算模型，對用戶透明，用戶無需了解云計算的具體機(jī)制即可獲得需要的服務(wù)[20].基于云計算認(rèn)證平臺的實現(xiàn)，使得客戶端的開發(fā)只需要考慮數(shù)據(jù)的采集和發(fā)送，整個認(rèn)證過程在云端進(jìn)行，極大地提高了開發(fā)效率和身份認(rèn)證算法的運行效率，降低APP開發(fā)的適配壓力，解放了移動設(shè)備CPU和存儲設(shè)備，對未來利用云端的手勢數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析也帶來了便利.

2.1總體設(shè)計

客戶端為移動設(shè)備，服務(wù)端為計算機(jī)服務(wù)器.客戶端將采集的手勢數(shù)據(jù)發(fā)送至服務(wù)器，在服務(wù)器進(jìn)行匹配認(rèn)證，并將認(rèn)證數(shù)據(jù)存儲在數(shù)據(jù)服務(wù)器，以供未來研究分析.并返回結(jié)果給客戶端.數(shù)據(jù)傳輸遵循TCP/IP協(xié)議，客戶端通過無線網(wǎng)發(fā)送數(shù)據(jù)，系統(tǒng)總體設(shè)計如圖2所示.系統(tǒng)自頂向下分為數(shù)據(jù)處理云端、數(shù)據(jù)交換接口、客戶端、用戶，系統(tǒng)結(jié)構(gòu)如圖3所示.

2.2實現(xiàn)

2.2.1數(shù)據(jù)處理云端

數(shù)據(jù)處理云端，實驗采用普通酷睿雙核，4 GB內(nèi)存PC機(jī)，基于WPF開發(fā)的集數(shù)據(jù)接收發(fā)送、存儲、管理、匹配認(rèn)證、圖形化分析于一體的服務(wù)器軟件，能夠?qū)崟r偵聽用戶數(shù)據(jù)，存儲歷史認(rèn)證數(shù)據(jù)，對用戶認(rèn)證信息進(jìn)行快速反饋.

2.2.2數(shù)據(jù)交換接口

客戶端與服務(wù)器的數(shù)據(jù)交換使用TCP/IP協(xié)議，通過客戶端與服務(wù)器建立TCP鏈接.客戶端采集的手勢數(shù)據(jù)以文件流形式通過TCP鏈接發(fā)送至服務(wù)器，數(shù)據(jù)格式為：

1）指令行，標(biāo)定數(shù)據(jù)文件處理方式，以@開頭.

2）用戶信息，標(biāo)定發(fā)送數(shù)據(jù)的用戶.

3）手勢數(shù)據(jù).

2.2.3客戶端

客戶端通過調(diào)用傳感器的API獲取用戶手勢數(shù)據(jù)，在手勢結(jié)束后對數(shù)據(jù)打包進(jìn)行發(fā)送.

3實驗結(jié)果與分析

本文針對認(rèn)證系統(tǒng)對模仿動作攻擊的健壯性，設(shè)計不同組別的手勢，并令參與實驗人員了解手勢的執(zhí)行方式和執(zhí)行時間，并且所有實驗者完全在視覺暴露的環(huán)境下執(zhí)行手勢，互相作為模仿動作攻擊對象.

3.1實驗結(jié)果

通過對序列相似度認(rèn)證閾值threshold的研究，對于模仿動作攻擊數(shù)據(jù)，受試者工作特征（receiver operating characteristic，ROC）曲線如圖4所示.

圖4中，F(xiàn)AR為認(rèn)假率（False Accept Rate），F(xiàn)RR為拒真率（False Reject Rate），對于模仿動作攻擊認(rèn)證，EER達(dá)到5%，優(yōu)于文獻(xiàn)[7]和[8]中的10%.對于非模仿動作攻擊認(rèn)證，所提方法的EER也達(dá)到了2%，優(yōu)于文獻(xiàn)[7]和[8]中的3%.認(rèn)證效果對比如表1所示.

3.2實驗分析

由圖4可知，隨著threshold值的增加，用戶的認(rèn)證難度加大，同時對模仿動作攻擊的防御能力也隨之增強(qiáng).而在模仿動作攻擊成功率降低至較低水平時，用戶認(rèn)證的成功率依然比較可觀.

不同的人做手勢的時候，由于個人習(xí)慣、肌肉強(qiáng)度和骨骼結(jié)構(gòu)不同等方面的影響，動作不同階段特別是變換速度與方向的時候會有較大的差別，大多數(shù)情況下完成一個動作的時間乃至一個動作的不同階段的時間會有不同，僅從采樣點累積距離角度出發(fā)，不能很好地反映這方面的差異.論文所提算法采用了限制窗口的近似最長公共子序列方法，有效地反映了模板與測試數(shù)據(jù)之間局部運動速度特點的差異和整體動作的采樣點匹配比例，在模仿動作欺騙攻擊的防御上起到了更好的效果.

4總結(jié)

針對基于手機(jī)加速度傳感器進(jìn)行身份認(rèn)證方法中，對于模擬動作攻擊的健壯性不強(qiáng)的問題，進(jìn)行了算法研究，提出WLALCS算法在保持正常認(rèn)證環(huán)境下的認(rèn)證精度的前提下，有效提高了模擬動作攻擊的抵抗力.

通過模擬動作攻擊實驗，建立了近2 000個手勢的模仿動作攻擊手勢數(shù)據(jù)庫，通過實驗，所提算法WLALCS的EER達(dá)到了2%，模仿動作攻擊EER達(dá)到了5%，對于模仿攻擊具有了更好的防御性，提高了認(rèn)證系統(tǒng)的安全性.

研究基于NOKIA Lumia1520，個人計算機(jī)實現(xiàn)了云計算模型認(rèn)證系統(tǒng).WLALCS算法結(jié)合基于云計算模型的認(rèn)證系統(tǒng)，有效減輕了不同系統(tǒng)移動終端開發(fā)的適配壓力，解放了移動終端的CPU和存儲壓力，認(rèn)證算法的運行效率不再受限于移動終端CPU配置的高低，為未來實現(xiàn)更為復(fù)雜精細(xì)的認(rèn)證系統(tǒng)提供了條件.認(rèn)證歷史數(shù)據(jù)存儲在云端，也使針對動作特征的大數(shù)據(jù)分析成為可能.

參考文獻(xiàn)

[1]PANKANTI S， BOLLE R，JAIN A.Biometrics： the future of identification[J]. Computer， 2000， 33（2）： 46-49.

[2]WALLACE R，MCLAREN M，MCCOOL C，et al. Crosspollination of normalization techniques from speaker to face authentication using gaussian mixture models[J]. Information Forensics and Security， IEEE Transactions on， 2012， 7（2）： 553-562.

[3]NANNI L， BRAHNAM S， LUMINI A. Biohashing applied to orientationbased minutia descriptor for secure fingerprint authentication system[J]. Electronics letters， 2011， 47（15）： 851-853.

[4]BANERJEE S， MUKHOPADHYAY S， RONDONI L. Multiimage encryption based on synchronization of chaotic lasers and iris authentication[J]. Optics and Lasers in Engineering， 2012， 50（7）： 950-957.

[5]SCHEIDAT T， KMMEL K， VIELHAUER C. Short term template aging effects on biometric dynamic handwriting authentication performance[C]//Communications and Multimedia Security. Berlin：Springer Berlin Heidelberg， 2012： 107-116.

[6]GAFUROV D， HELKALA K， SNDROL T. Biometric gait authen tication using accelerometer sensor[J]. Journal of computers， 2006， 1（7）： 51-59.

[7]TAMVIRUZZAMAN M， AHAMED S I， HASAN C S，et al. ePet： when cellular phone learns to recognize its owner[C]//Proceedings of the 2nd ACM Workshop on Assurable and Usable Security Configuration. ACM， 2009： 13-18.

[8]DERAWI M，NICKEL C，BOURS P，et al.Unobtrusive userauthentication on mobile phones using biometric gait recognition[C]//Intelligent Information Hiding and Multimedia Signal Processing （IIHMSP）， 2010 Sixth International Conference on. Piscataway， N J： IEEE， 2010： 306-311.

[9]PATEL S N，PIERCE J，ABOWD G.A gesturebased authentication scheme for untrusted public terminals[C]//Proceedings of the 17th Annual ACMS Ymposium on User Interface Software and Technology. New York： ACM Press ，2004：157-160.

[10]CHONG M，MARSDEN G.Exploring the use of discrete gestures for authentication[M]. Berlin： Springer Berlin Heidelberg， 2009： 205-213.

[11]FARELLA E，OMODHRAIN S，BENINI L， et al. Gesture signature for ambient intelligence applications： a feasibility study[M]. Berlin： Springer Berlin Heidelberg， 2006： 288-304.

[12]LIU J， ZHONG L， WICKRAMASURIYA J， et al. User evaluation of lightweight user authentication with a single triaxis accelerometer[C]//Proceedings of the 11th International Conference on HumanComputer Interaction with Mobile Devices and Services. NewYork： ACM， 2009： 15.

[13]LIU J， ZHONG L， WICKRAMASURIYA J， et al. uWave： accelerometerbased personalized gesture recognition and its applications[J]. Pervasive and Mobile Computing， 2009， 5（6）： 657-675.

[14]OKUMURA F， KUBOTA A， HATORI Y， et al. A study on biometric authentication based on arm sweep action with acceleration sensor[C]//Intelligent Signal Processing and Communications.ISPACS'06，International Symposium on. Piscataway， N J： IEEE， 2006： 219-222.

[15]MATSUO K， OKUMURA F， HASHIMOTO M， et al. Arm swing identification method with template update for long term stability[M]. Berlin： Springer Berlin Heidelberg， 2007： 211-221.

[16]RABINER L， JUANG B. An introduction to hidden Markov models[J]. ASSP Magazine， IEEE， 1986， 3（1）： 4-16.

[17]HUNT J，SZYMANSKI T.A fast algorithm for computing longest common subsequences[J]. Communications of the ACM， 1977， 20（5）： 350-353.

[18]MYERS C，HABINER L.A Comparative study of several dynamic timewarping algorithms for connected word[J]. Bell System Technical Journal， 1981，60（7）：1389-1409.

[19]CORMEN T，LEISERSON C，RIVEST R，et al.Introduction to algorithms[M]. 3rd ed. Cambridge： MIT Press， 2001：390-397.

[20]ARMBRUST M， FOX A， GRIFFITH R， et al. A view of cloud computing[J]. Communications of the ACM， 2010， 53（4）： 50-58.