随着智能终端的推广,智能终端在生活中也扮演着越来越重要的角色,比如通过智能终端完成支付。由此也带来了巨大的安全问题。例如攻击者使用被盗设备来完成交易,导致受害者利益受损。为了解决这些安全问题,各大厂商设计了一些可以提供比传统账户验证更加方便可靠的风险控制技术,比如通过用户脸部特征作为用户的凭证来认证用户。通过脸部特征识别用户避免了繁琐的账号密码输入过程,同时可以在非用户本人使用应用的时候鉴别出不是用户本人,从而采取一系列措施来阻止用户继续使用设备,防止用户的损失产生。然而,这些第三方应用采集过多的用户隐私数据,会使得用户比较反感。所以我们设计了一套采用了用户相对不敏感的运动传感器数据作为用户特征的风险控制系统。本文设计了一套基于机器学习的风险控制系统,通过对用户行为习惯的学习,训练出相应的模型来对用户进行认证。系统实现了服务器端认证模块与智能终端保护模块,达到了对智能终端系统实时保护的目的。系统适配了市场上主流的安卓系统以及iOS系统,包括移动终端设备以及智能穿戴设备。当检测出非用户本人操作设备时,本文工作会给用户相应的结果反馈,并提供一系列自动防护操作,例如锁定设备以及系统报警等。同时我们提供了在线检测以及离线检测两种模式,设备只需要从我们的云端获得用户的模型,就能在离线的环境下对用户进行认证,保证了各种环境本文工作都能运行。我们的工作主要解决了用户数据与负样本不平衡、用户数据未标号的问题,设计了一套半监督学习的方法来实现用户的认证。通过与企业的合作,采集了1513个用户的传感器数据,在我们系统上对这系列数据进行学习分析,结果表明对用户有效运动以及静止数据的准确率可以达到93.77%和95.57%。