WearAuthn: 穿戴设备上的安全认证解决方案

WearAuthn: 穿戴设备上的安全认证解决方案

WearAuthnUse your Wear OS watch as a FIDO2 security key via Bluetooth and NFC.项目地址:https://gitcode.com/gh_mirrors/we/WearAuthn


项目介绍

WearAuthn 是一个适用于 Wear OS 设备的安全应用程序,它遵循 U2F 和 FIDO2 标准,允许您的智能手表作为第二因素认证设备。这意味着,除了输入密码之外,登录在线账户时还需要在您的手表上确认提示,提供额外的安全层以防止账户被接管。此应用支持通过蓝牙和NFC(如果您的手表支持)进行通信,并且所有操作均可离线完成,无需移动网络连接。兼容多种操作系统,包括但不限于Windows 10、macOS、Linux、Android及iOS。

项目快速启动

要开始使用 WearAuthn,您需要遵循以下步骤:

安装应用

  1. 下载安装: 在您的 Wear OS 智能手表上,从 Google Play 商店 下载并安装 WearAuthn 应用。

  2. 手机端配置: 确保您的智能手机已配对您的 Wear OS 手表,并安装相应的伴侣应用。

配置与配对

  • 对于 蓝牙配对:

    1. 进入手表的蓝牙设置,将您的设备配对。
    2. 启动 WearAuthn 应用,选择设备列表中的配对设备进行“附件”设定。
  • 对于 NFC 使用: 当系统请求“使用安全密钥”时,只需将您的具有NFC功能的手表靠近手机即可。

确保手表屏幕开启,对于非始终显示模式,NFC仅在屏幕完全亮起时工作。

测试认证

登录支持FIDO2的服务,如Google或GitHub账号时,尝试使用WearAuthn验证身份,手表上会出现确认提示,完成认证流程。

# 示例并非真实的代码执行,仅为模拟过程
登录网页 > 选择使用安全密钥登录 > 接收手表上的认证请求 > 点击确认 > 成功登录

应用案例和最佳实践

  • 企业环境: 提升员工账户安全性,利用WearAuthn实现无密码登录,降低因密码泄露导致的风险。
  • 个人用户: 在日常生活中增加多因素认证的便捷性,特别是在处理敏感信息时,如网银交易、社交媒体管理等。
  • 最佳实践: 始终保持WearAuthn与相关设备的同步和更新,确保安全标准的最新性;当不使用手表进行认证时,可考虑关闭NFC功能以节约电力和增强安全性。

典型生态项目

虽然本项目本身就是围绕Wear OS生态构建的典型实例,但结合使用场景,可以与云服务提供商的身份验证API集成,比如谷歌的Firebase Auth或者微软的Azure AD,为企业级应用提供穿戴设备的认证扩展能力。开发者也可以探索如何将WearAuthn的原理融入到自己的应用中,以增强用户账户的安全保护措施,特别是在那些对安全性有着高标准要求的应用场景里。


请注意,具体的技术细节和步骤可能随着软件版本更新而变化,务必参考项目最新的官方文档进行操作。

WearAuthnUse your Wear OS watch as a FIDO2 security key via Bluetooth and NFC.项目地址:https://gitcode.com/gh_mirrors/we/WearAuthn

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

柳旖岭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值