本文提出使用击键动态通过机器学习算法进行用户身份认证，可作为外部设备二步验证的替代方案，提升应用程序安全性和用户体验。基于数据集的距离度量和 ANN、CNN 多分类算法，最终实现了 95.05％的识别准确率。

Apr, 2023

本研究使用行为生物识别，包括触摸动态和手机移动，创建和评估了用户身份验证方案。使用两个公开数据集，采用 7 种机器学习算法进行评估，准确率高达 86％。

May, 2022

使用基于图像的复杂特征和多分类卷积神经网络，在能够识别 148 个用户的数据集上取得了 0.78 的准确性；然而，将同一特征的稍作修改后，使用随机森林分类器则可以获得 0.93 的准确性。

Jul, 2023

讨论了现有行为生物识别移动认证中使用的关键机器学习算法，重点关注使用触摸动态和手机移动的算法。

Apr, 2022

本研究旨在进一步研究利用行为生物特征进行连续身份验证的领域。我们贡献了一个创新的数据集，该数据集涵盖了 15 名用户使用三星平板电脑玩 Minecraft 的手势数据，每个用户游戏时间为 15 分钟。利用这个数据集，我们使用了机器学习二元分类器，包括随机森林、K 最近邻和支持向量分类器，来确定特定用户行为的真实性。我们最强大的模型是支持向量分类器，其平均准确率达到了约 90%，表明触摸动态可以有效区分用户。然而，还需要进一步研究使其成为身份验证系统的可行选择。

Mar, 2024

本研究旨在探讨利用神经网络、极端梯度提升和支持向量机三种不同算法在移动触摸动力学方面实现连续认证的可行性，研究结果表明，移动触摸动力学在连续认证方面有很大的潜力用于增强安全性和减少未经授权的使用个人设备的风险，并且使用不同的算法可以在不同的任务中获得不同的性能表现。

Apr, 2023

本研究提出一种数据驱动的学习模型，用于合成按键生物特征数据，并与基于通用和用户相关模型的两种统计方法进行比较。通过合成生物特征数据，本研究改进了基于按键的机器人检测系统的训练过程，并通过定量和定性实验验证了三种方法的表现。实验结果表明，在有大量标记数据的情况下，这些合成样本可以被高精度地检测出来，但在少样本学习的情况下则是一个重要的挑战。此外，这些结果显示了所提出模型的巨大潜力。

Jul, 2022

本文采用三种机器学习和深度学习算法，评估了 40 名用户使用鼠标动态作为生物特征的连续身份验证方案，其中包括二元分类器和多元分类器，并获得了在数据集上最高的准确度。

May, 2022

通过新的实验框架和公平度指标，基于键盘动力学的生物特征验证的绩效和公平性得到了提升并通过实验证明其可行性。

Nov, 2023

该研究使用生物特征识别对个人进行身份认证，其中鼠标动力学是一种行为生物特征，可以用于进行连续身份验证以防止安全漏洞。该论文通过对鼠标动力学数据集 Balabit Mouse Challenge 数据集进行了不同分类技术的实证评估，使用鼠标移动、点选和拖放三种动作进行用户识别，并使用决策树分类器、K 最近邻分类器和随机森林分类器进行验证和认证。结果显示，这三种分类器可以以相对较高的准确率区分真实用户和冒名顶替者。在验证模式下，所有分类器的准确率达到 100%。在认证模式下，三种分类器在使用点选操作数据的情景 B 中实现了最高准确率（决策树准确率：87.6%，AUC：90.3%），（K 最近邻准确率：99.3%，AUC：99.9%）和（随机森林准确率：89.9%，AUC：92.5%）。

Nov, 2023