提出了一种利用智能手机传感器数据和机器学习对终端用户进行基于行为特征的隐式、持续认证的新系统 iAuth，并实现 92.1% 的认证准确性，系统开销极小，电池消耗不到 2%。

Mar, 2017

本文提出了一种基于行为、生理和混合粗粒度分钟级生物识别数据的隐式可穿戴设备用户认证机制，并在超过 400 名 Fitbit 用户的健康研究中进行了分析。经我们分析，使用该机制，用户的平均准确率可达 93％，具有相等的错误率为 0.05。同时，混合生物识别比其他生物识别数据表现更好，而行为生物识别在非久坐阶段也没有显着影响。

Jul, 2019

本文提出了基于心率、步态和呼吸音信号的上下文相关的软生物识别可穿戴身份验证系统，使用具有径向基函数内核的二元支持向量机（SVM）可以实现高达 0.94 的平均精度。

Aug, 2020

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

通过整合人工智能和联邦学习的方法来训练用户的机器学习模型，实现连续的行为认证和会话真实性来保证用户的数据隐私与安全。

Nov, 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

该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法，通过建立一个随机森林分类模型，从步行数据样本中提取时间和频率信息特征。实验结果表明，该模型具有 0.9679 的准确率和 0.9822 的曲线下面积（AUC），可为智能手机提供一种低成本、高效的用户身份认证方法。

Nov, 2017

探索深度学习技术是否可以降低用户在智能手表支付认证系统中提供手势的次数，通过使用自动生成的仿真手势训练可以减少用户在类似 WatchAuth 系统中的注册手势数量而不影响其错误率。

Jul, 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