可穿戴设备用户的上下文依赖隐式认证
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
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
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
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
该论文提出了一种基于任务行为生物特征认证的方法,利用个体的运动轨迹作为唯一签名,在虚拟现实环境中实现无缝的持续认证。通过使用深度学习方法进行行为生物特征认证,准确率较高,但在使用任务开始时的较小片段时性能较低。因此,现有技术设计的系统在等待未来运动轨迹片段可用时是易受攻击的。为了解决这个问题,该研究首次使用基于 Transformer 的预测方法,预测未来用户行为并用于用户认证。根据用户当前的任务环境下的轨迹,我们的方法可以预测用户未来的运动轨迹,因为用户不太可能在任务期间大幅改变其行为。我们使用 Miller 等人公开的 41 个被试的投掷球数据集来展示使用预测数据进行用户认证的改进效果。与不进行预测相比,我们的方法平均将认证等错误率(EER)降低了 23.85%,最大降低 36.14%。
Jan, 2024