使用行为生物特征和机器学习评估用户认证模式
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
该研究总结了现代智能手机上常见的传感器,并提出了一个利用这些传感器模拟人与智能手机之间交互的维度分类法。其应用包括神经运动技能、认知功能和行为或例行程序,尤其关注用户认证方面的应用。通过使用人类移动交互的新型多模式数据库(HuMIdb 数据库),以深度学习中的连体神经网络为基础,该研究还检验了一个基于简单线性触摸手势的生物识别认证系统,达到了 87% 的准确率。
Jun, 2020
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
本文提出了一种新技术 DEEPSERVICE 来识别移动用户,该技术基于用户的击键信息进行识别,准确率高达 93%以上,并且只需不到 1 毫秒的时间。
Nov, 2017
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
介绍了一种称为 Motion ID 的用户认证新方法,该方法利用惯性测量单元 (IMUs) 提供的运动感应来验证个人身份。通过数据预处理和机器学习,该方法展示了高精度的用户认证,可与现有方法结合使用,也有望作为一种独立的解决方案。
Jan, 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
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