应用机器学习和深度学习于鼠标动态以进行连续用户认证
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
鼠标运动动力学作为连续用户认证的一个可靠指标,通过分析用户在高强度和低强度界面交互中的鼠标运动模式,机器学习模型在捕捉和解释用户行为细微差别方面展现出了良好的表现,并在用户验证方面取得了进展。研究为增强计算机安全的持续努力做出了贡献,突显了利用用户行为和鼠标动力学开发强大认证系统的潜力。
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
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
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
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
本研究探讨利用行为生物统计学来区分人类和计算机(常称为机器人检测)的适用性。我们基于神经运动模型提出了 BeCAPTCHA-Mouse,这是一种新颖的基于老鼠动态的机器人检测器。我们提出了两种新的老鼠轨迹综合方法。在 BeCAPTCHA-Mouse 基准测试中,我们的实验表明,使用仅一个老鼠轨迹,BeCAPTCHA-Mouse 能够以 93%的平均准确率检测出具有高逼真度的机器人轨迹,而我们的方法与最先进的老鼠动态特征融合后,相对提高了超过 36%的机器人检测精度,证明了老鼠轨迹的机器人检测是一种快速,易于使用和可靠的补充传统 CAPTCHA 系统的工具。
May, 2020