利用深度学习提高智能手表支付的安全性
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
我们提出了一种创新的反欺骗方法,将无监督自编码器与卷积块注意模块相结合,以解决现有方法的局限性,并具有有效推广性。我们的模型仅在真实图像上进行训练,未接触任何伪造样本,在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中,实现了平均 BPCER 为 0.96%,APCER 为 1.6%。
Nov, 2023
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
本文提出了一种使用面部识别和特征运动作为密码的双重身份认证机制,基于机器学习和深度学习的生物特征识别系统在这种方案下表现出强大的鲁棒性和准确性。
Dec, 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
我们提出了一种用于无接触指纹的通用表现攻击检测方法,该方法使用了合成的无接触指纹进行模型训练,并结合了 Arcface 和 Center loss 进行联合损失函数的设计,最终取得了 0.12% 的正常认证错误率、0.63% 的攻击展示分类错误率和 0.37% 的平均分类错误率。
Oct, 2023
本文研究了七种预训练 CNN 和一个 Vision Transformer 模型对于探测虚假指纹的泛化能力,并通过四个不同的仿冒手段和深度特征技术的性能评估结果表明,ResNet50 CNN 具有最好的泛化性能。
Jul, 2023