击键动态用于用户识别
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
这篇论文提出了一种基于 RNN 的按键动态生物识别方法,通过对两个相邻按键的输入序列和实际打字时间的目标序列进行处理,获得了比短文本和固定长度文本更好的认证性能和稳定性。
Jun, 2018
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
该论文研究了基于敲击行为的生物特征识别与验证方法,提出了一种基于 Transformer 的网络模型,通过自注意机制从敲击序列中提取信息特征,超越了传统的循环神经网络的性能。该研究探索了两种不同的网络架构,分别是双编码器和交叉编码器,并比较了它们在敲击身份验证中的效果。同时,作者还研究了不同的损失函数和距离度量方法,通过一系列实验优化了训练过程,提高了模型性能。通过使用 Aalto 桌面敲击数据集进行评估,结果表明采用批量全三元组损失和余弦距离的双编码器架构取得了最佳性能,等错误率仅为 0.0186%。此外,通过尝试使用一类支持向量机等替代算法计算相似度得分,进一步提高了准确性,使等错误率达到 0.0163%。研究结果表明,该模型超越了自由文本敲击身份验证领域的最新技术水平,为进一步发展敲击身份验证领域并提供安全的用户验证系统提供了实际意义。
Oct, 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
本研究提出一种数据驱动的学习模型,用于合成按键生物特征数据,并与基于通用和用户相关模型的两种统计方法进行比较。通过合成生物特征数据,本研究改进了基于按键的机器人检测系统的训练过程,并通过定量和定性实验验证了三种方法的表现。实验结果表明,在有大量标记数据的情况下,这些合成样本可以被高精度地检测出来,但在少样本学习的情况下则是一个重要的挑战。此外,这些结果显示了所提出模型的巨大潜力。
Jul, 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
本文介绍了 IEEE BigData 2023 Keystroke Verification Challenge (KVC) 的结果,该挑战考虑了键入动态(Keystroke Dynamics,KD)的生物特征验证性能,以 tweet 长度的可变转录文本序列为对象,涵盖了超过 185,000 个受试者的数据。参与者提出了几种神经结构,导致桌面和移动场景中最佳团队分别达到全局相等错误率 (Equal Error Rates, EER) 最低分别为 3.33% 和 3.61%,优于现有的 KD 生物特征验证性能的最新水平。挑战将继续在 CodaLab 上进行,为研究界提供一个有用的工具,以在相同的实验条件下比较不同的方法,并加深对该领域的了解。
Jan, 2024