A Generic Privacy-Preserving Protocol For Keystroke Dynamics-Based Continuous Authentication
连续身份验证利用某些用户特征的自动识别来进行无缝和被动身份验证，而无需用户注意。这些特征可以分为生理生物特征和行为生物特征。提出了一种基于用户输入模式的击键动力学认证方法。然而，已经指出，使用生理生物测定和行为生物测定的连续认证会带来隐私风险，暴露个人特征和活动。在本文中，我们考虑了以前提出的基于动态的认证方案，没有隐私保护属性。在这方面，我们提出了一个通用的隐私保护版本的身份验证方案，其中所有的用户功能都是加密的-防止这些身份验证服务器的披露。我们的计划是通用的，在这个意义上，它假设同态密码原语。由于我们的协议的同态密码属性的加密数据的基础上进行认证。
2022-09-14 cs.CR
Keystroke Dynamics: Concepts, Techniques, and Applications
本文综述了击键动力学的概念、技术与应用，详细回顾了新型数据集、最先进认证算法、移动设备应用及未来研究机会，为网络安全领域的非侵入性身份验证提供了重要参考。
2025-04-27 cs.CR
Active Authentication via Korean Keystrokes Under Varying LLM Assistance and Cognitive Contexts
本文针对韩语按键动力学主动认证，构建含连续性分段、特征提取与 SVM、MLP、XGB 分类的流程，在 50 名用户和三类 LLM 辅助及认知场景下验证其稳定性。
2025-09-29 cs.CR
Fast Free-text Authentication via Instance-based Keystroke Dynamics
击键动力学研究用户通过键盘输入文本的方式。有能力区分用户，打字行为可以不引人注目地形成行为生物识别系统的一个组成部分，以提高现有的帐户安全性。自由文本数据上的击键动力学系统以前需要500个或更多字符才能达到合理的性能。在本文中，我们提出了一种新的基于实例的图比较算法，称为基于实例的尾区密度（ITAD）度量，以减少认证用户所需的标记数。此外，在计算机动力学文献中常用的特征，如专题论文和双字母表，都被发现在告知谁在打字方面是有用的。使用随机森林分类器确定这些特征用于认证的有用性，并在两个公开可用的数据集上进行验证。来自各个特征的分数被融合以形成单个匹配分数。使用融合的匹配分数和ITAD度量，我们在Clarkson II数据集上实现了100和200个测试有向图的相等出错率（EER），分别为9.7%和7.8%，比最先进的35.3%和15.3%有所提高。
2020-06-16 cs.CR
Impact of Network and Host Characteristics on the Keystroke Pattern in Remote Desktop Sessions
基于生物动力学的认证是一种方便的生物识别方法，易于使用，透明且便宜，因为它不需要专用传感器。作为多因素身份验证的一部分，击键身份验证可用于远程显示访问，以保证在访问控制阶段或整个会话期间使用远程连接系统的安全性。本文探讨了如何网络条件和额外的主机交互可能会影响的行为模式时，在一个远程桌面应用程序的情况下使用的网络。我们专注于相邻键的时间，并通过计算参考配置文件和由此产生的配置文件之间的欧氏距离的变化，这种损害调查这种影响。实验结果表明，拥塞延迟的变化，无论是由相邻的流量源或额外的远程桌面交互产生的，有实质性的影响的欧几里德距离，这反过来可能会影响生物认证算法的有效性。结果还表明，远程桌面协议中的数据流没有优先级，因此额外的流量将对验证时间产生重大影响，这使得连续身份验证对远程访问的有效性降低，而更适合一次性登录。
2020-12-07 cs.CR
Keystroke Dynamics for User Identification
San Jose State University（圣何塞州立大学）；Czech Technical University in Prague（布拉格捷克理工大学）
本文研究基于自由文本击键动力学的多分类用户识别，比较类图像特征结合CNN与随机森林，在148名用户上分别取得0.78和0.93的识别准确率。
2023-07-07 cs.CR cs.LG
KDPrint: Passive Authentication using Keystroke Dynamics-to-Image Encoding via Standardization
本文提出 KDPrint 被动认证系统，将击键数据标准化编码为图像以捕捉时间动态，在自采数据集上实现 EER 6.7%，显著优于现有方法。
2024-05-03 cs.CR
Evaluation Scheme to Analyze Keystroke Dynamics Methods
本文针对密码认证的安全与可用性矛盾，提出了生物特征认证和击键动力学的要求，构建评估方案并应用于三种方法，结果表明击键动力学可作为补充认证但可能被强对手绕过。
2024-07-23 cs.CR
Impact of Data Breadth and Depth on Performance of Siamese Neural Network Model: Experiments with Three Keystroke Dynamic Datasets
Clarkson University（克拉克森大学）；University of Virginia（弗吉尼亚大学）；Georgia Tech（佐治亚理工学院）；College of Computing, Georgia Tech（佐治亚理工学院计算学院）
本研究通过三个公开击键数据集实验，探究数据广度与深度对孪生神经网络性能的影响，发现增加广度可提升模型捕捉受试者间差异的能力，深度影响则依数据集类型而异，为行为生物识别模型训练和身份验证系统设计提供参考。
2025-01-10 cs.CV cs.LG stat.ML
Multimodal EEG and Keystroke Dynamics Based Biometric System Using Machine Learning Algorithms
随着技术的快速进步，不同的生物特征用户认证和识别系统不断涌现。传统的生物识别系统，如人脸、指纹、虹膜识别、指纹动态等，容易受到网络攻击，并存在不同的缺点。基于脑电图（EEG）的认证在克服这些限制方面显示出希望。然而，基于EEG的认证由于在不同的心理和生理条件下的信号变化而不太准确。另一方面，基于动态的识别提供了高准确性，但遭受不同的欺骗攻击。为了克服这些挑战，我们提出了一种新的多模态生物识别系统结合EEG和脑电动力学。首先，通过在10个不同的会话中采集来自10个用户的脑电动力学和EEG信号来创建数据集，每个用户500次试验。从EEG信号中提取不同的统计、时域和频域特征并进行排序，从脑电动力学中提取关键特征。针对两种不同的分类策略-个性化和广义，对不同的分类器进行了训练、验证和测试。结果表明，非常高的准确性，可以实现在广义和个性化的情况下，脑电和脑电动力学的组合。极端梯度提升（XGBoost）和随机森林分类器的识别和认证准确率分别为99.80%和99.68%，它们以显著的幅度（约5%）优于单个模态。我们还开发了一种基于二进制模板匹配的算法，该算法的准确率为93.64%，快了6倍。所提出的方法对于任何类型的生物特征认证都是安全可靠的。
2021-06-25 cs.CR eess.SP
A Survey of Biometric keystroke Dynamics: Approaches, Security and Challenges
生物识别技术今天越来越受欢迎，因为它们提供了更可靠和更有效的认证和验证手段。Keystroke Dynamics是著名的生物识别技术之一，当用户通过键盘工作时，它将尝试识别用户的真实性。通过观察用户的键入模式的变化来完成认证过程。本研究对现有的生物动力学方法、度量、不同的方法进行了全面的综述。本文还讨论了各种安全问题和挑战所面临的动态。
2009-10-05 cs.CR
Multimodal User Authentication via Keystroke-Triggered Fusion of Glove-Based Finger Pressure and Hand Kinematics
Graduate School of Computer Science and Engineering, The University of Aizu（会津大学计算机科学与工程研究生院）
研究针对击键动力学受环境影响问题，提出融合击键动力学与手部运动学的多模态认证框架，用定制手套捕获特征，经混合架构融合，通过“未见”评估协议验证，该方法能有效提升认证准确率，融合模态增强了生物识别辨别力。
2026-11-02 cs.CR cs.HC
A Review of Several Keystroke Dynamics Methods
本文针对击键动力学身份认证问题，对比分析GMM、马氏距离分类、Gunetti Picardi距离度量三类模型，基于多数据集时序特征训练验证，用FAR、FRR、EER及ROC曲线评估，明确各方法区分真实用户与冒充者的优劣势。
2025-02-22 cs.CR
VRSafe: A Secure Virtual Keyboard to Mitigate Keystroke Inference in Virtual Reality
University of Pittsburgh（匹兹堡大学）
本文提出VRSafe虚拟键盘，通过引入虚假按键提高攻击者推断密码的难度，并设计恶意登录检测器，有效识别未经授权的登录尝试，实验表明其能显著降低键盘推断攻击的准确性。
2026-04-22 cs.CR
BEACON: A Multimodal Dataset for Learning Behavioral Fingerprints from Gameplay Data
Computer Science and Engineering Department Thapar Institute of Engineering and Technology（计算机科学与工程系 泰帕尔工程与技术学院）；David R Cheriton School of Computer Science University of Waterloo, Canada（大卫·R·切里顿计算机科学学院 温哥华大学）
BEACON数据集通过高精度运动技能和认知负荷，为行为生物特征的鲁棒性测试提供严格压力测试，支持连续认证、行为建模和多模态学习。
2026-05-15 cs.AI cs.CR cs.CV
BehaveFormer: A Framework with Spatio-Temporal Dual Attention Transformers for IMU enhanced Keystroke Dynamics
针对现有击键行为生物特征持续认证系统准确性不足的问题，提出融合击键与IMU数据的BehaveFormer框架，通过新型时空双注意力Transformer提取判别特征，在多个公开数据集上取得优于现有方法的认证性能。
2023-07-03 cs.CR
Your PIN Sounds Good! On The Feasibility of PIN Inference Through Audio Leakage
个人识别码（PIN）被广泛用作诸如自动柜员机（ATM）和销售点（PoS）的系统的认证方法。输入设备（PIN键盘）通常在按键时给用户反馈声音。在本文中，我们提出了一种攻击的基础上提取的帧间定时从反馈的声音，当用户键入他们的PIN。我们的攻击能够达到98%的准确率，平均误差为0.13 +/-6.66毫秒。我们证明，跨时间显着提高猜测概率的PIN的某些子集。我们认为这代表了一个安全问题，必须考虑到安全的PIN生成。此外，我们还确定了几种攻击场景，其中对手可以利用用户或PIN的其他信息（例如键入行为）和时间间隔。我们的研究结果表明，结合的时间间隔与其他信息大大减少了尝试猜测PIN，优于随机猜测。通过我们的攻击，我们能够在3次尝试中猜出72%的4位数PIN。我们认为，这对使用基于PIN的身份验证的系统造成了严重的安全问题。
2019-05-21 cs.CR
TypeNet: Scaling up Keystroke Biometrics
Universidad Autonoma de Madrid（马德里自治大学）；Naval Postgraduate School（美国海军研究生院）
我们研究的适用性验证10万用户键入自由文本的动态。为此，我们首先分析我们基于Siamese递归神经网络（RNN）的方法在多大程度上能够在每个用户的数据量稀缺时对用户进行身份验证，这是自由文本身份验证中的常见情况。使用1K用户测试网络，人口规模与以前的作品相当，TypeNet获得了4.8%的相等出错率，每个用户仅使用5个注册序列和1个测试序列，每个序列50个密码。每个用户使用相同数量的数据，当测试用户数量增加到100K时，与1K相比，性能相对下降不到5%，这表明TypeNet在大规模用户数量下具有良好的扩展潜力。我们的实验是用阿尔托大学的数据库进行的。据我们所知，这是最大的自由文本击键数据库，包含来自168 K用户的超过1.36亿次击键。
2020-04-19 cs.CR cs.CV
HMOG: New Behavioral Biometric Features for Continuous Authentication of Smartphone Users
我们引入了手部运动、方向和抓握（HMOG），这是一组用于持续认证智能手机用户的行为特征。HMOG功能可以不显眼地捕捉用户如何抓握、握住和点击智能手机所产生的细微微运动和方向动态。我们评估了HMOG功能的身份验证和生物特征密钥生成（BKG）性能，这些功能收集了100名受试者在虚拟键盘上键入的数据。在两种情况下收集数据：坐着和走路。当我们结合HMOG、点击和解锁功能时，我们实现了低至7.16%（步行）和10.05%（坐着）的身份验证EER。我们进行了实验，以研究为什么HMOG功能在行走过程中表现良好。我们的研究结果表明，这是由于HMOG功能的能力，以捕捉独特的身体运动所造成的步行，除了从水龙头的手运动动态。对于BKG，我们使用HMOG结合丝攻实现了15.1%的EER。相比之下，使用点击、按住键和滑动功能的BKG的EER在25.7%和34.2%之间。分析了HMOG特征提取和计算的能耗。我们的分析表明，在16 Hz传感器采样率下提取的HMOG特征在不牺牲认证准确性的情况下产生了7.9%的轻微开销。我们的工作与现有文献有两点不同：1）我们在相同的实验条件下对三种类型的特征（HMOG，BKG和Tap）及其组合进行了综合评估，2）我们从三个角度（身份验证，BKG和智能手机的能耗）分析了这些特征。
2016-01-25 cs.CR
TempCharBERT: Keystroke Dynamics for Continuous Access Control Based on Pre-trained Language Models
Institut national de la recherche scientifique (INRS-EMT)（国家科学研究院（INRS-EMT））；Université du Québec（魁北克大学）；INRS-UQO Mixed Research Unit on Cybersecurity（INRS-UQO网络安全混合研究单元）；Polytechnique Montréal（蒙特利尔理工学院）；São Paulo State Technological College（圣保罗州立技术学院）
本文提出TempCharBERT，在CharBERT嵌入层融合时间字符信息以建模击键动态，实现用户身份识别与连续访问控制，实验显示显著提升，并验证了联邦学习训练的可行性。
2024-11-11 cs.CL cs.CR
Authentication and Authorization for Mobile IoT Devices using Bio-features: Recent Advances and Future Trends
生物特征正在迅速成为验证物联网设备的关键工具;从这个意义上说，这项调查的目的是总结阻碍生物识别模型大规模开发和部署的因素，包括人体生理（例如，面部、眼睛、指纹-手掌或心电图）和行为特征（例如，签名、语音、步态或手势）。提供了移动IoT设备的认证和授权方案所使用的不同机器学习和数据采掘方法。还介绍了移动物联网设备基于生物特征的认证方案所使用的威胁模型和对策。更具体地说，我们分析了现有的基于生物特征的物联网设备身份验证方案的最新技术水平。基于当前的分类，我们总结了未来在物联网设备基于生物特征的身份验证方案中的研究工作所面临的不同类型的挑战。
2019-01-27 cs.CR
Mobile Keystroke Biometrics Using Transformers
Universidad Autonoma de Madrid（马德里自治大学）；University of Kent（肯特大学）
在用户身份验证方法中，行为生物识别技术已被证明是有效防止身份盗窃以及用户友好和不引人注目的。文献中最受欢迎的特征之一是由于计算机和移动设备在我们社会中的大量部署而产生的动态性。本文主要研究如何在自由文本场景下改进生物特征识别系统。由于不受控制的文本条件、用户的情绪和身体状态的影响以及使用中的应用程序，这种情况的特征是非常具有挑战性的。为了克服这些缺点，文献中已经提出了基于深度学习的方法，例如卷积神经网络（CNN）和递归神经网络（RNN），其性能优于传统的机器学习方法。然而，这些架构仍然有需要审查和改进的方面。据我们所知，这是第一个提出基于Transformers的生物识别系统的研究。建议的Transformer架构已经实现了相等的出错率（EER）值为3.84\%，在流行的阿尔托移动数据库中使用只有5个注册会话，在很大程度上优于其他国家的最先进的方法在文献中。
2022-10-04 cs.CR cs.CV cs.HC
A Survey on Behavioral Biometric Authentication on Smartphones
最近的研究表明，使用智能手机的传感器和配件来提取一些行为属性的可能性，如触摸动态，触觉动态和步态识别。这些属性被称为行为生物识别，可用于在智能手机上隐式和连续地验证或识别用户。基于这些行为生物特征构建的认证系统被称为主动或连续认证系统。本文对主动认证系统进行了综述。我们提出了一般的主动认证系统的组件和操作过程，然后概述了用于开发主动认证系统的最先进的行为生物特征及其在智能手机上的评估。我们讨论了与每个行为生物特征相关的问题，优势和局限性。并对它们进行了比较总结。最后，提出了该研究领域面临的挑战和有待解决的问题。
2018-01-28 cs.CR
Identity by Design, Demographics by Accident: Demographic Leakage and Suppression in Behavioral Biometric Embeddings
Department of Computer Science and Engineering, University of Moratuwa（莫拉图瓦大学计算机科学与工程系）；National University of Singapore（新加坡国立大学）
本文审计行为生物特征认证系统的人口统计信息泄露，评估11种模型、9个数据集及4种抑制方法，发现不同模态泄露与可抑制性差异，揭示该领域隐私风险并提供相关影响因素见解。
2026-09-01 cs.CR
QUACK! Making the (Rubber) Ducky Talk: A Systematic Study of Keystroke Dynamics for HID Injection Detection
University of Padua（帕多瓦大学）
本文系统研究了通过键盘动态特征区分人类与机器的方法，提出轻量模型在仅使用时间特征的情况下可实现隐私保护的检测，揭示了攻击者复杂性与 evasion 之间非线性关系，量化了检测及时性与可靠性之间的权衡。
2026-09-07 cs.CR
Sensor-based Continuous Authentication of Smartphones' Users Using Behavioral Biometrics: A Contemporary Survey
University of Central Florida（中佛罗里达大学）；Ewha Womans University（梨花女子大学）
移动设备和技术已经变得越来越流行，提供了与台式计算机相当的存储和计算能力，允许用户存储敏感和私人信息并与之交互。由于移动设备容易受到未经授权的访问或盗窃，因此这种个人信息的安全性和保护变得越来越重要。用户身份验证是一项至关重要的任务，它在进入点授予合法用户访问权，并在整个使用会话中持续进行。这一任务通过当今智能手机的嵌入式传感器得以实现，这些传感器通过捕获行为生物特征和特征来实现连续和隐式用户身份验证。在本文中，我们调查了140多个最近的基于行为生物特征的方法，用于连续用户身份验证，包括基于运动的方法（28项研究），基于步态的方法（19项研究），基于动态的方法（20项研究），基于触摸手势的方法（29项研究），基于语音的方法（16项研究），和基于多模态的方法（34项研究）。该调查概述了使用智能手机嵌入式传感器捕获的行为生物识别技术进行持续用户身份验证的当前最先进方法，包括采用、可用性和性能方面的见解和开放性挑战。
2020-05-10 cs.CR cs.HC cs.LG
KeyDetect --Detection of anomalies and user based on Keystroke Dynamics
Carnegie Mellon University（卡内基梅隆大学）
针对现有认证方法依赖外部设备的缺点，提出基于击键动力学的用户认证与异常检测技术，利用ANN和CNN对51名用户的数据进行分类，实现了95.05%的准确率，可作为无需携带设备的两步验证替代方案。
2023-04-08 cs.CR cs.CV
An Agent-Based Modeling Approach to Free-Text Keyboard Dynamics for Continuous Authentication
James Cook University（詹姆斯·库克大学）
本研究利用智能体模型模拟不同键盘上的打字行为，比较单类SVM与随机森林在持续认证中的表现，发现随机森林在键盘内识别准确率超过0.7但跨键盘泛化困难，表明键盘特定用户画像和集成方法对可靠认证至关重要。
2025-05-08 cs.AI cs.CR cs.LG
