RingAuth: Wearable Authentication using a Smart Ring
在本文中，我们表明，通过使用智能戒指产生的惯性传感器数据，戴在手指上，用户可以在进行移动支付或敲门（用于访问控制）时进行身份验证。所提出的系统可以纯粹以软件形式部署，不需要更新现有的支付终端或基础设施。我们还证明了智能戒指数据可以验证智能手表的手势，反之亦然，允许任何一个设备作为另一个隐含的第二个因素。为了验证该系统，我们进行了用户研究（n=21），收集惯性传感器数据，从用户执行手势，我们评估系统对主动模仿攻击者。基于这些数据，我们开发了支付和访问控制认证模型，分别实现了0.04和0.02的EER。
2022-12-09 cs.CR
WatchAuth: User Authentication and Intent Recognition in Mobile Payments using a Smartwatch
在本文中，我们表明，点击手势，当用户“点击”智能手表到NFC功能的终端进行支付时，是一种生物特征，能够隐式地验证用户，同时识别意图支付。所提出的系统可以完全部署在手表上的软件中，而不需要更新支付终端。它对终端类型和位置是不可知的，并且意图识别部分不需要来自用户的任何训练数据。为了验证该系统，我们进行了一项用户研究（n=16），以收集用户与支付终端交互时的手腕运动数据，并收集其中一个子集（n=9）进行日常活动时的长期数据。基于这些数据，我们确定了最佳的手势参数，并开发了身份验证和意图识别模型，我们分别实现了0.08和0.04的EER。
2022-12-11 cs.CR
Smartphone Sensors for Modeling Human-Computer Interaction: General Outlook and Research Datasets for User Authentication
在本文中，我们列出了现代智能手机中常用的传感器，并提供了这些传感器可用于模拟人与智能手机之间的交互的不同方式的总体前景。然后，我们提供了一个分类的应用程序，可以利用这些传感器产生的信号在三个不同的维度，这取决于嵌入在应用程序中利用的信号的主要信息内容：神经运动技能，认知功能和行为/例程。然后，我们总结了这一领域现有研究数据集的代表性选择，特别关注与用户身份验证相关的应用程序，包括关键功能和迄今为止在这些应用程序上获得的主要研究成果。然后，我们使用HuMIdb数据库（人类移动交互数据库），一种新型的多模态移动数据库，包括从600名参与者捕获的14个移动传感器进行实验工作。我们评估的生物识别认证系统的基础上，简单的线性触摸手势，使用连体神经网络架构。非常有前途的结果是实现了高达87%的准确率的人认证的基础上一个简单而快速的触摸手势。
2020-06-01 cs.CR
FMCode: A 3D In-the-Air Finger Motion Based User Login Framework for Gesture Interface
Arizona State University（亚利桑那州立大学）
使用基于手势的人机界面的应用程序需要一种新的手势用户登录方法，因为它没有传统的输入方法来键入密码。然而，由于各种挑战，现有的基于手势的认证系统通常被认为太弱而不能在实践中使用。在本文中，我们提出了一个统一的用户登录框架，使用三维空中手写，称为FMCode。我们定义了新类型的功能，区分合法用户和攻击者的关键，并利用支持向量机（SVM）的用户身份验证。这些功能和数据驱动模型是专门设计的，以适应现有手势认证方法忽略的微小行为变化。此外，我们使用深度神经网络的方法来有效地识别用户的基础上，他或她在空气中的笔迹，这避免了膨胀的帐户数据库搜索方法所采用的现有工作。在我们收集的超过100个用户的数据集上，我们的原型系统使用两种类型的手势输入设备，实现了0.1%和0.5%的最佳相等出错率（EER）的用户认证，以及96.7%和94.3%的用户识别准确率。与现有的使用手势和空中手写的行为生物识别系统相比，我们的框架实现了最先进的性能。此外，我们的实验结果表明，FMCode是能够抵御客户端欺骗攻击，它执行持久的长期运行。这些结果和发现铺平了道路，实际使用基于手势的用户登录的手势界面。
2018-08-01 cs.AI cs.CR cs.CV
BehavioCog: An Observation Resistant Authentication Scheme
我们建议，通过整合行为的生物特征的手势-如在触摸屏上画数字-与基于挑战-响应的认知认证方案，我们可以受益于两者的属性。一方面，我们可以通过（部分）依赖于模仿精心设计的行为生物特征手势的难度来显著减少挑战-响应回合的数量，从而提高现有认知方案的可用性。另一方面，认知方案的抗观察特性为行为生物识别提供了额外的保护层;攻击者不确定失败的模仿是由于生物识别失败还是对挑战的错误响应。我们设计并开发了这样一个“混合”计划的实例，并称之为BehavioCog。为了提供接近4位数PIN的安全性（万分之一的机会被冒充），我们只需要两轮挑战-响应，平均可以在不到38秒的时间内完成（根据我们的用户研究估计），与PIN或密码不同，该方案在观察下是安全的。
2017-03-13 cs.CR
Improving the Security of Smartwatch Payment with Deep Learning
St Anne’s College（圣安妮学院）
本文研究利用深度学习减少智能手表支付认证系统注册所需手势数量，通过构建优于现有方法的深度学习认证系统，并提出正则化自编码器生成合成手势，在不降低错误率的前提下显著减轻用户注册负担。
2023-07-11 cs.CR cs.LG
Swipe dynamics as a means of authentication: results from a Bayesian unsupervised approach
行为生物识别领域是传统生物识别系统的一个有吸引力的替代方案，因为它从用户的角度来看易于使用，并且对呈现攻击具有潜在的鲁棒性。本文重点关注一种特定类型的行为生物识别利用滑动动力学，也被称为触摸手势。在触摸手势认证中，用户在移动终端的触摸屏上滑动以执行认证尝试。触摸手势认证和新的行为生物测定的一个关键特征通常是缺乏可用的数据来训练和验证模型。从机器学习的角度来看，这提出了经典的维数灾难问题，这里提出的方法集中在贝叶斯无监督模型，因为它们非常适合这种情况。本文介绍了一组实验的结果，包括38个会议与标记的受害者，以及盲目和过肩演示攻击。使用该数据集比较了三种模型;两种单模模型：收缩协方差估计和贝叶斯高斯分布，以及贝叶斯非参数无限高斯混合，建模为Dirichlet过程。相等的出错率（EER）的三个模型进行比较，并注意如何在不同数量的注册样本，这些不同的两个单模模型。
2020-10-13 cs.CR stat.AP
Open Access Dataset for Electromyography based Multi-code Biometric Authentication
最近，表面肌电图（EMG）已被提出作为一种新的生物特征，以解决当前生物特征识别的一些关键限制，如欺骗和活性。EMG信号具有独特的特性：它们对于个体（生物识别）是固有不同的，并且它们可以被定制以实现多长度代码或密码（例如，通过执行不同的手势）。然而，目前基于EMG的生物特征研究有两个关键的局限性：1）与其他更成熟的生物特征相比，受试者池较小，2）仅限于单次会话或单日数据集。在这项研究中，前臂和手腕肌电图数据收集了43名参与者在三个不同的日子，长时间的分离，而他们进行静态的手和手腕的手势。多日生物特征认证导致前臂设置的EER中位数为0.017，手腕设置的EER中位数为0.025，与成熟的生物特征相当，表明多日的性能一致。所提出的大样本多天数据集和研究结果可以促进基于EMG的生物特征识别和其他基于手势识别的应用的进一步研究。
2022-01-05 cs.CR eess.SP stat.ML
UserBoost: Generating User-specific Synthetic Data for Faster Enrolment into Behavioural Biometric Systems
King’s College London（伦敦国王学院）；University of Oxford（牛津大学）
针对行为生物识别系统用户注册负担重的问题，提出UserBoost方法，用正则化自编码器生成用户特定合成手势数据，结合真实数据训练认证模型，可使类WatchAuth系统注册手势数减少超40%且不升高错误率。
2024-07-12 cs.CR cs.LG
An HMM-based Multi-sensor Approach for Continuous Mobile Authentication
随着智能电话的日益普及，更需要具有有效处理各种安全威胁和隐私泄露的鲁棒认证机制。研究了基于触摸界面的移动设备的连续认证问题。提出了一种基于隐马尔可夫模型（HMM）的行为模板训练方法，该方法不需要来自移动终端所有者以外的其他主体的训练数据，并且可以随着时间的推移使用新的数据进行更新。使用连续的左右HMM从多个传感器（触摸、加速度计和陀螺仪数据）对用户的手势模式进行建模。该方法对用户的敲击和敲击模式进行建模，因为这些是移动终端上的基本和最频繁使用的交互。为了评估所提出的方法的有效性，一个新的数据集已被创建从42个用户与他们的智能手机上的现成的应用程序进行交互。结果表明，所提出的方法的性能是有前途的，可能优于其他国家的最先进的方法。
2017-12-22 cs.CR
Contrastive Learning for Continuous Touch-Based Authentication
提出一种基于对比学习的统一框架，利用时间掩码自编码器和孪生时间-注意力卷积网络，实现移动设备上非干扰的连续触控身份认证，并在公共及自采数据集上超越现有方法。
2025-04-24 cs.CR
A Continuous Liveness Detection for Voice Authentication on Smart Devices
语音生物识别技术正引起越来越多的关注，因为它是一种有前途的替代传统密码的用户身份验证。最近，越来越多的工作表明，语音生物识别技术很容易受到通过重放攻击的欺骗，其中对手试图通过使用从真实用户收集的预先录制的语音样本来欺骗语音认证系统。为此，我们提出了VoiceGesture，这是一种用于智能手机和智能音箱等智能设备上语音认证的活性检测解决方案。VoiceGesture通过利用用户在说出密码时的独特发音手势和这些智能设备上的音频硬件进步来检测实时用户。具体来说，我们的系统重新使用智能设备上的一对内置扬声器和麦克风作为多普勒雷达，它从扬声器传输高频声音，并在用户说出密码时收听麦克风的反射。然后，我们提取多普勒频移导致的用户的发音手势的活性检测。VoiceGesture是实用的，因为它既不需要繁琐的操作，也不需要额外的硬件，而是在支持语音输入的智能设备上通常可用的扬声器和麦克风。我们对21名参与者和不同智能设备的实验评估表明，对于文本相关和文本无关的活性检测，VoiceGesture分别达到了99%以上和98%左右的检测准确率。结果还表明，VoiceGesture对不同的设备放置，低音频采样频率具有鲁棒性，并支持灵巧家庭和智能车辆等各种使用场景中智能扬声器的中程活性检测。
2021-06-01 cs.CR cs.HC
MultiLock: Mobile Active Authentication based on Multiple Biometric and Behavioral Patterns
Universidad Autonoma de Madrid（马德里自治大学）
在本文中，我们评估移动主动认证的基础上，生物识别和基于行为的分析信号的合奏。我们考虑七种不同的数据通道及其组合。触摸动态（触摸手势和手势），加速度计，陀螺仪，WiFi，GPS位置和应用程序的使用都是在人机交互过程中收集的，以验证用户。我们评估两种方法：一次性身份验证和主动身份验证。在一次性认证中，我们使用一个会话期间所有可用通道的信息。对于主动身份验证，我们通过更新身份验证分数的置信度值来利用跨多个会话的移动用户行为。我们的实验是在半不受控制的UMDAA-02数据库上进行的。该数据库包括在自然人机交互期间获取的智能手机传感器信号。我们的结果表明，不同的特征可以互补，多模式系统明显提高了性能，准确率范围从82.2%到97.1%，具体取决于身份验证场景。
2019-01-29 cs.CR cs.CV cs.CY
Classifying Eyes-Free Mobile Authentication Techniques
移动终端用户避免观察攻击和应对情境损害可以采用用于免视移动解锁认证的技术，其中用户在不看设备的情况下输入他/她的密码。本研究提供了一个初步的描述，用户在执行这种身份验证行为的准确性与PIN和图案密码，具有不同的长度和视觉特征。此外，我们询问，如果斗争只有反馈可以提供辅助空间化，发现方向线索之前解锁没有帮助。通过一项包含26名参与者的组内随机研究，收集了编辑距离和动态时间规整准确性的测量结果。收集并分类了1，021个密码输入手势，确定了使用输入前触觉反馈的六种用户策略，以及输入期间发生的事件和错误类型的十种代码。我们发现，那些专注于使用触觉反馈定位密码第一个数字的用户在任务中表现得更好。这些结果可以在进一步的研究中更好地定义无眼行为，并设计更好，更安全的无眼认证方法。
2018-05-31 cs.CR cs.HC
Continuous User Authentication Using Machine Learning and Multi-Finger Mobile Touch Dynamics with a Novel Dataset
随着技术的快速发展和演变，越来越明显的是，移动设备比以往任何时候都更常用于敏感事项。需要不断地对用户进行身份验证，因为单因素或多因素身份验证可能仅在初始时验证用户，如果冒名顶替者可以绕过此初始验证，则这没有帮助。触摸动态领域作为一种明确的方式出现，以非侵入性地收集关于用户及其行为的数据，以便实时的制定和做出必要的安全相关决策。在本文中，我们提出了一个新的数据集，包括跟踪25个用户玩两个手机游戏Snake.io和Minecraft每个10分钟，以及他们的相关手势数据。从这些数据中，我们运行了机器学习二进制分类器，即随机森林和K最近邻，试图验证特定用户行为的样本是否真实。我们最强的模型在两款游戏中的平均准确率约为93%，这表明触摸动态可以有效区分用户，并且是身份验证方案的可行考虑因素。我们的数据集可以在https://github.com/zderidder/MC-Snake-Results上查看
2022-07-27 cs.CR cs.HC
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
Sign in the Air to Unlock: An Interface for authentication in Virtual and Augmented Reality Powered by Point-Voxel Cross-Attention Network
提出一种空中签名认证接口，利用点-体素交叉注意力网络（PV-Net）建模3D轨迹的局部运动与全局结构，在公开和自建数据集上实现低错误率，支持沉浸式环境中的自然交互认证。
2026-07-16 cs.CR cs.CV cs.HC
On the Instability of Sensor Orientation in Gait Verification on Mobile Phone
已经提出了使用令牌或生物特征模态的认证方案来改善移动设备上的安全强度。然而，现有的方法是突兀的，因为用户需要执行明确的手势，以便被认证。虽然由惯性传感器捕获的步态信号被理解为用于有效隐式认证的可靠轮廓，但是最近的研究已经在理想条件下进行，因此可能不适用于真实的移动环境。特别地，获取传感器总是固定到特定位置和取向。本文主要针对现实中传感器姿态不稳定的问题进行研究。提出了一种灵活的解决方案，利用移动设备上的可用传感器，可以帮助处理这个问题。此外，一种新的步态识别方法，利用统计分析和监督学习，以适应在各种情况下的生物步态的不稳定性也提出了。通过采用PCA+SVM的方法构建步态模型，该方法的验证率和识别率分别为2.45%和99.14%，优于其他最先进的研究，同等的出错率。
2016-02-09 cs.CR
