Machine Learning and Deep Learning for Fixed-Text Keystroke Dynamics
San Jose State University(圣何塞州立大学)
击键动力学可用于通过测量键盘输入的各个方面来分析用户键入的方式。以前的工作已经证明了用户身份验证和识别的可行性,利用混沌动力学。在这项研究中,我们考虑了各种各样的机器学习和深度学习技术的基础上,固定文本标记衍生的功能,我们优化产生的模型,我们比较我们的结果,在相关研究中获得的。我们发现,基于极端梯度提升(XGBoost)和多层感知器(MLP)的模型在我们的实验中表现良好。我们最好的模型优于以前的可比研究。
2021-07-01 cs.LG
Dynamic Anonymized Evaluation for Behavioral Continuous Authentication
University of Wyoming(怀俄明大学)
新兴技术需要可靠的身份验证机制,特别是在互连系统中。目前的系统依赖于单一时刻的认证,然而,连续认证系统利用恒定的生物特征分析来评估用户的身份。Spy Hunter是一种持续的身份验证机制,它使用动态身份验证来验证数据块上的用户。这种易于集成的定期生物特征认证系统可验证真正的用户并快速检测入侵者。因为它在后台验证用户,所以Spy Hunter不受密码框的限制。相反,它是灵活的,可以与其他机制分层,以提供高级别的安全性。在其他持续身份验证技术依赖于脚本输入的地方,Spy Hunter在真实的环境中验证自由文本。这分两个阶段完成,一个阶段是向用户提供提示,另一个阶段是允许用户自由访问其计算机。此外,《间谍猎人》关注的是不同按键的时间,而不是按下的特定按键。这允许匿名数据来验证用户并避免持有个人数据。利用一对K折交叉验证技术,Spy Hunter根据系统错误地接受入侵者的频率,系统错误地拒绝真正用户的频率以及验证用户身份所需的时间进行评估。Spy Hunter将出错率保持在6%以下,并以最少的错误数识别用户。连续身份验证提供了比一次性验证过程更高级别的安全性,Spy Hunter扩展了基于动态行为分析的可能性。
2019-03-07 cs.CR cs.LG
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
DEFT: A new distance-based feature set for keystroke dynamics
RMIT University(皇家墨尔本理工大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61)
本研究针对击键动力学领域的特征创新问题,提出融合键盘按键间距与飞行时间的DEFT特征,构建设备无关的DEFT模型,在多设备多数据集上准确率超99%,性能优于现有最优方法。
2023-10-06 cs.LG
AI-Assisted Authentication: State of the Art, Taxonomy and Future Roadmap
University of Guelph(圭尔夫大学)
人工智能(AI)已经在从数据科学到网络安全的各种环境中找到了应用。AI有助于突破传统算法的局限性,为解决问题提供更高效、更灵活的方法。在本文中,我们专注于人工智能在身份验证中的应用,该应用在广泛的场景中,包括面部识别以访问建筑物,指纹动态解锁智能手机。随着新兴的人工智能辅助身份验证方案的出现,我们的全面调查提供了一个高水平的整体了解,这为该领域的未来研究铺平了道路。与其他相关调查相比,我们的研究是同类研究中第一个关注AI在身份验证中的作用的研究。
2022-04-25 cs.AI cs.CR cs.LG
A novel non-linear transformation based multi-user identification algorithm for fixed text keystroke behavioral dynamics
Clarkson University(克拉克森大学)
在本文中,我们提出了一种新的技术,唯一地分类和识别多个用户访问一个单一的应用程序,使用动态。当多个用户对共享计算机和帐户具有合法访问权限时,通常会遇到此问题,有时一个用户可能会无意中登录另一个用户的帐户。由于登录过程通常在这个阶段被绕过,我们依赖于网络动态来区分用户。我们的算法使用分位数变换和定位技术来分类和识别用户。具体来说,我们使用一种算法称为序数展开基于定位(UNESCO),它只使用从比较距离代理获得的序数数据,通过“定位”用户在一个减少的PCA/Kernel-PCA/t-SNE空间的基础上,他们的打字模式。我们的结果是有效的基准测试数据集的帮助下,表明我们的算法优于其他方法。
2022-10-05 cs.LG eess.SP
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
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
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
Online Binary Models are Promising for Distinguishing Temporally Consistent Computer Usage Profiles
University of Florida(佛罗里达大学);Federal University of Parana(巴拉那联邦大学);Northeastern University(东北大学);Charles Stark Draper Laboratory(查尔斯·斯塔克·德拉珀实验室)
本文探讨了计算机使用配置文件组成的过程,网络,鼠标,和网络相关的事件是否是唯一的,并随着时间的推移在一个自然的设置一致,讨论了挑战和机遇,使用这种配置文件中的应用程序的连续身份验证。我们在8周内从31位MS Windows 10计算机用户那里收集了生态有效的计算机使用配置文件,并将这些数据提交给涉及各种在线和离线分类器的全面机器学习分析。我们发现:(i)在为期8周的数据汇集期间,概况基本一致,(83.9%)每天重复使用计算机的习惯;(ii)计算机使用情况分析有可能独特地描述计算机用户的特征(最高F分数为99.90%);(iii)与网络有关的事件是准确识别个人档案的最相关特征(95.69%的用户区分特征与网络有关);和(iv)二元模型最适合于轮廓识别,与离线设置相比,在线设置获得了更好的结果(最大F评分为99.90% vs. 95.50%)。
2021-09-02 cs.LG
Decepticons: Corrupted Transformers Breach Privacy in Federated Learning for Language Models
University of Maryland(马里兰大学);New York University(纽约大学)
本文提出一种利用恶意参数向量攻击联邦学习文本模型的新方法,通过分别提取token和位置嵌入恢复用户私有文本,揭示文本联邦学习比以往认为的更易受隐私攻击。
2023-05-31 cs.CL cs.CR cs.LG
Hybrid PLS-ML Authentication Scheme for V2I Communication Networks
Hamad Bin Khalifa University(哈马德·本·哈利法大学)
针对车联网易受攻击的问题,提出一种以车辆位置为指纹、结合ToA定位与机器学习模型的混合PLS-ML认证方案,在漏检性能上显著优于基于到达角的基线方案。
2023-08-28 cs.CR cs.LG eess.SP
ADSAGE: Anomaly Detection in Sequences of Attributed Graph Edges applied to insider threat detection at fine-grained level
Atos Information Technology(Atos信息技术公司);University of Passau(帕绍大学)
以前的作品在CERT内部威胁检测的情况下,忽略了图形和文本功能,尽管它们的相关性来描述用户的行为。此外,现有系统严重依赖于特征工程和审计数据聚合来检测恶意活动。这是耗时的,需要专业知识,并防止追溯警报到精确的用户操作。为了解决这些问题,我们引入ADSAGE来检测异常的审计日志事件建模为图形边缘。我们的一般方法是第一个在边缘级别进行异常检测,同时支持边缘序列和属性,可以是数字,分类,甚至文本。我们描述了ADSAGE如何在CERT用例的不同审计日志中用于细粒度的事件级内部威胁检测。值得注意的是,没有标准的CERT问题的基准,我们使用以前提出的评估设置的基础上现实的召回为基础的指标。我们评估ADSAGE的身份验证,电子邮件流量和来自CERT内部威胁数据集的Web浏览日志,以及真实世界的身份验证事件。ADSAGE可以有效地检测身份验证中的异常,建模为用户与计算机的交互,以及电子邮件通信。简单的基线也会产生令人惊讶的强大结果。我们还报告了CERT数据集中存在的恶意场景的性能分裂:有趣的是,几个检测器是互补的,可以结合起来提高检测。总的来说,我们的研究结果表明,图特征是翔实的恶意内部活动的特征,并在细粒度级别的检测是可能的。
2020-07-14 cs.CR cs.LG stat.ML
DeepWriterID: An End-to-end Online Text-independent Writer Identification System
South China University of Technology(华南理工大学)
由于触摸屏移动终端和基于笔的界面的快速增长,基于手写的书写者识别系统在个人认证、数字取证和其他应用中正吸引越来越多的关注。然而,由于数据的不足和难以在不同的笔迹条件下设计出良好的特征,大部分关于笔迹鉴别的研究并不令人满意。因此,我们引入了一个端到端系统,即DeepWriterID,它采用了深度卷积神经网络(CNN)来解决这些问题。DeepWriterID的一个关键特性是我们提出的一种新方法,称为DropSegment。它旨在实现数据增强,提高CNN的通用性。为了充分的特征表示,我们进一步引入路径签名特征映射来提高性能。实验在NLPR笔迹数据库上进行。即使我们只使用给定手写样本的落笔状态下的笔位置信息,我们也实现了中文文本95.72%和英文文本98.51%的新的最先进的识别率。
2015-12-22 cs.CV cs.LG stat.ML