論文の概要: Your Identity is Your Behavior -- Continuous User Authentication based
on Machine Learning and Touch Dynamics
- arxiv url: http://arxiv.org/abs/2305.09482v1
- Date: Mon, 24 Apr 2023 13:45:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-21 10:54:14.514509
- Title: Your Identity is Your Behavior -- Continuous User Authentication based
on Machine Learning and Touch Dynamics
- Title（参考訳）: あなたのアイデンティティはあなたの行動 - マシンラーニングとタッチダイナミクスに基づく継続的ユーザ認証
- Authors: Brendan Pelto, Mounika Vanamala, Rushit Dave
- Abstract要約: 本研究は,LG V30+を用いた40名の被験者から収集したタッチダイナミクスのデータセットを用いた。
参加者は4つのモバイルゲーム、Diep.io、Slither、Minecraftをそれぞれ10分間プレイした。
研究の結果,3つのアルゴリズムがそれぞれ,個々のタッチダイナミクスに基づいてユーザを効果的に分類できることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The aim of this research paper is to look into the use of continuous
authentication with mobile touch dynamics, using three different algorithms:
Neural Network, Extreme Gradient Boosting, and Support Vector Machine. Mobile
devices are constantly increasing in popularity in the world, today smartphone
subscriptions have surpassed 6 billion. Mobile touch dynamics refer to the
distinct patterns of how a user interacts with their mobile device, this
includes factors such as touch pressure, swipe speed, and touch duration.
Continuous authentication refers to the process of continuously verifying a
user's identity while they are using a device, rather than just at the initial
login. This research used a dataset of touch dynamics collected from 40
subjects using the LG V30+. The participants played four mobile games, PUBG,
Diep.io, Slither, and Minecraft, for 10 minutes each game. The three algorithms
were trained and tested on the extracted dataset, and their performance was
evaluated based on metrics such as accuracy, precision, false negative rate,
and false positive rate. The results of the research showed that all three
algorithms were able to effectively classify users based on their individual
touch dynamics, with accuracy ranging from 80% to 95%. The Neural Network
algorithm performed the best, achieving the highest accuracy and precision
scores, followed closely by XGBoost and SVC. The data shows that continuous
authentication using mobile touch dynamics has the potential to be a useful
method for enhancing security and reducing the risk of unauthorized access to
personal devices. This research also notes the importance of choosing the
correct algorithm for a given dataset and use case, as different algorithms may
have varying levels of performance depending on the specific task.
- Abstract（参考訳）: 本研究の目的は,ニューラルネットワーク, Extreme Gradient Boosting, Support Vector Machineという3つの異なるアルゴリズムを用いて, 移動体タッチダイナミックスを用いた連続認証の利用を検討することである。
現在、スマートフォンのサブスクリプション数は60億を超えている。
モバイルタッチダイナミクスは、ユーザがモバイルデバイスとどのように対話するかという、異なるパターンを指しており、これは、タッチ圧力、スワイプ速度、タッチ持続時間などの要素を含んでいる。
継続的認証とは、初期ログインだけでなく、デバイスを使用しているときにユーザーのアイデンティティを継続的に検証するプロセスを指す。
本研究は,LG V30+を用いた40名の被験者から収集したタッチダイナミクスのデータセットを用いた。
参加者は4つのモバイルゲーム、PUBG、Diep.io、Slither、Minecraftをそれぞれ10分間プレイした。
抽出したデータセット上で3つのアルゴリズムを訓練し,その性能を精度,精度,偽陰性率,偽陽性率などの指標に基づいて評価した。
研究の結果,3つのアルゴリズムはいずれも,個々のタッチダイナミクスに基づいて,80%から95%の精度でユーザを効果的に分類することができた。
ニューラルネットワークアルゴリズムは最高の精度と精度を達成し、その後にXGBoostとSVCが続いた。
このデータから,モバイルタッチダイナミクスを用いた連続認証は,セキュリティの向上と個人デバイスへの不正アクセスのリスク低減に有効な手段である可能性が示唆された。
この研究は、特定のタスクに応じて異なるアルゴリズムが様々なパフォーマンスレベルを持つ可能性があるため、与えられたデータセットとユースケースに対して正しいアルゴリズムを選択することの重要性も指摘している。
関連論文リスト
- Your device may know you better than you know yourself -- continuous
authentication on novel dataset using machine learning [0.0]
本研究は,行動バイオメトリックスを用いた連続的認証の分野におけるさらなる理解を目的としている。
われわれは、Samsung TabletでMinecraftをプレイする15人のユーザのジェスチャーデータを含む、新しいデータセットを15分間提供しています。
論文 参考訳（メタデータ） (2024-03-06T16:22:49Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳（メタデータ） (2022-09-01T17:05:20Z) - A Wireless-Vision Dataset for Privacy Preserving Human Activity
Recognition [53.41825941088989]
アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。
以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
論文 参考訳（メタデータ） (2022-05-24T10:49:11Z) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳（メタデータ） (2022-03-14T17:05:59Z) - Hold On and Swipe: A Touch-Movement Based Continuous Authentication
Schema based on Machine Learning [0.0]
本研究は,マルチモーダルな生体認証に基づくユーザ認証方式の性能を評価することで,この革新的な研究に貢献することを目的とする。
本研究は、ハンドムーブメントオリエンテーションとGraspデータセットとBioIdentデータセットの2つの一般的なデータセットを融合したものである。
本研究では,Random Forest Support Vector MachineとK-Nearest Neighborの3つの機械学習アルゴリズムを用いて,モデルの性能を最大82%の精度で評価する。
論文 参考訳（メタデータ） (2022-01-21T06:51:46Z) - Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets
Deep Reinforcement Learning [76.46530937296066]
本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。
モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
論文 参考訳（メタデータ） (2021-06-03T08:35:10Z) - TapNet: The Design, Training, Implementation, and Applications of a
Multi-Task Learning CNN for Off-Screen Mobile Input [75.05709030478073]
本稿では,スマートフォンのタップを検出するマルチタスクネットワークであるTapNetの設計,トレーニング,実装,応用について述べる。
TapNetはデバイス間のデータから共同で学習し、タップ方向やタップ位置を含む複数のタップ特性を同時に認識することができる。
論文 参考訳（メタデータ） (2021-02-18T00:45:41Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z) - End-to-end User Recognition using Touchscreen Biometrics [11.394909061094463]
目標は、モバイルデバイスの生データを使ってユーザーを透過的に識別できるエンドツーエンドシステムを作ることだった。
提案するシステムでは,タッチスクリーンからのデータはディープニューラルネットワークの入力に直接反映され,ユーザの同一性を決定することができる。
論文 参考訳（メタデータ） (2020-06-09T16:38:09Z) - A Framework for Behavioral Biometric Authentication using Deep Metric
Learning on Mobile Devices [17.905483523678964]
バッテリー駆動のモバイルデバイス上でのトレーニングを取り入れた新しいフレームワークを提案する。これにより、プライベートデータはデバイスを離れることなく、実行時の動作パターンに柔軟に適応するようにトレーニングをスケジュールすることができる。
実験では、3つの公開データセットで95%以上の認証精度が示され、データが少ないマルチクラスの分類では15%の精度が向上し、それぞれ99%と90%が成功したブルートフォース攻撃とサイドチャネル攻撃に対する堅牢性が向上した。
その結果,トレーニングはビデオ視聴よりも低エネルギーを消費し,ゲームよりも若干高いエネルギーを消費していることがわかった。
論文 参考訳（メタデータ） (2020-05-26T17:56:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。