論文の概要: Continuous Authentication Using Mouse Clickstream Data Analysis

• arxiv url: http://arxiv.org/abs/2312.00802v1
• Date: Thu, 23 Nov 2023 20:07:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 03:46:06.154305
• Title: Continuous Authentication Using Mouse Clickstream Data Analysis
• Title（参考訳）: マウスクリックストリームデータ解析による連続認証
• Authors: Sultan Almalki, Prosenjit Chatterjee, and Kaushik Roy
• Abstract要約: マウスダイナミクスは、セキュリティ違反に対する保護として継続的認証を実行するために使用できる行動バイオメトリックの例である。 マウスのダイナミクスに関する最近の研究は、ユーザを特定する上で有望な結果を示している。 本稿では,マウスの動的データセットを用いて,異なる分類手法の実証評価を行った。
• 参考スコア（独自算出の注目度）: 6.738409533239947
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Biometrics is used to authenticate an individual based on physiological or behavioral traits. Mouse dynamics is an example of a behavioral biometric that can be used to perform continuous authentication as protection against security breaches. Recent research on mouse dynamics has shown promising results in identifying users; however, it has not yet reached an acceptable level of accuracy. In this paper, an empirical evaluation of different classification techniques is conducted on a mouse dynamics dataset, the Balabit Mouse Challenge dataset. User identification is carried out using three mouse actions: mouse move, point and click, and drag and drop. Verification and authentication methods are conducted using three machine-learning classifiers: the Decision Tree classifier, the K-Nearest Neighbors classifier, and the Random Forest classifier. The results show that the three classifiers can distinguish between a genuine user and an impostor with a relatively high degree of accuracy. In the verification mode, all the classifiers achieve a perfect accuracy of 100%. In authentication mode, all three classifiers achieved the highest accuracy (ACC) and Area Under Curve (AUC) from scenario B using the point and click action data: (Decision Tree ACC:87.6%, AUC:90.3%), (K-Nearest Neighbors ACC:99.3%, AUC:99.9%), and (Random Forest ACC:89.9%, AUC:92.5%).
• Abstract（参考訳）: バイオメトリックスは、生理的または行動的特性に基づいて個人を認証するために使用される。 マウスダイナミクスは、セキュリティ違反に対する保護として継続的認証を実行するために使用できる行動バイオメトリックの例である。 マウスのダイナミクスに関する最近の研究は、ユーザを特定する上で有望な結果を示しているが、まだ許容できる精度に達していない。 本稿では,マウスダイナミクスデータセットであるbalabit mouse challengeデータセットを用いて,異なる分類手法の実証的評価を行った。 ユーザ識別は、マウス移動、ポイント・アンド・クリック、ドラッグ・アンド・ドロップの3つのマウスアクションを使って行われる。 検証と認証は、決定木分類器、K-Nearest Neighbors分類器、ランダムフォレスト分類器の3つの機械学習分類器を用いて行われる。 その結果、3つの分類器は実際のユーザと詐欺師を比較的高い精度で区別できることがわかった。 検証モードでは、全ての分類器は完全な精度100%を達成する。 認証モードでは、3つの分類器が最も正確(ACC:87.6%、AUC:90.3%)、(K-Nearest Neighbors ACC:99.3%、AUC:99.9%)、(Random Forest ACC:89.9%、AUC:92.5%)である。

関連論文リスト

• Object Classification Model Using Ensemble Learning with Gray-Level Co-Occurrence Matrix and Histogram Extraction [0.0]
  本研究の目的は,物体を正確に識別できる分類法を開発することである。 提案した分類モデルは、ランダムフォレスト、KNN、決定木、SVM、ネイブベイズ分類法と共に、Voting と Combined を用いている。
  論文  参考訳（メタデータ） (2023-09-24T00:20:16Z)
• 3D Registration with Maximal Cliques [49.41310839477418]
  最大傾斜角(MAC)を用いた3次元登録法を提案する。 重要な洞察は、以前の最大斜めの制約を緩めることである。 U3M, 3DMatch, 3DLoMatch, KITTIの実験によりMACは登録精度を効果的に向上することを示した。
  論文  参考訳（メタデータ） (2023-05-18T10:15:44Z)
• Machine and Deep Learning Applications to Mouse Dynamics for Continuous User Authentication [0.0]
  この記事では,3つの機械学習アルゴリズムとディープラーニングアルゴリズムを使用して,40人のユーザのデータセットを評価することで,これまでの公開作業に基づいています。 トップパフォーマーは1次元畳み込みニューラルネットワークであり、トップ10ユーザーの平均テスト精度は85.73%である。 また, 92.48%のピーク精度に達する人工ニューラルネットワークを用いて, マルチクラス分類についても検討した。
  論文  参考訳（メタデータ） (2022-05-26T21:43:59Z)
• Efficient, Uncertainty-based Moderation of Neural Networks Text Classifiers [8.883733362171034]
  本稿では,分類器の出力を効率よく操作できるフレームワークを提案する。 予測の不確実性を利用して、不確実で、おそらく不正確な分類を人間のモデレーターに渡す半自動化アプローチを提案する。 一連のベンチマーク実験により、我々のフレームワークは分類F1スコアを5.1から11.2%改善できることが示された。
  論文  参考訳（メタデータ） (2022-04-04T09:07:54Z)
• End-to-End Zero-Shot HOI Detection via Vision and Language Knowledge Distillation [86.41437210485932]
  我々は、ゼロショットHOI検出を前進させ、同時に見えないHOIと見えないHOIの両方を検出することを目指している。 本稿では,視覚言語による知識蒸留によるエンドツーエンドのゼロショットHOI検出フレームワークを提案する。 本手法は, 従来のSOTAを8.92%, 全体の10.18%で上回っている。
  論文  参考訳（メタデータ） (2022-04-01T07:27:19Z)
• Performance Evaluation of Classification Models for Household Income, Consumption and Expenditure Data Set [0.0]
  家庭の食品安全状態を分類するために,10種類の機械学習アルゴリズムを用いた。 ランダムフォレストとグラディエント・ブースティングのモデルの性能は0.9997の精度で優れている。
  論文  参考訳（メタデータ） (2021-06-18T12:00:48Z)
• Analysis of classifiers robust to noisy labels [0.0]
  本稿では,クラス依存ラベリングノイズを克服するための現代的ロバストな分類アルゴリズムについて考察する。 深層学習を3つのデータセットに適用し,CIFARデータセット上の未知ノイズを用いたエンドツーエンド解析をスクラッチから導出する。
  論文  参考訳（メタデータ） (2021-06-01T07:14:51Z)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• BeCAPTCHA-Mouse: Synthetic Mouse Trajectories and Improved Bot Detection [78.11535724645702]
  本稿では,マウスの神経運動モデルに基づくボット検出器BeCAPTCHA-Mouseを提案する。 BeCAPTCHA-Mouseは、1つのマウス軌道だけで、平均93%の精度で高実在性のボット軌道を検出することができる。
  論文  参考訳（メタデータ） (2020-05-02T17:40:49Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。