基于循环神经网络的自由键入击键数据用户认证
密码学与安全
2019-04-26 v2
摘要
基于长且自由键入文本的击键动力学用户认证（KDA）是一种增强的用户认证方法，其不仅能在登录时识别当前用户的有效性，还能在登录过程后持续监控打字行为的一致性。以往基于长且自由键入文本的KDA方法难以融合键序信息并处理变长击键，从而导致其认证性能低于基于短且定长文本的KDA方法。为克服这些局限，我们提出了一种基于循环神经网络（RNN）的KDA模型。由于RNN模型可处理任意长度的输入与目标序列，我们所提模型以连续两个键作为输入序列，并以对应键序列的实际打字时间作为目标序列。基于涉及120名参与者的实验结果，我们所提RNN-KDA模型在所有训练与测试长度组合下均取得了最佳认证性能（以等错误率（EER）衡量）。其仅用10个测试击键即实现了5%–6%的EER，而其他基准方法的EER均在20%以上。此外，随着训练击键长度的增加，其性能相较基准方法稳步且更快速地提升。
引用
@article{arxiv.1806.06190,
title = {Recurrent neural network-based user authentication for freely typed keystroke data},
author = {Junhong Kim and Pilsung Kang},
journal= {arXiv preprint arXiv:1806.06190},
year = {2019}
}
备注
We found a code error