TypeNet：基于深度学习的击键生物特征识别
计算机视觉与模式识别
2021-09-14 v3
摘要
我们研究了长短期记忆网络在大规模自由文本场景下击键生物特征认证中的性能。为此，我们探究了使用每个身份中等数量击键训练的长短期记忆（LSTM）网络在不同场景下的表现，包括：i）基于损失函数的三种学习方法（softmax、对比损失与三元组损失）；ii）不同数量的训练样本与击键序列长度；iii）基于两类设备（物理键盘与触摸屏键盘）的四个数据库；iv）与基于传统统计方法和深度学习架构的现有方法进行比较。我们提出的方法称为 TypeNet，在击键生物特征认证上达到了最先进性能，物理键盘与触摸屏键盘的等错误率分别为 2.2% 和 9.2%，显著优于先前的方法。我们的实验表明，在多达 100,000 名受试者时误差仅有适度增加，证明了 TypeNet 在互联网规模下运行的潜力。据我们所知，本工作使用的数据库是目前可用于研究的最大自由文本击键数据库：物理键盘上来自 168,000 名受试者的超过 1.36 亿次击键，以及移动触摸屏上 60,000 名受试者超过 6300 万次击键。
引用
@article{arxiv.2101.05570,
title = {TypeNet: Deep Learning Keystroke Biometrics},
author = {Alejandro Acien and Aythami Morales and John V. Monaco and Ruben Vera-Rodriguez and Julian Fierrez},
journal= {arXiv preprint arXiv:2101.05570},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2004.03627