返回
A decision-making framework for user authentication using keystroke dynamics
DOI:10.1016/j.cose.2025.104494.png)
摘要
En 中文
日益复杂的网络攻击威胁着关键基础设施,需要更值得信赖的用户认证机制。本研究提出了一种基于深度学习的用户认证框架,该框架结合了击键动力学与Siamese神经网络,用于区分合法用户与冒充者。该领域的一个关键挑战是密码长度的可变性,这导致特征尺寸不同,并使模型训练复杂化。我们的方法采用基于插值的数据融合策略来标准化击键特征的数目,确保不同数据集和密码长度之间的特征一致性。通过在融合的CMU和KeyRecs数据集上的实验,我们评估了所提出的具有自适应阈值策略的决策框架的有效性。该阈值策略决定了最终决策边界如何根据用户的基准打字行为进行设定。我们在融合数据上对框架进行了实证评估,实现了低至0.11-0.12的等错误率,表明其在检测内部威胁方面具有强大的有效性。我们展示了如何使用带有三元组损失函数的Siamese神经网络,即使在不同的输入条件下也能区分真实用户与冒充者,从而为更稳健和可扩展的入侵检测系统做出贡献。
Keyword:
Cybersecurity
Keystroke dynamics
User authentication
Deep learning
Intrusion detection
Data fusion
期刊
C
IF:
5.4
论文数:
4.6K
被引数:
1.8W
机构
暂无机构信息
引用论文
Exploring Multidimensional Embeddings for Decision Support Using Advanced Visualization Techniques
INFORMATICS-BASEL
IF2.8
CKDAN: Content and keystroke dual attention networks with pre-trained models for continuous authentication
COMPUTERS & SECURITY
IF5.4
Passphrase and keystroke dynamics authentication: Usable security密码短语和击键动态身份验证: 可用的安全性
COMPUTERS & SECURITY
IF5.4

