MLE-RBA: A Machine Learning-Empowered Risk-Based Authentication Algorithm

doi:10.1007/978-3-031-97648-3_22

MLE-RBA: A Machine Learning-Empowered Risk-Based Authentication Algorithm

2026-01-01

0

PRE

AI

DOI：10.1007/978-3-031-97648-3_22

原文链接

原文求助

摘要

En 中文

基于风险的身份验证（RBA）是一种基于情境风险因素评估登录尝试的动态认证方法。传统的RBA实现，如Freeman等人的朴素贝叶斯方法，提供自适应安全功能，但在精度和适应性方面存在局限性。本研究提出了一种利用机器学习增强的RBA方法，以提高风险评估的准确性。我们设计和实现了MLE-RBA，一个使用在用户登录数据集上训练的LightGBM分类器的机器学习赋能的RBA系统，并整合了特征工程、异常检测和数据平衡技术。我们的方法与Freeman的方法和SIMPLE启发式方法进行了比较，性能通过等错误率（EER）和其他关键指标进行衡量。实验结果表明，我们的基于机器学习的方法实现了更低的EER，在保持易用性的同时提高了认证精度。尽管该方法有效，但我们强调，即使结合了机器学习，RBA也不应取代主要认证机制，而应作为补充层来提高安全性。我们的发现为自适应认证策略的持续发展做出了贡献，突显了机器学习在优化RBA系统方面的潜力。

Keyword:

Risk-Based Authentication

Machine Learning

Cybersecurity

MLE-RBA: A Machine Learning-Empowered Risk-Based Authentication Algorithm

摘要

期刊

机构

引用论文