User authentication and distinguishing child users from adults with keystroke dynamics

Abstract

Biyometrik bir karakteristik olan Tuşlama Dinamiği, eğer kabul edilebilir hata oranları elde edilirse kullanıcı yetkilendirme için geçerli bir alternatif veya tamamlayıcı yöntem olabilir. Bunun yanında biyometrik veriler, kişisel karakteristiklerin çıkarımı amacıyla da kullanılabilir. Dolayısıyla Tuşlama Dinamiğinden, yaş ve cinsiyet tahmininde yararlanılması mümkündür.Bu tez çalışmasında ilk olarak yapay sinir ağı algoritmalarının Tuşlama Dinamiğine dayalı yetkilendirme için performansı ölçülmektedir. Bu amaçla, açık bir veri kümesi ile sinir ağlarının öğrenmesi için farklı algoritmalar kullanılarak karşılaştırmalı testler yapılmış ve sonuçta Levenberg-Marquardt geribeslemeli ağı ile yüzde 7,73 eş hata oranı elde edilmiştir.Tuşlama verisi kullanılarak yaş ve cinsiyet bilgisini tahmin etmeye yönelik olarak, 13 algoritma için sınıflandırma kesinlikleri ölçülmüştür. Bu amaçla, erkek ve bayan, yetişkin ve çocuk deneklerden oluşan 100 kullanıcıdan veri kümesi toplanmıştır. Yaş grubu tahmini için k-en yakın komşu algoritması kullanılarak yüzde 8,2?ye kadar düşen ortalama hata oranları elde edilmiştir. Diğer yandan, yaş grubu tahmini ile aynı veri kümesi ve yöntemler kullanılarak yapılan cinsiyet tahmini deneyi için kaydedilen en düşük hata oranı yüzde 40 olarak gerçekleşmiştir. Tüm deney ve test işlemlerine dair veri kümesi ve gerçekleştirilen uygulama, bu konuda ileride yapılacak çalışmaları teşvik amacıyla, genel kullanıma sunulmuştur.Anahtar Kelimeler: Tuşlama Dinamiği, Makine öğrenmesi, Yapay Sinir Ağları, biyometrik, yetkilendirme

Keystroke Dynamics, which is a biometric characteristic that depends on typing style of users, could be a viable alternative or a complementary technique for user authentication if tolerable error rates are achieved. Moreover, biometric data can also be used for inferring personal characteristics. Therefore it is possible to benefit from Keystroke Dynamics to predict information, such as age and gender.In this thesis study, the performance of artificial neural network algorithms for KeystrokeDynamics based authentication is measured using a publicly available dataset. For this purpose, comparative tests of dierent algorithms for training neural networks are conducted and an equal error rate of 7.73 percent with Levenberg-Marquardt backpropagation network is achieved as a result.Regarding to detecting age group and gender information based on typing data, classification accuracies for 13 dierent algorithms is assessed. For this purpose, a new typing dataset from 100 users including male and female, adult and child subjects is collected. For age group detection, average error rates down to 8.2 percent is achieved using k-nearest neighbor algorithm. On the other hand, the minimum error rate recorded for gender prediction was 40 percent, using the same dataset and methodologies that are used for age group detection. The dataset and implementation for the whole experiment and test procedure is made publicly available to promote future works focusing on this subject.Keywords: Keystroke Dynamics, Machine Learning, Neural Networks, biometrics, authentication