Biometric identification and authentication using time series classification of mouse and eye movements

Abstract

Güvenlik, neredeyse her islemin bilgisayar vasıtasıyla gerçeklestirildigi modern dünyadaçok önemli bir rol oynamaktadır. Güvenlik alanında kullanılan biyometrik uygulamalaraait ihtiyaçların karsılanmasına yönelik olarak, insan-bilgisayar etkilesimi ve ilgili digeralanlarda biyometrik arastırmalar hızlı biçimde artıs göstermektedir. Biyometrik tanımasistemleri, çesitli davranıssal egilimler veya psikolojik özelliklerin birlikte analizini gerektirmektedir.Ayrıca bu sistemler, en esnek ve en etkili birey tanıma ve kimlik dogrulamabiçimi olarak kabul edilmektedir. Bu yolla kisinin herhangi bir sifre hatırlaması veyaakıllı kart tasıması gerekmemektedir.Insan çok fazla tekrarlanması durumunda fare hareketlerini ve bakısı hatırlayabilmektedir;bir kullanıcıdan bilgisayarda kimligini dogrulatması istendiginde kullanıcı fare vegöz hareketlerini unutmayacaktır. Bu nedenle bu eylemler, sifre dogrulama sistemi olarakkullanılabilir. Bu sistemde kullanıcı dogru hareketleri gerçeklestirdiginde kimligi dogrulanmısbir kullanıcı olarak kabul edilebilir. Aksi durumda sistem kullanıcıyı reddedecektir.Bu nedenle, kimlik dogrulama sistemini denemek amacıyla amacıyla fare hareketlerindenve bakıs pozisyonlarından olusan farklı zaman serilerini içeren veri setleri analiz edilerekbir kimlik dogrulama modeli gelistirilmistir. Kullanıcıların gelistirilen modeli kullanarak,talep edilen kimligi kanıtladıkları ve bu yolla kimliklerinin dogrulandıgı görülmüstür. Butez çalısması, rastgele karar agacı algoritması kullanılarak olusturulan kullanıcı tanımaseması için fare hareketi ve göz hareket koordinatlarını arastırmaktadır.Bu tezin odaklandıgı nokta, zaman serilerinin sınıflandırılması amacıyla benzerlik ölçümlerive rastgele karar agacı algoritmalarını kullanan metodlardan olusmaktadır.Özellikler; Fare ve göz hareketlerine ait ham veriler ve kullanıcıları sınıflandırmak için enyakın komsu ve rastgele karar agacı algoritmalarını kullanan birinci uygulamadan eldeedilmistir. Kullanılan çesitli unsurlara göre kimlik dogrulama çesitlilik göstermektedir.Deneysel sonuçlar, önerdigimiz biyometrik kimlik dogrulama modelindekilerle uyusmaktadır.

Security plays a very important role in modern world where almost everything is donewith the computer. It is agreed that biometric recognition systems require the combinedanalysis of multiple behavioral traits or physiological characteristics. In addition, thosesystems are considered to be the most flexible and effective mode of identifying andauthenticating individuals as the person does not need to remember any password, orcarry smart cards.The human body can remember the movement of mouse and the gaze if that action ispracticed a lot, which mean when the user want to be authenticated in to computer sohe will not forget the mouse and eye actions. So, this actions can be utilized in wayof password authentication system, in which if the user implement the right movementscan be considered as an authenticated user. Otherwise the system will reject the user.So for experimenting the authentication system, Different time series datasets consistingof mouse movements and gaze positions were analyzed and an authentication model wasdeveloped. It is shown that the users can be authenticated by proving their claimed identitiesusing the developed model. This thesis investigates mouse and eye coordinates foruser recognition scheme that introduce a random forest classification model for Mouseand eye movements to recognize these movements. The focus of this thesis is on theclassification methods of time series, including similarity measures and random forest .Features are extracted from the mouse and eye movements raw data and implementing1.Nearest Neighbor and Random forest to classify users. The accuracy of the identificationvaries with the variety of features used The experimental results were competingwith our proposed biometric authentication model. The accuracy achieved by 1.Nearestneighbor was not sufficient in predicting users identities by mouse and eye tracking .On the other hand the maximum accuracy from implementing random forest model was60 % which quietly good in terms of biometric but it is still need development to haveperfect biometric model with higher accuracy.