Continuous authentication on smart phones through behavioral bio-metrics

Abstract

Akıllı telefonlar günlük hayatımız için vazgeçilmez esyalar haline geldiler. Orijinal kullanımamaçlarının yanı sıra, insanlar bu cihazları kisisel asistanları olarak da kullanmaktadırlar.Ek olarak, akıllı telefonlar, kisisel fotograflar, iletisim bilgileri, çagrı geçmislerivb. gibi özel bilgileri saklayabilen genis dahili depolama da saglar. Öte yandan,küçük boyutlarından dolayı bu cihazlar kolayca kaybolabilir veya çalınabilir. Bu nedenle,akıllı telefon kullanıcılarının yetkisiz erisime karsı güvenliklerini ve gizliliklerinisaglamak önemli bir arastırma alanı olusturmaktadır. Çözümlerden biri, kullanıcılarıncihazla etkilesim kalıplarını takip eden ve tanımlayan davranıssal biyometri kullanımıdır.Bu yazıda hem dokunmatik ekran hem de sensör tabanlı özelliklerinin, derinögrenme ve makine ögrenmesi yöntemleri kullanarak, davranıssal biyometri modelineetkilerini arastırdık. Temel olarak, bir kimlik dogrulama modeli olusturmak için kullanıcılarındavranıs karakterlerini ortaya çıkarmak için birlesik özellik setleri ve uygulamalısınıflandırma üzerine üç katmanlı bir derin ag kurduk. Veriseti olarak, 24 oturumda100 kullanıcının verisini içeren HMOG verisetini kullanıyoruz. Farklı dokunmatik ekranverileri, sadece sensör verileri ve bunların kombinasyonları gibi farklı girdi verilerikombinasyonlarına sahip farklı agları egitiyoruz. Sonuçlarımız, farklı veri türleri birarada kullanıldıgında ikili sınıflandırma dikkate alındıgında derin ögrenme modeli içinortalama %88 dogruluk ve %15 EER degerlerine, makine ögrenmesi modelleri için ise%99'u asan f1 skoru ve dogruluk sonuçlarına ulasabilecegimizi göstermektedir.

Smartphones have become essential objects for our daily lives. Besides their originalpurpose of use, people use these devices as their personal assistants. Additionally,smartphones provide large internal storage which enables users to store their privateinformation, such as personal photos, contact details, call histories, etc. On the otherhand, because of their small sizes, these devices could easily get lost or stolen. Therefore,providing the security and privacy of smartphone users against unauthorizedaccess is a significant and crucial area of research. One of the solutions is the use ofbehavioral biometrics, which tracks and identify users' interaction patterns with thedevice. In this study, we investigate the impact of using both touchscreen-based andsensor-based features in an authentication model using deep learning, multi-class andone-class machine learning models. Mainly, we train a three-layer deep network on thecombined feature-sets and applied classification for revealing the behavioral charactersof users for building an authentication model. Then we improved our feature set andused this data with our machine learning models. We use HMOG dataset that includesdata from 100 users over 24 sessions. We train different networks with different combinationsof input data, namely only touch-screen data, only sensor data, and theircombination. Our results show that we can achieve 88% accuracy in average with deeplearning network, and more than %99 f1 score and accuracy with svm models, and15% EER values considering binary classification when different types of data are usedtogether.