基于智能手机传感器的持续用户身份验证的混合深度学习框架
Bandar Alotaibi1, Munif Alotaibi2
1Department of Information Technology, University of Tabuk, Tabuk 47731, Saudi Arabia.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
本研究介绍了一种混合深度学习框架,用于使用智能手机传感器数据在移动设备上进行持续的用户身份验证. 这种新的方法可以根据用户独特的运动模式来识别用户,从而达到很高的准确性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 传统的一次性认证方法对于移动设备的安全性来说是不够的.
- 持续的用户身份验证对于解决不断变化的移动安全漏洞至关重要.
研究的目的:
- 提出一种混合深度学习框架,用于使用智能手机传感器数据进行持续的用户身份验证.
- 通过整合计算机视觉和序列建模技术来提高用户识别的准确性.
主要方法:
- 这是一个混合的深度学习框架,结合了视觉转换器 (ViT) 启发的补丁提取,多头注意力和双向长期短期记忆 (BiLSTM) 网络.
- 将原始运动信号重塑为类似ViT的补丁,用于短距离的模式捕获.
- 使用多头注意力来突出区分时间段和BiLSTM用于上下文信息集成.
主要成果:
- 拟议的框架在MotionSense数据集上实现了97.51%的高精度,在UCI HAR数据集上达到89.37%.
- 与传统的变压器,通报器,CNN和LSTM基线相比,表现出卓越的性能.
- 有效地提取特定于个人用户行为的本地和全球运动特征.
结论:
- 混合深度学习框架为移动设备上的持续用户身份验证提供了强大的解决方案.
- 该方法通过利用独特的行为运动模式,显著提高了用户识别的准确性.
- 这项研究通过创新的深度学习应用程序推进移动安全.
