基於非侵入式手機使用者識別機制即時檢測結合收斂方法收集使用者操作行為資料

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：8

、訪客IP：18.118.252.182

姓名

潘珮玟(Pei-Wen Pan) 查詢紙本館藏

畢業系所

資訊工程學系

論文名稱

基於非侵入式手機使用者識別機制即時檢測結合收斂方法收集使用者操作行為資料
(Active Learning with Convergent Stop Rule to Collect User’s Behavior for Training Model Base on Non-intrusive Smartphone Authentication)

相關論文

★ 基於最大期望算法之分析陶瓷基板機器暗裂破片率	★ 基於時間序列預測的機器良率預測
★ 基於OpenPose特徵的行人分心偵測	★ 建構深度學習CNN模型以正確分類傳統AOI模型之偵測結果
★ 一種結合循序向後選擇法與回歸樹分析的瑕疵肇因關鍵因子擷取方法與系統－以紡織製程為例	★ 融合生成對抗網路及領域知識的分層式影像擴增
★ 針織布異常偵測方法研究	★ 基於工廠生產資料的異常機器維修預測
★ 萃取駕駛人在不同環境之駕駛行為方法	★ 基於刮痕瑕疵資料擴增的分割拼接影像生成
★ 應用卷積神經網路於航攝影像做基於坵塊的水稻判釋之研究	★ 採迴歸樹進行規則探勘以有效同時降低多種紡織瑕疵
★ 應用增量式學習於多種農作物判釋之研究	★ 應用自動化測試於異質環境機器學習管道之 MLOps 系統
★ 農業影像二元分類：坵塊分離的檢測	★ 應用遷移學習於胚布瑕疵檢測

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

隨著科技進步，人們可使用智慧型手機進行收發電子信箱、線上交易(網路銀行、電子商務)、社群軟體等功能，也使智慧型手機內部資料成為有心人士覬覦的目標。
　　目前智慧型手機識別機制有侵入式與非侵入式兩種。傳統的驗證機制（密碼鎖、圖形鎖）屬於侵入式識別機制(一次驗證)。非侵入式識別機制則不需要驗證介面，而是從背景收集使用者行為進行驗證。
　　目前文獻上已有提出非侵入式識別機制數種研究，但在訓練樣本數目上仍有需求過多的問題，導致實際應用將會耗費使用者許多時間在提供訓練樣本上。
　　本研究提出利用既有主動學習即時檢測收集方法搭配支持向量機選擇訓練樣本，在識別效果接受範圍內以少量的訓練樣本建構非侵入式識別機制。
　　本研究提出改善既有主動學習方法的停止條件及新樣本情境檢測方式，分析使用者Validation Accuracy曲線，增加一收斂停止方法，並改用支持向量機超平面最近距離點情境分析。最後本論文提出的改善後即時檢測收集方法與其原先比較，實驗結果則能於相同識別效果下，減少一半的訓練資料收集時間。

摘要(英)

In order to protect the data within the smartphone, intrusive and non-intrusive user authentication mechanisms were developed. Traditional authentication mechanisms like number lock and pattern lock are intrusive user authentication mechanism. Non-intrusive user authentication mechanism doesn’t require any user interface, but collect user’s behavior in the background and authenticate it.
Several non-intrusive authentication mechanisms were proposed, but them still have problem needed too much data for training. Actually user to provide the training samples can be very time-consuming.
This study proposes a method to collect real-time detection with the use of active learning support vector machine choose training samples to identify the effect of the acceptable range in a small amount of training samples construction of non-invasive identification mechanism.
For this study, we propose new stopping rule and model analysis with proposed active learning method. We analyze line of SVM validation accuracy, add a new stopping rule with convergence, and replace support vector with the closest sample points as standard for model analysis.
Finally, this study presents an optimal method to collect real-time detection (active learning) compared with old version, results are total reduce half of the training time with a same recognition results of old version.

關鍵字(中)

★ 非侵入式識別機制
★ 使用者識別
★ 主動學習
★ 支持向量機

關鍵字(英)

論文目次

中文摘要 i
Abstract ii
目錄 iii
圖目錄 v
表目錄 vii
一、緒論 1
1.1 研究背景 1
1.2 研究動機 3
1.3 論文目的 3
1.4 論文架構 4
二、相關文獻 5
2.1重新驗證機制(Re-Authentication) 5
2.2使用者驗證系統 6
2.2.1 Histogram-based 6
2.2.2 Batch Learning 7
2.2.3 Active Learning 7
2.3 SVM(Support Vector Machine) 10
三、建議的解決方案 12
3.1 階段性收集 13
3.2 訓練資料選取 14
3.3 模型分析 14
3.4 收斂停止條件 15
四、實驗設計 18
4.1.資料收集環境 18
4.2實驗方法 20
4.3實驗結果與分析 21
4.3.1 實驗一結果與分析 22
4.3.2實驗二結果與分析 23
五、結論與未來展望 27
5.1 結論 27
5.2 未來展望 29
參考文獻 30
附錄一 32

圖目錄
圖 1：Google消費洞察報告，台灣擁有手機及電腦人數 1
圖 2：英國使用智慧型手機用途調查 2
圖 3：Batch Learning與Active Learning結合門檻停止方法下 EER與收集訓練資料時間 3
圖 4：傳統的驗證方式 5
圖 5：重新驗證機制 6
圖 6：不同的兩人在Touch-Position的直方圖 6
圖 7：The pool-based active learning cycle 8
圖 8：三種主動式學習情境示意圖 9
圖 9：資料分布與分類超平面 11
圖 10：於SVM中尋找最佳超平面 11
圖 11：不同使用者之間所需操作行為的資料量與情境皆不相同 12
圖 12：本研究設計情境 12
圖 13：六種操作情境 13
圖 14：指定使用者進行行為操作示意圖-user profile 13
圖 15：SVM模型示意圖 15
圖 16：新舊模型分析流程 15
圖 17：Validation Accuracy曲線趨近穩定 16
圖 18：Validation Accuracy曲線不穩定 16
圖 19 ：行為收集程式介面 19
圖 20：本研究實驗方法流程 20
圖 21：資料抽樣比例 21
圖 22：新模型分析方法下，平均Validation Accuracy改善量 23
圖 23：各方法之DET curve 23
圖 24：訓練資料收集時間相較門檻停止條件改善百分比 24
圖 25：停止方法及識別效果結果分布 25
圖 26：本論文方法及既有主動學習方法和Batch Learning方法之EER與所需時間 26
圖 27：新舊模型分析方法下，Validation Accuracy分布人數 28
圖 28：EER與所需時間相關圖 28
圖29：前10 session資料不穩定 29

表目錄
表 1：智慧型手機應用程式平均使用時間 20
表 2：實驗方法差異 22
表 3：新舊模型分析方法下的Validation Accuracy 22
表 4：不影響識別效果的使用者在兩方法的EER比較 24
表 5：識別效果變差的使用者在兩方法的EER比較 25

參考文獻

[1] Consumer Barometer with Google. Available:
https://www.consumerbarometer.com/en/trending/?countryCode=TW&category=TRN-NOFILTER-ALL
[2] What do you use your smartphone for? Available:
http://www.mobilefun.co.uk/blog/2012/07/what-do-you-use-your-smartphone-for/
[3] C.-C. Lin, D. Liang, and C.-C. Chang, "A new non-intrusive authentication method based on the orientation sensor for smartphone users," in 2012 IEEE 6th International Conference on Software Security and Reliability (SERE), 2012, pp.3270-3274
[4] 許振揚, "非侵入式多模組之手機使用者識別機制:基於動態方法," 國立中央大學, 碩士論文, 2012.
[5] C.-C. Lin, D. Liang, and C.-C. Chang, "A Novel Non-intrusive User Authentication Method Based on Touchscreen of Smartphones," to appear in Journal of Internet Technology, vol. 16, p. 1-10, 2015.
[6] 周彥竹, "整體學習之非侵入式手機使用者識別機制," 國立中央大學, 碩士論文, 2014.
[7] M. Pusara and C. E. Brodley, "User re-authentication via mouse movements," in Proceedings of the 2004 ACM workshop on Visualization and data mining for computer security, 2004, pp. 1-8.
[8] C.-C. Lin, D. Liang, and C.-C. Chang, "A Preliminary Study on Non-Intrusive User Authentication Method Using Smartphone Sensors," Applied Mechanics and Materials, vols 284-287, pp. 3270-3274, 2013.
[9] A. A. E. Ahmed and I. Traore, "A new biometric technology based on mouse dynamics," Dependable and Secure Computing, IEEE Transactions on, vol. 4, pp. 165-179, 2007.
[10] C.-C. Lin, C.-C. Chang, and D. Liang, "A Novel Non-intrusive User Authentication Method Based on Touchscreen of Smartphones," in Biometrics and Security Technologies (ISBAST), 2013 International Symposium on, 2013, pp. 212-216.
[11] Cortes, C., Vapnik, V. (1995). "Support-vector networks". Machine Learning 20 (3): 273–297.
[12] Settles, B., 2009, “Active learning literature survey”, Computer Sciences Technical Report 1648, University of Wisconsin-Madison.
[13] Cohn, D., Atlas, L., Ladner, R., 1994, “Improving generalization with active learning”, Machine Learning, pp.201-221.
[14] Lewis, D., Catlett., 994, “Heterogeneous uncertainty sampling for supervised learning”, Machine Learning: Proceedings of the Eleventh International Conference, Morgan Kaufmann Publishers, San Francisco, CA, pp. 148–156.
[15] Tong S, Koller D. Support vector machine active learning with applications to text classification [C] //Proc of ICMI 2000. San Francisco: Morgan Kaufmann, 2000: 999-1066.
[16] Seung, H. S., Opper, M., Sompolinsky, H., 1992, “Query by committee”,
COLT ′92 Proceedings of the fifth annual workshop on Computational
learning, pp.287-294.
[17] 陳懿婷, "基於非侵入式手機使用者識別機制即時檢測使用者操作行為收集其建模資料的方法," 國立中央大學, 碩士論文, 2015.
[18] Martin, A. F. et al., "The DET Curve in Assessment of Detection Task Performance", Proc. Eurospeech ′97, Rhodes, Greece, September 1997, Vol. 4, pp. 1899–1903.

指導教授

梁德容(Deron Liang)

審核日期

2016-10-7

推文