Современное решение Abuhamad et al. показало снижение точности аутентификации до 13% для рассматриваемого случая, в то время как предлагаемый способ сохраняет низкое снижение производительности.
Таким образом, BehaviorlD обеспечивает такую же или даже лучшую производительность при краткосрочном отслеживании поведенческих шаблонов и работает намного лучше в сценариях долгосрочного использования.
Заключение
Основным вкладом этой статьи является предложенный зависящий от контекста метод BehaviorID, основанный на поведении, который обеспечивает точную аутентификацию пользователя на месте в различных контекстах использования. BehaviorID основан на применении усовершенствованной модели A-RNN для одновременного отслеживания нескольких поведенческих шаблонов в сигналах, собранных со встроенных датчиков. Это делает возможной быструю адаптацию поведенческих шаблонов к изменениям, вызванным изменением привычек пользователя, а также изменениями в физическом состоянии человека, например, травмами.
Список литературы
1. М. А. Ферраг, Л. Магларас, А. Дерхаб, Х. Янике, Схемы аутентификации для интеллектуальных мобильных устройств: модели угроз, меры противодействия и открытые вопросы исследований. Телекоммун. Сист. 73, 317--348 (2020) Google. Улучшения экрана блокировки и аутентификации в Android 11 (2020 г.). https://android-developers.googleblog.com/2020/09/lockscreen-and-authentication.html
2. Идентификатор биометрической подписи. https://www.biosig-id.com/
3. Биометрическая привязка для аутентификации пользователя: https://fLndpatent.ru/patent/269/2690214.html
4. Многофакторная аутентификация MFA, варианты реализации и критерии выбора решения https://safe.cnews.ru/articles/2023-04-08 chto takoe mno gofaktornaya autentifikatsiva