受损智能手机传感器读数对行为生物特征模型质量影响的研究
摘要
1.简介
2.材料和方法
2.1. 数据集结构
2.2. 数据准备
2.3. XGBoost培训
3.结果
4.讨论
5.结论
作者贡献
基金
机构审查委员会声明
知情同意书
数据可用性声明
利益冲突
工具书类
互联网犯罪报告。 互联网犯罪投诉中心(IC3)。 2020年。在线提供: https://www.ic3.gov/Media/PDF/AnnualReport/2020_IC3Report.PDF (2022年11月1日访问)。 Desolda,G。; 费罗,L.S。; Marrella,A。; Catarci,T。; 网络钓鱼攻击中代价高昂的M.F.人为因素:系统文献综述。 ACM计算。 Surv公司。 2022 , 54 , 173. [ 谷歌学者 ] [ 交叉参考 ] Alkhalil,Z。; 休age,C。; 纳瓦夫,L。; Khan,I.网络钓鱼攻击:最新综合研究和新解剖。 前面。 计算。 科学。 2021 , 三 , 563060. [ 谷歌学者 ] [ 交叉参考 ] 沙巴兹尼扎德,H。; 科里尼,F。; Rashidirad,M.,员工在网络钓鱼攻击中的行为:什么样的个人、组织和技术因素重要? J.计算。 信息系统。 2021 , 61 , 539–550. [ 谷歌学者 ] [ 交叉参考 ] Aneke,J。; 阿迪托,C。; Desolda,G.帮助用户识别网络钓鱼骗局:设计网络钓鱼攻击警告界面中的解释消息。 2021年9月22日至24日在西班牙马拉加举行的人机交互国际会议记录; 施普林格:瑞士查姆,2021年; 第403-416页。 [ 谷歌学者 ] [ 交叉参考 ] Majumder,S。; Deen,M.J.健康监测和诊断用智能手机传感器。 传感器 2019 , 19 , 2164. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Falkowski-Gilski,P.《使用移动设备消费多媒体内容:年度用户案例研究》。 架构(architecture)。 阿库斯特。 2020 , 45 , 321–328. [ 谷歌学者 ] [ 交叉参考 ] Teh,附言。; 特奥,A.B.J。; Yue,S.击键动力学生物统计学调查。 科学。 世界J。 2013 , 2013 , 408280. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Stylios,I。; 科科拉基斯,S。; O.Thanou。; Chatzis,S.移动设备上的行为生物识别和连续用户身份验证:一项调查。 信息融合 2021 , 66 , 76–99. [ 谷歌学者 ] [ 交叉参考 ] Sahdev,S.L.公司。; 辛格,S。; Kaur,N。; Siddiqui,L.《数字银行自适应身份验证的行为生物统计学——防范无瑕疵隐私》。 2021年2月17日至19日在印度诺伊达举行的2021年技术和管理创新实践国际会议(ICIPTM)会议记录; 第261-265页。 [ 谷歌学者 ] [ 交叉参考 ] Almalki,S。; 阿塞里,N。; Roy,K.使用鼠标点击流数据分析对在线连续认证和异常检测进行实证评估。 申请。 科学。 2021 , 11 , 6083. [ 谷歌学者 ] [ 交叉参考 ] 奥梅托夫,A。; Bezzateev,S。; Mäkitalo,北卡罗来纳州。; 安德列夫,S。; Mikkonen,T。; Koucheryavy,Y.多因素认证:一项调查。 密码学 2018 , 2 , 1. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Chalhoub,G。; 弗莱恰斯,I。; 北卡罗来纳州恩塔拉。; Abu-Salma,R。; Tom,E.将用户体验纳入智能家居设备的安全和隐私设计:案例研究。 2020年4月25日至30日在美国夏威夷州火奴鲁鲁举行的2020年CHI计算机系统人为因素会议的扩展摘要会议记录。 [ 谷歌学者 ] [ 交叉参考 ] 松冈,K。; Irvan,M。; 小林,R。; Yamaguchi,R.S.多因素认证中基于神经网络的分数融合方法。 2020年3月16日至18日,美国路易斯安那州奥尔良举行的第十届ACM数据和应用程序安全与隐私会议记录。 [ 谷歌学者 ] [ 交叉参考 ] 宫泽,A。; 陶,T.P。; Yamaguchi,R.S.使用基于神经网络的分数融合增强的相关性进行多因素行为认证。 2022年1月8日至11日,美国内华达州拉斯维加斯,IEEE第19届年度消费者通信与网络会议(CCNC)会议记录; 第569-577页。 [ 谷歌学者 ] [ 交叉参考 ] 罗查,R。; 卡内罗,D。; 科斯塔·R。; Analide,C.使用行为生物统计学在移动设备中进行连续认证。 2019年6月26日至28日在西班牙阿尔维拉举行的第十届环境智能国际研讨会《环境智能——软件和应用程序会议录》; Novais,P.、Lloret,J.、Chamoso,P.,Carneiro,D.、Navarro,E.、Omatu,S.、Eds。; 施普林格国际出版公司:瑞士查姆,2020年; 第1006卷,第191–198页。 [ 谷歌学者 ] [ 交叉参考 ] 斯特拉加佩德,G。; 维拉·罗德里格斯(Vera-Rodriguez,R.)。; 托洛萨纳,R。; Morales,A.BehavePassDB:移动行为生物统计学和基准评估公共数据库。 模式识别。 2023 , 134 , 109089. [ 谷歌学者 ] [ 交叉参考 ] Falkowski-Gilski,P。; Stefaánski,J.移动用户的质量期望。 J.电信。 技术信息。 2015 , 1 , 15–19. [ 谷歌学者 ] Chyzhevska,M。; 罗曼诺夫斯卡,N。; A.拉姆斯基。; Venger,V.公司。; Obushnyi,M.行为生物测定作为网络安全工具。 2021年10月26日,乌克兰基辅,《信息和电信系统网络安全提供程序II》; 第2卷,第88-97页。 [ 谷歌学者 ] Falkowski-Gilski,P。; Stefannski,J.安卓操作系统:综述。 特姆·J。 2015 , 4 , 116–120. [ 谷歌学者 ] 曾戈罗,T.W。; Mahesworo,B。; 布迪亚托,A。; 鲍利,J。; Suparyanto,T。; Pardamean,B.在印尼结直肠癌病例表型分类模型中的重要性。 计算机程序。 科学。 2019 , 157 , 313–320. [ 谷歌学者 ] [ 交叉参考 ] 陈,C。; Shi,H。; 江,Z。; Salhi,A。; 陈,R。; 崔,X。; Yu,B.DNN-DTIs:使用XGBoost特征选择和深度神经网络改进药物-靶点相互作用预测。 计算。 生物医学。 2021 , 136 , 104676. [ 谷歌学者 ] [ 交叉参考 ] 穆斯林文学硕士。; Dasril,Y.公司破产预测框架基于最具影响力的特征,使用XGBoost和堆叠集成学习。 国际电工杂志。 计算。 工程师(IJECE) 2021 , 11 , 5549–5557. [ 谷歌学者 ] [ 交叉参考 ] Putatunda,S。; Rama,K.XGBoost超参数优化的Hyperopt与其他方法的比较分析。 2018年信号处理与机器学习国际会议论文集,2018年11月28日至30日,中国上海; 第6-10页。 [ 谷歌学者 ] [ 交叉参考 ] 奥古莱耶,A.A。; Wang,Q.-G.XGBoost慢性肾脏疾病诊断模型。 IEEE/ACM传输。 计算。 生物信息。 2020 , 17 , 2131–2140. [ 谷歌学者 ] [ 交叉参考 ] 达利瓦尔,S.S。; Nahid,A.-A。; Abbas,R.使用XGBoost的有效入侵检测系统。 问询处 2018 , 9 , 149. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 景,X。; 邹强。; 严,J。; Dong,Y。; Li,B.基于mRMR-XGBoost算法的冬小麦条锈病遥感监测。 远程传感器。 2022 , 14 , 756. [ 谷歌学者 ] [ 交叉参考 ] 桑德斯,W。; 李,D。; 李伟(Li,W.)。; Fang,Z.N.使用极端梯度增强(XGBoost)预测洪水分期的数据驱动洪水警报系统(FAS)。 水 2022 , 14 , 747. [ 谷歌学者 ] [ 交叉参考 ] 刘,Y。; Wang,H。; Fei,Y。; 刘,Y。; 沈,L。; 庄,Z。; 张欣。基于改进XGBoost的青梅酸度预测研究。 传感器 2021 , 21 , 930. [ 谷歌学者 ] [ 交叉参考 ] Shahbazi,Z。; Byun,Y.C.使用机器学习管道进行加密货币汇率预测的知识发现。 传感器 2022 , 22 , 1740. [ 谷歌学者 ] [ 交叉参考 ] 陈,J。; 赵,F。; 孙,Y。; Yin,Y.基于遗传算法的改进XGBoost模型。 国际期刊计算。 申请。 Technol公司。 2020 , 62 , 240. [ 谷歌学者 ] [ 交叉参考 ]