User Authentification through Keystroke dynamics based on ensemble learning approach - Archive ouverte HAL Access content directly
Conference Papers Year : 2022

User Authentification through Keystroke dynamics based on ensemble learning approach

Authentification de l'utilisateur par la dynamique de frappe au clavier basée sur une approche d'apprentissage d'ensemble

Benoît Martin Azanguezet Quimatio
  • Function : Author
  • PersonId : 1146399
Olive Flore Yatio Njike
  • Function : Author
  • PersonId : 1146400
Marcellin Nkenlifack
  • Function : Author
  • PersonId : 981609

Abstract

Today, we live in a ubiquitous networked world, with the ability to connect to network systems regardless of time and place, using a variety of information technology devices. This increase in connectivity has raised concerns about the security of systems in protecting users' personal information and private data. The password has been the most common solution for user authentication. But it becomes vulnerable when a third party acquires it illegally. In order to increase security during authentication, several methods have been used such as keystroke dynamics which is a behavioral biometric. Previous works have demonstrated the feasibility of user authentication using keystroke dynamics. In this research, we propose an authentication method based on Bagging classifier set. This method is composed of three Bagging ensembles formed by SVM, KNN and decision tree classifiers. The outputs of these three ensembles are then merged and a majority vote was applied to obtain the final result. The proposed approach was evaluated using the CMU dataset. The final result obtained by our approach is promising, achieving an accuracy of 95.65%..
Aujourd'hui, nous vivons dans un monde en réseau omniprésent, avec la possibilité de se connecter à des systèmes de réseau quels que soient l'heure et l'endroit, à l'aide de divers dispositifs informatiques. Cette augmentation de la connectivité a suscité des inquiétudes quant à la sécurité des systèmes de protection des informations personnelles et des données privées des utilisateurs. Le mot de passe a été la solution la plus courante pour l'authentification des utilisateurs. Mais il devient vulnérable lorsqu'un tiers l'acquiert illégalement. Afin de renforcer la sécurité lors de l'authentification, plusieurs méthodes ont été utilisées, a l'instar de la dynamique de la frappe au clavier qui est une biométrie comportementale. Des travaux antérieurs ont démontré la faisabilité de l'authentification des utilisateurs en utilisant la dynamique de la frappe. Dans cette recherche, nous proposons une méthode d'authentification basée sur un ensemble de classifieurs Bagging. Cette méthode est composée de trois ensembles Bagging formés par les classifieurs SVM, KNN et arbre de décision. Les sorties de ces trois ensembles sont ensuite fusionnées et un vote majoritaire a été appliqué pour obtenir le résultat final. L'approche proposée a été évaluée en utilisant le jeu de données CMU. Le résultat final obtenu par notre approche est prometteur, avec une précision de 95,65 %.
Fichier principal
Vignette du fichier
Article.pdf (299.2 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-03713677 , version 1 (04-07-2022)
hal-03713677 , version 2 (18-07-2022)

Identifiers

  • HAL Id : hal-03713677 , version 2

Cite

Benoît Martin Azanguezet Quimatio, Olive Flore Yatio Njike, Marcellin Nkenlifack. User Authentification through Keystroke dynamics based on ensemble learning approach. CARI 2022 - Colloque Africain sur la Recherche en Informatique et en Mathémathiques Appliquées, Oct 2022, Dschang, Cameroon. ⟨hal-03713677v2⟩

Collections

AFRIQ
142 View
414 Download

Share

Gmail Mastodon Facebook X LinkedIn More