[论文解读] Could We Distinguish Child Users from Adults Using Keystroke Dynamics?

Yasin Uzun, Kemal Biçakcı+1 more|arXiv (Cornell University)|Nov 18, 2015

User Authentication and Security Systems参考文献 9被引用 10

一句话总结

本研究探讨了是否能通过打字模式（如击键间隔时间）的键盘动态特征来区分15岁以下的儿童用户与17岁以上的成年人。基于自建的100名用户的数据库，该方法在年龄分组分类中实现了8.8%的等错误率，证明了其在隐私保护访问控制和法医学应用中的可行性。

ABSTRACT

Significant portion of contemporary computer users are children, who are vulnerable to threats coming from the Internet. To protect children from such threats, in this study, we investigate how successfully typing data can be used to distinguish children from adults. For this purpose, we collect a dataset comprising keystroke data of 100 users and show that distinguishing child Internet users from adults is possible using Keystroke Dynamics with equal error rates less than 10 percent. However the error rates increase significantly when there are impostors in the system.

研究动机与目标

• 确定键盘动态特征是否能可靠地将用户分类为儿童（15岁以下）或成年人（17岁以上），排除15至17岁的青少年以避免分类模糊。
• 开发一种基于生物特征的年龄分组检测系统，无需用户主动输入，利用打字行为作为被动身份标识。
• 通过确保训练数据可去标识化并在模型训练后删除，解决隐私问题。
• 提供一个公开可用的、带有年龄标签的键盘动态数据集，以支持未来在人口统计生物识别领域的研究。

提出的方法

• 收集了100名用户的数据库，包括50名儿童（15岁以下）和50名成年人（17岁以上），排除青少年以避免分类歧义。
• 在重复输入固定文本短语的过程中，以微秒为单位记录击键间隔时间及按键/松键时间。
• 在键盘动态特征上应用多种分类算法——k-最近邻、支持向量机和神经网络。
• 使用等错误率（EER）作为主要评估指标，并通过交叉验证确保结果稳健。
• 设计系统在测试过程中实时处理键盘动态数据，避免持久存储生物特征数据。
• 发布数据集、数据采集软件和测试脚本，以支持结果复现与未来基准测试。

实验结果

研究问题

• RQ1 基于打字行为，键盘动态特征能否准确区分15岁以下的儿童用户与17岁以上的成年人？
• RQ2 当存在人为冒充者时，基于键盘动态的年龄分类性能如何变化？
• RQ3 在不进行显式用户识别的前提下，键盘动态特征在多大程度上可用于推断年龄分组，以支持隐私保护应用？
• RQ4 该方法是否可扩展至移动设备，利用智能手机上的触摸打字模式？
• RQ5 结合键盘动态与鼠标动态是否可提升年龄分组预测的准确性？

主要发现

• 所提出的系统在利用键盘动态区分儿童用户与成年人时，实现了8.8%的等错误率（EER）。
• 当使用最优算法时，分类准确率超过90%，表明其在实际部署中具有高度可行性。
• 当引入冒充者时，错误率显著上升，表明系统对非零成本攻击存在脆弱性。
• 本研究首次公开发布了带有年龄标签的键盘动态数据集，为未来基准测试与复现提供了支持。
• 该方法通过支持实时处理并可在模型训练后立即删除原始数据，实现了隐私保护部署。
• 结果表明，年龄分组预测可增强现有生物特征认证系统，潜在提升准确率高达20%。