Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Evaluating XGBoost for User Classification by using Behavioral Features Extracted from Smartphone Sensors
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2018 (engelsk)Independent thesis Advanced level (degree of Master (Two Years)), 20 poäng / 30 hpOppgaveAlternativ tittel
Utvärdering av XGBoost för användarklassificering med hjälp av beteendebaserade attribut utvunna från sensorer i mobiltelefonen (svensk)
Abstract [en]

Smartphones have opened the possibility to interact with people anytime and anywhere. A significant amount of individuals rely on their smartphone for work-related and everyday tasks. As a consequence modern smartphones include sensitive, valuable and confidential information, such as e-mails, photos, notes, and messages. The primary concern is to prevent unauthorized access to data stored on the smartphone and applications. Traditional authentication methods are entry-point based and do not support continuous authorization. Therefore, as long as the session is active, there are no mechanisms to assure that it involves the same authorized user. This thesis studies the concept of continuous authentication, an authentication approach used to assure authorization periodically. Furthermore, we discuss behavioral biometric and attributes useful for continuous authentication, and investigates Extreme Gradient Boosting (XGBoost) for user classification by using behavioral features extracted from the mobile sensors Accelerometer, Gyroscope, and Magnetometer.

Experimental results show that using XGBoost, an average Equal Error Rate of 14,7% was received using ninety users. Furthermore, experiments were performed using different sensor combination and testing on specific activities.

Abstract [sv]

Mobiltelefoner har gjort det möjligt att interagera med andra människor när som helst och var som helst. En betydande mängd människor är beroende av sin mobiltelefon för arbetsrelaterade och vardagliga uppgifter. Som en konsekvens inkluderar moderna mobiltelefoner känslig, värdefull och konfidentiell information, exempelvis e-postmeddelanden, foton, anteckningar och meddelanden. Det främsta problemet är att hindra utomstående åtkomst till data lagrad på mobiltelefonen och i applikationerna. Traditionella autentiseringsmetoder är entry-point baserade. Det finns inga metoder som används regelbundet för att säkerställa autentisering så länge sessionen är aktiv. Denna avhandling studerar begreppet kontinuerlig autentisering, en autentiseringsmetod som används för att regelbundet säkerställa att rätt användare brukar mobiltelefonen. Vidare diskuteras beteendebaserad biometri och attribut som är användbara för kontinuerlig autentisering, samt en undersökning om användarklassificering med hjälp av Extreme Gradient Boosting (XGBoost) och beteendebaserade attribut framtagna med hjälp av följande mobilsensorer: Accelerometer, Gyroskop, och Magnetometer.

Resultaten av utförda experiment visar att XGBoost får en genomsnittlig Equal Error Rate på 14,7 % med nittio användare. Vidare utfördes experiment med användning av olika sensorkombinationer och testning på specifika aktiviteter.

sted, utgiver, år, opplag, sider
2018.
Serie
TRITA-EECS-EX ; 2018:396
HSV kategori
Identifikatorer
URN: urn:nbn:se:kth:diva-233522OAI: oai:DiVA.org:kth-233522DiVA, id: diva2:1240595
Eksternt samarbeid
Omegapoint
Utdanningsprogram
Master of Science in Engineering - Computer Science and Technology
Veileder
Examiner
Tilgjengelig fra: 2018-08-31 Laget: 2018-08-21 Sist oppdatert: 2018-08-31bibliografisk kontrollert

Open Access i DiVA

fulltext(1712 kB)108 nedlastinger
Filinformasjon
Fil FULLTEXT01.pdfFilstørrelse 1712 kBChecksum SHA-512
4f621ec752a76407484883af6945dde15d944866d6e98696d334ab2ca353cb64c64814b99bf18674ef7015ebb8739af95cd0ac6620441f611751f5111b51356d
Type fulltextMimetype application/pdf

Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 108 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

urn-nbn

Altmetric

urn-nbn
Totalt: 417 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf