Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Evaluating XGBoost for User Classification by using Behavioral Features Extracted from Smartphone Sensors
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Utvärdering av XGBoost för användarklassificering med hjälp av beteendebaserade attribut utvunna från sensorer i mobiltelefonen (Swedish)
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.

Place, publisher, year, edition, pages
2018.
Series
TRITA-EECS-EX ; 2018:396
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:kth:diva-233522OAI: oai:DiVA.org:kth-233522DiVA, id: diva2:1240595
External cooperation
Omegapoint
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2018-08-31 Created: 2018-08-21 Last updated: 2018-08-31Bibliographically approved

Open Access in DiVA

fulltext(1712 kB)104 downloads
File information
File name FULLTEXT01.pdfFile size 1712 kBChecksum SHA-512
4f621ec752a76407484883af6945dde15d944866d6e98696d334ab2ca353cb64c64814b99bf18674ef7015ebb8739af95cd0ac6620441f611751f5111b51356d
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 104 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 406 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf