Sistemas de Classificação para Verificação de Usuário Utilizando Biometria Comportamental...

Marcelo Damasceno

Orientação: Anne Canuto

Marcelo Damasceno

Orientação: Anne Canuto

Sistemas de Classificação para Verificação de Usuários Utilizando

Biometria Comportamental Cancelável

Sistemas de Classificação para Verificação de Usuários Utilizando

Biometria Comportamental Cancelável

FUND

AMENT

AÇÃO

TEÓRI

CA

FUND

AMENT

AÇÃO

TEÓRI

CA

INTRODUÇÃO

INTRODUÇÃO

TRAB

ALHO

S

RELAC

IONAD

OS

TRAB

ALHO

S

RELAC

IONAD

OS

PROPOST

A

PROPOST

A

RESULTADOS

RESULTADOS

CONCLUSÕ

ES

CONCLUSÕ

ES

INTRODUÇÃO

INTRODUÇÃO

VERIFICAÇÃO DE USUÁRIOSVERIFICAÇÃO DE USUÁRIOS

BIOMETRIABIOMETRIA

NUNCA MAIS?NUNCA MAIS?

USUÁRIO/SENHA

USUÁRIO/SENHA

MOTIVAÇÃOMOTIVAÇÃO

Senhas são fáceis de serem adivinhadas por ataques de força bruta oudicionário.

Se roubados, dados biométricos são difíceis de serem recadastrados

Apresentar um método viável de verificar usuários a partir do uso dodiversas modalidades comportamentais,

utilizando dados protegidos (canceláveis).

OBJETIVOSOBJETIVOS

1- Avaliação de Biometrias Comportamentais que tenha boaprecisão, sem ser intrusiva;

2- Processamento das biometrias escolhidas

3- Determinação e implementação de arquiteturas de classificadores;

4- Desenvolvimento de sistemas biométricos utilizandobiometrias comportamentais canceláveis;

5- Análise e comparação do sistema levando em conta:(1) Comitês; (2) Dados Originais vs. Canceláveis;

(3)Multimodal vs. Unimodal

FUND

AMENT

AÇÃO

TEÓRI

CA

FUND

AMENT

AÇÃO

TEÓRI

CA

Aprendizagem de MáquinaAprendizagem de Máquina

Comitês de ClassificadoresComitês de Classificadores

Métodos de CombinaçãoMétodos de Combinação

Bagging: Treina cada classificador com uma seleção randômica dos dados

Boosting: Organiza o comitê de forma serial. As instâncias classificadas erroneamente tem mais probabilidade

de ser escolhida novamente.

Votação: O resultado é decidido pela maioria dos componentes.

Stacking: Treinamento de um algoritmo de aprendizagem para combinar as predições dos classificadores componentes

BIOMETRIABIOMETRIA

BIOMETRIAFÍSICA

BIOMETRIAFÍSICA

ÍRIS FACE

DIGITAIS

BIOMETRIACOMPORTAMENTALBIOMETRIACOMPORTAMENTAL

SISTEMASMULTIMODAIS

SISTEMASMULTIMODAIS

BIOMETRIAS CANCELÁVEISBIOMETRIAS CANCELÁVEIS

Funções de TransformaçãoFunções de Transformação

Interpolação: Baseia-se em interpolações polinomiais. Extrai-se pontos de função a partir da interpolação dos atributos

BioHashing: Transforma dos dados originais em uma sequência binária não inversível

BioConvolving: As funções são criadas através da combinação linear dassub-partes do template biométrico.

Soma Dupla: Consiste na soma dos atributos com dois outros atributos da mesma amostra

É POSSÍVEL DESENVOLVER UM VERIFICADOR DE USUÁRIOS

SEGURO USANDO O COMPORTAMENTO?


SEGURO USANDO O COMPORTAMENTO?

TRAB

ALHO

S

RELAC

IONAD

OS

TRAB

ALHO

S

RELAC

IONAD

OS

Moskovitch et al. (2009) discute o problema de roubo de identidade de usuários e propõe o uso da interação teclado/mouse.

Brunelli e Falavigna (1995) descreve um sistema biométrico multimodal para a identificação de pessoas utilizando face e voz.

BioID (FRISCHHOLZ; DIECKMANN, 2000), um produto comercial, usa voz, movimento dos lábios e face na verificação de usuários

Reconhecimento MultiModalReconhecimento MultiModal

Martinez-Diaz et al. (2010) apresenta uma base de dados de senhas gráficas: doodle e assinaturas feitas utilizando os dedos.

Yu, Tan e Tan (2006) propõe um framework para comparar a performance de diferentes algoritmos para o reconhecimento

do andar de pessoas.

Killourhy e Maxion (2009) apresenta em seu artigo as performances de diversos algoritmos de reconhecimento

de dados de digitação.

Biometria ComportamentalBiometria Comportamental

(NANNI; LUMINI, 2006) apresenta em seu trabalho um sistema de autenticaçãode assinaturas. Os templates dos dados biométricos canceláveis:

BioHashing e o BioConvolving.

Em (PINTRO; CANUTO, 2012) é apresentado uma análise da aplicação de comitês em reconhecimento de dados biométricos físicos canceláveis

Em (CANUTO; PINTRO; XAVIER-JUNIOR,2013) investiga-se a performance de diferentes modos de fusão em dados multimodais canceláveis físicos.

Biometrias CanceláveisBiometrias Canceláveis

O trabalho de Allano et al. (2006) é um estudo do uso de Biometrias Comportamentais MultiModais.

Os autores testam um número de técnicas de fusão de score como solução na autenticação biométrica multimodal.

Crawford, Renaud e Storer (2013) apresentam um framework para autenticação contínua e transparente em dispositivos móveis.

Os autores asseguram a privacidade do usuário pois a coleta e a autenticação é feita diretamente no dispositivo.

Bo et al. (2013) apresenta um o uso de autenticadorde usuários que utiliza os dados da tela tátil e dos sensores.

O ineditismo de seu trabalho é seu estudo abordatanto o uso do telefone de forma estática, quanto em movimento.

Biometrias Comportamentais MultiModaisBiometrias Comportamentais MultiModais

Não foi encontrado nenhum trabalho que utilize

biometrias comportamentais em uma

abordagem cancelável!

Não foi encontrado nenhum trabalho que utilize

biometrias comportamentais em uma

abordagem cancelável!

PROPOST

A

PROPOST

A

Aplicação de classificadores,incluindo comitês, para a verificação de usuários

baseado em biometria comportamental multimodal.

Aplicação de classificadores,incluindo comitês, para a verificação de usuários

baseado em biometria comportamental multimodal.

KNN

MLP

Naive-Bayes

SVM

Componentes Base

Bagging

kNN

Logistics

Votação

Bagging

kNN

Logistics

Votação

Comitês – Métodos de Fusão

RESULTADOS

RESULTADOS

Base de Dados composto por interações em uma tela Touch-Screen

O TouchAnalytics é composto por 30 atributos e todos os atributos são derivados dos traçados gerados por 41 usuários.

1. Inter Session: O objetivo é autenticar os usuários através de múltiplas sessões

realizadas no mesmo dia.

2. Inter Week: A meta é autenticar os usuários em duas semanas distintas (o

período de tempo entre essas duas sessões é de uma semana).

3. Intra Session: Todos os dados do usuário são usadas no processo,

independente do tempo.

Touch AnalyticsTouch Analytics

“An Empirical Analysis of Cancellable Transformations in a Behavioral Biometric Modality” (DAMASCENO;CANUTO, 2013) foi publicado

nos anais da 13ª Conferencia Internacional em Sistemas Inteligentes Híbridos.

“An EmpiricalAnalysis of Ensemble Systems in Cancellable Behavioural Biometrics:a Touch Screen Dataset” (DAMASCENO; CANUTO, 2014)

publicado nos anais da Conferência Internacional Conjunta em Redes Neurais (IJCNN 2014).

PublicaçõesPublicações

An Empirical Analysis of Ensemble Systems for Revocable Behavioural Biometric Verification ((DAMASCENO; CANUTO, 2014a),

Journal of Information Assurance and Security, a ser publicado.

A imagem não pode ser exi…

A imagem não pode ser exibida. Talvez o

computador não tenha memória …

A imagem não pode ser exibida. Talvez o computador não tenha me…

A imagem não pode ser exibida. Talvez o computador não tenha memória suficiente para abrir a imagem ou talvez …


computador não tenha memória su…

A imagem não pode ser exibida. Talvez o computador não tenha m…

A imagem não pode s…


computador não …

A imagem não pode ser exibida. Talvez o computador …

A imagem não pode ser exibida. Talvez o computador não tenha memória suficiente para …


computador não t…

A imagem não pode ser exibida. Talvez o computador não tenha memória suficiente par…

A imagem não pode ser exibida. Talvez o computado…

A imagem não pode s…


computador não …

A imagem não pode ser exibida. Talvez o computador …

A imagem não pode ser exibida. Talvez o computador não tenha memória suficiente para …


computador não t…

Session OriginalInterporlação BioHashing

BioConcolving

Soma Dupla

IS 1.36% 42.26% 31.44% 2.57% 9.61%

kNN IW 1.14% 38.99% 32.48% 3.23% 9.72%

ITS 1.36% 9.43% 33% 3.60% 9.08%

IS 9.04% 41.86% 32.31% 1.85% 12.48%

SVM IW 9.04% 39.41% 29.84% 3.11% 12.54%

ITS 9.04% 11.91% 29.08% 3.18% 11.80%

Taxa de Erro Igual- Traços Verticais (Rolagem)

An Empirical Analysis of cancellable Transformations in a Behavioral Biometric Modality

An Empirical Analysis of cancellable Transformations in a Behavioral Biometric Modality

Taxa de Erro Igual- Traços HorizontaisSessionOriginalInterpolação Bio

HashingBio

ConnvolvingSomaDupla

IS 1.99% 42.26% 33.58% 0.258% 10.08%

kNN IW 2.07% 49.70% 35.19% 0.253% 9.47%

ITS 1.99% 11.12% 34.10% 0.22% 9.87%

IS 17.43% 41.86% 38.82% 0.64% 21.56%

SVM IW 17.43% 41.86% 41.02% 0.44% 22.45%

ITS 17.43% 24.77% 41.43% 0.52% 22.26%

Taxa de Erro Igual- Traços Horizontal

An Empirical Analysis of Cancellable Transformations in a Behavioral Biometric Modality

An Empirical Analysis of Cancellable Transformations in a Behavioral Biometric Modality

BioConvolving e DoubleSum têm desempenho similar quando comparado com os dados originais.

A base de dados BioConvolving tem quatro resultados estatisticamente semelhantes e seis estatisticamente melhores.

Soma dupla tem cinco resultados estatisticamente semelhantes, de 9 casos possíveis.

BioConvolving traz resultados estatisticamente semelhantesusando k -NN e melhores resultados estatisticamente usando SVM.

DiscussãoDiscussão

Os boxplots dos dados originais tem mais outliers (pontos no gráfico) do que osboxplots do BioConvolving.

BioHashing exibem resultados muito dispersos, ou seja,os whiskeys são muito longos e a altura das caixas são maiores.

Os boxplots do SVM tem whiskeysmais longos que os visualizados nos boxplots do k -NN

SVM no conjunto de dados Original. Em todos os experimentos este classificador foi pior que o k -NN

As funções Interpolação e BioHashing teve os piores resultados.

Interpolação na amostra de Intra Session teve umaperformance similar a Soma Dupla.

Método OriginalInterpolation BioHashing

BioConvolving

Soma Dupla

Bag_6_k 7.6 ±4.8 8.9 ±5.4 32.3 ±12.6 3.3 ±10.7 8.7 ±5.5

Bag_12_k 7.4 ±4.9 8.6 ±5.1 32.4 ±12.4 3.2 ±10.8 8.6 ±5.4

Bag_6_S 9.2 ±6.4 12.4 ±8.2 32.4 ±19 2.3 ±7.8 11.9 ±8.1

Bag_12_S 9.2 ±6.4 12.3 ±8 31.2 ±15.5 2.1 ±7.8 11.7 ±8.3

Stack_kSk 7.8 ±5.1 10 ±6.3 32.3 ±13.1 3.4 ±10.6 10 ±6.5

Stack_kSL 7.2 ±4.7 9 ±5.5 32.7 ±12.7 3.4 ±10.9 9.1 ±5.8

Voting 8.9 ±6.4 10.9 ±6.7 32.6 ±12.6 3.6 ±11 11.4 ±7.5

Taxa de Erro Igual- Traços Verticais (Rolagem)

An Empirical Analysis of Ensemble Systems in Cancellable Behavioural Biometrics: a Touch Screen Dataset


Método OriginalInterpolation

BioHashing

BioConvolving

Soma Dupla

Bag_6_k 8 ±4.5 10.6 ±6.3 32.8 ±9.8 0.1 ±0.3 8.7 ±4.8

Bag_12_k 7.7 ±4.3 10.3 ±6.2 32.8 ±10.2 0.1 ±0.3 8.6 ±4.6

Bag_6_S 11.1 ±7.3 16.1 ±9 34.4 ±17.7 0.4 ±0.5 13.3 ±8.4

Bag_12_S 11.7 ±7.8 16.1 ±9.2 33.5 ±26 0.3 ±0.4 13.1 ±8.5

Stack_kSk 8.5 ±4.9 12.1 ±7.3 34 ±9.5 0.2 ±0.4 10.7 ±6.3

Stack_kSL 7.7 ±4.5 10.8 ±6.7 33.1 ±10 0.2 ±0.4 9.6 ±5.4

Voting 9.7 ±5.8 13.7 ±7.1 33.5 ±9.7 0.2 ±0.4 11.9 ±6.9

Taxa de Erro Igual- Traços Horizontais



Comitês gerados com a função Interpolação e Soma Duplatem resultados estatíticos similares comparados com

os alcançados com os dados originais

BioConvolving são melhores estatisticamente que os observados utilizando os dados originais para ambos os traços

(vertical e horizontal) e comitês.

O uso de comitês utilizando biometrias comportamentais canceláveis não diminuem a performance comparando-os com os dados originais.

O método de combinação Bagging foi superior aosoutros dois métodos.


An Empirical Analysis of Ensemble Systems for Revocable Behavioural Biometric VerificationAn Empirical Analysis of Ensemble Systems for Revocable Behavioural Biometric Verification

Neste artigo, extedemos os resultados publicados no HIS.Nós adicionamos um comparativo de single e ensemble.

Bagging com 6 e 12 classificadores (k-NN e SVM)

Stacking e Voting construído com 6 classificadores comproporção meio a meio (k-NN -- SVM)

K-NN como algoritmo agregador (Stacking_kSk) e Regressão Logistica (Stacking_kSL)


Ensemble/Data

Original

Interpolation

BioHashing

BioConvolving

DoubleSum

Bagging_6 1S 1S 1K 2 1S

Bagging_12

1S 1S 1K 2 1S

Stacking_kSk

1S 1S 2 2 1S

Stacking_kSL

1S 2 2 2 2

Voting 1S 1S 2 2 1S

Total 5 6 8 10 6

Análise Comparativa dos comitês e classificadores únicos no conjunto Scrooling


Ensemble/Data

Original

Interpolation

BioHashing

BioConvolving

DoubleSum

Bagging_6 1S 1S 2 1S 1S

Bagging_12

1S 1S 2 2 1S

Stacking_kSk

1S 1S 2 2 1S

Stacking_kSL

1S 2 2 2 2

Voting 1S 1S 2 2 1S

Total 5 6 10 9 6

Análise Comparativa - comitês e classificadores únicos no conjunto Horizontal

Esses resultados demonstram que podemos utilizarcomitês em dados canceláveis ao invés de dados originais

Os comitês oferecem melhor performance que osclassificadores únicos


CONCLUSÕ

ES

CONCLUSÕ

ES

Este trabalho propõe a utilização de classificadores e biometrias comportamentais revogáveis multimodais

Inclusão de novas modalidades biometrias comportamentais e seleção de modalidadesbiométricas em tempo de execução e

fusão de dados biométricos.

Pode-se induzir pelos resultados já alcançados que o uso de sistemas multimodais em biometrias comportamentais

canceláveis é promissor

Obtivemos resultados superiores ou iguais aos encontrados com o uso dos classificadores nos dados originais.

ConclusãoConclusão


SEGURO USANDO O COMPORTAMENTO!


SEGURO USANDO O COMPORTAMENTO!

CronogramaCronograma

Tarefas/Semestre 2014.2

2015.1

2015.2

Levantamento de outras biometrias comportamentais

Fusão das biometrias comportamentais selecionadas

Aplicação das funções canceláveis na base multimodal

Análise dos experimentos realizados na base original

Escrita da Tese

Sistemas de Classificação para Verificação de Usuário Utilizando Biometria Comportamental...

Data & Analytics

Transcript of Sistemas de Classificação para Verificação de Usuário Utilizando Biometria Comportamental...