Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
PerioClust: A Simple Hierarchical Agglomerative Clustering Approach Including Constraints Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Classifying Users Through Keystroke Dynamics

verfasst von : Ioannis Tsimperidis, Georgios Peikos, Avi Arampatzis

Erschienen in: Data Analysis and Rationality in a Complex World

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The billions of users connected to the Internet together with the anonymity that each of them can have behind a computer that is a source of many risks, such as financial fraud and seduction of minors. Most methods that have been proposed to remove this anonymity are either intrusive, or violate privacy, or expensive. We propose the recognition of certain characteristics of an unknown user through keystroke dynamics, which is the way a person is typing. The evaluation of the method consists of three stages: the acquisition of keystroke dynamics data from 110 volunteers during the daily use of their device, the extraction and selection of keystroke dynamics features based on their information gain, and the testing of user characteristics recognition by training five well-known machine learning models. Experimental results show that it is possible to identify the age group, the handedness, and the educational level of an unknown user with an accuracy of 87.6, 97.0, and 84.3, respectively.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Clustering Binary Data by Application of Combinatorial Optimization Heuristics
Nächstes Kapitel Technological Innovation and the Critical Raw Material Stock
Literatur
Arroju, M., Hassan, A., Farnadi, G. (2015). Age, gender and personality recognition using tweets in a multilingual setting. In: Proceedings of 6th Conference and Labs of the Evaluation Forum: Experimental IR Meets Multilinguality, Multimodality, and Interaction, pp. 23–31. Toulouse, France
Brizan, D.G., Goodkind, A., Koch, P., Balagani, K., Phoha, V.V., Rosenberg, A.: Utilizing linguistically enhanced keystroke dynamics to predict typist cognition and demographics. Int. J. Hum.-Comput. Stud. 82, 57–68 (2015)CrossRef
Buriro, A., Akhtar, Z., Crispo, B., Del Frari, F. (2016). Age, gender and operating-hand estimation on smart mobile devices. In: Proceedings of 2016 International Conference of the Biometrics Special Interest Group, pp. 273–280. Darmstadt, Germany
Cheung, M., She, J.: An analytic system for user gender identification through user shared images. ACM Trans. Multimed. Comput. Commun. Appl. 13(3), 30:1–30:20 (2017)
Dragovic, M., Hammond, G.: A classification of handedness using the Annett Hand Preference Questionnaire. Br. J. Psychol. 98(3), 375–387 (2007)CrossRef
Goodman, J.: The wages of sinistrality: Handedness, brain structure, and human capital accumulation. J. Econ. Perspect. 28(4), 193–212 (2014)CrossRef
Menzies, T., Greenwald, J., Frank, A.: Data mining static code attributes to learn defect predictors. IEEE Trans. Softw. Eng. 33(1), 2–13 (2007)
Pentel, A. (2017). High precision handedness detection based on short input keystroke dynamics. In: Proceedings of 8th International Conference on Information, Intelligence, Systems and Applications, pp. 1–5. Larnaca, Cyprus
Pentel, A.: Predicting user age by keystroke dynamics. In: Silhavy, R. (ed.) Artificial Intelligence and Algorithms in Intelligent Systems, pp. 336–343. Springer International Publishing, Switzerland (2018)
Roy, S., Roy, R., Sinha, D.D.: ACO-Random forest approach to protect the kids from Internet threats through keystroke. Int. J. Eng. Technol. 9(3S), 279–285 (2017)CrossRef
Seneviratne, S., Seneviratne, A., Mohapatra, P., Mahanti, A.: Predicting user traits from a snapshot of apps installed on a smartphone. ACM SIGMOBILE Mob. Comput. Commun. Rev. 18(2), 1–8 (2014)
Shen, C., Xu, H., Wang, H., Guan, X. (2016). Handedness recognition through keystroke-typing behavior in computer forensics analysis. In: Proceedings of 2016 IEEE Trustcom/BigDataSE/ISPA, pp. 1054–1060. Tianjin, China
Shute, S., Ko, R.K.L., Chaisiri, S. (2017). Attribution using keyboard row based behavioural biometrics for handedness recognition. In: Proceedings of 2017 IEEE Trustcom/BigDataSE/ICESS, pp. 1131–1138. Sydney, NSW, Australia
Tsimperidis, I., Rostami, S., Katos, V.: Age detection through keystroke dynamics from user authentication failures. Int. J. Digit. Crime Forensics 9(1), 1–16 (2017)CrossRef
Tsimperidis, I., Arampatzis, A., Karakos, A.: Keystroke dynamics features for gender recognition. Digit. Investig. 24, 4–10 (2018)CrossRef
Metadaten
Titel
Classifying Users Through Keystroke Dynamics
verfasst von
Ioannis Tsimperidis
Georgios Peikos
Avi Arampatzis
Copyright-Jahr
2021
Buch
Data Analysis and Rationality in a Complex World

Print ISBN: 978-3-030-60103-4

Electronic ISBN: 978-3-030-60104-1

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-60104-1_34

Premium Partner

    Bildnachweise