新聞AI時代

雙層擊鍵生物認證研究 登入後持續監察打字行為 漂移即觸發重新驗證

arXiv 論文(2610.40398)提出一套兩層擊鍵動力學認證系統,以持續行為漂移監察實現縱深防禦:第一層以固定文字密碼輸入做高安全登入驗證(EER 3.77%),第二層在自然自由打字期間持續監察用戶行為,一旦偵測到可疑漂移即觸發重新驗證。

重點一覽

  • 論文:Deep Learning Based Behavioral Drift Modeling for Continuous Biometric Authentication(arXiv 2610.40398,5 人團隊)
  • Level 1:固定文字密碼認證,時間卷積網絡(TCN)+對比學習+種群基礎訓練(PBT),EER 3.77%
  • Level 2:自由文字時段持續監察,採用四模型深度學習集成(Ensemble)
  • 偵測到可疑行為漂移即要求重新驗證,形成縱深防禦
  • 應用場景:登入後賬號被他人接手的持續防護

登入之後的防護空窗

傳統密碼認證只把關一次:密碼被竊後,攻擊者可以一路用到密碼被更換為止。這套系統的思路是把「你是誰」的驗證變成持續過程,每個人打字的節奏、停頓與按鍵時長構成獨特的行為特徵,第二層監察以深度學習集成模型在自然打字中不斷核對這個特徵,一旦偏離超出閾值便觸發重新驗證,把被盜賬號的可用時間壓到最短。

兩層分工 訓練方法各異

第一層使用時間卷積網絡配對比學習,並以種群基礎訓練(population-based training)自動調超參數,在固定文字密碼驗證任務上錄得 3.77% 等錯誤率(EER);第二層面對自由打字的雜訊與多樣性,改用四個深度學習模型組成的集成(Ensemble),持續監察錄得 83.53% TAR @ 5% FAR(EER 10.05%)。研究為持續認證場景提供了一個以行為生物特徵為本的縱深防禦參考架構。

資料來源:arXiv 2610.40398

(開版為AI生成配圖,只供參考會意)

Eight (TechApple 編輯長)

熱心科技,會編程,尤其喜愛最新AI科技發展的技術宅,矢志為大家送上最新最好的科技內容。