SlideShare a Scribd company logo
1 of 33
Download to read offline
Επ. Καθηγητής: Ανδρέας Συμεωνίδης
Επ. Υπ. Διδάκτορας: Θωμάς Καρανικιώτης
Θεσσαλονίκη, Νοέμβριος 2020
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης
Πολυτεχνική Σχολή
Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Συνεχής Έμμεση Αυθεντικοποίηση
Χρηστών Κινητού Τηλεφώνου με τη
Χρήση Δεδομένων Πλοήγησης
Αγγελική Αγαθή Τσίντζηρα, Α.Μ.: 436
Δ.Δ.Π.Μ.Σ. Προηγμένα Συστήματα
Υπολογιστών και Επικοινωνιών
Ευφυή Συστήματα – Μεθοδολογίες
Υπολογιστικής Νοημοσύνης και Εφαρμογές
ΠΕΡΙΕΧΟΜΕΝΑ
1. Κίνητρο
2. Θεωρητικό Υπόβαθρο
3. Αισθητήρες
4. Μεθοδολογία
5. Αλγόριθμοι
6. Μετρικές Απόδοσης
7. Αποτελέσματα
8. Συμπεράσματα
9. Μελλοντική Εργασία
ΚΙΝΗΤΡΟ
 Διαφύλαξη της ασφάλειας και ιδιωτικότητας προσωπικών δεδομένων
χρηστών κινητών τηλεφώνων
 Ένα επιπλέον επίπεδο ασφαλείας στην περίπτωση κλοπής ή
κατάσχεσης της συσκευής με τη βία
ΘΕΩΡΗΤΙΚΟ
ΥΠΟΒΑΘΡΟ Βιομετρικά Χαρακτηριστικά
• Χαρακτηριστικά που μετρούνται εύκολα και με ακρίβεια
• Είναι μοναδικά για τον κάθε άνθρωπο
• Δύσκολο να πλαστογραφούν
• Ο πιο ασφαλής τρόπος αυθεντικοποίησης
• Παραδείγματα αποτελούν το δαχτυλικό αποτύπωμα και η
αναγνώριση προσώπου
• Μηχανισμός Αυθεντικοποίησης που λειτουργεί στο παρασκήνιο
• Αναγνώριση συμπεριφοράς πλοήγησης χρήστη
• Συνεχής έλεγχος ταυτότητας χρήστη
• Σύστημα απόφασης αν η συμπεριφορά ανήκει σε εξουσιοδοτημένο
χρήστη ή όχι
ΘΕΩΡΗΤΙΚΟ
ΥΠΟΒΑΘΡΟ Συνεχής Αυθεντικοποίηση
ΑΙΣΘΗΤΗΡΕΣ Επιταχυνσιόμετρο
Προσδιορίζει τον
προσανατολισμό χωρίς τη
βαρύτητα της γης
Γυροσκόπιο
Χρησιμοποιεί τη βαρύτητα της
Γης στον προσδιορισμό του
προσανατολισμού
Αναζήτηση
σχετικής
βιβλιογραφίας
Έρευνα
Ανάλυση του
προβλήματος
Ανάλυση
Ανάπτυξη μεθοδολογίας
και εφαρμογή μοντέλων
μηχανικής μάθησης
Ανάπτυξη
Εκτέλεση
πειραμάτων και
επικύρωση
μεθοδολογίας
Πειράματα
Συμπεράσματα
σχετικά με τα
αποτελέσματα
Συμπεράσματα
ΜΕΘΟΔΟΛΟΓΙΑ
ΣΥΝΟΛΟ
ΔΕΔΟΜΕΝΩΝ
 5 Παιχνίδια: Mathisis, Speed, Focus,
Memoria, Reacton
 Μη ελεγχόμενο περιβάλλον
 Αισθητήρες Κίνησης + Δεδομένα Χειρονομιών
 2218 χρήστες
 60% άντρες, 26% γυναίκες, 14% άγνωστα
 90% android, 10% iOS
 95% των χρηστών χρησιμοποίησε μία συσκευή
ΣΥΝΟΛΟ
ΔΕΔΟΜΕΝΩΝ
 Οι χρήστες επιλέχθηκαν σύμφωνα με τα παρακάτω κριτήρια:
1. Εγγραφές μετρήσεων και από τους 2 αισθητήρες
(επιταχυνσιόμετρο, γυροσκόπιο)
2. Εγγραφές αισθητήρων στον ίδιο χρόνο
3. Πλήθος εγγραφών αισθητήρων ανά παιχνίδι το ελάχιστο
3000 (λόγω δειγματοληψίας)
4. Εγγραφές μετρήσεων για το ίδιο παιχνίδι
ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ
X
Y
Z
𝑿𝟐 + 𝒀𝟐 + 𝒁𝟐
𝒀𝟐 + 𝒁𝟐
Άξονας X
Άξονας Y
Άξονας Z
Magnitude
Combined Angle
Η επιλογή της κατάλληλης μεταβλητής (Magnitude)
πραγματοποιήθηκε με πειράματα για κάθε μια μεταβλητή́
και στο τέλος, συγκρίθηκε η επίδοση των αλγορίθμων.
ΕΞΕΡΕΥΝΗΣΗ
ΔΕΔΟΜΕΝΩΝ
Έντονη διαφοροποίηση
συμπεριφορών
ΔΕΙΓΜΑΤΟΛΗΨΙΑ Δειγματοληψία Κυλιόμενου Παραθύρου
Δειγματοληψία 50Hz με 10
sec παράθυρο και
επικάλυψη 90%
• Μείωση θορύβου
• Περισσότερα δείγματα
κατά την εκπαίδευση
• Βελτίωση της
ετερογένειας των
μετρήσεων
ΕΞΑΓΩΓΗ
ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ Χαρακτηριστικό Περιγραφή Πεδίο
Μέση τιμή Μέση τιμή παραθύρου Χρόνου
Τυπική Απόκλιση Τυπική απόκλιση παραθύρου Χρόνου
Μέγιστη Τιμή Ελάχιστη τιμή παραθύρου Χρόνου
Ελάχιστη Τιμή Μέγιστη τιμή παραθύρου Χρόνου
Εύρος Τιμών Εύρος τιμών παραθύρου Χρόνου
Percentile (25 – 50 – 75) 25,50,75% τεταρτημόρια Χρόνου
Κύρτωση Πλάτος κορυφής Χρόνου
Ασυμμετρία Προσανατολισμός της κορυφής Χρόνου
Εντροπία Διασπορά της φασματικής κατανομής Χρόνου
P1 Πλάτος της υψηλότερης κορυφής ΜΣ Fourier Συχνότητας
F1 Συχνότητα της υψηλότερης κορυφής ΜΣ Fourier Συχνότητας
P2 Πλάτος της δεύτερης υψηλότερης κορυφής ΜΣ Fourier Συχνότητας
Μέση συχνότητα Μέση συχνότητα παραθύρου Συχνότητας
ΕΞΑΓΩΓΗ
ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ
 Πεδίο του Χρόνου και της
Συχνότητας
 Χαρακτηριστικά με υψηλή
συσχέτιση διαγράφηκαν
 Διαγράφηκαν τα
χαρακτηριστικά Range και
Entropy
Χρήση 4 αλγορίθμων Novelty Detection για αναγνώριση ακραίων τιμών.
Εκπαίδευση ΜΟΝΟ με τα δεδομένα του εξουσιοδοτημένου χρήστη.
Επικύρωση με δεδομένα εξουσιοδοτημένου και μη εξουσιοδοτημένων χρηστών.
 One Class SVM
 Local Outlier Factor
 Isolation Forest
 Elliptic Envelope
Προ-
επεξεργασία
Training
Set
Validation
Set
Test Set
ΑΛΓΟΡΙΘΜΟΙ
ENSEBLE
MODELS Οι αστοχίες ενός μοντέλου μπορεί να είναι τα δυνατά σημεία του άλλου. Ο
συνδυασμός 2 μοντέλων οδήγησε σε πολύ καλύτερα αποτελέσματα, όπου το καθένα
ανεξάρτητα δεν θα μπορούσε να επιτύχει.
Μοντέλο επιταχυνσιομέτρου
Μοντέλο γυροσκοπίου
Συνδυασμός μοντέλων
ΜΕΤΡΙΚΕΣ
ΑΠΟΔΟΣΗΣ
False Acceptance Rate =
𝑭𝑷
𝐓𝐍+𝑭𝑷
False Rejection Rate =
𝑭𝑵
𝐓𝐏+𝑭𝑵
ACCURACY =
𝚻𝐍+𝑻𝑷
𝐓𝐏+𝐅𝐍+𝐓𝐍+𝑭𝑷
F1-SCORE =
𝑻𝑷
𝐓𝐏+𝟎.𝟓 (𝐅𝐍+𝐅𝐏)
ΠΕΙΡΑΜΑΤΑ
5
1 πείραμα ανά παιχνίδι
ΠΑΙΧΝΙΔΙΑ
14
1 φορά ως ιδιοκτήτες, τις
υπόλοιπες ως
κακόβουλοι
ΧΡΗΣΤΕΣ
10
10 εκτελέσεις ανά
εξουσιοδοτημένο χρήστη
10-FOLD
4
Novelty Detection
ΑΛΓΟΡΙΘΜΟΙ
2
Ένα για το
επιταχυνσιόμετρο, ένα
για το γυροσκόπιο
ΜΟΝΤΕΛΑ
ΑΠΟΤΕΛΕΣΜΑΤΑ
FAR < 10% είναι ένα
αποδεκτό ποσοστό
~70% αποδοχή
κακόβουλων
χρηστών
~30% αποδοχή
κακόβουλων
χρηστών
~0.7-6.9% αποδοχή
κακόβουλων
χρηστών
ΑΠΟΤΕΛΕΣΜΑΤΑ
FRR < 10% είναι ένα
αποδεκτό ποσοστό
~4-7% απόρριψη
εξουσιοδοτημένου
χρήστη
~1-2% απόρριψη
εξουσιοδοτημένου
χρήστη
~0% απόρριψη
εξουσιοδοτημένου
χρήστη
ΑΠΟΤΕΛΕΣΜΑΤΑ
Local Outlier Factor FAR FRR Accuracy F1-Score
Reacton Game 2.9 5 97 48
Speedy Game 2.3 6.6 97.54 52
Mathisis Game 2.2 6.9 97.73 54
Focus Game 2 7.1 97.89 55
Memoria Game 0.7 8.1 99.17 76
Καλύτερο Αποτέλεσμα
One Class SVM FAR FRR Accuracy F1-Score
Reaction Game 6.9 4.3 93.06 29
Speedy Game 5.4 5.7 94.54 33
Mathisis Game 4.8 5.2 95.13 36
Focus Game 3.5 6 96.42 42
Memoria Game 1.1 5.7 98.78 69
ΑΠΟΤΕΛΕΣΜΑΤΑ
Καλύτερο Αποτέλεσμα
ΣΥΜΠΕΡΑΣΜΑΤΑ
ΑΙΣΘΗΤΗΡΕΣ
ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ
ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ
ONE CLASS SVM
LOCAL OUTLIER FACTOR
ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ
Οι μετρήσεις των
αισθητήρων κίνησης
παρέχουν πολύτιμες
πληροφορίες, ικανές να
πραγματοποιηθεί
αναγνώριση χρήστη μόνο
με τα δεδομένα πλοήγησης.
ΣΥΜΠΕΡΑΣΜΑΤΑ
ΑΙΣΘΗΤΗΡΕΣ
ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ
ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ
ONE CLASS SVM
LOCAL OUTLIER FACTOR
ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ
Η σωστή επιλογή του
παραθύρου
δειγματοληψίας και
επικάλυψης, βελτίωσε
αισθητά την επίδοση των
αλγορίθμων. Ο
συνδυασμός δεδομένων
στο πεδίο του χρόνου και
της συχνότητας έδωσε τα
καλύτερα αποτελέσματα.
ΣΥΜΠΕΡΑΣΜΑΤΑ
ΑΙΣΘΗΤΗΡΕΣ
ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ
ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ
ONE CLASS SVM
LOCAL OUTLIER FACTOR
ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ
Η συμπεριφορά και οι
διακυμάνσεις της επίδοσης
των αλγορίθμων
διατηρήθηκαν σταθερές σε
όλα τα πειράματα. Τα
μοντέλα που
εκπαιδεύτηκαν μπορούν να
χρησιμοποιηθούν στον
πραγματικό κόσμο
ΣΥΜΠΕΡΑΣΜΑΤΑ
ΑΙΣΘΗΤΗΡΕΣ
ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ
ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ
ONE CLASS SVM
LOCAL OUTLIER FACTOR
ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ
Το παιχνίδι καλύτερης
απόδοσης ήταν το
Memoria. Κατά τη διάρκεια
του παιχνιδιού, ο χρήστης
κάνει διαδοχικά την κίνηση
Tap.
ΣΥΜΠΕΡΑΣΜΑΤΑ
ΑΙΣΘΗΤΗΡΕΣ
ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ
ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ
ONE CLASS SVM
LOCAL OUTLIER FACTOR
ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ
Για εφαρμογές στις οποίες
απαιτείται χαμηλό
ποσοστό απόρριψης του
πραγματικού χρήστη
(<5.7%) σε συνδυασμό με
χαμηλό ποσοστό
αποδοχής κακόβουλων
χρηστών (1.1%), ο One
Class SVM θεωρείται ο
κατάλληλος.
ΣΥΜΠΕΡΑΣΜΑΤΑ
ΑΙΣΘΗΤΗΡΕΣ
ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ
ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ
ONE CLASS SVM
LOCAL OUTLIER FACTOR
ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ
Για εφαρμογές στις οποίες
απαιτείται χαμηλό
ποσοστό αποδοχής
κακόβουλων ή μη
εξουσιοδοτημένων
χρηστών (<0.7%), ο
αλγόριθμος Local Outlier
Factor είναι πιο ο
κατάλληλος.
ΣΥΜΠΕΡΑΣΜΑΤΑ
ΑΙΣΘΗΤΗΡΕΣ
ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ
ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ
ONE CLASS SVM
LOCAL OUTLIER FACTOR
ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ
Οι αλγόριθμοι One Class
SVM και Local Outlier
Factor πέτυχαν τα
καλύτερα ποσοστά της
μετρικής FAR συγκριτικά με
όλες τις μελέτες της
βιβλιογραφίας, ακόμα και
αυτής που χρησιμοποίησε
το ίδιο σύνολο δεδομένων.
ΣΥΜΠΕΡΑΣΜΑΤΑ
Τα αποτελέσματα αποδεικνύουν ότι το προτεινόμενο
σύστημα παρέχει ένα επιπλέον επίπεδο ασφάλειας και
ιδιωτικότητας και μπορεί να διασφαλίσει ότι το 99% των μη
εξουσιοδοτημένων χρηστών δεν θα αποκτήσει πρόσβαση
στη συσκευή και στα δεδομένα της.
SENSORS
&
GESTURES Αλγόριθμος FAR 1 FRR 1 FAR 2 FRR 2
FAR
System
FRR
System
One Class SVM 3.6% 10.5% 0.8% 16.4% 0.09% 4.6%
Local Outlier
Factor
0.5% 7.9% 1.2% 1.9% 0% 4.6%
Αλγόριθμος Accuracy F2 Score Confusion Matrix
One Class SVM 99.75%
Attacker: 1%
Original: 96%
Local Outlier Factor 99.84%
Attacker: 1%
Original: 98%
3095 3
5 102
3098 0
5 102
Ο συνδυασμός δεδομένων φαίνεται να βελτιώνει την επίδοση των μοντέλων και
αξίζει να μελετηθεί περαιτέρω στο μέλλον.
ΜΕΛΛΟΝΤΙΚΗ
ΕΡΓΑΣΙΑ
● Πειράματα με περισσότερους χρήστες
● Διεξαγωγή συμπερασμάτων της ποιότητας μετρήσεων σε
σχέση με τις συσκευές ή το λειτουργικό σύστημα
● Πειράματα με πολλές συσκευές ανά χρήστη
● Περαιτέρω διερεύνηση και συνδυασμοί μοντέλων και
αλγορίθμων
● Περαιτέρω διερεύνηση του συνδυασμού αισθητήρων
κίνησης και χειρονομιών
ΕΥΧΑΡΙΣΤΩ ΠΟΛΥ!
Ερωτήσεις?
Αγγελική - Αγαθή Τσίντζηρα

More Related Content

Similar to Continuous implicitauthentication of smartphone users using navigation data

Nanometer Testing: Challenges and Solutions
Nanometer Testing: Challenges and SolutionsNanometer Testing: Challenges and Solutions
Nanometer Testing: Challenges and SolutionsDVClub
 
Md Mushfiqul Alam: Biological, NeuralNet Approaches to Recognition, Gain Cont...
Md Mushfiqul Alam: Biological, NeuralNet Approaches to Recognition, Gain Cont...Md Mushfiqul Alam: Biological, NeuralNet Approaches to Recognition, Gain Cont...
Md Mushfiqul Alam: Biological, NeuralNet Approaches to Recognition, Gain Cont...devashishsarkar
 
A Survey on Fingerprint Protection Techniques
A Survey on Fingerprint Protection TechniquesA Survey on Fingerprint Protection Techniques
A Survey on Fingerprint Protection TechniquesIRJET Journal
 
Machine learning for sanctions screening
Machine learning for sanctions screeningMachine learning for sanctions screening
Machine learning for sanctions screeningEnigma
 
Hioki series im7580_e6-99m Impedance analyzer 1.3GHz
Hioki series im7580_e6-99m Impedance analyzer 1.3GHzHioki series im7580_e6-99m Impedance analyzer 1.3GHz
Hioki series im7580_e6-99m Impedance analyzer 1.3GHzNIHON DENKEI SINGAPORE
 
01 software test engineering (manual testing)
01 software test engineering (manual testing)01 software test engineering (manual testing)
01 software test engineering (manual testing)Siddireddy Balu
 
LS13320. 17 nm - 2000 microns
LS13320. 17 nm -  2000 micronsLS13320. 17 nm -  2000 microns
LS13320. 17 nm - 2000 micronsadityahpatel
 
Robust Filtering Schemes for Machine Learning Systems to Defend Adversarial A...
Robust Filtering Schemes for Machine Learning Systems to Defend Adversarial A...Robust Filtering Schemes for Machine Learning Systems to Defend Adversarial A...
Robust Filtering Schemes for Machine Learning Systems to Defend Adversarial A...Kishor Datta Gupta
 
NSS Labs Präsentation isd
NSS Labs Präsentation isdNSS Labs Präsentation isd
NSS Labs Präsentation isdDaniel Busch
 
Predicting Hospital Readmission Using TreeNet
Predicting Hospital Readmission Using TreeNetPredicting Hospital Readmission Using TreeNet
Predicting Hospital Readmission Using TreeNetSalford Systems
 
iBeacon meetup June 2014
iBeacon meetup June 2014iBeacon meetup June 2014
iBeacon meetup June 2014salsadigital
 
Ryan West, Machine Learning Engineer, Nexosis at MLconf ATL 2017
Ryan West, Machine Learning Engineer, Nexosis at MLconf ATL 2017Ryan West, Machine Learning Engineer, Nexosis at MLconf ATL 2017
Ryan West, Machine Learning Engineer, Nexosis at MLconf ATL 2017MLconf
 
Better service monitoring through histograms sv perl 09012016
Better service monitoring through histograms sv perl 09012016Better service monitoring through histograms sv perl 09012016
Better service monitoring through histograms sv perl 09012016Fred Moyer
 
Development of voice password based speaker verification system
Development of voice password based speaker verification systemDevelopment of voice password based speaker verification system
Development of voice password based speaker verification systemniranjan kumar
 
Development of voice password based speaker verification system
Development of voice password based speaker verification systemDevelopment of voice password based speaker verification system
Development of voice password based speaker verification systemniranjan kumar
 

Similar to Continuous implicitauthentication of smartphone users using navigation data (20)

Nanometer Testing: Challenges and Solutions
Nanometer Testing: Challenges and SolutionsNanometer Testing: Challenges and Solutions
Nanometer Testing: Challenges and Solutions
 
Abraham q3 2008
Abraham q3 2008Abraham q3 2008
Abraham q3 2008
 
Md Mushfiqul Alam: Biological, NeuralNet Approaches to Recognition, Gain Cont...
Md Mushfiqul Alam: Biological, NeuralNet Approaches to Recognition, Gain Cont...Md Mushfiqul Alam: Biological, NeuralNet Approaches to Recognition, Gain Cont...
Md Mushfiqul Alam: Biological, NeuralNet Approaches to Recognition, Gain Cont...
 
A Survey on Fingerprint Protection Techniques
A Survey on Fingerprint Protection TechniquesA Survey on Fingerprint Protection Techniques
A Survey on Fingerprint Protection Techniques
 
(2010) Mobile ID and Biometrics
(2010) Mobile ID and Biometrics(2010) Mobile ID and Biometrics
(2010) Mobile ID and Biometrics
 
Machine learning for sanctions screening
Machine learning for sanctions screeningMachine learning for sanctions screening
Machine learning for sanctions screening
 
Hioki series im7580_e6-99m Impedance analyzer 1.3GHz
Hioki series im7580_e6-99m Impedance analyzer 1.3GHzHioki series im7580_e6-99m Impedance analyzer 1.3GHz
Hioki series im7580_e6-99m Impedance analyzer 1.3GHz
 
01 software test engineering (manual testing)
01 software test engineering (manual testing)01 software test engineering (manual testing)
01 software test engineering (manual testing)
 
LS13320. 17 nm - 2000 microns
LS13320. 17 nm -  2000 micronsLS13320. 17 nm -  2000 microns
LS13320. 17 nm - 2000 microns
 
Sept2016 sv illumina
Sept2016 sv illuminaSept2016 sv illumina
Sept2016 sv illumina
 
Robust Filtering Schemes for Machine Learning Systems to Defend Adversarial A...
Robust Filtering Schemes for Machine Learning Systems to Defend Adversarial A...Robust Filtering Schemes for Machine Learning Systems to Defend Adversarial A...
Robust Filtering Schemes for Machine Learning Systems to Defend Adversarial A...
 
NSS Labs Präsentation isd
NSS Labs Präsentation isdNSS Labs Präsentation isd
NSS Labs Präsentation isd
 
Predicting Hospital Readmission Using TreeNet
Predicting Hospital Readmission Using TreeNetPredicting Hospital Readmission Using TreeNet
Predicting Hospital Readmission Using TreeNet
 
iBeacon meetup June 2014
iBeacon meetup June 2014iBeacon meetup June 2014
iBeacon meetup June 2014
 
Ryan West, Machine Learning Engineer, Nexosis at MLconf ATL 2017
Ryan West, Machine Learning Engineer, Nexosis at MLconf ATL 2017Ryan West, Machine Learning Engineer, Nexosis at MLconf ATL 2017
Ryan West, Machine Learning Engineer, Nexosis at MLconf ATL 2017
 
PHE Ellipsometer
PHE EllipsometerPHE Ellipsometer
PHE Ellipsometer
 
Better service monitoring through histograms sv perl 09012016
Better service monitoring through histograms sv perl 09012016Better service monitoring through histograms sv perl 09012016
Better service monitoring through histograms sv perl 09012016
 
Development of voice password based speaker verification system
Development of voice password based speaker verification systemDevelopment of voice password based speaker verification system
Development of voice password based speaker verification system
 
Development of voice password based speaker verification system
Development of voice password based speaker verification systemDevelopment of voice password based speaker verification system
Development of voice password based speaker verification system
 
Meap study
Meap studyMeap study
Meap study
 

More from ISSEL

Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...ISSEL
 
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...ISSEL
 
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...ISSEL
 
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςΑνάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςISSEL
 
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxΑνάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxISSEL
 
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...ISSEL
 
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...ISSEL
 
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...ISSEL
 
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...ISSEL
 
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνΔημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνISSEL
 
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταΕξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταISSEL
 
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...ISSEL
 
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ISSEL
 
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...ISSEL
 
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούΕξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούISSEL
 
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςΑνάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςISSEL
 
Camera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsCamera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsISSEL
 
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...ISSEL
 
Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...ISSEL
 
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...ISSEL
 

More from ISSEL (20)

Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
Ανίχνευση αντικειµένων από λίγα δείγµατα µε χρήση γραφηµάτων και τεχνικών ΜΕΤ...
 
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
Ανάπτυξη Εφαρµογής Προφίλ Μηχανικών Λογισµικού από ∆εδοµένα Αποθετηρίων Λογισ...
 
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
Ανάπτυξη ∆υναµικού και Προσωποποιηµένου Συστήµατος Ερωταπαντήσεων µε Πηγή το ...
 
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής ΝοημοσύνηςΑνάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
Ανάπτυξη Φίλτρων Ανεπιθύμητων Μηνυμάτων με Χρήση Τεχνικών Τεχνητής Νοημοσύνης
 
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptxΑνάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
Ανάπτυξη Ελληνικών Μοντέλων Εντοπισμού Ρητορικής Μίσους.pptx
 
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
Σχεδιασμός και υλοποίηση πλήρους και αυτοματοποιημένου εργαλείου ελέγχων ασφά...
 
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
Εφαρµογή Τεχνικών Μηχανικής Μάθησης για την Ανάλυση Αλλαγών Κώδικα µε στόχο τ...
 
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
Ανάπτυξη συστήματος ιεραρχικής ομαδοποίησης και διαχείρισης κειμένων για αποκ...
 
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
Ανάπτυξη γραφικής διεπαφής σε σύστημα προσομοίωσης ηλεκτρονικών αγορών με στό...
 
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας ΙσχυρισμώνΔημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
Δημιουργία Ολοκληρωμένου Συστήματος Επαλήθευσης Ορθότητας Ισχυρισμών
 
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµαταΕξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
Εξόρυξη δεδοµένων για τη δυναµική ενσωµάτωση γνώσης σε πολυπρακτορικά συστήµατα
 
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...Ανάπτυξη Μηχανισμών Αυτοματοποίησης των  διαδικασιών κατασκευής συστημάτων λο...
Ανάπτυξη Μηχανισμών Αυτοματοποίησης των διαδικασιών κατασκευής συστημάτων λο...
 
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
ΕΥΦΥΗΣ ΜΕΘΟΔΟΛΟΓΙΑ ΑΠΟΤΙΜΗΣΗΣ ΤΟΥ ΒΑΘΜΟΥ ΔΙΑΤΗΡΗΣΙΜΟΤΗΤΑΣ ΕΡΓΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ...
 
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
Μηχανισμοί αυτοματοποίησης διαδικασιών σχεδίασης, υλοποίησης και ανάπτυξης λο...
 
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικούΕξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
Εξόρυξη δεδομένων τεχνολογίας λογισμικού για επαναχρησιμοποίηση λογισμικού
 
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία ΕφαρµογήςΑνάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
Ανάλυση ∆εδοµένων ΄Εργων Λογισµικού για Ανάπτυξη σε Νέα Πεδία Εφαρµογής
 
Camera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environmentsCamera-based localization of annotated objects in indoor environments
Camera-based localization of annotated objects in indoor environments
 
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
Εντοπισμός θέσης επισημασμένου αντικειμένου σε εσωτερικό χώρο με χρήση πολλαπ...
 
Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...Design and implementation of an automation mechanism to automatically develop...
Design and implementation of an automation mechanism to automatically develop...
 
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...
ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΜΗΧΑΝΙΣΜΟΥ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗΣ ΤΗΣ ΑΝΑΠΤΥΞΗΣ ΓΡΑΦΙΚΩΝ ΕΝΤΟΛ...
 

Recently uploaded

Javier_Fernandez_CARS_workshop_presentation.pptx
Javier_Fernandez_CARS_workshop_presentation.pptxJavier_Fernandez_CARS_workshop_presentation.pptx
Javier_Fernandez_CARS_workshop_presentation.pptxJavier Fernández Muñoz
 
Detection&Tracking - Thermal imaging object detection and tracking
Detection&Tracking - Thermal imaging object detection and trackingDetection&Tracking - Thermal imaging object detection and tracking
Detection&Tracking - Thermal imaging object detection and trackinghadarpinhas1
 
70 POWER PLANT IAE V2500 technical training
70 POWER PLANT IAE V2500 technical training70 POWER PLANT IAE V2500 technical training
70 POWER PLANT IAE V2500 technical trainingGladiatorsKasper
 
Novel 3D-Printed Soft Linear and Bending Actuators
Novel 3D-Printed Soft Linear and Bending ActuatorsNovel 3D-Printed Soft Linear and Bending Actuators
Novel 3D-Printed Soft Linear and Bending ActuatorsResearcher Researcher
 
AntColonyOptimizationManetNetworkAODV.pptx
AntColonyOptimizationManetNetworkAODV.pptxAntColonyOptimizationManetNetworkAODV.pptx
AntColonyOptimizationManetNetworkAODV.pptxLina Kadam
 
Computer Graphics Introduction, Open GL, Line and Circle drawing algorithm
Computer Graphics Introduction, Open GL, Line and Circle drawing algorithmComputer Graphics Introduction, Open GL, Line and Circle drawing algorithm
Computer Graphics Introduction, Open GL, Line and Circle drawing algorithmDeepika Walanjkar
 
Triangulation survey (Basic Mine Surveying)_MI10412MI.pptx
Triangulation survey (Basic Mine Surveying)_MI10412MI.pptxTriangulation survey (Basic Mine Surveying)_MI10412MI.pptx
Triangulation survey (Basic Mine Surveying)_MI10412MI.pptxRomil Mishra
 
Artificial Intelligence in Power System overview
Artificial Intelligence in Power System overviewArtificial Intelligence in Power System overview
Artificial Intelligence in Power System overviewsandhya757531
 
Robotics-Asimov's Laws, Mechanical Subsystems, Robot Kinematics, Robot Dynami...
Robotics-Asimov's Laws, Mechanical Subsystems, Robot Kinematics, Robot Dynami...Robotics-Asimov's Laws, Mechanical Subsystems, Robot Kinematics, Robot Dynami...
Robotics-Asimov's Laws, Mechanical Subsystems, Robot Kinematics, Robot Dynami...Sumanth A
 
Input Output Management in Operating System
Input Output Management in Operating SystemInput Output Management in Operating System
Input Output Management in Operating SystemRashmi Bhat
 
CS 3251 Programming in c all unit notes pdf
CS 3251 Programming in c all unit notes pdfCS 3251 Programming in c all unit notes pdf
CS 3251 Programming in c all unit notes pdfBalamuruganV28
 
Immutable Image-Based Operating Systems - EW2024.pdf
Immutable Image-Based Operating Systems - EW2024.pdfImmutable Image-Based Operating Systems - EW2024.pdf
Immutable Image-Based Operating Systems - EW2024.pdfDrew Moseley
 
FUNCTIONAL AND NON FUNCTIONAL REQUIREMENT
FUNCTIONAL AND NON FUNCTIONAL REQUIREMENTFUNCTIONAL AND NON FUNCTIONAL REQUIREMENT
FUNCTIONAL AND NON FUNCTIONAL REQUIREMENTSneha Padhiar
 
Theory of Machine Notes / Lecture Material .pdf
Theory of Machine Notes / Lecture Material .pdfTheory of Machine Notes / Lecture Material .pdf
Theory of Machine Notes / Lecture Material .pdfShreyas Pandit
 
March 2024 - Top 10 Read Articles in Artificial Intelligence and Applications...
March 2024 - Top 10 Read Articles in Artificial Intelligence and Applications...March 2024 - Top 10 Read Articles in Artificial Intelligence and Applications...
March 2024 - Top 10 Read Articles in Artificial Intelligence and Applications...gerogepatton
 
Guardians of E-Commerce: Harnessing NLP and Machine Learning Approaches for A...
Guardians of E-Commerce: Harnessing NLP and Machine Learning Approaches for A...Guardians of E-Commerce: Harnessing NLP and Machine Learning Approaches for A...
Guardians of E-Commerce: Harnessing NLP and Machine Learning Approaches for A...IJAEMSJORNAL
 
priority interrupt computer organization
priority interrupt computer organizationpriority interrupt computer organization
priority interrupt computer organizationchnrketan
 
22CYT12 & Chemistry for Computer Systems_Unit-II-Corrosion & its Control Meth...
22CYT12 & Chemistry for Computer Systems_Unit-II-Corrosion & its Control Meth...22CYT12 & Chemistry for Computer Systems_Unit-II-Corrosion & its Control Meth...
22CYT12 & Chemistry for Computer Systems_Unit-II-Corrosion & its Control Meth...KrishnaveniKrishnara1
 
US Department of Education FAFSA Week of Action
US Department of Education FAFSA Week of ActionUS Department of Education FAFSA Week of Action
US Department of Education FAFSA Week of ActionMebane Rash
 

Recently uploaded (20)

Javier_Fernandez_CARS_workshop_presentation.pptx
Javier_Fernandez_CARS_workshop_presentation.pptxJavier_Fernandez_CARS_workshop_presentation.pptx
Javier_Fernandez_CARS_workshop_presentation.pptx
 
Detection&Tracking - Thermal imaging object detection and tracking
Detection&Tracking - Thermal imaging object detection and trackingDetection&Tracking - Thermal imaging object detection and tracking
Detection&Tracking - Thermal imaging object detection and tracking
 
70 POWER PLANT IAE V2500 technical training
70 POWER PLANT IAE V2500 technical training70 POWER PLANT IAE V2500 technical training
70 POWER PLANT IAE V2500 technical training
 
Novel 3D-Printed Soft Linear and Bending Actuators
Novel 3D-Printed Soft Linear and Bending ActuatorsNovel 3D-Printed Soft Linear and Bending Actuators
Novel 3D-Printed Soft Linear and Bending Actuators
 
ASME-B31.4-2019-estandar para diseño de ductos
ASME-B31.4-2019-estandar para diseño de ductosASME-B31.4-2019-estandar para diseño de ductos
ASME-B31.4-2019-estandar para diseño de ductos
 
AntColonyOptimizationManetNetworkAODV.pptx
AntColonyOptimizationManetNetworkAODV.pptxAntColonyOptimizationManetNetworkAODV.pptx
AntColonyOptimizationManetNetworkAODV.pptx
 
Computer Graphics Introduction, Open GL, Line and Circle drawing algorithm
Computer Graphics Introduction, Open GL, Line and Circle drawing algorithmComputer Graphics Introduction, Open GL, Line and Circle drawing algorithm
Computer Graphics Introduction, Open GL, Line and Circle drawing algorithm
 
Triangulation survey (Basic Mine Surveying)_MI10412MI.pptx
Triangulation survey (Basic Mine Surveying)_MI10412MI.pptxTriangulation survey (Basic Mine Surveying)_MI10412MI.pptx
Triangulation survey (Basic Mine Surveying)_MI10412MI.pptx
 
Artificial Intelligence in Power System overview
Artificial Intelligence in Power System overviewArtificial Intelligence in Power System overview
Artificial Intelligence in Power System overview
 
Robotics-Asimov's Laws, Mechanical Subsystems, Robot Kinematics, Robot Dynami...
Robotics-Asimov's Laws, Mechanical Subsystems, Robot Kinematics, Robot Dynami...Robotics-Asimov's Laws, Mechanical Subsystems, Robot Kinematics, Robot Dynami...
Robotics-Asimov's Laws, Mechanical Subsystems, Robot Kinematics, Robot Dynami...
 
Input Output Management in Operating System
Input Output Management in Operating SystemInput Output Management in Operating System
Input Output Management in Operating System
 
CS 3251 Programming in c all unit notes pdf
CS 3251 Programming in c all unit notes pdfCS 3251 Programming in c all unit notes pdf
CS 3251 Programming in c all unit notes pdf
 
Immutable Image-Based Operating Systems - EW2024.pdf
Immutable Image-Based Operating Systems - EW2024.pdfImmutable Image-Based Operating Systems - EW2024.pdf
Immutable Image-Based Operating Systems - EW2024.pdf
 
FUNCTIONAL AND NON FUNCTIONAL REQUIREMENT
FUNCTIONAL AND NON FUNCTIONAL REQUIREMENTFUNCTIONAL AND NON FUNCTIONAL REQUIREMENT
FUNCTIONAL AND NON FUNCTIONAL REQUIREMENT
 
Theory of Machine Notes / Lecture Material .pdf
Theory of Machine Notes / Lecture Material .pdfTheory of Machine Notes / Lecture Material .pdf
Theory of Machine Notes / Lecture Material .pdf
 
March 2024 - Top 10 Read Articles in Artificial Intelligence and Applications...
March 2024 - Top 10 Read Articles in Artificial Intelligence and Applications...March 2024 - Top 10 Read Articles in Artificial Intelligence and Applications...
March 2024 - Top 10 Read Articles in Artificial Intelligence and Applications...
 
Guardians of E-Commerce: Harnessing NLP and Machine Learning Approaches for A...
Guardians of E-Commerce: Harnessing NLP and Machine Learning Approaches for A...Guardians of E-Commerce: Harnessing NLP and Machine Learning Approaches for A...
Guardians of E-Commerce: Harnessing NLP and Machine Learning Approaches for A...
 
priority interrupt computer organization
priority interrupt computer organizationpriority interrupt computer organization
priority interrupt computer organization
 
22CYT12 & Chemistry for Computer Systems_Unit-II-Corrosion & its Control Meth...
22CYT12 & Chemistry for Computer Systems_Unit-II-Corrosion & its Control Meth...22CYT12 & Chemistry for Computer Systems_Unit-II-Corrosion & its Control Meth...
22CYT12 & Chemistry for Computer Systems_Unit-II-Corrosion & its Control Meth...
 
US Department of Education FAFSA Week of Action
US Department of Education FAFSA Week of ActionUS Department of Education FAFSA Week of Action
US Department of Education FAFSA Week of Action
 

Continuous implicitauthentication of smartphone users using navigation data

  • 1. Επ. Καθηγητής: Ανδρέας Συμεωνίδης Επ. Υπ. Διδάκτορας: Θωμάς Καρανικιώτης Θεσσαλονίκη, Νοέμβριος 2020 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Συνεχής Έμμεση Αυθεντικοποίηση Χρηστών Κινητού Τηλεφώνου με τη Χρήση Δεδομένων Πλοήγησης Αγγελική Αγαθή Τσίντζηρα, Α.Μ.: 436 Δ.Δ.Π.Μ.Σ. Προηγμένα Συστήματα Υπολογιστών και Επικοινωνιών Ευφυή Συστήματα – Μεθοδολογίες Υπολογιστικής Νοημοσύνης και Εφαρμογές
  • 2. ΠΕΡΙΕΧΟΜΕΝΑ 1. Κίνητρο 2. Θεωρητικό Υπόβαθρο 3. Αισθητήρες 4. Μεθοδολογία 5. Αλγόριθμοι 6. Μετρικές Απόδοσης 7. Αποτελέσματα 8. Συμπεράσματα 9. Μελλοντική Εργασία
  • 3. ΚΙΝΗΤΡΟ  Διαφύλαξη της ασφάλειας και ιδιωτικότητας προσωπικών δεδομένων χρηστών κινητών τηλεφώνων  Ένα επιπλέον επίπεδο ασφαλείας στην περίπτωση κλοπής ή κατάσχεσης της συσκευής με τη βία
  • 4. ΘΕΩΡΗΤΙΚΟ ΥΠΟΒΑΘΡΟ Βιομετρικά Χαρακτηριστικά • Χαρακτηριστικά που μετρούνται εύκολα και με ακρίβεια • Είναι μοναδικά για τον κάθε άνθρωπο • Δύσκολο να πλαστογραφούν • Ο πιο ασφαλής τρόπος αυθεντικοποίησης • Παραδείγματα αποτελούν το δαχτυλικό αποτύπωμα και η αναγνώριση προσώπου
  • 5. • Μηχανισμός Αυθεντικοποίησης που λειτουργεί στο παρασκήνιο • Αναγνώριση συμπεριφοράς πλοήγησης χρήστη • Συνεχής έλεγχος ταυτότητας χρήστη • Σύστημα απόφασης αν η συμπεριφορά ανήκει σε εξουσιοδοτημένο χρήστη ή όχι ΘΕΩΡΗΤΙΚΟ ΥΠΟΒΑΘΡΟ Συνεχής Αυθεντικοποίηση
  • 6. ΑΙΣΘΗΤΗΡΕΣ Επιταχυνσιόμετρο Προσδιορίζει τον προσανατολισμό χωρίς τη βαρύτητα της γης Γυροσκόπιο Χρησιμοποιεί τη βαρύτητα της Γης στον προσδιορισμό του προσανατολισμού
  • 7. Αναζήτηση σχετικής βιβλιογραφίας Έρευνα Ανάλυση του προβλήματος Ανάλυση Ανάπτυξη μεθοδολογίας και εφαρμογή μοντέλων μηχανικής μάθησης Ανάπτυξη Εκτέλεση πειραμάτων και επικύρωση μεθοδολογίας Πειράματα Συμπεράσματα σχετικά με τα αποτελέσματα Συμπεράσματα ΜΕΘΟΔΟΛΟΓΙΑ
  • 8. ΣΥΝΟΛΟ ΔΕΔΟΜΕΝΩΝ  5 Παιχνίδια: Mathisis, Speed, Focus, Memoria, Reacton  Μη ελεγχόμενο περιβάλλον  Αισθητήρες Κίνησης + Δεδομένα Χειρονομιών  2218 χρήστες  60% άντρες, 26% γυναίκες, 14% άγνωστα  90% android, 10% iOS  95% των χρηστών χρησιμοποίησε μία συσκευή
  • 9. ΣΥΝΟΛΟ ΔΕΔΟΜΕΝΩΝ  Οι χρήστες επιλέχθηκαν σύμφωνα με τα παρακάτω κριτήρια: 1. Εγγραφές μετρήσεων και από τους 2 αισθητήρες (επιταχυνσιόμετρο, γυροσκόπιο) 2. Εγγραφές αισθητήρων στον ίδιο χρόνο 3. Πλήθος εγγραφών αισθητήρων ανά παιχνίδι το ελάχιστο 3000 (λόγω δειγματοληψίας) 4. Εγγραφές μετρήσεων για το ίδιο παιχνίδι
  • 10. ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ X Y Z 𝑿𝟐 + 𝒀𝟐 + 𝒁𝟐 𝒀𝟐 + 𝒁𝟐 Άξονας X Άξονας Y Άξονας Z Magnitude Combined Angle Η επιλογή της κατάλληλης μεταβλητής (Magnitude) πραγματοποιήθηκε με πειράματα για κάθε μια μεταβλητή́ και στο τέλος, συγκρίθηκε η επίδοση των αλγορίθμων.
  • 12. ΔΕΙΓΜΑΤΟΛΗΨΙΑ Δειγματοληψία Κυλιόμενου Παραθύρου Δειγματοληψία 50Hz με 10 sec παράθυρο και επικάλυψη 90% • Μείωση θορύβου • Περισσότερα δείγματα κατά την εκπαίδευση • Βελτίωση της ετερογένειας των μετρήσεων
  • 13. ΕΞΑΓΩΓΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ Χαρακτηριστικό Περιγραφή Πεδίο Μέση τιμή Μέση τιμή παραθύρου Χρόνου Τυπική Απόκλιση Τυπική απόκλιση παραθύρου Χρόνου Μέγιστη Τιμή Ελάχιστη τιμή παραθύρου Χρόνου Ελάχιστη Τιμή Μέγιστη τιμή παραθύρου Χρόνου Εύρος Τιμών Εύρος τιμών παραθύρου Χρόνου Percentile (25 – 50 – 75) 25,50,75% τεταρτημόρια Χρόνου Κύρτωση Πλάτος κορυφής Χρόνου Ασυμμετρία Προσανατολισμός της κορυφής Χρόνου Εντροπία Διασπορά της φασματικής κατανομής Χρόνου P1 Πλάτος της υψηλότερης κορυφής ΜΣ Fourier Συχνότητας F1 Συχνότητα της υψηλότερης κορυφής ΜΣ Fourier Συχνότητας P2 Πλάτος της δεύτερης υψηλότερης κορυφής ΜΣ Fourier Συχνότητας Μέση συχνότητα Μέση συχνότητα παραθύρου Συχνότητας
  • 14. ΕΞΑΓΩΓΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ  Πεδίο του Χρόνου και της Συχνότητας  Χαρακτηριστικά με υψηλή συσχέτιση διαγράφηκαν  Διαγράφηκαν τα χαρακτηριστικά Range και Entropy
  • 15. Χρήση 4 αλγορίθμων Novelty Detection για αναγνώριση ακραίων τιμών. Εκπαίδευση ΜΟΝΟ με τα δεδομένα του εξουσιοδοτημένου χρήστη. Επικύρωση με δεδομένα εξουσιοδοτημένου και μη εξουσιοδοτημένων χρηστών.  One Class SVM  Local Outlier Factor  Isolation Forest  Elliptic Envelope Προ- επεξεργασία Training Set Validation Set Test Set ΑΛΓΟΡΙΘΜΟΙ
  • 16. ENSEBLE MODELS Οι αστοχίες ενός μοντέλου μπορεί να είναι τα δυνατά σημεία του άλλου. Ο συνδυασμός 2 μοντέλων οδήγησε σε πολύ καλύτερα αποτελέσματα, όπου το καθένα ανεξάρτητα δεν θα μπορούσε να επιτύχει. Μοντέλο επιταχυνσιομέτρου Μοντέλο γυροσκοπίου Συνδυασμός μοντέλων
  • 17. ΜΕΤΡΙΚΕΣ ΑΠΟΔΟΣΗΣ False Acceptance Rate = 𝑭𝑷 𝐓𝐍+𝑭𝑷 False Rejection Rate = 𝑭𝑵 𝐓𝐏+𝑭𝑵 ACCURACY = 𝚻𝐍+𝑻𝑷 𝐓𝐏+𝐅𝐍+𝐓𝐍+𝑭𝑷 F1-SCORE = 𝑻𝑷 𝐓𝐏+𝟎.𝟓 (𝐅𝐍+𝐅𝐏)
  • 18. ΠΕΙΡΑΜΑΤΑ 5 1 πείραμα ανά παιχνίδι ΠΑΙΧΝΙΔΙΑ 14 1 φορά ως ιδιοκτήτες, τις υπόλοιπες ως κακόβουλοι ΧΡΗΣΤΕΣ 10 10 εκτελέσεις ανά εξουσιοδοτημένο χρήστη 10-FOLD 4 Novelty Detection ΑΛΓΟΡΙΘΜΟΙ 2 Ένα για το επιταχυνσιόμετρο, ένα για το γυροσκόπιο ΜΟΝΤΕΛΑ
  • 19. ΑΠΟΤΕΛΕΣΜΑΤΑ FAR < 10% είναι ένα αποδεκτό ποσοστό ~70% αποδοχή κακόβουλων χρηστών ~30% αποδοχή κακόβουλων χρηστών ~0.7-6.9% αποδοχή κακόβουλων χρηστών
  • 20. ΑΠΟΤΕΛΕΣΜΑΤΑ FRR < 10% είναι ένα αποδεκτό ποσοστό ~4-7% απόρριψη εξουσιοδοτημένου χρήστη ~1-2% απόρριψη εξουσιοδοτημένου χρήστη ~0% απόρριψη εξουσιοδοτημένου χρήστη
  • 21. ΑΠΟΤΕΛΕΣΜΑΤΑ Local Outlier Factor FAR FRR Accuracy F1-Score Reacton Game 2.9 5 97 48 Speedy Game 2.3 6.6 97.54 52 Mathisis Game 2.2 6.9 97.73 54 Focus Game 2 7.1 97.89 55 Memoria Game 0.7 8.1 99.17 76 Καλύτερο Αποτέλεσμα
  • 22. One Class SVM FAR FRR Accuracy F1-Score Reaction Game 6.9 4.3 93.06 29 Speedy Game 5.4 5.7 94.54 33 Mathisis Game 4.8 5.2 95.13 36 Focus Game 3.5 6 96.42 42 Memoria Game 1.1 5.7 98.78 69 ΑΠΟΤΕΛΕΣΜΑΤΑ Καλύτερο Αποτέλεσμα
  • 23. ΣΥΜΠΕΡΑΣΜΑΤΑ ΑΙΣΘΗΤΗΡΕΣ ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ ONE CLASS SVM LOCAL OUTLIER FACTOR ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ Οι μετρήσεις των αισθητήρων κίνησης παρέχουν πολύτιμες πληροφορίες, ικανές να πραγματοποιηθεί αναγνώριση χρήστη μόνο με τα δεδομένα πλοήγησης.
  • 24. ΣΥΜΠΕΡΑΣΜΑΤΑ ΑΙΣΘΗΤΗΡΕΣ ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ ONE CLASS SVM LOCAL OUTLIER FACTOR ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ Η σωστή επιλογή του παραθύρου δειγματοληψίας και επικάλυψης, βελτίωσε αισθητά την επίδοση των αλγορίθμων. Ο συνδυασμός δεδομένων στο πεδίο του χρόνου και της συχνότητας έδωσε τα καλύτερα αποτελέσματα.
  • 25. ΣΥΜΠΕΡΑΣΜΑΤΑ ΑΙΣΘΗΤΗΡΕΣ ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ ONE CLASS SVM LOCAL OUTLIER FACTOR ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ Η συμπεριφορά και οι διακυμάνσεις της επίδοσης των αλγορίθμων διατηρήθηκαν σταθερές σε όλα τα πειράματα. Τα μοντέλα που εκπαιδεύτηκαν μπορούν να χρησιμοποιηθούν στον πραγματικό κόσμο
  • 26. ΣΥΜΠΕΡΑΣΜΑΤΑ ΑΙΣΘΗΤΗΡΕΣ ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ ONE CLASS SVM LOCAL OUTLIER FACTOR ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ Το παιχνίδι καλύτερης απόδοσης ήταν το Memoria. Κατά τη διάρκεια του παιχνιδιού, ο χρήστης κάνει διαδοχικά την κίνηση Tap.
  • 27. ΣΥΜΠΕΡΑΣΜΑΤΑ ΑΙΣΘΗΤΗΡΕΣ ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ ONE CLASS SVM LOCAL OUTLIER FACTOR ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ Για εφαρμογές στις οποίες απαιτείται χαμηλό ποσοστό απόρριψης του πραγματικού χρήστη (<5.7%) σε συνδυασμό με χαμηλό ποσοστό αποδοχής κακόβουλων χρηστών (1.1%), ο One Class SVM θεωρείται ο κατάλληλος.
  • 28. ΣΥΜΠΕΡΑΣΜΑΤΑ ΑΙΣΘΗΤΗΡΕΣ ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ ONE CLASS SVM LOCAL OUTLIER FACTOR ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ Για εφαρμογές στις οποίες απαιτείται χαμηλό ποσοστό αποδοχής κακόβουλων ή μη εξουσιοδοτημένων χρηστών (<0.7%), ο αλγόριθμος Local Outlier Factor είναι πιο ο κατάλληλος.
  • 29. ΣΥΜΠΕΡΑΣΜΑΤΑ ΑΙΣΘΗΤΗΡΕΣ ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ ΣΥΓΚΡΙΣΗ ΑΛΓΟΡΙΘΜΩΝ ΚΑΛΥΤΕΡΟ ΠΑΙΧΝΙΔΙ ONE CLASS SVM LOCAL OUTLIER FACTOR ΚΑΛΥΤΕΡΗ ΕΠΙΔΟΣΗ ΑΠΟ ΒΙΒΛΙΟΓΡΑΦΙΑ Οι αλγόριθμοι One Class SVM και Local Outlier Factor πέτυχαν τα καλύτερα ποσοστά της μετρικής FAR συγκριτικά με όλες τις μελέτες της βιβλιογραφίας, ακόμα και αυτής που χρησιμοποίησε το ίδιο σύνολο δεδομένων.
  • 30. ΣΥΜΠΕΡΑΣΜΑΤΑ Τα αποτελέσματα αποδεικνύουν ότι το προτεινόμενο σύστημα παρέχει ένα επιπλέον επίπεδο ασφάλειας και ιδιωτικότητας και μπορεί να διασφαλίσει ότι το 99% των μη εξουσιοδοτημένων χρηστών δεν θα αποκτήσει πρόσβαση στη συσκευή και στα δεδομένα της.
  • 31. SENSORS & GESTURES Αλγόριθμος FAR 1 FRR 1 FAR 2 FRR 2 FAR System FRR System One Class SVM 3.6% 10.5% 0.8% 16.4% 0.09% 4.6% Local Outlier Factor 0.5% 7.9% 1.2% 1.9% 0% 4.6% Αλγόριθμος Accuracy F2 Score Confusion Matrix One Class SVM 99.75% Attacker: 1% Original: 96% Local Outlier Factor 99.84% Attacker: 1% Original: 98% 3095 3 5 102 3098 0 5 102 Ο συνδυασμός δεδομένων φαίνεται να βελτιώνει την επίδοση των μοντέλων και αξίζει να μελετηθεί περαιτέρω στο μέλλον.
  • 32. ΜΕΛΛΟΝΤΙΚΗ ΕΡΓΑΣΙΑ ● Πειράματα με περισσότερους χρήστες ● Διεξαγωγή συμπερασμάτων της ποιότητας μετρήσεων σε σχέση με τις συσκευές ή το λειτουργικό σύστημα ● Πειράματα με πολλές συσκευές ανά χρήστη ● Περαιτέρω διερεύνηση και συνδυασμοί μοντέλων και αλγορίθμων ● Περαιτέρω διερεύνηση του συνδυασμού αισθητήρων κίνησης και χειρονομιών

Editor's Notes

  1. 3sWGzvdtAW5GpT4