Embed Size (px)
Citation preview
Кирилл Лейфераспирант,
университет ИТМО
Идентификация пользователя смартфона
по параметрам жестов на сенсорном экране
О себе
● Ковыряюсь в Android с 2013 года● Закончил ОмГУ им. Ф.М. Достоевского● Учусь в аспирантуре● Работаю вирусным аналитиком под Android
Текущее развитие сенсорных экранов● Применяются на смартфонах с
1994 года● 10+ одновременных касаний● Точность до 1px● Периодичность обновления ~1мс
Какие данные можно из него извлечь
● Координаты касаний● Тип жеста (касание, свайп, …)● Метка времени● Площадь касания● И даже больше! (на более крутых устройствах)
Самый Главный Вопрос ™
Достаточно ли этих данных для выделения ряда уникальных характеристик?
Самый Главный Вопрос №2 ™
Если да, то насколько хороша будет идентификация?
Как ответить на эти вопросы?
1. Собрать данные2. Провести предварительный анализ3. Выделить ряд характеристик4. Проверить их “качество”5. GOTO 3
Сбор данных
● Клиент-серверное приложение● Клиент считывает информацию о
касаниях прямо из драйвера (/dev/input/eventX)
● Данные шифруются● И отправляются на сервер
Собранные данные
● Около 200000 жестов собрано за 2 недели от 20 пользователей
● Половина пользователей прислала менее 1000 жестов
● 50.7% простых касаний● 46.9% свайпов● 2.3% мультитач-жестов
Выделенные характеристики
● Распределение серии жестов по продолжительности (в мс)
● Распределение серии жестов по длине (нормированные)
Анализ данных
● T-SNE
(продолжительность)
Анализ данных
● T-SNE + KNN
(продолжительность)
Анализ данных
● T-SNE + KNN
(длина)
Анализ данных
● Boosted trees
(продолжительность)
Анализ данных
● Boosted trees
(длина)
Анализ данных
● Сравнение различных классификаторов
KNN Random forest
Boosted Trees
AUC dev AUC dev AUC dev
прод-сть 0.86 0.007 0.85 0.011 0.85 0.008
длина 0.79 0.008 0.82 0.005 0.79 0.008
Анализ данных
● Голосование за лучший классификатор
Voting Classifier Единая Россия
AUC deviation
Duration 0.87 0.007 1.46
Normalized distance 0.82 0.006 1.46
