O documento apresenta uma proposta para verificar usuários utilizando biometrias comportamentais canceláveis em dispositivos móveis. Foram avaliados diferentes classificadores e métodos de fusão em uma base de dados de interações em tela touchscreen. Os resultados indicam que as transformações BioConvolving e Soma Dupla apresentam desempenho similar aos dados originais, enquanto Interpolação e BioHashing tiveram piores resultados.

2. Sistemas de Classificação para
Verificação de Usuários Utilizando
Biometria Comportamental Cancelável
Marcelo Damasceno
Orientação: Anne Canuto

3. FUND
AMENT
AÇÃO
TEÓRI
CA
INTR
ODU
ÇÃO
TRAB
ALHO
S
RELAC
IONAD
OS
PRO
POST
A
RESU
LTAD
OS
CONC
LUSÕ
ES

4. INTR
ODU
ÇÃO

5. VVEERRIIFFIICCAAÇÇÃÃOO DDEE UUSSUUÁÁRRIIOOSS

6. BBIIOOMMEETTRRIIAA

7. NUNCA
MAIS?
USUÁRIO/
SENHA

8. MMOOTTIIVVAAÇÇÃÃOO
Senhas são fáceis de serem adivinhadas por ataques de força bruta ou
dicionário.
Se roubados, dados biométricos são difíceis de serem recadastrados
Apresentar um método viável de verificar usuários a partir do uso do
diversas modalidades comportamentais,
utilizando dados protegidos (canceláveis).

9. OOBBJJEETTIIVVOOSS
1- Avaliação de Biometrias Comportamentais que tenha boa
precisão, sem ser intrusiva;
2- Processamento das biometrias escolhidas
3- Determinação e implementação de arquiteturas de
classificadores;
4- Desenvolvimento de sistemas biométricos utilizando
biometrias comportamentais canceláveis;
5- Análise e comparação do sistema levando em conta:
(1) Comitês; (2) Dados Originais vs. Canceláveis;
(3)Multimodal vs. Unimodal

10. FUND
AMENT
AÇÃO
TEÓRI
CA

11. AApprreennddiizzaaggeemm ddee MMááqquuiinnaa

12. CCoommiittêêss ddee CCllaassssiiffiiccaaddoorreess

13. MMééttooddooss ddee CCoommbbiinnaaççããoo
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

14. BBIIOOMMEETTRRIIAA

15. BIOMETRIA
FÍSICA
DIGITAIS
ÍRIS FACE

16. BIOMETRIA
COMPORTAMENTAL

17. SISTEMAS
MULTIMODAIS

18. BBIIOOMMEETTRRIIAASS CCAANNCCEELLÁÁVVEEIISS

19. FFuunnççõõeess ddee TTrraannssffoorrmmaaççããoo
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 das
sub-partes do template biométrico.
Soma Dupla: Consiste na soma dos atributos com dois outros atributos
da mesma amostra

20. É POSSÍVEL DESENVOLVER UM
VERIFICADOR DE USUÁRIOS
SEGURO USANDO O
COMPORTAMENTO?

21. TRAB
ALHO
S
RELAC
IONAD
OS

22. RReeccoonnhheecciimmeennttoo MMuullttiiMMooddaall
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

23. BBiioommeettrriiaa CCoommppoorrttaammeennttaall
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.

24. BBiioommeettrriiaass CCaanncceelláávveeiiss
(NANNI; LUMINI, 2006) apresenta em seu trabalho um sistema de autenticação
de 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.

25. Biometrias Comportamentais
MultiModais
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 autenticador
de 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.

26. Não foi encontrado nenhum
trabalho que utilize
biometrias
comportamentais em uma
abordagem cancelável!

27. PRO
POST
A

28. Aplicação de classificadores,
incluindo comitês, para a verificação de usuários
baseado em biometria comportamental multimodal.

30. KNN
MLP
Naive-Bayes
SVM

31. Componentes Base

32. Comitês – Métodos de Fusão
Bagging
kNN
Logistics
Votação

33. RESU
LTAD
OS

34. TToouucchh AAnnaallyyttiiccss
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.

35. PPuubblliiccaaççõõeess
“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).
An Empirical Analysis of Ensemble Systems for Revocable
Behavioural Biometric Verification ((DAMASCENO; CANUTO, 2014a),
Journal of Information Assurance and Security, a ser publicado.

36. An Empirical Analysis of cancellable
Transformations in a Behavioral Biometric
Modality
A
imagem
não
pode
ser exi…
Taxa de Erro Igual- Traços Verticais (Rolagem)
Session OriginalInterporlação Bio
A imagem não
pode ser exibida.
Talvez o
computador não
tenha memór…ia
A imagem não
pode ser
exibida. Talvez
o computador
não tenham e…
A imagem não pode ser
exibida. Talvez o
computador não tenha
memória suficiente para
abrir a imagem ou talv…ez
Hashing
A imagem não
pode ser exibida.
Talvez o
computador não
tenha memóriasu …
A imagem não
pode ser
exibida. Talvez
o computador
não tenham …
A
imagem
não
pode s…
A imagem não
pode ser exibida.
Talvez o
computador nã…o
A imagem não
pode ser
exibida. Talvez
o computado…r
A imagem não pode ser
exibida. Talvez o
computador não tenha
memória suficiente pa…ra
A imagem não
pode ser exibida.
Talvez o
computador nãot…
A imagem não pode ser
exibida. Talvez o
computador não tenha
memória suficiente p…ar
A imagem não
pode ser
exibida. Talvez
o computado…
A
imagem
não
pode s…
A imagem não
pode ser exibida.
Talvez o
computador nã…o
A imagem não
pode ser
exibida. Talvez
o computado…r
A imagem não pode ser
exibida. Talvez o
computador não tenha
memória suficiente pa…ra
A imagem não
pode ser exibida.
Talvez o
computador nãot…
Bio
Concolving
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%

37. An Empirical Analysis of Cancellable
Transformations in a Behavioral Biometric
Modality
Taxa de Erro Igual- Traços Horizontal
SessionOriginalInterpolação Bio
Hashing
Bio
Connvolving
Taxa de Erro Igual- Traços Horizontais
Soma
Dupla
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%

38. DDiissccuussssããoo
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 semelhantes
usando k -NN e melhores resultados estatisticamente usando SVM.

39. Os boxplots dos dados originais tem mais outliers (pontos no gráfico) do boxplots do BioConvolving.
BioHashing exibem resultados muito dispersos, ou seja,os whiskeys são
muito longos e a altura das caixas são maiores.

40. Os boxplots do SVM tem whiskeys
mais 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

41. As funções Interpolação e BioHashing teve os piores resultados.
Interpolação na amostra de Intra Session teve uma
performance similar a Soma Dupla.

42. An Empirical Analysis of Ensemble Systems in
Cancellable Behavioural Biometrics: a Touch
Screen Dataset
Taxa de Erro Igual- Traços Verticais (Rolagem)
Método OriginalInterpolation Bio
Hashing
Bio
Convolving
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

43. An Empirical Analysis of Ensemble Systems in
Cancellable Behavioural Biometrics: a Touch
Screen Dataset
Taxa de Erro Igual- Traços Horizontais
Método OriginalInterpolatio
n
Bio
Hashing
Bio
Convolving
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

44. Comitês gerados com a função Interpolação e Soma Dupla
tem 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 aos
outros dois métodos.
DDiissccuussssããoo

45. An 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 com
proporção meio a meio (k-NN -- SVM)
K-NN como algoritmo agregador (Stacking_kSk) e
Regressão Logistica (Stacking_kSL)

46. An Empirical Analysis of Ensemble Systems for
Revocable Behavioural Biometric Verification

47. An Empirical Analysis of Ensemble Systems for
Revocable Behavioural Biometric Verification
Análise Comparativa dos comitês e classificadores únicos no
conjunto Scrooling
Ensemble
/Data
Origin
al
Interpolati
on
BioHashin
g
BioConvolvi
ng
DoubleSu
m
Bagging_6 1S 1S 1K 2 1S
Bagging_1
2 1S 1S 1K 2 1S
Stacking_k
Sk 1S 1S 2 2 1S
Stacking_k
SL 1S 2 2 2 2
Voting 1S 1S 2 2 1S
Total 5 6 8 10 6

48. An Empirical Analysis of Ensemble Systems for
Revocable Behavioural Biometric Verification
Análise Comparativa - comitês e classificadores únicos no
conjunto Horizontal
Ensemble
/Data
Origin
al
Interpolati
on
BioHashin
g
BioConvolvi
ng
DoubleSu
m
Bagging_6 1S 1S 2 1S 1S
Bagging_1
2 1S 1S 2 2 1S
Stacking_k
Sk 1S 1S 2 2 1S
Stacking_k
SL 1S 2 2 2 2
Voting 1S 1S 2 2 1S
Total 5 6 10 9 6

49. Esses resultados demonstram que podemos utilizar
comitês em dados canceláveis ao invés de dados originais
Os comitês oferecem melhor performance que os
classificadores únicos
DDiissccuussssããoo

50. CONC
LUSÕ
ES

51. 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.
CCoonncclluussããoo

52. É POSSÍVEL DESENVOLVER UM
VERIFICADOR DE USUÁRIOS
SEGURO USANDO O
COMPORTAMENTO!

53. CCrroonnooggrraammaa
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