User behavior and authentication analysis on smart devices
Akıllı cihazlarda kullanıcı davranışı ve kimlik doğrulama analizi
- Tez No: 879050
- Danışmanlar: PROF. DR. EMİN ANARIM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 183
Özet
Akıllı telefonlar, tabletler ve giyilebilir saatler gibi akıllı cihazlar, taşınabilirlikleri ve kullanıcı dostu arayüzleri nedeniyle günlük yaşama sorunsuzca entegre olmuş ve popülerlik kazanmıştır. Bu cihazların artan kullanımı çeşitli alanlarda araştırmaları hızlandırmıştır. Bu araştırmalarda, kullanıcılar ile cihazlar arasındaki etkileşimler incelenmekte, kullanıcı alışkanlıkları ve davranışları hakkında değerli bilgiler elde edilmektedir. Bu bilgiler, reklam, sağlık ve güvenlik gibi çeşitli alanlarda uygulama bulmakta, kullanıcı deneyimini geliştirmeye ve mevcut sistemleri iyileştirmeye katkı sağlamaktadır. Ancak, mevcut araştırmalardaki sınırlamaları ele almak, performanslarını artırmak ve yeni fırsatları keşfetmek için hala bir ihtiyaç bulunmaktadır. Bu nedenle, bu tez akıllı cihazlardaki kullanıcı davranışlarının analizine odaklanmakta olup, üç temel alanı ele almaktadır: yaş grubu tespiti, cinsiyet tespiti ve kullanıcı kimlik doğrulama. İlk olarak, akıllı telefonlardan elde edilen ivmeölçer verilerini kullanarak kullanıcı yaş gruplarını tespit etmek için bir yöntem sunulmaktadır. Ardından, akıllı telefonlar için üç farklı cinsiyet tespiti şeması önerilmektedir. Bu şemalar, ilk olarak çeşitli kullanıcı etkinliklerinde cinsiyeti tespit etmek için makine öğrenimi yaklaşımlarını içermektedir. Daha sonra, zaman serilerini görüntüye dönüştürme, sürekli dalgacık dönüşümü ve evrişimli sinir ağları içeren derin öğrenme yaklaşımlarına dayalı cinsiyet tespit yöntemleri tanıtıl-maktadır. Son olarak, akıllı telefonlarda kimlik doğrulama için iki yenilikçi yöntem önerilmektedir. İlk yöntem, sensör verilerini ve dokunma davranışlarını analiz etmek için geleneksel makine öğrenimi algoritmalarını kullanmaktadır. İkinci yöntem ise kullanıcı kimlik doğrulama için veri artırma, ayrık dalgacık dönüşümü ve otokodlayıcı modellerini entegre etmektedir. Önerilen modeller umut verici performans sergilemekte ve önceki çalışmalardaki sınırlamalara çözüm sunmaktadır.
Özet (Çeviri)
Smart devices, including smartphones, tablets, and wearable watches, have seamlessly integrated into daily life, gaining popularity due to their portability and user-friendly interfaces. The increased usage of these devices has catalyzed research in various domains. In these studies, the interactions between users and devices are investigated, leading to valuable insights into user habits and behaviors. These insights find applications in diverse fields, such as advertising, healthcare, and security, contributing to improving user experience and augmenting existing systems. However, there remains a need to address the limitations in current research, enhance their performance, and explore new opportunities. Therefore, this thesis focuses on analyzing user behaviors on smart devices, delving into three primary areas: age group detection, gender detection, and user authentication. Initially, a method for detecting user age groups utilizing smartphone accelerometer data is presented. Subsequently, four distinct gender detection schemes for smartphones are proposed. These schemes first involve machine learning approaches to detect gender across various user activities. Gender detection methods are then introduced based on deep learning approaches, comprising time-series to image transformation, continuous wavelet transform, and convolutional neural networks. Finally, two innovative methods for user authentication on smartphones are proposed. The first method employs traditional machine learning algorithms to analyze sensor data and touching behaviors. In contrast, the second method integrates data augmentation, discrete wavelet transform, and autoencoder models for user authentication. The proposed models demonstrate promising performance and address limitations in previous studies.
Benzer Tezler
- Klavye vuruş zamanlama verileri üzerinde makine öğrenmesi uygulamaları
Machine learning applications on keyboard timing data.
MUJAHED MOHDFATHI MOHAMMAD ALİSSA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN TEMURTAŞ
DR. ÖĞR. ÜYESİ ÇİĞDEM BAKIR
- A new public key algorithm and complexity analysis
Yeni bir açık anahtar algoritması ve karmaşıklık analizi
SELİN ÇAĞLAR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
- Sosyal medya lokasyon analizi
Social media location analysis
YAHYA ALALI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİLÜFER YURTAY
- Siber güvenlikte klavye davranış analizi
Keyboard behavior analysis in cyber security
NURGÜL AKŞİT
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜL HALİM ZAİM
DOÇ. DR. MUHAMMED ALİ AYDIN
- Prevention and detection of intrusions in wireless sensor networks
Kablosuz algılayıcı ağlarda izinsiz girişlerin önlenmesi ve tespiti
İSMAİL BÜTÜN
Doktora
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUniversity of South FloridaElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. RAVI SANKAR