دانلود ترجمه مقاله معیارهای رفتار اجتماعی برای دستگاه های شخصی سازی شده در عصر اینترنت اشیا

1. مقدمه 2. پژوهش های مرتبط 3. طراحی سیستم 4. ارزیابی عملکرد 5. موضوعات باز و جهت گیری های پژوهشی آینده 6. نتیجه گیری

چکیده – هرچقدر که ادغام دستگاه های موبایل هوشمند با کاربردهای اینترنت اشیا (IoT) گسترده تر می گردد، استفاده از دستگاه های موبایل، تعامل با دستگاه های دیگر و الگوهای تحرک کاربران، اطلاعات بیشتری در مورد کارهای روزانه در اختیار کاربران این دستگاه ها قرار می دهند. این مجموعه غنی از داده ها در صورتی که در یک دوره زمانی نظارت گردند را می توان برای اثبات بهره وری یک کاربر مورد استفاده قرار داد. در پژوهش های قبلی، تأیید کاربران روی دستگاه های الکترونیکی شخصی سازی شده از طریق مشخصه های بیومتریک مانند اثرانگشت، و عنبیه چشم به طور موفقیت آمیزی برای افزایش امنیت در دسترسی به کار گرفته شده است. با این حال، با ادغام شبکه های اجتماعی با زیرساخت های IoT و محبوبیت آنها در دستگاه های هوشمند، شناسایی بر اساس رفتار در شبکه های اجتماعی در قالب مفهومی جدید ظهور یافته است. در این مقاله، ما یک افزونه هوشمند برای دستگاه های هوشمند ارائه داده ایم تا امکان تأیید مستمر کاربران فراهم گردد. در آزمایشات، ما داده های حاصل از سنسورهای داخلی و آمارهای کاربری پنج برنامه شبکه اجتماعی مختلف را روی دستگاه های موبایل مورد استفاده قرار داده ایم. مجموعه ویژگی های جمع آوری شده در طول زمان ادغام شده و با استفاده از روش یادگیری ماشین مورد آنالیز قرار گرفته اند. ما نشان داده ایم زمانی که دستگاه های هوشمند مجهز به تأیید مستمر هوشمند هستند، امکان تأیید کاربران با احتمال رد خطای کمتر از 10 درصد فراهم شده و کاربران می توانند استفاده از دستگاه ها را بدون هیچ وقفه ای برای احراز هویت بیومتریک در 90 درصد از زمان ادامه دهند. در حالت حضور الگوهای رفتاری غیر معمول، سیستم پیشنهادی می تواند کاربران واقعی را با نرخ موفقیت تا 97 درصد با استفاده از الگوی رفتار جمع آوری در پنج برنامه شبکه اجتماعی مختلف تأیید کند.

As the integration of smart mobile devices to the Internet of Things (IoT) applications is becoming widespread, mobile device usage, interactions with other devices, and mobility patterns of users carry significant amount of information about the daily routines of the users who are in possession of these devices. This rich set of data, if observed over a time period, can be used to effectively verify a user. In previous works, verification of users on personalized electronic devices via biometric properties such as fingerprint, iris has been successfully employed to increase security of access. However, with the integration of social networks with the IoT infrastructure and their popularity on smart handheld devices, identification based on behavior over social networks is emerging as a novel concept. In this paper, we propose an intelligent add-on for the smart devices to enable continuous verification of users. In the experiments, we use data from built-in sensors and usage statistics of five different social networking applications on mobile devices. The collected feature set is aggregated over time and analyzed using machine learning techniques. We show that when smart devices are equipped with continuous verification intelligence, it is possible to verify users with less than 10% false rejection probabilities, and the users can keep using the devices with no interruption for biometric authentication 90% of the time. In the case of anomalous behavioral patterns, the proposed system can verify genuine users with up to 97% success ratio using an aggregated behavior pattern on five different social network applications.