000			03717nam a2200385 i 4500
999			_c200439788 _d58000
003			TR-AnTOB
005			20230908000952.0
007			ta
008			171111s2020 xxu e mmmm 00| 0 eng d
035			_a(TR-AnTOB)200439788
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE BİL YL’20 SAL
100	1		_aSalman, Oğuzhan _eauthor _9129470
245	1	0	_aBağlamsal doğrulama içerisinde ek özellik olarak klavye dinamiği analizi ve değerlendirilmesi / _cOğuzhan Salman ; thesis advisor Ali Aydın Selçuk.
246	1	1	_aAnalysis and evaluation of keystroke dynamics as a feature of contextual authentication
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2020.
300			_ax, 50 pages : _billustrations ; _c29 cm
336			_2rdacontent _btxt _atext
337			_2rdamedia _bn _aunmediated
338			_2rdacarrier _bnc _avolume
502			_aTez (Yüksek Lisans Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2020
520			_aTuş Vuruş Dinamikleri, kullanıcının kimliğinin doğruluğuna karar vermek için bireylerin tuş vuruş davranışlarını incelememize yardımcı olan bir davranışsal-biyometri çözümüdür; ancak, bu yaklaşımın dezavantajı, nispeten yüksek yanlış negatif ve yüksek yanlış pozitif oranlara sahip olmasıdır. Bu çalışmada, farklı anomali tespit yaklaşımlarını karşılaştırıyor ve bu çözümleri birleştirdiğimizde performans gelişmelerini inceliyoruz. Önce tuş vuruşu dinamikleri ve oturum bağlamı anomali bileşenlerini ayrı ayrı oluşturduk. Ardından, bu makine öğrenimi bileşenlerinin sonuçlarının nasıl birleştirileceğini inceledik. Deneylerimiz, bu bileşenlerden ağırlıklı ortalama topluluk modelini oluşturmak performansı artırırken, yeni bir özellik olarak oturum bağlam anomali bileşenine tuş vuruşu dinamikleri puanlarını dahil etmek sadece tuş vuruşu dinamiği puanlarını değil, aynı zamanda bu puanlar arasında değişimleri de gözlemleyebildiği için daha iyi performans sağladığını gözlemledik.
520			_aKeystroke Dynamics is a behavioural-biometrics solution that helps us to examine individuals' keystroke behaviour to decide legitimacy of the user; however, the drawback of this approach is that it has relatively high false negative and high false positive rates. There are some other anomaly detection approaches which examine more static properties like user's contextual details such as IP address, screensize, browser type etc. to detect legitimacy of the user but these approaches also suffer from false alerts. In this study, we compare different anomaly detection approaches and observe performance improvements when we combine these solutions. We first built keystroke dynamics and session context anomaly components, separately. Then, we examined how to combine the results of these machine learning components. Our experiments showed that while using weighted average ensemble model from these components improved performance, another approach which was to include keystroke dynamics scores in session context anomaly component as a new feature gives the opportunity to capture not only the keystroke dynamics scores but also the deviations of these scores and thus yields better performance
653			_aDavranışsal biyometri
653			_aYapay zeka
653			_a Anomali deteksiyonu
653			_aBehavioural biometrics
653			_a Machine learning
653			_aAnomaly detection
700	1		_aSelçuk, Ali Aydın _9126357 _eadvisor
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_cTEZ _2z