加强生物识别系统:触摸操作准确性安卓模式锁方案

文摘

本研究的主要目的是提高一个Android的功能模式锁定应用程序通过确定是否触摸操作的元素时,在特定的时间点之间(TOD)和时间点(TBD),可以准确地用作生物标识符。通过本研究的三个假设测试是following-H₁:有一个触摸的数量之间的相关性中风功能使用和触摸操作生物识别系统的准确性;H₂:有一个关系模式触摸操作生物系统的复杂性和准确性;H₃:有一个触摸操作的用户培训之间的相关性和准确性生物识别系统。方便抽样和试设计涉及重复措施包含在测试整体样本大小12个主题来自大学人口共有2096个特征提取的数据。分析使用动态时间规整(DTW)算法。通过本研究,结果表明:提取招牌式的中风生物特性以及用户培训能够收益率高达82%的平均精度高的水平。这有助于建立一个生物识别技术引入智能设备的平均处理能力,因为他们能够处理生物识别系统对整个系统性能没有影响。为未来的工作,建议更多的工作是由其他分类算法应用到现有的数据集与同DTW和比较他们的结果。

1。介绍

移动计算设备近年来在全球范围内越来越受欢迎。在肯尼亚,通信部门的一份报告(1)强调,有3830万手机用户,加上手机普及率为89.2%。此外,Jumia [2)报道,310万年的设备,他们已经卖掉了2015年,180万名(58%)智能手机。移动计算手机的普及和便利了他们作为一个丰富的个人信息。这是因为他们的使用已经扩展到高安全活动,如移动银行事务需要最大限度的保护使用的凭证。目前使用的大多数移动设备维护隐私和安全的设备在每个验证一个用户登录。最常见的方法,这样做已经使用基于文本的密码方案,博卡et al。3]显示弱形式的安全。研究Sae-Bae et al。4)显示,用户类型的速度闪玻璃,目前在智能移动设备,是物理键盘上打字慢31%。相同的研究显示,用户反驳这个问题通过缩短密码进而导致登录时间短,从而导致了不安全的移动计算环境。从这个研究,推断,登录时间是非常关键的用户进行身份验证时。

这些挑战使研究人员探索图形的使用密码来代替文本密码,因为他们已经被证明有更好的认知功能。安卓模式锁密码,本研究的话题焦点,然而被证明有几个固有的弱点。第一,创建的密码有一个低熵使它容易破坏突出了特拉维夫et al。5)表明,Android的密码空间模式才能够产生389112种可能的模式的一个因素,使它容易自动化穷举式攻击。第二个弱点是容易涂抹袭击可能潜在地导致敏感信息的提取中突出显示(5]和[6]。第三个弱点根据Sae-Bae et al。4)是Android模式锁容易肩窥攻击,攻击者可以站人紧密打开手机,看到密码。

将生物识别技术与Android的可能性模式锁提高安卓模式的安全锁成为下一个前沿的研究与徐et al。7)强调,一些期间收集的数据模式的输入包括曲线、规模、时间、和触摸操作的压力。他们进一步强调,最常用的是按键触摸操作,必要时,和幻灯片。符合这一点,本研究试图建立触摸操作的时间元素是否可以利用在生物输入,以改善一个安卓模式锁方案的准确性。行为的选择而不是生理生物识别技术是有意的,因为它显示了杰西(8)可能更便宜的实现。因此本研究试图建立的方法验证精度在Android智能手机可以使用多个触摸生物特性,增强密码的复杂性,和培训。本研究的范围仅限于使用Android操作系统的移动设备等的图形模式锁定应用程序设备默认是利用。

2。相关的工作

击键生物识别技术曾被研究过在一个旨在建立是否可以合并为一个可靠的安全层。具体地说,研究人员已经缩小了他们的研究的基础上,从现代提取的各种特性,可以移动设备。

我们的研究密切相关,徐的击键特性等。7)分析是一个利用的最大尺寸,最大压力的一个水龙头,居住时间(TOD),飞行时间(TBD)数据从32个参与者和获得的支持向量机(SVM)算法用于分类。结果准确性,击键是排名第二的特殊性的整体性能与笔迹排名第一。关于永久,击键排名第三张幻灯片和捏记录精度高的分数后21天。当误码率计算结合了额外的用户模型模拟攻击者,只击键显示一致的精度提高到30^th用户。笔迹28后性能和压力都停滞不前^th用户在28后性能下降^th用户。他们的研究要求用户熟悉收购工具在数据收集开始之前,而这是有助于获得一致的数据,缺点是它不能模拟真实世界的环境中与不同的用户的一些可能不是非常熟悉使用触屏智能手机。

Alghamdi和Elrefaei931]提取特征的研究,其中一些包括停机时间、事件时间、维持时间,上下时间,当当的时间。他们用矢量中值接近(MVP)分类器来评估获得的性能特性。他们能够获得平等的出错率12.9%,31日特性。一旦添加了一个额外的两个特性,即手指大小和压力,价值相等的错误率降至12.2%,从而得出更多的特性提取导致更多的准确性。提取的多个特性导致低曾经数据;然而,它提出了保持设备的潜在挑战处理开销最少,因为这是唯一的方法生物技术可以成功地渗透所有级别的智能手机无论他们的技术能力。

森和来自10捕获一个4位密码从10参与者使用Android应用程序提取功能,包括关键的保存时间,关键压力最低,关键的最大压力,和interkey时间。他们还模拟same-user-and-attacker场景。在4种不同的分类器,对他们测试数据,多层感知(MLP)给他们的最高精度的FRR 14.06%和14.1%,比他们的目标系统FRR的21%和19%。4位密码的挑战是,尽管他们的广泛的使用,已经遭受低熵。虽然这里有前途的结果,它使更多的工作要做,以确保增加的安全层达到最大的保护。

李等人。11)开发了一个Android应用程序来捕获数据从用户输入6位密码,766420。“他们旨在提取两组生物特征数据,击键和运动(加速度计)。击键数据提取时间(停机时间和飞行时间),大小和坐标。使用他们的基于距离的分类器,欧几里得和曼哈顿,他们能够表明他们的模型改进一旦运动数据的准确性是添加到按键数据。在他们的情况下,无论何时从8.94%下降到7.89%。虽然有6位销相比提高了密码空间的四位销,底层问题仍可用普通用户来说这将是如何已经难以拿出令人信服的4针,也无法预测。重要的是系统保持其可用性,同时仍然安全。

Angulo和Wastlund12)收集的数据来自32个参与者基于教育多样化的特色,性别和年龄。特征提取他们修改安卓模式锁定装置finger-in-dot时间和finger-in-between-dot,所有捕获的时间,以毫秒为单位。测试进行不同的Android设备,如三星Galaxy他们Nexus S,宏达传说,和HTC的愿景。他们曾经选择测试结果对各种分类器如欧几里得,曼哈顿,支持向量机,随机森林。他们从随机森林分类器实现最好的结果意味着无论何时为10.39%,从而证明他们的研究目标。当他们设法实现自己的理想目标,使用的方法,数据来源于不同的设备提出了数据一致性的问题。因此不知道是否他们会获得相同的结果,如果用户已经要求开关输入设备在给定数量的试验。他们的研究还没有提及是否占参与者的不同程度使用触摸屏智能手机经验,因素有可能导致不同的结果。

3所示。材料和方法

根据Zikmund [13),实验设计包括四个主要的设计元素。这些包括操纵的自变量,因变量的选择和测量,实验对象的选择和分配,控制无关变量。的特定类型的实验设计中实现这个研究是quasiexperimental设计包括静态组的设计,每个学科被确定为控制或实验小组的成员。这研究也包括横断面的实现方法,比较了在一个时间点。(14]。

这个研究包括两个可衡量的touchstroke时间变量的使用,finger-in-dot时间(称为时间点)和finger-in-between-dot时间(称为点之间的时间),因为触摸操作的时间元素已经被研究人员先前显示如Dhage et al。15]和Alghamdi Elrefaei [9)生产最一致的和可操作的信息特别是计算假录取率(法尔斯)和假拒绝利率(FRRs)。这部分需要通知的处理开销最少的系统利润丰厚的未来与低端智能设备的集成。这种方法不同于(9)提取共有31个特性。虽然这帮助改善他们的准确结果,他们也不得不面对的处理开销增加的数量特征。本研究亦涉及收集输入数据从一个设备,而不是多个设备。这有助于维护数据一致性集合。相比之下,类似的研究由Angulo和Wastlund [12)参与数据收集使用多个Android设备。整合模式的复杂性是出于De Luca等进行的研究。16),而利用这些区别未能捕获个人归因于不同长度的精度水平模式。这是一个关键的差距,本研究的目的是覆盖。同样,准确性是出于研究影响用户培训由郑et al。17]。然而,本研究认为“培训”的影响精度和把它比作训练后获得的数据被合并。

所有这些因素,制定如下假设:H₁:有一个关联的数量touchstroke功能使用和触摸操作生物识别系统的准确性;H_o1群:没有相关性touchstroke特性使用的数量和触摸操作生物识别系统的准确性;H₂:有一个关系模式触摸操作生物系统的复杂性和准确性;H_o2:没有相关性模式触摸操作生物系统的复杂性和准确性;H₃:有一个触摸操作的用户培训之间的相关性和准确性生物识别系统;H_o3用户培训:没有相关性和准确性触摸操作的生物系统。附带的概念框架基于建立的变量和假设如图制定1。

研究人口主要来自美国国际University-Africa (USIU-A)的学生,学院的成员,并从Chandaria商学院的名非教职人员失去工作,人文社会科学学院,制药和健康科学学院。然而,这项研究排除了学校的科学和技术,因为他们可能有技术优势共同代表用户的人口。两个主要的年龄人口群体是有针对性的,即千禧一代和老都需要熟悉安卓智能设备。人口是有限的安卓智能设备的原因是因为研究利用修改安卓模式锁定应用程序提取行为生物测量研究中,我们分析了。由于有限的时间分配的研究中,非概率抽样所定义的亚当(18)是利用。然而,承认非概率抽样可能导致偏见的倾向在数据收集和因此它不会是安全的假设样本组做了一个正确的目标群体的代表。

试设计涉及重复措施当测试实现H₁H_o1群H₂,和H_o2假设,从而导致相同的8个主题用于所有措施在两个实验组和对照组中突出显示表1和2。

H的测试₃和H_o3假设包括选择一套新的4主题为实验组,以消除训练通过接触之前程序的可能性。这是突出显示在表3。对照组是前四的集合对象时使用的测试H₂和H_o2假设。

目标1和2涉及用户数据的收集没有将用户培训的方面。这涉及收集3输入周期总共6输入。研究Heimark [19)帮助到达这个数字,他们建立了5个输入的最大和最理想的测试没有引入培训因素有重复使用的一个系统。只因为我们的系统实现接受输入周期成双,我们可以使用的最小数量的对不整合方面的培训,同时还能满足5捕获的最小阈值所定义的(19)是使用3输入周期转换成6捕获。这是突出显示在表4。

目标3涉及用户数据的收集,同时结合用户培训的方面。这涉及到收集10个输入周期总共20输入。郑等人的研究。17)能够观察到通过增加用户的操作培训、用户行为模式变得更加精确。然而,合并后的精度保持在同一水平的20个用户操作。这是突出显示在表5下图:

这相当于一个整体样本大小12个受试者给2096特性提取的数据,其中包括时间点(TBD)和时间点之间(TOD)。选择12个科目由Miluzzo等进行的研究。20.使用10]进行他们的研究主题和能够获得40000利用样本的分析提取加速度计和陀螺仪数据。其他研究人员也从几人提取很多功能混凝土等。21)那些能够获得120同类认证尝试和1470组内的尝试(模拟攻击)从15个主题。由于本研究的深度,得出12个科目选择要提供足够的数据。

实现的分析方法是动态时间规整(DTW)算法,获得了从王22]。据De Luca et al。16),该算法通过两个向量之间找到一个最优路径,并广泛应用在生物识别技术领域,如语音识别、步态识别,指纹验证。由此产生的输出比较,称为经距离,决定后续的输入是多么相似的参考集。因此,扭曲的距离为0意味着随后的输入和参考集是相同的。接近我们的研究中,DTW [22)使用的是(16,21分析他们的特征。DTW [22]值关键特别是计算错误的录取率(法尔斯),假拒绝利率(FRRs)和准确性所描述的(16]。该算法在MATLAB运行R2016b从MathWorks[下载23]。

Android模式锁定应用程序捕捉识别触摸操作生物变量是使用Android工作室设计从开发人员下载(24]惠普笔记本电脑上安装一个core i5 2 GHz处理器、4 GB内存和256 GB的SSD。Android工作室(24)是用来修改一个Android模式锁定应用程序,这样的时间点和时间点数据之间可以提取。这些数据由应用程序存储在一个SQLite数据库,可以导出到一个文本文件或HTML格式文件。初始测试和运行的应用程序使用的内置Android模拟器工作室要求处理器能处理虚拟化环境。在启动应用程序时,用户提供一个接口,要求他们调整触点编号从1到9,如图2。

图3强调了与用户交互的接口。它的模式输入录音功能嵌入到它。此外,修改应用程序来生成一组用户输入的结果如图4。一些统计数据,可以生成路径的统计数据(时间点),按钮数据(时间点),并分组统计(时间点之间+时间点)。

数据5和6显示的html输出文件时间点之间(TOD)和时间点(TBD)两种模式的输入。这是一个1-2-5-8-9的重复序列的输入路线为我们演示模式。捕获在毫秒更大的准确性。

顺序输入的简单密码用户触摸模式锁定点的顺序,1-2-5-8-9,共5分。此外,顺序输入的复杂密码用户触摸模式锁定点的顺序,7-5-9-6-2-1-4。混凝土的研究等。21帮助引导我们在这些点的选择。数据7和8说明了简单和复杂密码由用户输入。

系统操作可以通过活动图在图最好的概括9。

获取引用集,每个捕获用户与其他使用DTW [22]。的输出矩阵,如表所示6,然后用于计算平均值和标准偏差。这两个值是用来计算的边界定义的上限解锁决心是有效的。这个上限是总结计算平均值和标准偏差值。在我们的例子中,用户的上边界值1突出显示在表0.1725877。

所有下面的截图上边界的值是真阳性(TP)为用户输入而那些是高于上限价值是假阴性(FN)为用户输入。图10继续来说明这一点。据De Luca et al。16),真正的阳性(TPs)是正确接受用户和假阴性(fn)错误地拒绝用户。这两个值被用来确定假废品率为用户(FRR)。此外,下列方程中定义(16)用于计算FRR值:

为了模拟“攻击”场景中,用户1输入匹配输入的其他7主题,建立输入的数量低于上限的(不接受)和那些会高于上限(正确地拒绝)。参照表8,行标题中的值是那些用户1而在列标题的用户2,其值我们用于“攻击”用户1。每个用户1捕获与对应的用户2捕获使用DTW [22)和合成输出插入相应的矩阵的细胞。

散点图的图表,如图11,然后使用这些值的上边界建立在参考集的生成也包括在内。这帮助我们确定数量的用户2输入正确拒绝了(真底片)和那些被错误接受(假阳性)。据De Luca et al。16),真正的底片(TNs)被定义为正确拒绝攻击者和假阳性(FPs)作为错误地接受了袭击者。这两个值被用来确定错误接受率为用户(远)。此外,在16),下列方程定义用于计算值:

表9一旦用户生成1已经被其他用户“攻击”。它帮助突出一些关键属性的错误接受率等进行调查(远)和错误拒绝率(FRR)。此外,通过方程计算精度(3)表中提出:

4所示。结果与讨论

上面所述的程序用于生成用户汇总表复制了所有其他用户和结果分组根据不同假设下测试。显示相同的结果和随后的讨论将根据这些分组。

4.1。使用Touchstroke特性的数量和准确性

被测试的假设如下:H₁:之间有正相关touchstroke特性使用的数量和触摸操作生物识别系统的准确性;H_o1群:没有使用的touchstroke特征数量之间的正相关和触摸操作生物识别系统的准确性。假设检验的结果总结在表突出显示10。

结果H₁显示精度的增加通过降低假废品率(FRR)从20%到17%当使用一个额外的时间特性。然而,虚假的录取率(FARs)从34%上升到39%,导致整体精度从68%下降到62%。类似的研究相比,Alghamdi和Elrefeai9)实现中值矢量距离(MVP)分类器来评估获得的性能特性。他们能够获得平等的出错率12.9%,31日特性。一旦添加额外的两个特性,即手指大小和压力,价值相等的错误率降至12.2%,从而确认更多的特性导致更精确的系统使用。研究矢量中值接近(MVP)分类器(已由al - jarrah al - sabah)25),他可以证明一般不受异常值影响(极值)。此外,比较他和15各种分类器算法显示了MVP最高异常检测分类器,在所有的测试,包括曼哈顿,最近的邻居,神经网络和模糊逻辑分类器。从我们的结果,我们因此得出结论,减少精度当一个额外的特征提取可以归因于DTW算法未能管理异常值的影响。H₁假设因此拒绝。

4.2。模式的复杂性和准确性

被测试的假设如下:H₂:之间有正相关关系模式触摸操作生物系统的复杂性和准确性;H_o2:没有模式的复杂性和准确性之间的正相关联系生物识别系统。假设检验的结果总结在表突出显示11其中一个功能点之间(时间)和一个简单的密码。

当两个特性(时间点和时间点之间)提取,汇总表12获得了。

结果H₂当使用one-touchstroke特性(时间点之间)显示精度从62%增加7%的一个简单的密码到69%时使用了一个复杂的密码。然而,精确度下降了11个基点当一个额外的特征提取。这是在相关测试H时成立₁/小时_o1群在那里看到额外的特性导致的提取精度水平下降由于DTW算法(22未能管理异常值的影响。H₂假设为一个特征提取的情况下接受。H₂假设情况下的两个特性提取被拒绝了。

4.3。用户培训和准确性

被测试的假设如下:H₃:之间有正相关用户培训和触摸操作的准确性;H_o3:之间不存在正相关用户培训和触摸操作的准确性。假设检验的结果总结在表突出显示13点之间,一个特性(时间)和一个简单的密码。

当两个特性(时间点和时间点之间)提取,汇总表14获得了。

结果H₃当使用one-touchstroke特性(时间点之间)显示精度从56%增加26%的情况没有培训到82%时成立。值得强调的是,测试中使用复杂的密码是H₃。然而,精确度下降了8个基点当一个额外的特征提取。这些发现符合成立什么测试两个H₁/小时_o1群和H₂/小时_o2在那里看到额外的提取精度水平下降的特性导致由于DTW算法(22未能管理异常值的影响。H₃假设为一个特征提取的情况下接受。H₃假设情况下的两个特性提取被拒绝了。

5。结论

本研究的主要结果表明,提取一个功能加上一个复杂的密码和用户培训取得了提高精度水平测试的假设。然而,额外的特性导致的提取精度降低的水平,这是归因于DTW算法(22]未能妥善管理异常值的影响,介绍了额外的功能。

通过本研究的贡献是证明one-touchstroke生物识别特征的提取以及用户培训能够产生高达82%的平均精度高的水平。这有助于建立一个生物识别技术引入智能设备的平均处理能力,因为他们能够处理生物识别系统对整个系统性能没有影响。

为未来的工作,建议更多的工作是由应用矢量中值接近等其他分类器(MVP)分类器所使用的(9)对现有数据集与同DTW和比较他们的结果22]。上述分类器被证明善于消除异常值和噪声的数据集,从而产生更精确的结果。此外,进一步的研究可以探索使用其他touchstroke生物特性是否能有一个更好的对精度的影响相对于那些用于这项研究。

数据可用性

生成的数据集和分析来支持本研究的发现已经存入Mendeley数据(https://doi.org/10.17632/hsprcwcvhy.1)。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. 通信部门,“季度部门统计报告”,https://ca.go.ke/wp content/uploads/2018/02/sector -统计报告第三季度- 2015 - 16. - pdf,2016年。视图:谷歌学术搜索
2. Jumia”,智能手机市场的增长在肯尼亚,“2015年,https://www.jumia.co.ke/blog/whitepaper-the-growth-of-the-smartphone-market-in-kenya。视图:谷歌学术搜索
3. b·博卡s酋长,p·p·d·Kaware“4 d密码机制,”2016年,http://www.onlinejournal.in/IJIRV2I5/044.pdf。视图:谷歌学术搜索
4. n . Sae-Bae k·艾哈迈德,k . Isbister和n . Memon”Biometric-rich手势:多点触摸设备上的身份验证方法,”学报2012 ACM年会人为因素在计算Systems-CHI 12ACM,奥斯汀,得克萨斯州,美国,2012年5月。视图:出版商的网站|谷歌学术搜索
5. a . j .特拉维夫k·吉布森,e·莫索普m .大火和j·m·史密斯“涂抹攻击智能手机触摸屏,”2010年,https://www.usenix.org/legacy/events/woot10/tech/full_papers/Aviv.pdf。视图:谷歌学术搜索
6. m·沙赫扎德,刘a . x和a·塞缪尔“安全解锁移动触屏设备的简单gestures-you可以看到,但你不能这样做,”学报第19届国际会议上移动计算& networking-MobiCom 13美国佛罗里达州,迈阿密,Octobar 2013。视图:出版商的网站|谷歌学术搜索
7. h .徐、y周和m . r .律”对连续和被动认证通过触摸生物识别技术:一个实验研究在智能手机上,“2014年,https://www.usenix.org/conference/soups2014/proceedings/presentation/xu。视图:谷歌学术搜索
8. 杰西,”行为的生物识别技术的市场价值将在2020年的两倍多,”2015年,http://www.technavio.com/blog/behavioral生物识别技术-市场-价值将更多-双- 2020。视图:谷歌学术搜索
9. s . j . Alghamdi和洛杉矶Elrefaei动态用户验证使用触摸按键基于中位数向量距离,”第七届国际会议的程序计算智能,通信系统和网络2015年6月,IEEE,里加,拉脱维亚,。视图:出版商的网站|谷歌学术搜索
10. 森和k .来自“将”“移动认证,”的压力《第七移动计算国际会议和无处不在的网络(ICMU)十冬腊月,IEEE,新加坡,2014年。视图:出版商的网站|谷歌学术搜索
11. s h·李,j .黄d . Kim Lee, s . Lee)和j . Shin”理解为智能手机用户击键力学验证和击键力学在智能手机内置运动传感器,”安全性和通信网络卷,2018篇文章ID 2567463, 10页,2018。视图:出版商的网站|谷歌学术搜索
12. j . Angulo和大肠Wastlund探索触摸屏用户识别生物识别技术在智能手机上,“联合会信息和通信技术的进步施普林格,卷。375年,柏林,德国,2012年,http://dl.ifip.org/db/conf/primelife/primelife2011/AnguloW11.pdf。视图:出版商的网站|谷歌学术搜索
13. w . Zikmund“探索营销研究”,2010年,http://www.cengage.com/maintenance/index.html。视图:谷歌学术搜索
14. 优秀研究”,研究人员所说的“横向与纵向研究”、“工作和卫生研究所、多伦多,加拿大,2015年,http://www.iwh.on.ca/wrmb/cross-sectional-vs-longitudinal-studies。视图:谷歌学术搜索
15. s . Dhage p . Kundra a Kanchan, p . Kap“移动认证使用击键力学,”学报》国际会议交流、信息与计算技术(ICCICT)十冬腊月,IEEE,孟买,印度,2015。视图:出版商的网站|谷歌学术搜索
16. a . De Luca a .挂f . Brudy c·林德纳,h . Hussmann碰我一次,我知道这是你!隐式身份验证基于触摸屏模式”学报2012 ACM年会人为因素在计算Systems-CHI 12ACM,奥斯汀,得克萨斯州,美国,2012年5月。视图:出版商的网站|谷歌学术搜索
17. 黄n, k呗,h, h·王,“你是如何接触:通过开发行为,用户在智能手机验证”《22日国际会议网络协议美国IEEE,罗利数控,2014年10月。视图:出版商的网站|谷歌学术搜索
18. h . m .亚当,”研究的人口,”2016年,http://www.academia.edu/5563491/Research_Population。视图:谷歌学术搜索
19. 大肠Heimark”,从密码身份验证 :生物统计学erlend Heimark,”2012年,https://brage.bibsys.no/xmlui/handle/11250/262687。视图:谷歌学术搜索
20. e . Miluzzo a Varshavsky, s·“TapPrints :你的手指叩击指纹分类和主题描述符,“2012年,http://miluzzo.info/pubs/sys015fp-miluzzo.pdf。视图:谷歌学术搜索
21. m .混凝土诉玛丽,c .罗桑伯格m .混凝土和c罗桑伯格,“生物秘密为移动用户身份验证 路径:一项初步研究,”世界大会的程序在计算机和信息技术(WCCIT)2013年6月,IEEE,苏塞、突尼斯、。视图:出版商的网站|谷歌学术搜索
22. 问:王,“动态时间扭曲(计算机软件),”2016年,https://www.mathworks.com/matlabcentral/fileexchange/43156-dynamic-time-warping-dtw。视图:谷歌学术搜索
23. MathWorks,“R2016b(计算机软件),“MathWorks,纳蒂克,妈,美国,2016年,https://au.mathworks.com/products/new_products/release2016b.html。视图:谷歌学术搜索
24. 开发人员,“Android工作室(计算机软件),”2016年,https://developer.android.com/studio。视图:谷歌学术搜索
25. ,m . m . al - jarrah al - sabah)“异常探测器基于中位数的击键力学向量距离,”新兴的趋势在计算和信息科学杂志》上,3卷,不。6,页988 - 993,2012,https://pdfs.semanticscholar.org/c28d/d958da2ecb49663a5badaf6b866f87281543.pdf。视图:谷歌学术搜索

版权

版权©2020年艾伦Ng引入和葆拉·m·w·Musuva。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。