Privacy vs. Security: Soft Biometrics in Distorted Keystroke Dynamics Data

Abstract

Det digitale landskapet utvikles raskt, noe som gjør bevaring av personvern og sikkerhet til en kompleks oppgave. Å utnytte Keystroke Dynamics for å forbedre autentisering og identifikasjon av individer har et stort potensial for å forbedre sikkerhet, men som samtidig bærer med seg bekymring rundt behandling av personvern. Denne oppgaven har som mål å undersøke om forvrengning av Keystroke Dynamics data kan forhindre deteksjon av Myke Biometriske kjennetegn, slik som alder og kjønn.

Et program, i kombinasjon med forvreningsverktøyet i Google; "Keyboard Privacy", ble brukt for å simulere og legge til forvrengninger på dataen. Deretter ble dataen kjørt inn i en maskinlæringsalgoritme, nærmere bestemt Support Vector Machine, for å klassifisere simulert og forvrengt data på alder og kjønn. I tillegg ble det analysert om det var mulig å detektere forvrengninger i datasettet.

Arbeidet har avdekket at det er merkbare forskjeller mellom de forvrengte og ikke-forvrengte datasettene. Selv om mønsterne bærer likheter, er de fremdeles ulike nok til å muliggjøre en relativt nøyaktig klassifisering. Ytelsen av de forvrengte datasettene kan variere på klassifiseringskategorien, der resultatene viser at klassifisering på kjønn har bedre ytelse enn på alder. Disse funnene belyser mulighetene for å utvikle mer sofistikerte systemer for biometrisk identifikasjon og autentisering.

In today's rapidly evolving digital landscape, the preservation of privacy and security can be a daunting task. Utilizing keystroke dynamics to enhance authentication and identification techniques is a promising approach that increases security, but at the same time raises important privacy considerations to address. Hence, this thesis aims to investigate whether distortion of Keystroke Dynamics data can hinder the detection of soft biometric characteristics, such as age and gender.

A program was used to simulate and add distortion to the data in combination with the Google plug-in tool "Keyboard Privacy". The data underwent processing and subsequent analysis using the Machine Learning model Support Vector Machine in order to classify age and gender. Additional analysis was carried out to determine if it was possible to detect any distortions within the dataset.

The study revealed that there are distinguishable differences between distorted and non-distorted keystroke dynamics data. While the patterns may bear similarities, they are still distinct enough to enable relatively accurate classification. The performance of the distorted dataset may vary depending on the classification categories, where gender classification performed better than age classification. These findings shed a light on the possibility of developing more sophisticated systems for biometric identification and authentication.