UL-Keystroke: un conjunto de datos de dinámica de teclado basado en la web

DOI: https://doi.org/10.26439/interfases2024.n19.7009
Palabras clave: keystroke dynamics, machine learning, dataset

Resumen

Keystroke dynamics-based authentication systems identify individuals by analyzing their keystroke patterns when interacting with input devices such as a computer keyboard. Within the fields of Statistics and Machine Learning, several research studies have applied different techniques for recognizing keystroke patterns. This work proposes the creation of a dataset and a methodology that would allow users to capture typing patterns from students at a university in Lima, Peru, using a cloud environment and their personal devices. The cloud architecture used for the implementation and deployment of the web tool will be explained in detail. The result of this work is a dataset containing participant information, records of their keystroke patterns, and additional metadata from their web browsers, which could be used to enrich further studies. Moreover, in addition to the captured raw data, some keystroke dynamics features were generated and made available along with the dataset to facilitate the development of classification models. The dataset and methodology presented in this article can be used by other researchers to enhance existing keystroke dynamics recognition systems.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Aron Lo Li, Universidad de Lima, Lima, Perú.

Es ingeniero de sistemas por la Universidad de Lima. Con más de tres años de experiencia en las áreas de desarrollo de software y big data aplicado a empresas. Se encuentra interesado en seguir desarrollando proyectos en el ámbito analítico, tanto en aprendizaje automático como en aprendizaje profundo.

Juan Gutiérrez-Cárdenas, Universidad de Lima, Lima, Perú.

Obtuvo su Ph. D. en Ciencias de la Computación en la subdisciplina de Bioinformática de la Universidad de Sudáfrica. También cuenta con una maestría en Ciencias de la Computación-Bioinformática de la Universidad de Helsinki y un diplomado en Ciencias de la Computación de la Universidad de Witwatersrand. Es profesor a tiempo parcial en la Universidad de Lima en el área de Ingeniería de Software. Ha sido un activo defensor del
desarrollo de habilidades de investigación en estudiantes de pregrado, lo que ha resultado en una variedad de publicaciones revisadas por pares de estudiantes en la carrera en la que actualmente trabaja. También se desempeña como evaluador de programas ABET y es miembro de la Sociedad Peruana de Computación. Es reconocido como investigador de nivel 4 según lo establecido por Renacyt. Entre sus intereses de investigación se encuentran los métodos de aprendizaje automático aplicados a la bioinformática, el
procesamiento del lenguaje natural y la educación en ciencias de la computación.

Victor H. Ayma, Universidad del Pacífico

Cuenta con Ph. D. y maestría en Ingeniería Eléctrica por la Pontificia Universidad Católica de Río de Janeiro, Brasil, en 2021 y 2015, respectivamente. Recibió su título de licenciado en Ingeniería Electrónica por la Universidad Nacional de San Antonio Abad del Cusco, Perú, en 2012. Es miembro del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE). Actualmente, es profesor asistente en el Departamento de Ingeniería de la Universidad del Pacífico, en Perú. Sus intereses de investigación incluyen visión por computadora, sensores remotos, aprendizaje profundo y aprendizaje automático.

Citas

Giot, R., El-Abed, M., & Rosenberger, C. (2009). GREYC keystroke: A benchmark for keystroke dynamics biometric systems. In 2009 IEEE 3rd International Conference on Biometrics: Theory, Applications, and Systems (BTAS 2009), Washington D.C., United States, 1–6. https://doi.org/10.1109/BTAS.2009.5339051

Killourhy, K. S., & Maxion, R. A. (2009). Comparing anomaly-detection algorithms for keystroke dynamics. In 2009 IEEE/IFIP International Conference on Dependable Systems & Networks, Lisbon, Portugal, 125–134. https://doi.org/10.1109/DSN.2009.5270346

Publicado
2024-07-31
Cómo citar
Lo Li, A., Gutiérrez-Cárdenas, J., & Ayma, V. H. (2024). UL-Keystroke: un conjunto de datos de dinámica de teclado basado en la web. Interfases, (019), 197-211. https://doi.org/10.26439/interfases2024.n19.7009
Número
Núm. 019 (2024)
Sección
Artículos de datos
Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.

Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:

Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.

Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.

Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).

Última actualización: 03/05/21