马里兰大学主动认证数据集02 (UMDAA-02)

马里兰大学主动认证数据集02 (UMDAA-02) 是由马里兰大学电气与计算机工程系及自动化研究中心创建的一个多模态用户认证研究数据集。该数据集包含141.14 GB的智能手机传感器信号，采集自48名志愿者在Nexus 5手机上，为期两个月。数据集涵盖了多种传感器数据，如前置摄像头、触摸屏、陀螺仪等，用于研究面部识别、触摸屏用户识别和位置服务等。数据集的创建过程是被动收集，反映了志愿者的自然智能手机使用行为。该数据集旨在推动移动平台上的多模态认证研究，解决传统密码认证的不足，提升用户认证的准确性和便捷性。

The Maryland Active Authentication Dataset 02 (UMDAA-02) is a multimodal user authentication research dataset developed by the Department of Electrical and Computer Engineering and the Center for Automation Research of the University of Maryland. This dataset contains 141.14 GB of smartphone sensor signals, collected from 48 volunteers using Nexus 5 smartphones over a two-month period. It covers diverse sensor data including front-facing cameras, touchscreens, gyroscopes and other modalities, targeting research areas such as facial recognition, touchscreen-based user identification and location-based services. The dataset is passively collected during its construction, which authentically reflects the natural smartphone usage behaviors of the participating volunteers. This dataset is intended to advance multimodal authentication research on mobile platforms, address the limitations of traditional password-based authentication, and improve the accuracy and convenience of user authentication.

搜集汇总

数据集介绍

构建方式

在移动设备安全认证领域，马里兰大学主动认证数据集02（UMDAA-02）的构建采用了被动式数据采集范式，以模拟真实场景下的智能手机自然使用行为。该数据集通过部署于Nexus 5设备的后台应用程序，持续收集48名志愿者在两个月内的多模态传感器数据，涵盖前置摄像头、触摸屏、陀螺仪、加速度计、磁力计、光传感器、GPS、蓝牙、Wi-Fi等多种传感通道。数据按会话组织，会话始于手机解锁、终于锁定，所有信息均以嵌套文件夹形式存储，并嵌入了会话的年、月、日及起始时间戳，确保了时序信息的完整性与可追溯性。

使用方法

该数据集适用于多模态主动认证系统的研究与评估，尤其在面部验证、触摸行为识别和地理位置预测等任务中具有重要价值。研究者可依据时序信息划分训练集与测试集，模拟连续认证场景。对于面部验证，可采用基于特征提取与距离度量的方法，如利用DCNN特征配合余弦距离进行用户模板匹配；触摸认证则可通过提取滑动事件的24维特征向量，运用随机森林等分类器进行用户鉴别；地理位置数据可通过DBSCAN聚类构建移动马尔可夫链，实现下一位置预测。数据集的多元模态支持特征层、分数层或决策层的信息融合研究，以提升认证系统的整体性能与可靠性。

背景与挑战

背景概述

随着智能手机的普及，移动设备安全成为日益突出的问题。传统密码认证方式因繁琐易错而难以满足用户需求，主动认证（Active Authentication）概念应运而生，旨在通过持续分析用户生物特征与行为模式实现无缝身份验证。马里兰大学主动认证数据集02（UMDAA-02）由马里兰大学、罗格斯大学的研究团队于2016年创建，并与谷歌先进技术项目组合作支持。该数据集聚焦于多模态用户认证研究，核心在于利用智能手机前置摄像头、触摸传感器和定位服务等多种传感器数据，探索在自然使用场景下的连续身份验证方法。作为首个非商业化的多传感器智能手机使用数据集，UMDAA-02通过被动收集48名志愿者长达两个月的真实使用数据，为学术界提供了宝贵资源，推动了移动设备生物特征认证领域的发展，尤其为多模态融合认证研究奠定了实证基础。

当前挑战

UMDAA-02数据集致力于解决移动设备主动认证中的关键挑战，即在复杂自然场景下实现高精度、低侵扰的连续身份验证。具体挑战包括：第一，在认证任务层面，数据集中的面部图像常存在部分遮挡、姿态多变、光照不均等问题，导致现有面部检测与验证方法性能受限，例如基于深度卷积网络的特征在部分可见面部上仍产生较高错误率；触摸行为数据虽丰富但个体区分度有限，现有分类器难以达到理想认证准确度。第二，在数据集构建过程中，挑战体现在如何被动收集真实、无干扰的用户多模态数据，同时确保数据隐私与代表性；此外，传感器数据异步、缺失值处理以及大规模异构数据（如141.14GB的多传感器信号）的标注与整合亦构成显著技术难题。这些挑战共同凸显了开发更鲁棒、高效的移动平台认证算法的迫切性。

常用场景

经典使用场景

在移动安全与生物识别领域，UMDAA-02数据集为主动认证研究提供了关键的多模态数据支撑。该数据集通过采集智能手机前置摄像头、触摸传感器及位置服务等传感器的自然使用数据，模拟了真实场景下用户与设备的交互过程。其经典使用场景集中于开发连续身份验证算法，研究者利用数据集中的面部图像、滑动轨迹和地理位置信息，训练模型以区分合法用户与潜在入侵者，从而在无需密码输入的情况下实现背景式的无缝认证。

解决学术问题

UMDAA-02数据集有效应对了移动设备身份验证中的若干核心学术挑战。它解决了传统一次性认证方法（如密码或指纹）在便捷性与安全性之间的失衡问题，为基于行为生物特征的连续认证提供了实证基础。通过提供包含遮挡、光照变化和姿态多样性的面部图像，以及自然交互产生的触摸数据，该数据集助力研究者设计更鲁棒的局部人脸检测与验证算法，并推动多模态融合技术在降低错误接受率与拒绝率方面的理论探索。

实际应用

在实际应用层面，UMDAA-02数据集为智能手机安全系统的开发与优化提供了重要参考。基于该数据集训练的模型可集成至移动操作系统中，实现动态的用户行为分析，例如在金融支付、企业数据访问等敏感操作时进行实时身份确认。此外，其地理位置预测模块可用于构建上下文感知的安全协议，当检测到用户行为模式异常或处于高风险区域时，自动触发额外的认证步骤，从而提升移动设备在日常生活与商务环境中的整体防护能力。

数据集最近研究

最新研究方向

在移动安全领域，马里兰大学主动认证数据集02（UMDAA-02）作为首个非商业多模态智能手机传感器数据集，为持续身份验证研究提供了关键资源。当前前沿研究聚焦于利用深度学习技术提升在复杂真实场景下的认证精度，特别是针对面部部分遮挡、光照变化和姿态多样性等挑战，开发鲁棒的面部检测与验证算法。同时，结合触摸动态和地理位置数据，探索多模态融合策略成为热点，旨在构建更安全、无缝的用户认证系统，以应对智能手机日益增长的安全需求，推动生物识别技术向更自然、持续的认证范式演进。

相关研究论文

• Active User Authentication for Smartphones: A Challenge Data Set and Benchmark Results

  马里兰大学电气与计算机工程系及自动化研究中心 · 2016年