[論文レビュー] AuthentiSense: A Scalable Behavioral Biometrics Authentication Scheme using Few-Shot Learning for Mobile Platforms

Hossein Fereidooni, Jan König+6 more|arXiv (Cornell University)|Feb 6, 2023

User Authentication and Security Systems被引用数 4

ひとこと要約

AuthentiSenseは、ユーザーに依存しないスケーラブルなモバイルプラットフォーム向けの行動バイオメトリクス認証システムを提案する。このシステムは、特徴量の手作業による設計や再トレーニングを必要とせず、加速度計、ジャイロスコープ、磁気計のセンサデータに基づいて、シアンプルネットワークを用いて認証を実現する。3ショット認証において97％のF1スコアを達成し、1秒間の相互作用後にはユーザーを認証可能であり、大規模なスケールで継続的かつ摩擦のない認証を実現する。

ABSTRACT

Mobile applications are widely used for online services sharing a large amount of personal data online. One-time authentication techniques such as passwords and physiological biometrics (e.g., fingerprint, face, and iris) have their own advantages but also disadvantages since they can be stolen or emulated, and do not prevent access to the underlying device, once it is unlocked. To address these challenges, complementary authentication systems based on behavioural biometrics have emerged. The goal is to continuously profile users based on their interaction with the mobile device. However, existing behavioural authentication schemes are not (i) user-agnostic meaning that they cannot dynamically handle changes in the user-base without model re-training, or (ii) do not scale well to authenticate millions of users. In this paper, we present AuthentiSense, a user-agnostic, scalable, and efficient behavioural biometrics authentication system that enables continuous authentication and utilizes only motion patterns (i.e., accelerometer, gyroscope and magnetometer data) while users interact with mobile apps. Our approach requires neither manually engineered features nor a significant amount of data for model training. We leverage a few-shot learning technique, called Siamese network, to authenticate users at a large scale. We perform a systematic measurement study and report the impact of the parameters such as interaction time needed for authentication and n-shot verification (comparison with enrollment samples) at the recognition stage. Remarkably, AuthentiSense achieves high accuracy of up to 97% in terms of F1-score even when evaluated in a few-shot fashion that requires only a few behaviour samples per user (3 shots). Our approach accurately authenticates users only after 1 second of user interaction. For AuthentiSense, we report a FAR and FRR of 0.023 and 0.057, respectively.

研究の動機と目的

• 既存の行動バイオメトリクスシステムが有する限界、すなわちユーザーに依存する、大量のトレーニングデータを必要とし、大規模なユーザー基盤ではスケーラブルでないという点を解決すること。
• 通常のモバイルアプリ利用中に収集されたモーションパターンのみを用いて、継続的かつ非侵襲的な認証を可能にすること。
• 最小限のユーザー行動サンプル（少量学習）でも高い精度を維持するシステムを開発し、ユーザーの追加・削除に伴う再トレーニングの必要性を排除すること。
• デプロイ段階での手作業による特徴量設計やリソース集約型の個別ユーザー用モデルへの依存を低減すること。
• 低誤認受容率（FAR = 0.023）および低誤拒否率（FRR = 0.057）を実現する、高速かつ正確な認証を達成すること。

提案手法

• 同じユーザーのモーションパターン間の類似性を学習できる共有重みを持つシアンプルニューラルネットワークアーキテクチャを採用し、1ショットまたは少量学習を可能にする。
• 明示的な特徴量設計を必要とせず、ユーザーの相互作用中に収集されたモーションセンサデータ（加速度計、ジャイロスコープ、磁気計）を入力として使用する。
• 同じユーザーの埋め込みが近くなるよう促進し、異なるユーザーの埋め込みを遠ざけるようにするコントラスト型損失関数を用いてモデルをトレーニングする。
• 埋め込みの品質を向上させるために、トレーニング中にユーザーIDに基づいてアンカー、ポジティブ、ネガティブのサンプルを抽出するトリプレットマイニング戦略を適用する。
• 実行時においてnショット認証をサポートし、ユーザーの現在の行動を事前に登録された少数のサンプルと比較することで認証を実現する。
• モデルサイズと推論遅延を最小限に抑えることで、リアルタイムでのデプロイを最適化し、1秒間の相互作用後には認証が可能になる。

実験結果

リサーチクエスチョン

• RQ1 シアンプルネットワークに基づく少量学習アプローチは、最小限のユーザー登録データで高い正確性を達成できるか？
• RQ2 1ショット、3ショットなどの異なるnショット認証設定において、F1スコアおよび認証遅延の観点から、システムの性能はどの程度か？
• RQ3 再トレーニングや個別ユーザー用モデルの適応なしに、数百万のユーザーを認証できるスケーラビリティはどの程度達成できるか？
• RQ4 少量のトレーニングデータと動的なユーザーの変更が生じる中でも、誤認受容率と誤拒否率を低く維持できるか？
• RQ5 相互作用ウィンドウの長さが認証の正確性およびユーザーエクスペリエンスに与える影響はどの程度か？

主な発見

• AuthentiSenseは、3ショット認証において97％の高いF1スコアを達成し、1ユーザーあたり3つの行動サンプルでのみでも優れた性能を示している。
• システムは、わずか1秒間の相互作用後にもユーザーを正確に認証でき、高速かつ継続的な認証を実現している。
• 誤認受容率（FAR）は0.023、誤拒否率（FRR）は0.057であり、信頼性が高く、誤り率が低いことを示している。
• システムは完全にユーザーに依存しない設計であり、ユーザーの追加・削除に対しても再トレーニングを必要とせず、大規模なデプロイが可能である。
• 手作業による特徴量設計の必要性がなく、モバイルプラットフォーム上で効率的かつリアルタイムの推論をサポートする。
• 異なる相互作用ウィンドウ長さにおいても性能が安定しており、1秒間のウィンドウが最適な結果をもたらしている。