[論文レビュー] Evaluation of a User Authentication Schema Using Behavioral Biometrics and Machine Learning

Laura Pryor, Jacob Mallet+4 more|arXiv (Cornell University)|May 7, 2022

User Authentication and Security Systems被引用数 4

ひとこと要約

本論文は、機械学習を用いてタッチダイナミクスと端末の移動行動を統合したマルチモーダルユーザ認証システムを提案し、モバイルデバイスにおけるセキュリティを強化することを目的としている。7つのアルゴリズムを用いて2つの公開データセットで評価した結果、最高で86%の精度を達成し、従来のパスワードベースや生理的特徴に基づく方法に対する強力な代替手段としての行動バイオメトリクスの有効性を示した。

ABSTRACT

The amount of secure data being stored on mobile devices has grown immensely in recent years. However, the security measures protecting this data have stayed static, with few improvements being done to the vulnerabilities of current authentication methods such as physiological biometrics or passwords. Instead of these methods, behavioral biometrics has recently been researched as a solution to these vulnerable authentication methods. In this study, we aim to contribute to the research being done on behavioral biometrics by creating and evaluating a user authentication scheme using behavioral biometrics. The behavioral biometrics used in this study include touch dynamics and phone movement, and we evaluate the performance of different single-modal and multi-modal combinations of the two biometrics. Using two publicly available datasets - BioIdent and Hand Movement Orientation and Grasp (H-MOG), this study uses seven common machine learning algorithms to evaluate performance. The algorithms used in the evaluation include Random Forest, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, Logistic Regression, Multilayer Perceptron, and Long Short-Term Memory Recurrent Neural Networks, with accuracy rates reaching as high as 86%.

研究の動機と目的

• パスワードや生理的バイオメトリクスなどの従来のモバイル認証手法に見られるスプーフィングや静的セキュリティ対策の脆弱性を是正すること。
• 特にタッチダイナミクスと端末の移動行動を含む行動バイオメトリクスが、継続的かつ適応的認証メカニズムとしての実現可能性と性能を検討すること。
• 多様な機械学習アルゴリズムを用いて、タッチとモーションバイオメトリクスの単一モーダルおよびマルチモーダルな組み合わせの性能を評価すること。
• 実世界のモバイル認証シナリオにおける行動バイオメトリクスの有効性を実証的に示す証拠を提供すること。

提案手法

• 本研究では、タッチダイナミクス用のBioIdentと、端末の移動および姿勢用のH-MOGという2つの公開データセットを用いた。
• スマートフォンのセンサーから得られるタッチインタラクション（例：タップ時間、圧力、スワイプ速度）およびモーションパターン（例：加速度、角速度）の特徴抽出を実施した。
• 7つの機械学習モデル（ランダムフォレスト、サポートベクターマシン、K-近傍法、ナイーブベイズ、ロジスティック回帰、マルチレイヤーパーセプトロン、長短期記憶（LSTM）ネットワーク）を訓練および評価した。
• 分類精度を指標として性能を評価し、被験者およびセッション間の堅牢性を確保するため交差検証を実施した。
• マルチモーダル統合は、タッチおよびモーションモーダルの特徴を連結して分類器に供給することで実装した。
• 単一モーダル（タッチのみまたはモーションのみ）およびマルチモーダル（タッチ＋モーション）の構成を比較評価するための評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いた認証において、タッチダイナミクス単体と端末の移動単体の性能は、それぞれどのように比較されるか？
• RQ2 タッチとモーションバイオメトリクスを統合することで、単一モーダル手法と比較して認証精度にどのような影響を与えるか？
• RQ3 行動バイオメトリクス特徴に基づくユーザID分類において、どの機械学習アルゴリズムが最も高い精度を達成するか？
• RQ4 タッチおよびモーションデータからの異なる特徴の組み合わせは、被験者間でのモデルの一般化性および堅牢性にどのように影響するか？
• RQ5 行動バイオメトリクスは、従来のパスワードベースや生理的特徴に基づく認証の代替手段として、実用的で継続的かつ安全な選択肢として成立するか？

主な発見

• タッチダイナミクスと端末の移動を統合したマルチモーダルアプローチが、評価されたデータセット全体で最高86%の認証精度を達成した。
• 7つの機械学習モデルの中で、長短期記憶（LSTM）ネットワークが、行動シーケンス内の時間的パターンを捉える能力が優れており、特に優れた性能を示した。
• ランダムフォレストおよびサポートベクターマシンも高い精度を示し、多様なユーザ行動にわたる一般化性能の高さが裏付けられた。
• 単一モーダルシステムは十分な性能を示したが、常にマルチモーダル統合手法に劣っていた。
• 行動バイオメトリクスが機械学習と組み合わされれば、モバイルデバイスにおける信頼性が高く適応的な認証メカニズムを提供できることが確認された。