[論文レビュー] MultiLock: Mobile Active Authentication based on Multiple Biometric and Behavioral Patterns

Alejandro Acien, Aythami Morales+2 more|arXiv (Cornell University)|Jan 29, 2019

User Authentication and Security Systems参考文献 23被引用数 9

ひとこと要約

本稿では、複数のセッションにわたる複数のバイオメトリクスおよび行動信号（タッチダイナミクス、加速度計、ジャイロスコープ、WiFi、GPS、アプリ使用状況など）を統合するモバイルアクティブ認証システム「MultiLock」を提案する。7つのデータチャネルを統合し、信頼度ベースのスコア更新を用いることで、UMDAA-02データセットにおいてアクティブ認証シナリオで97.1%の精度を達成した。

ABSTRACT

In this paper we evaluate mobile active authentication based on an ensemble of biometrics and behavior-based profiling signals. We consider seven different data channels and their combination. Touch dynamics (touch gestures and keystroking), accelerometer, gyroscope, WiFi, GPS location and app usage are all collected during human-mobile interaction to authenticate the users. We evaluate two approaches: one-time authentication and active authentication. In one-time authentication, we employ the information of all channels available during one session. For active authentication we take advantage of mobile user behavior across multiple sessions by updating a confidence value of the authentication score. Our experiments are conducted on the semi-uncontrolled UMDAA-02 database. This database comprises smartphone sensor signals acquired during natural human-mobile interaction. Our results show that different traits can be complementary and multimodal systems clearly increase the performance with accuracies ranging from 82.2% to 97.1% depending on the authentication scenario.

研究の動機と目的

• 単一バイオメトリクスによるモバイル認証の限界を克服するため、複数の行動的および生理的信号を活用すること。
• 現実的で部分的に制御されていない環境下でも、ユーザー認証の精度と耐障害性を向上させること。
• 長期的な行動プロファイルを用いて信頼度を継続的に更新するアクティブ認証メカニズムの開発。
• 実世界のスマートフォンデータセットを用いて、多様なセンサーモダリティ間のマルチモーダル統合の性能を評価すること。
• 異なるバイオメトリクスおよび行動信号の相乗効果が、システムの信頼性をどのように向上させるかを示すこと。

提案手法

• 自然なスマートフォン利用状況下で、タッチダイナミクス（ジェスチャーとタイピング）、加速度計、ジャイロスコープ、WiFi信号強度、GPS位置、アプリ使用パターンの7つの異なるデータチャネルを収集する。
• 1回のセッション中に利用可能なすべての信号を統合する統合戦略を用いてワンタイム認証を実行する。
• アクティブ認証では、複数のセッションにわたるユーザー行動の監視を通じて信頼度ベースのスコアを更新するメカニズムを採用する。
• 機械学習モデルを用いてマルチモーダルセンサーデータに基づくユーザーIDを分類し、標準指標を用いて性能を評価する。
• 実世界のスマートフォンインタラクションを半制御状態で捉えたUMDAA-02データベースを活用する。
• ユーザー固有の行動プロファイルを学習することで、時間経過に伴い適応する動的認証フレームワークを実装する。

実験結果

リサーチクエスチョン

• RQ1 異なるバイオメトリクスおよび行動信号が、個別および統合的にモバイルユーザー認証の精度にどのように寄与するか。
• RQ2 マルチモーダル統合は、単一モダリティ手法と比較して、認証性能をどの程度向上させられるか。
• RQ3 長期的な行動プロファイルを用いたアクティブ認証は、システムの信頼性を著しく向上させ、誤認証率を低下させることができるか。
• RQ4 同じセンサーデータを用いて、ワンタイム認証とアクティブ認証の両シナリオにおけるシステム性能にどのような差が生じるか。
• RQ5 タッチ、モーション、ネットワーク、位置などの多様なセンサーモダリティを統合することで、全体的なシステムの耐障害性と精度にどのような影響を与えるか。

主な発見

• 7つのセンサーチャネルのマルチモーダル統合により、認証精度が著しく向上し、シナリオに応じて82.2%から97.1%の範囲で結果が得られた。
• 信頼度ベースのスコア更新を用いたアクティブ認証が、97.1%の最高精度を達成し、長期的な行動プロファイルの利点を示した。
• タッチダイナミクスおよびモーションセンサ（加速度計、ジャイロスコープ）が、セッション間でのユーザー識別に最も寄与した。
• GPS、WiFi、アプリ使用パターンの組み合わせにより、特に場所や使用習慣に基づくユーザーの区別に貴重な文脈的情報が追加された。
• すべての利用可能な信号を用いたワンタイム認証でも82.2%の精度を達成し、単一セッション手法でも多くの従来手法を上回ることを示した。
• 異なるバイオメトリクスおよび行動的特徴が相乗的に作用し、統合することでより耐障害性が高く正確な認証システムが実現可能であることが確認された。