[論文レビュー] Recurrent neural network-based user authentication for freely typed keystroke data

Junhong Kim, Pilsung Kang|arXiv (Cornell University)|Jun 16, 2018

User Authentication and Security Systems参考文献 15被引用数 8

ひとこと要約

本稿では、連続するキー入力ペアを入力とし、実際の入力時間（キー間隔）をターゲットとするRNNベースのキーストロークダイナミクス認証（RNN-KDA）モデルを提案する。10個のテストキーストロークでのみ5-6%の等誤り率（EER）を達成しており、ベンチマーク手法が20%を超えるのに対し顕著に優れている。また、訓練データ長が増加するにつれて、より速く安定した性能向上を示している。

ABSTRACT

Keystroke dynamics-based user authentication (KDA) based on long and freely typed text is an enhanced user authentication method that can not only identify the validity of current users during login but also continuously monitors the consistency of typing behavior after the login process. Previous long and freely typed text-based KDA methods had difficulty incorporating the key sequence information and handling variable lengths of keystrokes, which in turn resulted in lower authentication performance compared to KDA methods based on short and fixed-length text. To overcome these limitations, we propose a recurrent neural network (RNN)-based KDA model. As the RNN model can process an arbitrary length of input and target sequences, our proposed model takes two consecutive keys as the input sequence and actual typing time for the corresponding key sequence as the target sequence. Based on experimental results involving 120 participants, our proposed RNN-KDA model yielded the best authentication performance for all training and test length combinations in terms of equal error rate (EER). It achieved a 5%-6% EER using only 10 test keystrokes while the EERs of other benchmark methods were above 20%. In addition, its performance steadily and more rapidly improves compared to the benchmark methods when the length of training keystrokes increases.

研究の動機と目的

• 変動する長さの自由入力テキストに対応できず、シーケンスモデリングが不十分な既存のキーストロークダイナミクス認証（KDA）手法の限界を解消すること。
• キーパターンの順序情報を組み込み、長文における可変長入力に対応することで、認証精度を向上させること。
• 現実世界の制約のない入力行動から時間的入力パターンを学習できる、堅牢でエンドツーエンドのRNNベースのモデルを構築すること。
• 特に少量のデータ条件下でも、訓練およびテストシーケンス長の変動を考慮してモデルの性能を評価すること。

提案手法

• RNN-KDAモデルは、連続する2つのキーストロークを入力シーケンスとして用い、順序的な入力パターンを捉える。
• 各キーペアの実際の入力時間（キーストローク間隔）を予測し、これをターゲットシーケンスとして使用する。
• RNNが可変長シーケンスを処理できる特性を活用し、多様な入力長に対応した効果的な処理を可能にする。
• 訓練では、キーペアからその対応する時間的挙動へのマッピングを学習し、ユーザー固有の入力ダイナミクスを捉える。
• 120名の参加者から得たキーストロークデータを用いて、エンドツーエンドでモデルを訓練し、認証精度を最適化する。
• 複数の訓練およびテスト長の組み合わせにおいて、等誤り率（EER）を用いてモデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 RNNベースのモデルは、ユーザー認証のための可変長で自由入力されたキーストロークシーケンスを効果的にモデル化できるか？
• RQ2 特に短いテストシーケンス条件下で、提案されたRNN-KDAモデルは既存のKDA手法と比較して認証精度に優れているか？
• RQ3 訓練シーケンス長が増加するに従い、RNN-KDAモデルの性能はベンチマーク手法よりも速くかつ安定して向上するか？
• RQ4 制約のない入力環境下で、キーパターンの順序情報を組み込むことで、認証性能はどの程度向上するか？

主な発見

• RNN-KDAモデルは、たった10個のテストキーストロークでのみ5-6%の等誤り率（EER）を達成しており、ベンチマーク手法が20%を超えるのに対し顕著に優れている。
• 訓練キーストローク長が増加するにつれて、RNN-KDAモデルの認証性能はベンチマーク手法よりも速くかつ安定して向上した。
• 評価されたすべての訓練およびテスト長の組み合わせにおいて、RNN-KDAモデルは優れた一般化性能を示した。
• 連続するキーペアとその時間的挙動をモデル化することで、ユーザー固有の行動パターンを効果的に捉えることができた。