[論文レビュー] Sequential Keystroke Behavioral Biometrics for Mobile User Identification via Multi-view Deep Learning

Lichao Sun, Yuqi Wang+4 more|arXiv (Cornell University)|Nov 7, 2017

User Authentication and Security Systems参考文献 14被引用数 4

ひとこと要約

本稿では、スマートフォンのキーストロークタイミングと加速度計データを統合して、連続的で侵襲性のないユーザー認証を実現するマルチビュー深層学習フレームワーク「DeepService」を提案する。ユーザー識別精度は93%以上を達成し、1ms未満の推論時間で動作し、高い正確性と効率性を示している。

ABSTRACT

With the rapid growth in smartphone usage, more organizations begin to focus on providing better services for mobile users. User identification can help these organizations to identify their customers and then cater services that have been customized for them. Currently, the use of cookies is the most common form to identify users. However, cookies are not easily transportable (e.g., when a user uses a different login account, cookies do not follow the user). This limitation motivates the need to use behavior biometric for user identification. In this paper, we propose DEEPSERVICE, a new technique that can identify mobile users based on user's keystroke information captured by a special keyboard or web browser. Our evaluation results indicate that DEEPSERVICE is highly accurate in identifying mobile users (over 93% accuracy). The technique is also efficient and only takes less than 1 ms to perform identification.

研究の動機と目的

• クッキーのような従来のユーザー識別手法には、デバイス間やアカウント間での移行性がなく、その限界を解消すること。
• 行動バイオメトリクス——特に逐次的キーストロークタイミングと加速度計パターン——を活用し、継続的で侵襲性のないモバイルユーザー識別における強力な代替手法を検討すること。
• 複数のバイオメトリクスデータストリームを統合するマルチビュー深層学習モデルを構築し、単一ビュー手法を上回る識別精度を向上させること。
• 複数のユーザーと動的な使用パターンを含む実世界のシナリオにおいて、提案手法の実現可能性と優位性を実証すること。
• キーストローク、タイミング、加速度といった異なるバイオメトリクスビューのユーザー識別における判別力についての知見を提供すること。

提案手法

• スマートフォンからの逐次的キーストロークタイミングと加速度計の運動パターンを統合して、マルチビュー・マルチクラス（MVMC）深層学習フレームワーク「DeepService」を提案する。
• 長期間のタイピングパターンを捉えるために、キーストロークデータの時間的依存性をGated Recurrent Units（GRUs）でモデル化する。
• 3つの異なるバイオメトリクスビューを抽出する：(1) キー間隔のタイミング、(2) セッションごとのキー頻度、(3) タイピング中のスマートフォンの3次元加速度パターン。
• 全3ビューからの表現を統合するマルチビュー学習を適用し、判別力の向上とユーザー間の曖昧さの低減を実現する。
• ラベル付きユーザー・セッションを用いてエンドツーエンドでモデルを学習し、交差エントロピー損失を最適化することで分類精度を向上させる。
• リアルタイムでの推論を実装し、標準ラップトップ上での1セッションあたり0.657msの遅延を計測し、実用的導入を可能にする。

実験結果

リサーチクエスチョン

• RQ1 逐次的キーストロークと加速度計データをマルチビュー深層学習で効果的に統合することで、高精度なモバイルユーザー識別が可能か？
• RQ2 マルチビュー学習の性能は、単一ビューまたは従来の機械学習ベースライン（例：SVM、ランダムフォレスト）と比較して、複数ユーザーの識別においてどのように差がつくか？
• RQ3 加速度計データの追加が、キーストロークタイミングのみの状態と比較して、識別精度を顕著に向上させるか？
• RQ4 識別対象ユーザー数が増加するにつれてシステム性能はどのように低下するか？また、マルチビュー学習はその低下を緩和できるか？
• RQ5 提案手法のリアルタイム効率性はどの程度か？また、生産環境への導入に適しているか？

主な発見

• 5人のユーザーを識別する際、DeepServiceは93.50%の精度と93.51%のF1スコアを達成し、すべてのベースライン手法を上回った。
• 26人のユーザーにスケーリングした場合でも、DeepServiceは82.73%の精度と83.25%のF1スコアを維持し、ベースラインと比較して著しく性能低下が少なかった。
• 加速度計ビュー単体でも、キーストロークタイミングやキー頻度よりも強い判別力を持つことが判明し、マルチビュー統合によりさらに精度が向上した。
• システムは1セッションあたりたった0.657msの推論遅延を達成し、生産環境でのリアルタイム運用が可能であることを示した。
• 特に時間的依存性をモデル化するGRUsを用いたマルチビュー統合による深層学習は、SVM やランダムフォレスト、単一ビュー深層学習といった従来モデルを常に上回った。
• 加速度データにおけるユーザーのパターンは、活発に利用する上位ユーザー間で明確に分離しており、これがバイオメトリクス信号としての価値を裏付けている。