[論文レビュー] WearID: Wearable-Assisted Low-Effort Authentication to Voice Assistants using Cross-Domain Speech Similarity

Chen Wang, Cong Shi+3 more|arXiv (Cornell University)|Mar 20, 2020

Speech Recognition and Synthesis参考文献 27被引用数 6

ひとこと要約

WearID は、ボイスアシスタントのマイクとユーザーのウェアラブルデバイスのモーションセンサ間のクロスドメイン音声類似性を用いて、ボイスコマンドの認証を実現する低負荷のウェアラブル支援認証システムである。モーションセンサの短い応答距離と特徴的な音響応答を活用することで、通常状態では 99.8% の正確性を達成し、模倣、リプレイ、隠し音声、超音波攻撃を含む 97% の偽装コマンドを検出する。

ABSTRACT

Due to the open nature of voice input, voice assistant (VA) systems (e.g., Google Home and Amazon Alexa) are under a high risk of sensitive information leakage (e.g., personal schedules and shopping accounts). Though the existing VA systems may employ voice features to identify users, they are still vulnerable to various acoustic attacks (e.g., impersonation, replay and hidden command attacks). In this work, we focus on the security issues of the emerging VA systems and aim to protect the users' highly sensitive information from these attacks. Towards this end, we propose a system, WearID, which uses an off-the-shelf wearable device (e.g., a smartwatch or bracelet) as a secure token to verify the user's voice commands to the VA system. In particular, WearID exploits the readily available motion sensors from most wearables to describe the command sound in vibration domain and check the received command sound across two domains (i.e., wearable's motion sensor vs. VA device's microphone) to ensure the sound is from the legitimate user.

研究の動機と目的

• 模倣、リプレイ、隠し音声、超音波攻撃などの音声スプーフィング攻撃に対するボイスアシスタント（VA）システムの脆弱性に対処すること。
• スケジュールや購入アカウントなどの機密ユーザー情報を、音声コマンドによる不正アクセスから保護すること。
• 市販のウェアラブルデバイス（例：スマートウォッチ）を安全で低負荷の第二要因として活用すること。
• 音声（マイク）と振動（モーションセンサ）の異なるモダリティ間でクロスドメイン検証を実施し、従来の音声オンリービーオメトリクスを上回るセキュリティを強化すること。
• 8000Hz と 200Hz の大幅に異なるサンプリングレートおよびセンシング特性を持つデータを、真正性を保持したまま意味的に比較する方法を開発すること。

提案手法

• 「OK Google」などのウェイクワードを用いて WearID の認証プロセスをトリガーする。
• 同時に、VA のマイク（音声ドメイン）とウェアラブルの加速度計（振動ドメイン）の両方で同じ音声コマンドをキャプチャする。
• モーションセンサの固有の周波数応答特性を用いて、音声と振動応答の複雑な関係をモデル化する。
• 高レートのマイクデータ（8000Hz）を、モーションセンサの応答に一致する低周波数データ（200Hz）に変換し、クロスドメイン比較を可能にする。
• 変換されたマイクデータのスペクトログラムと実際のモーションセンサデータの間で 2D 交差相関を計算し、類似度を評価する。
• 得られた相関係数を真正性の指標として用いる — 高い相関は正当なユーザーを示し、低い相関はスプーフィングを示す。

実験結果

リサーチクエスチョン

• RQ1 ボイスアシスタントのマイクとウェアラブルのモーションセンサ間のクロスドメイン音声類似性は、改ざんされた音声コマンドを効果的に検出できるか？
• RQ2 モーションセンサの短い応答距離（25 cm）と特徴的な音響応答は、模倣およびリプレイ攻撃に対する耐性をどのように向上させるか？
• RQ3 従来の音声ベースのバイオメトリクスでは回避される可能性がある、隠し音声コマンドや超音波攻撃を WearID は検出可能か？
• RQ4 大幅に異なるサンプリングレート（8000Hz 対 200Hz）を持つ二つのモダリティからのデータを、認証のために意味的に比較するにはどうすればよいか？
• RQ5 既存の手法（例：ライブネス検出やバーチャルボタン）と比較して、WearID はユーザーの負荷をどの程度低減できるか？

主な発見

• WearID は通常状態で正当な音声コマンドの認証に 99.8% の正確性を達成する。
• 模倣、リプレイ、隠し音声、超音波攻撃を含むさまざまな攻撃に対して、偽装コマンドの 97% を検出する。
• 正当なコマンドの中央値 2D 相関係数は、Huawei Watch 2 で 0.5、LG Urban W150 で 0.4 であり、隠し音声コマンドではそれぞれ 0.05 と 0.05 にとどまる。
• 超音波攻撃（15–25 kHz）は効果的にブロックされる：VA のマイクは反応するが、両方のスマートウォッチのモーションセンサには応答がない。
• システムがモーションセンサの応答特性（短い範囲と特徴的な周波数応答）に依存しているため、攻撃者がクロスドメイン類似性を偽造することは困難である。
• ウェイクワード検出時に受動的に動作するため、ボタン押下や VA デバイスに近づく必要がないなど、ユーザーの負荷が最小限に抑えられる。