[논문 리뷰] A Probabilistic Approach for Authenticating Text or Graphical Passwords Using Back Propagation

A. S. N. Chakravarthy, P. S. Avadhani|arXiv (Cornell University)|2011. 10. 07.

User Authentication and Security Systems참고 문헌 9인용 수 6

한 줄 요약

이 논문은 텍스트 및 그래픽 암호 모두의 보안을 향상시키기 위해 역전파를 사용하는 신경망 기반의 확률적 인증 시스템을 제안한다. 사용자 입력을 정규화하고 피드포워드 신경망을 통해 확률적 값으로 변환함으로써, 추측 공격 및 재생 공격에 대한 저항력을 향상시킨다. 실험 결과, 기존 방법에 비해 더 높은 인증 정확도와 강건성을 입증하였다.

ABSTRACT

Password authentication is a common approach to the system security and it is also a very important procedure to gain access to user resources. In the conventional password authentication methods a server has to authenticate the legitimate user. In our proposed method users can freely choose their passwords from a defined character set or they can use a graphical image as password and that input will be normalized. Neural networks have been used recently for password authentication in order to overcome pitfall of traditional password authentication methods. In this paper we proposed a method for password authentication using alphanumeric password and graphical password. We used Back Propagation algorithm for both alphanumeric (Text) and graphical password by which the level of security can be enhanced. This paper along with test results show that converting user password in to Probabilistic values enhances the security of the system

연구 동기 및 목표

• 기존 암호 인증 시스템의 취약점을 해결하기 위해 브루트 포스 공격 및 사회공학적 공격에 취약한 점을 개선한다.
• 단일 인증 메커니즘 내에서 텍스트 기반 암호와 그래픽 암호를 모두 지원하는 통합 프레임워크를 개발한다.
• 신경망을 사용해 사용자 암호를 확률적 표현으로 변환함으로써 시스템 보안을 향상시킨다.
• 역전파가 인증 정확도 향상과 공격에 대한 내성을 높이는 데 얼마나 효과적인지 평가한다.

제안 방법

• 알파벳 숫자 문자열 또는 그래픽 이미지로 구성된 사용자 암호는 처리 전에 표준화된 입력 형식으로 정규화된다.
• 피드포워드 신경망에 역전파 알고리즘을 적용하여 정규화된 암호 입력을 인증 가능성에 해당하는 확률적 출력 값으로 매핑한다.
• 역전파 알고리즘은 예측된 결과와 실제 인증 결과 간의 오차를 최소화하기 위해 네트워크 가중치를 반복적으로 조정한다.
• 시스템은 확률적 신뢰도 점수를 사용하여 로그인 시도를 수락 또는 거부한다.
• 텍스트 및 그래픽 암호는 모두 신경망 처리에 적합한 수치적 특징 벡터로 인코딩된다.
• 이 방법은 신경망의 적응적 학습 능력을 활용해 암호 입력 행동의 미세한 패턴을 탐지한다.

실험 결과

연구 질문

• RQ1 신경망 기반 시스템은 기존 텍스트 기반 암호 인증의 보안을 향상시킬 수 있는가?
• RQ2 역전파 알고리즘은 텍스트 및 그래픽 암호의 학습과 인증에 얼마나 효과적인가?
• RQ3 암호를 확률적 값으로 변환하는 것이 추측 공격 또는 재생 공격에 대한 저항력을 향상시키는가?
• RQ4 정규화 및 특징 인코딩이 인증 정확도에 어떤 영향을 미치는가?
• RQ5 단일 신경망 아키텍처가 그래픽 입력을 포함한 다양한 암호 유형을 효과적으로 처리할 수 있는가?

주요 결과

• 제안된 방법은 사용자 입력의 변형에 대해 기존 암호 시스템보다 더 높은 인증 정확도를 달성하였다.
• 암호의 확률적 표현은 브루트 포스 공격 및 추측 공격의 성공률을 크게 감소시켰다.
• 소규모 입력 변형이 있더라도도 정상 사용자와 위조자 간의 구분에 대해 신경망 모델이 강건성을 보였다.
• 그래픽 암호는 텍스트 암호와 동일한 신경망 프레임워크를 사용해 성공적으로 인코딩되고 인증되었다.
• 역전파 알고리즘이 학습 중 오차를 효과적으로 최소화하여 안정적이고 신뢰할 수 있는 인증 결정을 이끌어냈다.
• 동적 확률적 평가 방식 덕분에 시스템은 재생 공격에 대해 향상된 저항성을 보였다.