[논문 리뷰] AuthentiSense: A Scalable Behavioral Biometrics Authentication Scheme using Few-Shot Learning for Mobile Platforms

Hossein Fereidooni, Jan König외 6명|arXiv (Cornell University)|2023. 02. 06.

User Authentication and Security Systems인용 수 4

한 줄 요약

AuthentiSense는 수작업으로 설계된 기능이나 재학습이 필요 없이, 운동 센서 데이터(가속도계, 자이로스코프, 자석계)를 기반으로 사용자에 관계없이 적용 가능한 확장성 있는 행동 생체 인증 시스템을 제안한다. 이 시스템은 소수의 샘플을 기반으로 한 시앙세이 네트워크를 사용하여 사용자를 인증하며, 3-샷 검증에서 97%의 F1 스코어를 달성하고, 상호작용 후 1초 이내에 사용자를 인증하여 대규모 환경에서 지속적이고 무방비적인 인증을 가능하게 한다.

ABSTRACT

Mobile applications are widely used for online services sharing a large amount of personal data online. One-time authentication techniques such as passwords and physiological biometrics (e.g., fingerprint, face, and iris) have their own advantages but also disadvantages since they can be stolen or emulated, and do not prevent access to the underlying device, once it is unlocked. To address these challenges, complementary authentication systems based on behavioural biometrics have emerged. The goal is to continuously profile users based on their interaction with the mobile device. However, existing behavioural authentication schemes are not (i) user-agnostic meaning that they cannot dynamically handle changes in the user-base without model re-training, or (ii) do not scale well to authenticate millions of users. In this paper, we present AuthentiSense, a user-agnostic, scalable, and efficient behavioural biometrics authentication system that enables continuous authentication and utilizes only motion patterns (i.e., accelerometer, gyroscope and magnetometer data) while users interact with mobile apps. Our approach requires neither manually engineered features nor a significant amount of data for model training. We leverage a few-shot learning technique, called Siamese network, to authenticate users at a large scale. We perform a systematic measurement study and report the impact of the parameters such as interaction time needed for authentication and n-shot verification (comparison with enrollment samples) at the recognition stage. Remarkably, AuthentiSense achieves high accuracy of up to 97% in terms of F1-score even when evaluated in a few-shot fashion that requires only a few behaviour samples per user (3 shots). Our approach accurately authenticates users only after 1 second of user interaction. For AuthentiSense, we report a FAR and FRR of 0.023 and 0.057, respectively.

연구 동기 및 목표

• 기존 행동 생체 인증 시스템이 사용자에 관계없이 적용되지 않거나, 광범위한 학습 데이터가 필요하거나 대규모 사용자 기반에 대해 확장성이 떨어지는 문제를 해결하기 위해.
• 일반적인 모바일 앱 상호작용 중에 수집된 운동 패턴만을 사용하여 지속적이고 간섭이 없는 인증을 가능하게 하기 위해.
• 최소한의 사용자 행동 샘플(소수의 샘플 학습)로도 높은 정확도를 유지하면서, 사용자가 추가되거나 제거될 경우 재학습이 필요 없도록 하는 시스템을 개발하기 위해.
• 배포 시 수작업으로 설계된 기능이나 자원을 많이 소비하는 개별 사용자 기반 모델에 대한 의존도를 줄이기 위해.
• 낮은 거짓 수락률(FAR = 0.023)과 거짓 거부률(FRR = 0.057)을 기반으로 빠르고 정확한 인증을 달성하기 위해.

제안 방법

• 공유 가중치를 가진 시앙세이 신경망 아키텍처를 사용하여 사용자 운동 패턴 간의 유사도를 학습함으로써, 단일 또는 소수의 샘플 학습이 가능한 구조를 구현함.
• 사용자 상호작용 중에 수집된 운동 센서 데이터(가속도계, 자이로스코프, 자석계)를 입력으로 사용하며, 명시적인 기능 엔지니어링이 필요 없음.
• 동일한 사용자의 임베딩은 가까이 있도록, 다른 사용자의 임베딩는 멀리 있도록 유도하는 대비 손실 함수를 사용하여 모델을 학습함.
• 학습 중에 사용자 신원 기반으로 억류(anchor), 양성(positive), 음성(negative) 샘플을 구성하는 트리플릿 마이닝 전략을 적용하여 임베딩 품질을 향상시킴.
• 런타임에 n-샷 검증을 지원하며, 사용자의 현재 행동을 사전에 등록된 몇 개의 샘플과 비교하여 인증함.
• 모델 크기와 추론 지연을 최소화하여 실시간 배포에 최적화함으로써, 상호작용 후 단 1초 만에 인증이 가능하도록 설계함.

실험 결과

연구 질문

• RQ1 시앙세이 네트워크를 기반으로 한 소수의 샘플 학습 접근법이, 최소한의 사용자 등록 데이터로도 높은 정확도의 행동 생체 인증을 달성할 수 있는가?
• RQ2 1-샷, 3-샷 등 다양한 n-샷 검증 설정에서 F1 스코어와 인증 지연 시간 측면에서 시스템 성능은 어떻게 되는가?
• RQ3 재학습 없이 또는 개별 사용자 기반 모델 적응 없이 수백만 명의 사용자를 인증하는 데까지 얼마나 잘 확장될 수 있는가?
• RQ4 최소한의 학습 데이터와 동적인 사용자 변화에도 불구하고, 낮은 거짓 수락률과 거짓 거부률을 유지할 수 있는가?
• RQ5 상호작용 창의 길이가 인증 정확도와 사용자 경험에 어떤 영향을 미치는가?

주요 결과

• AuthentiSense는 3-샷 검증에서 97%의 높은 F1 스코어를 기록하여, 사용자당 세 개의 행동 샘플만으로도 강력한 성능을 보임.
• 시스템은 상호작용 후 단 1초 만에 사용자를 정확히 인증할 수 있어, 신속하고 지속적인 인증이 가능함.
• 거짓 수락률(FAR)은 0.023이고, 거짓 거부률(FRR)은 0.057로, 강력한 신뢰성과 낮은 오류율을 보임.
• 시스템은 완전히 사용자에 관계없이 적용 가능하며, 사용자가 시스템에 추가되거나 제거되더라도 재학습이 필요 없어 대규모 배포에 적합함.
• 수작업으로 설계된 기능이 필요 없으며, 모바일 플랫폼에서 효율적이고 실시간 추론을 지원함.
• 다양한 상호작용 창 길이에서 성능이 우수하게 유지되며, 1초 창 길이에서 최적의 결과를 보임.