[논문 리뷰] Biometric-Based Wearable User Authentication During Sedentary and Non-sedentary Periods

Sudip Vhaduri, Christian Poellabauer|arXiv (Cornell University)|2018. 11. 16.

User Authentication and Security Systems참고 문헌 17인용 수 25

한 줄 요약

이 논문은 분석 간격이 분 단위인 미세한 생체정보—보행 수(행동성), 심박수(생리적), 칼로리 소비/MET(하이브리드)—를 사용하여 암시적 웨어러블 사용자 인증 시스템을 제안한다. 2년간의 두 번의 건강 연구에 걸쳐 421명의 피트비트 사용자에서 평가한 결과, 앉아 있는 동안 정확도가 92%였고, 비활동 상태일 땐 88%였으며, 하이브리드 생체정보가 다른 것들보다 뛰어난 성능을 보였다.

ABSTRACT

The Internet of Things (IoT) is increasingly empowering people with an interconnected world of physical objects ranging from smart buildings to portable smart devices such as wearables. With the recent advances in mobile sensing, wearables have become a rich collection of portable sensors and are able to provide various types of services including health and fitness tracking, financial transactions, and unlocking smart locks and vehicles. Existing explicit authentication approaches (i.e., PINs or pattern locks) suffer from several limitations including limited display size, shoulder surfing, and recall burden. Oftentimes, users completely disable security features out of convenience. Therefore, there is a need for a burden-free (implicit) authentication mechanism for wearable device users based on easily obtainable biometric data. In this paper, we present an implicit wearable device user authentication mechanism using combinations of three types of coarse-grained minute-level biometrics: behavioral (step counts), physiological (heart rate), and hybrid (calorie burn and metabolic equivalent of task). From our analysis of 421 Fitbit users from a two-year long health study, we are able to authenticate subjects with average accuracy values of around 92% and 88% during sedentary and non-sedentary periods, respectively. Our findings also show that (a) behavioral biometrics do not work well during sedentary periods and (b) hybrid biometrics typically perform better than other biometrics.

연구 동기 및 목표

• 사용자 부담으로 인한 사용자 회피, 어깨를 들여다보는 공격 등 사용성 문제, 어깨를 들여다보는 공격 등의 문제점을 겪는 웨어러블 기기에서의 명시적 인증(예: PIN, 패턴 잠금)의 한계를 해결하기 위해.
• 활동 상태에 따라 성능이 떨어지거나 센서/에너지 소모가 높은 기존 생체정보 기반 방법의 단점을 보완하기 위해, 미세한 생체정보와 저비용 데이터를 활용함.
• 광범용 웨어러블 센서 데이터를 기반으로 다양한 사용자 활동 상태에서 효과적으로 작동하는 일반화된 암시적 인증 메커니즘을 개발함.
• 실생활 장기 환경에서 다양한 생체정보 유형(행동성, 생리적, 하이브리드)을 조합하여 강력한 사용자 식별을 위한 효과성을 조사함.

제안 방법

• 2년간의 건강 연구 동안 421명의 피트비트 사용자로부터 분 단위로 생체정보 데이터를 수집함. 수집된 데이터는 보행 수(행동성), 심박수(생리적), 칼로리 소비/MET(하이브리드) 포함.
• 가장 구분력 있는 생체정보 특징을 식별하기 위해 COV(변동계수)와 KS(Kullback-Leibler 발산) 두 가지 특징 선택 방법을 사용함.
• 선택된 생체정보 특징을 기반으로 분류기를 적용하여 사용자 인증을 수행하며, 정확도(ACC)와 오류 수락률(FAR)을 사용해 성능 평가.
• 데이터를 앉아 있는 기간(l=0)과 비활동 기간(l=1)으로 분할하여, 다양한 활동 상태에서의 모델 성능 평가 수행.
• 정확도와 오류 수락률의 균형을 맞추기 위해 그래픽 분석을 활용해 각 특징 선택 방법에 대한 최적의 파라미터 임계값(xσt)을 최적화함.
• 다양한 생체정보 유형과 조합의 성능을 비교하여, 각 활동 상태와 특징 선택 방법에서 가장 높은 성능를 보이는 특징 조합을 식별함.

실험 결과

연구 질문

• RQ1 웨어러블 기기에서 분 단위로 수집된 미세한 생체정보는 앉아 있는 상태와 비활동 상태 모두에서 신뢰할 수 있는 암시적 사용자 인증을 가능하게 하는가?
• RQ2 행동성, 생리적, 하이브리드 생체정보 유형이 다양한 활동 상태에서 인증 정확도에 어떻게 영향을 미치는가?
• RQ3 계산 및 에너지 소모를 최소화하면서도 최고의 인증 정확도를 달성하기 위한 최적의 생체정보 특징 조합과 특징 선택 기법은 무엇인가?
• RQ4 실생활 웨어러블 환경에서 하이브리드 생체정보(예: 칼로리 소비 및 MET)가 순수 행동성 또는 생리적 생체정보보다 뛰어난 성능을 보이는가?
• RQ5 인증 시스템의 성능은 앉아 있는 상태와 비활동 상태에서 어떻게 다를지, 행동성 생체정보가 실패할 경우에도 높은 정확도를 유지할 수 있는가?

주요 결과

• 제안된 시스템은 분 단위 생체정보 데이터를 사용하여, 앉아 있는 동안 평균 92%의 정확도, 비활동 상태일 땐 88%의 정확도를 달성함.
• 하이브리드 생체정보—특히 칼로리 소비(C)와 작업의 대사당량(MET)—는 두 활동 상태 모두에서 다른 생체정보 유형보다 뛰어난 성능을 보이며, 가장 높은 정확도를 기록함.
• 행동성 생체정보(보행 수)는 앉아 있는 동안 정확도가 크게 떨어져 활동이 없는 상태에서 성능이 떨어짐.
• KS 특징 선택 방법은 COV보다 평균 정확도가 높은 편이지만(앉아 있는 동안 76.26%, 비활동 상태 73.89%), 앉아 있는 조건에서 오류 수락률(FAR)이 더 높음.
• 앉아 있는 동안 가장 뛰어난 성능을 보인 생체정보 조합은 C, M, H(칼로리 소비, MET, 심박수)였으며, COV 방법을 사용할 경우 55.46%의 정확도를 기록함.
• 비활동 상태에서는 C와 M(칼로리 소비 및 MET) 조합이 COV 방법을 사용해 단지 27개의 특징만으로 88.00%의 정확도를 달성하여 높은 효율성과 강건성을 입증함.