[논문 리뷰] Could We Distinguish Child Users from Adults Using Keystroke Dynamics?

Yasin Uzun, Kemal Biçakcı외 1명|arXiv (Cornell University)|2015. 11. 18.

User Authentication and Security Systems참고 문헌 9인용 수 10

한 줄 요약

이 연구는 타자기 동작 패턴, 예를 들어 키 간 간격 시간을 이용하여 15세 미만의 어린이 사용자와 17세 초과 성인 사용자를 식별할 수 있는지 조사한다. 100명의 사용자로 구성된 고유한 데이터셋을 통해 연령 그룹 분류에서 8.8%의 동등 오류율(EER)을 달성하였으며, 이는 개인정보 보호 기반 접근 제어 및 형량 응용 분야에서의 실현 가능성을 보여준다.

ABSTRACT

Significant portion of contemporary computer users are children, who are vulnerable to threats coming from the Internet. To protect children from such threats, in this study, we investigate how successfully typing data can be used to distinguish children from adults. For this purpose, we collect a dataset comprising keystroke data of 100 users and show that distinguishing child Internet users from adults is possible using Keystroke Dynamics with equal error rates less than 10 percent. However the error rates increase significantly when there are impostors in the system.

연구 동기 및 목표

• 15세 미만의 어린이 또는 17세 초과 성인으로 사용자를 신뢰성 있게 분류할 수 있는지 확인하는 것. 청소년(15–17세)은 분류의 모호성을 피하기 위해 제외한다.
• 사용자 입력 없이도 타자 행동을 활용해 수동 식별자로 기능하는 생체인식 기반 연령 그룹 탐지 시스템을 개발하는 것.
• 학습 데이터를 탈식별 가능하게 하고 모델 학습 후 폐기할 수 있도록 하여 개인정보 보호 문제를 해결하는 것.
• 향후 연령 기반 생체인식 연구를 지원하기 위해 공개된 연령 레이블이 부여된 타자기 데이터셋을 제공하는 것.

제안 방법

• 15세 미만의 어린이 50명과 17세 초과 성인 50명을 포함한 총 100명의 사용자 데이터셋을 확보하였으며, 분류의 모호성을 피하기 위해 청소년은 제외하였다.
• 고정된 문장 조각을 반복 입력하는 동안 키 간 간격 시간과 키 누름/해제 시점의 마이크로초 단위 기록을 수행하였다.
• 키보드 입력 특징을 기반으로 k-최근접 이웃, 서포트 벡터 머신, 신경망 등의 다양한 분류 알고리즘을 적용하였다.
• 성능 평가에 주로 동등 오류율(EER)을 사용하였으며, 정확도를 높이기 위해 교차 검증을 실시하였다.
• 모델 학습 후 생체정보 데이터를 영구 저장하지 않도록 하여 실시간으로 타자기 데이터를 처리하는 시스템을 설계하였다.
• 데이터셋, 데이터 수집 소프트웨어, 테스트 스크립트를 공개하여 복제 및 향후 기준 평가를 가능하게 하였다.

실험 결과

연구 질문

• RQ1 타자기 동작을 기반으로 타자기 행동 패턴을 이용해 15세 미만의 어린이 사용자와 17세 초과 성인 사용자를 정확하게 구분할 수 있는가?
• RQ2 인간의 위조자(모의 공격자)가 존재할 경우 타자기 기반 연령 분류 성능는 어떻게 변하는가?
• RQ3 개인식별 정보 없이도 타자기 동작을 통해 연령 그룹을 추론할 수 있는 정도는 어느 정도이며, 이는 개인정보 보호 응용 분야에 어떻게 활용될 수 있는가?
• RQ4 스마트폰의 터치 타이핑 패턴을 활용해 이 방법을 모바일 기기로 확장할 수 있는가?
• RQ5 타자기 동작과 마우스 동작을 조합하면 연령 그룹 예측 정확도가 향상될 수 있는가?

주요 결과

• 제안된 시스템은 타자기 동작을 활용해 어린이 사용자와 성인 사용자를 식별할 때 8.8%의 동등 오류율(EER)을 달성하였다.
• 최적의 알고리즘을 사용할 경우 정확도가 90%를 초과하여 실생활 적용 가능성은 매우 높다고 판단된다.
• 위조자(모의 공격자)가 시스템에 포함될 경우 오류율이 크게 증가하여 비영리 공격에 취약함을 시사한다.
• 이 연구는 공개된 연령 레이블이 부여된 타자기 데이터셋을 처음으로 제공하여 향후 기준 평가 및 복제 가능성을 확보하였다.
• 모델 학습 후 원시 데이터를 즉시 삭제할 수 있도록 실시간 처리를 지원함으로써 개인정보 보호 기반 구현이 가능하다.
• 결과적으로 연령 그룹 예측 기능을 기존 생체인식 인증 시스템에 통합할 경우 정확도를 최대 20%까지 향상시킬 수 있을 것으로 보인다.