[논문 리뷰] Data Driven Authentication: On the Effectiveness of User Behaviour Modelling with Mobile Device Sensors

H. Güneş Kayacık, Mike Just외 3명|arXiv (Cornell University)|2014. 10. 28.

User Authentication and Security Systems참고 문헌 19인용 수 74

한 줄 요약

이 논문은 센서 데이터를 사용하여 경량이며 적응형 사용자 행동 모델링 시스템을 제안하며, 훈련에서 배포로의 자동 전환과 동적으로 탐지 임계값을 조정한다. 세 개의 공개 데이터셋에서 평가된 결과, 공격자 시나리오가 다양할 경우에도 비정상 행동을 효과적으로 탐지함을 입증하였으며, 실제 환경에서 훈련 시간과 드리프트 시간을 계산할 수 있다.

ABSTRACT

We propose a lightweight, and temporally and spatially aware user behaviour modelling technique for sensor-based authentication. Operating in the background, our data driven technique compares current behaviour with a user profile. If the behaviour deviates sufficiently from the established norm, actions such as explicit authentication can be triggered. To support a quick and lightweight deployment, our solution automatically switches from training mode to deployment mode when the user's behaviour is sufficiently learned. Furthermore, it allows the device to automatically determine a suitable detection threshold. We use our model to investigate practical aspects of sensor-based authentication by applying it to three publicly available data sets, computing expected times for training duration and behaviour drift. We also test our model with scenarios involving an attacker with varying knowledge and capabilities.

연구 동기 및 목표

• 모바일 기기 인증을 위한 센서 데이터 기반의 경량이며 배경에서 실행되는 사용자 행동 모델링 기법을 개발한다.
• 사용자 행동이 충분히 학습되면 자동으로 훈련 모드에서 배포 모드로 전환할 수 있도록 한다.
• 기기에서 이상 탐지에 최적의 탐지 임계값을 자율적으로 결정할 수 있도록 한다.
• 실제 환경에서의 훈련 시간과 행동 드리프트와 같은 실용적 구현 측면을 평가한다.
• 공격자의 지식 수준과 능력이 다양할 경우에도 시스템의 강건성을 평가한다.

제안 방법

• 시스템은 모바일 기기 센서에서 유도된 시간적 및 공간적 패턴을 기반으로 사용자 행동을 데이터 기반으로 모델링한다.
• 두 단계로 운영된다: 사용자 고유의 행동 패턴을 학습하는 훈련 단계와 실시간 이상 탐지를 위한 배포 단계.
• 행동 일관성이 임계값을 초과하면 자동으로 훈련에서 배포로 전환되어 사용자 간섭을 최소화한다.
• 정상 행동 이탈의 분포를 분석하여 탐지 임계값을 적응적으로 결정한다.
• 공개된 데이터셋을 사용하여 예상 훈련 시간과 행동 드리프트 시간을 계산한다.
• 다양한 수준의 지식과 능력을 가진 공격자 시나리오를 시뮬레이션하여 강건성을 평가한다.

실험 결과

연구 질문

• RQ1 제안된 데이터 기반 행동 모델링 기법은 모바일 기기에서 정상 사용자 행동의 이탈을 얼마나 효과적으로 탐지하는가?
• RQ2 실제 구현 환경에서 예상되는 훈련 시간과 행동 드리프트 시간은 무엇인가?
• RQ3 공격자의 지식 수준과 능력이 다양할 경우 시스템의 성능은 어떻게 되는가?
• RQ4 수동 설정 없이도 시스템이 최적의 탐지 임계값을 자동으로 결정할 수 있는가?
• RQ5 모델은 시간이 지남에 따라 사용자 행동의 변화에 얼마나 잘 적응하는가?

주요 결과

• 최소한의 설정으로 효과적인 이상 탐지를 달성하였으며, 충분한 행동 학습이 이루어지면 자동으로 훈련에서 배포로 전환되었다.
• 훈련 시간은 계산 가능했으며, 데이터셋에 따라 다양했으며, 실용적 구현에 적합한 실시간 프레임워크를 제공했다.
• 행동 드리프트 시간이 정량화되어 기준 행동에서 장기적인 이탈을 탐지할 수 있음을 시사했다.
• 제한된 지식을 가진 공격자에 대해서는 강건성을 입증하였지만, 공격자의 능력이 증가할수록 탐지 효율성이 감소하였다.
• 적응형 임계값 조정이 수동 캘리브레이션 없이도 탐지 정확도를 크게 향상시켰다.
• 이 방법은 확장성과 경량성 면에서 검증되었으며, 모바일 기기에서 실시간 배경 실행에 적합하다.