[논문 리뷰] Evaluation of a User Authentication Schema Using Behavioral Biometrics and Machine Learning

Laura Pryor, Jacob Mallet외 4명|arXiv (Cornell University)|2022. 05. 07.

User Authentication and Security Systems인용 수 4

한 줄 요약

이 논문은 모바일 기기에서 보다 향상된 보안을 위해 기계학습을 활용해 터치 동역학과 휴대폰 이동 행동을 융합한 다중 모odal 사용자 인증 시스템을 제안한다. 공개 데이터셋 두 개를 대상으로 일곱 가지 알고리즘을 평가한 결과, 최대 86%의 정확도를 기록하여 행동 생체 인증 기반 기법이 기존의 암호 또는 신체적 특성 기반 방법에 비해 강력한 대안임을 입증한다.

ABSTRACT

The amount of secure data being stored on mobile devices has grown immensely in recent years. However, the security measures protecting this data have stayed static, with few improvements being done to the vulnerabilities of current authentication methods such as physiological biometrics or passwords. Instead of these methods, behavioral biometrics has recently been researched as a solution to these vulnerable authentication methods. In this study, we aim to contribute to the research being done on behavioral biometrics by creating and evaluating a user authentication scheme using behavioral biometrics. The behavioral biometrics used in this study include touch dynamics and phone movement, and we evaluate the performance of different single-modal and multi-modal combinations of the two biometrics. Using two publicly available datasets - BioIdent and Hand Movement Orientation and Grasp (H-MOG), this study uses seven common machine learning algorithms to evaluate performance. The algorithms used in the evaluation include Random Forest, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, Logistic Regression, Multilayer Perceptron, and Long Short-Term Memory Recurrent Neural Networks, with accuracy rates reaching as high as 86%.

연구 동기 및 목표

• 암호나 신체적 생체 인식 기반 기법과 같이 스푸핑 공격에 취약하고 정적 보안 조치에 의존하는 전통적인 모바일 인증 방법의 한계를 해결하기 위해.
• 특히 터치 동역학과 휴대폰 이동 행동을 포함한 행동 생체 인식 기반 기법이 지속적이고 적응형 인증 메커니즘으로서의 가능성과 성능을 탐색하기 위해.
• 다양한 기계학습 알고리즘을 활용해 터치 및 동작 생체 인식의 단일 모달 및 다중 모달 조합의 성능을 평가하기 위해.
• 실제 모바일 인증 환경에서 행동 생체 인식의 효과성을 뒷받침하는 경험적 증거를 기여하기 위해.

제안 방법

• 연구는 터치 동역학을 위한 BioIdent 및 휴대폰 이동 및 방향성 정보를 위한 H-MOG라는 두 개의 공개 데이터셋을 사용한다.
• 스마트폰 센서에서 얻은 터치 상호작용(예: 탭 지속 시간, 압력, 스와이프 속도)과 운동 패턴(예: 가속도, 각속도)에 대한 특징 추출을 수행한다.
• 일곱 가지 기계학습 모델을 학습하고 평가한다: 랜덤 포레스트, 서포트 벡터 머신, K-최근접 이웃, 나이브 베이즈, 로지스틱 회귀, 다층 퍼셉트론, 그리고 장기 숏텀 기억(LSTM) 네트워크.
• 분류 정확도를 성능 평가 지표로 사용하며, 주어진 사용자와 세션 간의 일반화 능력을 확보하기 위해 교차 검증을 실시한다.
• 다중 모달 융합은 터치 및 운동 모달의 특징를 연결하여 분류기 입력으로 제공함으로써 구현된다.
• 성능 비교를 위해 단일 모달(터치 전용 또는 운동 전용)과 다중 모달(터치 + 운동) 설정을 모두 평가한다.

실험 결과

연구 질문

• RQ1 기계학습을 활용한 사용자 인증에서, 터치 동역학만으로도 휴대폰 이동 행동만으로도 성능가 비교해보면 어떻게 되는가?
• RQ2 터치 및 운동 생체 인식을 융합함으로써 단일 모달 기반 접근법에 비해 인증 정확도에 어떤 영향을 미치는가?
• RQ3 기계학습 알고리즘 중에서 행동 생체 인식 특징 기반 사용자 신원 식별에 가장 높은 정확도를 보이는 것은 무엇인가?
• RQ4 터치 및 운동 데이터에서 유도된 다양한 특징 조합은 사용자 간 일반화 능력과 견고성에 어떤 영향을 미치는가?
• RQ5 행동 생체 인식은 기존의 암호 기반 또는 신체적 특성 기반 인증 방법에 비해 실질적이고 지속적이며 안전한 대안이 될 수 있는가?

주요 결과

• 터치 동역학과 휴대폰 이동 행동을 융합한 다중 모달 접근 방식이 평가된 데이터셋 전반에서 최고의 인증 정확도 86%를 기록하였다.
• 일곱 가지 기계학습 모델 중에서 장기 숏텀 기억(LSTM) 네트워크가 행동 시퀀스의 시간적 패턴을 잘 포착함에 따라 뛰어난 성능을 보였다.
• 랜덤 포레스트와 서포트 벡터 머신 또한 높은 정확도를 기록하여 다양한 사용자 행동에 대해 우수한 일반화 능력을 보였다.
• 단일 모달 시스템은 적절한 성능를 보였지만, 다중 모달 융합 기반 접근 방식에 비해 일관되게 열등한 성능를 보였다.
• 결과적으로 행동 생체 인식 기반 기법이 기계학습과 융합될 경우, 모바일 기기에서 신뢰할 수 있고 적응형 인증 메커니즘을 제공할 수 있음을 확인하였다.