[논문 리뷰] Gesture-based Continuous Authentication for Wearable Devices: the Google Glass Case

Jagmohan Chauhan, Hassan Jameel Asghar외 2명|arXiv (Cornell University)|2014. 12. 09.

User Authentication and Security Systems참고 문헌 21인용 수 8

한 줄 요약

이 논문은 Google Glass와 같은 웨어러블 기기에서 터치 제스처 행동 생체 인증을 사용하는 제스처 기반 연속 인증 시스템을 제안한다. 이는 체비셰프의 농도 부등식에 기반한 새로운 분류기로, 단지 75개의 학습 샘플만으로도 최대 99%의 정확도를 달성하며, 자원 제약이 있는 웨어러블 기기에서 정확도와 계산 효율성 측면에서의 실현 가능성을 입증한다.

ABSTRACT

We study the feasibility of touch gesture behavioural biometrics for implicit authentication of users on a smartglass (Google Glass) by proposing a continuous authentication system using two classifiers: SVM with RBF kernel, and a new classifier based on Chebyshev's concentration inequality. Based on data collected from 30 volunteers, we show that such authentication is feasible both in terms of classification accuracy and computational load on smartglasses. We achieve a classification accuracy of up to 99% with only 75 training samples using behavioural biometric data from four different types of touch gestures. To show that our system can be generalized, we test its performance on touch data from smartphones and found the accuracy to be similar to smartglasses. Finally, our experiments on the permanence of gestures show that the negative impact of changing user behaviour with time on classification accuracy can be best alleviated by periodically replacing older training samples with new randomly chosen samples.

연구 동기 및 목표

• 제한된 계산 자원과 작은 형상 요건을 가진 웨어러블 기기(예: Google Glass)에서 터치 제스처 기반 연속 인증의 실현 가능성을 평가하는 것.
• CPU, 메모리, 배터리 수명이 감소한 하드웨어 제약에도 불구하고 높은 인증 정확도를 유지하는 데 도전하는 것.
• 통계적 농도 원리를 활용하여 단일 제스처 샘플에서의 분류 정확도를 향상시키는 계산 효율적인 분류기를 개발하는 것.
• 터치 제스처 생체 인식의 장기적 안정성을 조사하고, 시간이 지남에 따라 정확도를 유지하기 위한 적응형 메커니즘을 제안하는 것.
• 스마트폰에서의 성능 평가를 통해 제안된 시스템의 일반화 능력을 높이고, 다중 센서 데이터를 활용한 특징 공간 향상 전략을 탐색하는 것.

제안 방법

• Google Glass에 두 개의 분류기(라이다르-베이시스 커널을 사용한 SVM 및 체비셰프의 농도 부등식에 기반한 새로운 분류기)를 사용하여 연속 인증 시스템을 설계하고 구현한다.
• 압력, 면적, 속도 읽기에서 유도된 시간 시리즈 특징을 사용하여 제스처를 모델링하며, 하향력과 평면력은 별개의 시간적 특징으로 분리한다.
• 통계 원리에 기반한 블록 기반 특징 집계를 적용하여 연속 제스처 시퀀스를 분석한다. 이는 동일한 분포를 가진 i.i.d. 랜덤 변수들의 평균이 평균 주변에 농도를 보인다는 원리를 기반으로 한다.
• 체비셰프의 부등식을 사용하여 제스처 특징이 블록 내에서의 농도를 수학적으로 공식화하고, 새로운 분류기의 기초를 마련한다.
• 개별 제스처 특징 간의 두-thirds 다수결 규칙을 사용한 투표 메커니즘을 체비셰프 분류기에서 구현하여 강건성을 향상시킨다.
• 30명의 자원자들을 대상으로 4종류의 제스처를 사용하여 시스템 성능을 평가하고, 장기적 정확도 안정성을 평가하기 위해 적응형 재학습을 실시한다.

실험 결과

연구 질문

• RQ1 제한된 하드웨어를 가진 웨어러블 기기(예: Google Glass)에서 터치 제스처 기반 연속 인증이 높은 정확도와 낮은 계산 오버헤드를 동시에 달성할 수 있는가?

주요 결과

• 제안된 체비셰프 기반 분류기는 RBF 커널을 사용한 SVM과 비교해 유사한 분류 정확도를 보이며, 사용자당 단지 75개의 학습 샘플만으로도 최대 99%의 정확도를 달성한다.
• 시스템은 Google Glass에서 계산 가능함을 입증하였으며, 제한된 CPU, 메모리, 배터리 자원을 가진 기기에서 적합한 낮은 자원 오버헤드를 제공한다.
• 적응형 재학습은 장기적 정확도를 크게 향상시키며, 특히 체비셰프 분류기의 경우 사용자 행동 변화로 인한 성능 저하를 줄이는 데 기여한다.
• 스마트폰에서의 체비셰프 및 SVM 분류기 성능은 Glass에서의 성능과 유사하여, 더 작은 학습 데이터에도 불구하고 플랫폼 간 일반화 능력이 있음을 시사한다.
• 제스처 블록(연속된 다수의 제스처)의 사용은 분류 정확도를 향상시키며, 이 효과는 체비셰프와 같은 농도 부등식을 통해 수학적으로 정당화된다.
• 연구 결과, 터치 제스처 생체 인식은 연속 인증에 충분히 안정적이지만, 장기적 정확도는 새로운 데이터로 주기적인 재학습을 통해 향상됨을 보여준다.