[논문 리뷰] HMOG: A New Biometric Modality for Continuous Authentication of Smartphone Users.

Zdeňka Sitová, Jaroslav Šeděnka외 5명|arXiv (Cornell University)|2015. 01. 06.

User Authentication and Security Systems참고 문헌 29인용 수 20

한 줄 요약

이 논문은 지속적인 스마트폰 사용자 인증을 위한 새로운 행동 생체인식 기법인 HMOG를 제안한다. HMOG는 손 움직임, 방향성, 掌 제어 동역학을 융합한 것으로, 걷기 및 앉아 있는 조건에서 타이핑 중 발생하는 미세한 마이크로 움직임을 활용한다. 터치 및 타이핑 특징과 융합했을 때, HMOG는 16Hz 샘플링에서 최소 7.9%의 에너지 오버헤드를 기반으로 최저 6.92%의 동등 오류률(EER)을 달성한다.

ABSTRACT

In this paper, we introduce Hand Movement, Orientation, and Grasp (HMOG), a behavioral biometric to continuously authenticate smartphone users. HMOG unobtrusively captures subtle micro-movement and orientation dynamics resulting from how a user grasps, holds, and taps on the smartphone. We evaluated the authentication and biometric key generation (BKG) performance of HMOG features on typing data collected from 100 subjects. Data was collected under two conditions: sitting and walking. We achieved authentication EERs as low as 6.92% (walking) and 10.20% (sitting) when we combined HMOG, tap, and keystroke features. We performed additional experiments to investigate why HMOG features perform well during walking. Our results suggest that this is due to the ability of HMOG features to capture distinctive body movements caused by walking, in addition to the hand-movement dynamics from taps. With BKG, we achieved EERs of 13.7% using HMOG combined with taps. In comparison, BKG using tap, key hold, and swipe features led to EERs between 31.3% and 36.7%. We also analyzed the energy consumption of HMOG feature extraction and computation. Our analysis shows that HMOG features extracted at 16Hz sensor sampling rate incurred a minor overhead of 7.9% without sacrificing authentication accuracy.

연구 동기 및 목표

• 자연스러운 상호작용 동역학을 활용해 지속적이고 비침습적인 스마트폰 사용자 인증을 위한 행동 생체인식 모odal을 개발하기.
• 걷는 동안 미세한 신체 운동이 행동 생체인식의 분류 능력을 향상시키는지 조사하기.
• 실생활 조건에서 HMOG의 성능을 실시간 인증 및 생체인식 키 생성(BKG) 작업에서 평가하기.
• 기존 행동 생체인식 기반으로 비교했을 때 HMOG 특징 추출의 에너지 비용을 정량화하기.
• BKG 및 인증 작업에서 기존의 터치, 키 홀드, 스와이프 기반 생체인식 특징과 HMOG의 성능을 비교하기.

제안 방법

• HMOG는 사용자 상호작용 중 스마트폰 센서(예: 가속도계, 자이로스코프)로부터 발생하는 미세한 움직임과 방향 변화를 측정한다.
• 원시 센서 데이터에서 16Hz 샘플링 속도로 특징을 추출하며, 주로 터치 및 타이핑 중 발생하는 동적 패턴을 중심으로 한다.
• 융합 모델을 통해 HMOG 특징과 터치 및 타이핑 특징을 융합하여 인증 정확도를 향상시킨다.
• 생체인식 키 생성(BKG)은 HMOG 및 터치 특징을 기반으로 수행되며, 동등 오류률(EER)을 통해 오류율을 측정한다.
• 에너지 소비는 HMOG 특징 추출의 계산 오버헤드를 기준 센서 처리와 비교하여 측정된다.
• 실험은 100명의 참가자로부터 확보한 데이터를 바탕으로 앉아 있는 상태와 걷는 상태의 두 가지 조건에서 수행된다.

실험 결과

연구 질문

• RQ1 HMOG 특징는 지속적인 상호작용 중 다양한 스마트폰 사용자를 효과적으로 구분할 수 있는가?
• RQ2 왜 HMOG 성능은 앉아 있는 상태보다 걷는 상태에서 향상되는가? 그리고 신체 운동은 어떤 역할을 하는가?
• RQ3 생체인식 키 생성(BKG)에서 HMOG는 기존의 터치, 키 홀드, 스와이프 기반 특징과 비교해 어떻게 성능을 냈는가?
• RQ4 실시간으로 HMOG 특징를 추출하고 처리하는 데 드는 에너지 오버헤드는 얼마인가?
• RQ5 HMOG는 다른 행동 특징과 융합했을 때 지속적 인증에서 낮은 EER를 달성할 수 있는가?

주요 결과

• 걷는 동안 HMOG는 터치 및 타이핑 특징과 융합했을 때 인증 동등 오류률(EER)이 6.92%에 도달했다.
• 앉아 있는 동안 HMOG 융합의 EER는 10.20%였으며, 이는 이동 조건에서도 뛰어난 성능을 보임을 시사한다.
• HMOG 기반 생체인식 키 생성(BKG)은 EER 13.7%를 달성했으며, 이는 터치/키 홀드/스와이프 기반 BKG의 31.3%에서 36.7%의 EER를 크게 상회한다.
• 걷는 동안 성능 향상의 원인은 HMOG가 손 움직임 동역학과 걷기에서 발생하는 고유한 신체 운동을 모두 캡처할 수 있기 때문이다.
• 16Hz에서 HMOG 특징 추출은 정확도 저하 없이 단지 7.9%의 에너지 오버헤드만을 유발했다.
• 결과적으로 HMOG는 동적 환경에서 지속적 스마트폰 인증을 위한 실현 가능하고 저오버헤드의 생체인식 모달임을 확인했다.