[논문 리뷰] HMOG: New Behavioral Biometric Features for Continuous Authentication of Smartphone Users

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

User Authentication and Security Systems참고 문헌 51인용 수 5

한 줄 요약

이 논문은 스마트폰 가속도계, 자이로스코프, 자석계 데이터에서 유도된 새로운 행동 생체인식 특징 세트인 HMOG(Hand Movement, Orientation, Grasp)를 소개한다. 이는 연속적인 사용자 인증을 가능하게 하며, 타이핑 중 미세한 움직임과 자세 동적 특성을 캡처하여 걷는 동안 최소한의 에너지 오버헤드(16Hz 샘플링 시 7.9%)로도 낮은 동등 오류율(EER)을 달성한다(최저 7.16%).

ABSTRACT

We introduce Hand Movement, Orientation, and Grasp (HMOG), a set of behavioral features to continuously authenticate smartphone users. HMOG features unobtrusively capture subtle micro-movement and orientation dynamics resulting from how a user grasps, holds, and taps on the smartphone. We evaluated authentication and biometric key generation (BKG) performance of HMOG features on data collected from 100 subjects typing on a virtual keyboard. Data was collected under two conditions: sitting and walking. We achieved authentication EERs as low as 7.16% (walking) and 10.05% (sitting) when we combined HMOG, tap, and keystroke features. We performed 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 15.1% using HMOG combined with taps. In comparison, BKG using tap, key hold, and swipe features had EERs between 25.7% and 34.2%. 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. Two points distinguish our work from current literature: 1) we present the results of a comprehensive evaluation of three types of features (HMOG, keystroke, and tap) and their combinations under the same experimental conditions, and 2) we analyze the features from three perspectives (authentication, BKG, and energy consumption on smartphones).

연구 동기 및 목표

• PIN 및 지문과 같은 기존의 일회성 인증 방식의 한계를 해결하기 위해, 스푸핑 공격 및 사이드 채널 공격에 취약한 점을 개선한다.
• 특히 걷는 동안와 같은 동적인 조건에서도 타이핑과 같은 일반적인 스마트폰 사용 활동 중 연속적 인증을 가능하게 한다.
• 손 움직임, 자세, 쥐는 방식의 동적 특성에서 개인의 차이를 비침습적으로 캡처할 수 있는 새로운 행동 생체인식 특징 세트를 개발한다.
• 세 가지 핵심 차원에서 HMOG를 평가한다: 인증 정확도, 생체인식 키 생성(BKG) 성능, 모바일 기기에서의 에너지 소비.
• 실제 구현 환경에서 센서 샘플링 레이트, 인증 정확도, 에너지 효율성 간의 상호 상충 관계를 분석한다.

제안 방법

• HMOG 특징는 스마트폰 사용 중 수집된 원시 가속도계, 자이로스코프, 자석계 데이터에서 추출된다.
• 이 방법은 두 가지 유형의 특징을 구분한다: 저항 특징(타이핑 힘에 대한 반응으로 발생하는 미세한 움직임 측정)과 안정성 특징(운동 및 자세의 외란이 소멸되는 방식 측정).
• 인간의 손으로 물체를 抓는 원리에 기반하여 총 96개의 HMOG 특징를 설계하였으며, 이는 안정성 쥔 것과 정밀 쥔 것의 동적 특성을 포함한다.
• 특징 융합은 HMOG와 타이핑 및 타이핑 동적 특징을 가중치 조합을 통해 융합하여 인증 성능을 향상시킨다.
• 생체인식 키 생성(BKG)은 사용자 내 변동성을 다루기 위해 커밋먼트와 오류 수정 코드를 사용하여 수행된다.
• 에너지 소비는 실제 스마트폰 하드웨어를 사용하여 다양한 샘플링 레이트(예: 16Hz)에서 센서 샘플링 및 특징 추출의 오버헤드를 측정함으로써 평가되었다.

실험 결과

연구 질문

• RQ1 걷는 동안 기존의 행동 생체인식 특징에 비해 HMOG 특징가 연속적 인증 정확도를 얼마나 향상시키는가?
• RQ2 걷는 동작이 HMOG 특징의 고유성과 신뢰성에 어떤 영향을 미치는가?
• RQ3 HMOG는 생체인식 키 생성(BKG)에서 어떻게 성능을 발휘하며, 타이핑 및 스와이프 기반 BKG와 비교해 오류율 측면에서 어떤가?
• RQ4 스마트폰에서 다양한 센서 샘플링 레이트에서 HMOG 특징의 수집 및 처리에 따른 에너지 오버헤드는 얼마인가?
• RQ5 실제 구현 환경에서 센서 샘플링 레이트, 인증 정확도, 에너지 소비 간의 상호 상충 관계는 어떻게 존재하는가?

주요 결과

• 걷는 동안 HMOG를 타이핑 및 타이핑 동적 특징과 융합한 결과, 인증의 동등 오류율(EER)은 7.16%를 기록하였으며, 앉아 있을 때는 10.05%를 기록하여 개별 특징 세트에 비해 뚜렷한 향상을 보였다.
• HMOG, 타이핑, 타이핑 동적 특징의 융합은 걷는 동안 EER를 8.53%로 감소시켰고, 앉아 있을 땐 11.41%로 감소시켜 상호 보완적인 성능 향상을 입증했다.
• 생체인식 키 생성(BKG)에서 HMOG와 타이핑 특징을 융합한 결과 EER는 15.1%를 기록하였으며, 타이핑 전용(25.7%) 및 스와이프 전용(34.2%) BKG 시스템에 비해 뛰어난 성능을 보였다.
• 특히 걷는 동안 HMOG 특징는 타이핑에 의한 미세한 움직임과 함께 고유한 걸음걸이 관련 신체 동적 특성을 잘 캡처하여 뛰어난 성능을 발휘했다.
• 16Hz 샘플링 레이트에서 특징 추출은 오직 7.9%의 에너지 오버헤드만을 유발하여 에너지 제약이 있는 모바일 기기에서 매우 적합함을 시사했다.
• 본 연구는 스마트폰에서 연속적 인증을 위한 센서 샘플링 레이트, 인증 정확도, 에너지 소비 간의 관계를 체계적으로 분석한 최초의 연구이다.