[논문 리뷰] Hold On and Swipe: A Touch-Movement Based Continuous Authentication Schema based on Machine Learning

Rushit Dave, Naeem Seliya외 4명|arXiv (Cornell University)|2022. 01. 21.

User Authentication and Security Systems인용 수 5

한 줄 요약

이 논문은 터치 동작 동역학—특히 터치-홀드 및 스와이프 제스처—을 활용하여 스마트폰 동작 데이터와 융합한 연속 인증 시스템을 제안한다. 기계 학습을 통해 사용자 식별을 수행한다. 수작동 동작 방향성 및 그립 및 생체인식 데이터셋을 결합함으로써, 랜덤 포레스트, 서포트 벡터 머신(SVM), K-최근접 이웃(KNN) 분류기들을 사용하여 최대 82%의 정확도를 달성한다. 이는 모바일 보안을 위한 다중 모odal 행동 생체 인식의 가능성을 입증한다.

ABSTRACT

In recent years the amount of secure information being stored on mobile devices has grown exponentially. However, current security schemas for mobile devices such as physiological biometrics and passwords are not secure enough to protect this information. Behavioral biometrics have been heavily researched as a possible solution to this security deficiency for mobile devices. This study aims to contribute to this innovative research by evaluating the performance of a multimodal behavioral biometric based user authentication scheme using touch dynamics and phone movement. This study uses a fusion of two popular publicly available datasets the Hand Movement Orientation and Grasp dataset and the BioIdent dataset. This study evaluates our model performance using three common machine learning algorithms which are Random Forest Support Vector Machine and K-Nearest Neighbor reaching accuracy rates as high as 82% with each algorithm performing respectively for all success metrics reported.

연구 동기 및 목표

• 스마트폰에 저장된 민감한 데이터의 급격한 증가에 따라 강력한 모바일 기기 인증 수단이 점점 더 필요해지고 있음을 해결하기 위해.
• 비밀번호나 신체적 생체 인식과 같은 전통적 방법의 한계를 극복하기 위해 행동 생체 인식을 활용하기 위해.
• 터치 동역학과 기기 동작을 융합한 다중 모달 행동 생체 인식 시스템을 연속 사용자 인증에 평가하기 위해.
• 다양한 기계 학습 알고리즘의 성능을 융합된 터치 및 동작 데이터 기반으로 사용자 신원 분류에 대해 평가하기 위해.

제안 방법

• 시스템은 사용자가 모바일 기기와 상호작용할 때 터치-홀드 및 스와이프 제스처 데이터를 수집한다.
• 수집된 데이터는 공개된 두 데이터셋—Hand Movement Orientation and Grasp 데이터셋과 BioIdent 데이터셋—을 융합하여 특징 표현을 풍부하게 한다.
• 핵심 특징으로는 터치 지속 시간, 압력, 궤적, 제스처 중 기기 방향 변화가 포함된다.
• 랜덤 포레스트, 서포트 벡터 머신(SVM), K-최근접 이웃(KNN)의 세 가지 기계 학습 모델이 융합된 데이터셋에서 훈련되고 평가된다.
• 시스템은 학습된 사용자 프로파일과 실시간 터치 및 동작 패턴을 분석함으로써 연속 인증을 수행한다.
• 성능 평가는 정확도와 같은 표준 지표를 사용하며, 세 알고리즘 전반에 걸쳐 결과가 보고된다.

실험 결과

연구 질문

• RQ1 터치 동역학과 기기 동작을 융합한 다중 모달 행동 생체 인식 시스템이 모바일 기기에서 연속 인증 정확도를 향상시킬 수 있는가?
• RQ2 다양한 기계 학습 알고리즘이 터치-움직임 패턴 기반으로 사용자 신원을 분류할 때 어떻게 성능을 내는가?
• RQ3 서로 다른 행동 생체 인식 데이터셋 두 개를 융합함으로써 인증 성능에 어떤 영향을 미치는가?
• RQ4 터치-홀드 및 스와이프 제스처가 연속 인증을 위한 신뢰할 수 있는 생체 인식 특징으로 얼마나 유용한가?

주요 결과

• 제안된 시스템은 융합된 데이터셋에서 랜덤 포레스트, SVM, K-최근접 이웃 분류기를 사용하여 최대 82%의 인증 정확도를 달성한다.
• 랜덤 포레스트, SVM, K-최근접 이웃의 세 기계 학습 알고리즘이 모두 보고된 모든 성능 지표에서 일관된 성능을 보이며, 정확도가 최대 82%에 도달한다.
• Hand Movement Orientation and Grasp 데이터셋과 BioIdent 데이터셋의 융합은 특징 다양성을 향상시키고 모델 일반화 능력을 향상시키는 데 기여했다.
• 결과는 터치-홀드 및 스와이프 제스처를 포함한 터치-움직임 동역학이 연속 인증을 위한 실현 가능한 생체 인식 특징임을 입증한다.
• 연구는 터치 및 동작 패턴 기반 행동 생체 인식이 전통적 인증 수단에 대한 강력한 대안이 될 수 있음을 확인한다.
• 비침습적이고 자연스러운 사용자 상호작용에 의존함으로써 시스템은 실생활 모바일 보안에 구현 가능성이 높다.