[논문 리뷰] Mobile phone identification through the built-in magnetometers

Gianmarco Baldini, Gary Steri외 2명|arXiv (Cornell University)|2017. 01. 26.

Digital Media Forensic Detection참고 문헌 4인용 수 4

한 줄 요약

이 논문은 솔레노이드를 통해 제어된 웨이브포맷으로 모바일 폰의 내장 자기계측기를 자극하고, 이를 통해 생성된 디지털 출력을 통계적 특징과 서포트 벡터 머신(SVM) 분류를 사용하여 분석함으로써 모바일 폰을 식별하는 새로운 방법을 제안한다. 이는 서로 다른 폰 모델 및 브랜드 간의 식별(이모델 간)에 매우 높은 정확도를 보이며, 같은 모델 간의 식별(인트라모델 간)에는 제한된 정확도를 보이며, 웨이브포맷의 복잡성이 검증 성능을 향상시킨다.

ABSTRACT

Mobile phones identification through their built in components has been demonstrated in literature for various types of sensors including the camera, microphones and accelerometers. The identification is performed by the exploitation of the small but significant differences in the electronic circuits generated during the production process. Thus, these differences become an intrinsic property of the electronic components, which can be detected and become an unique fingerprint of the component and of the mobile phone. In this paper, we investigate the identification of mobile phones through their builtin magnetometers, which has not been reported in literature yet. Magnetometers are stimulated with different waveforms using a solenoid connected to a computer s audio board. The identification is performed analyzing the digital output of the magnetometer through the use of statistical features and the Support Vector Machine (SVM) machine learning algorithm. We prove that this technique can distinguish different models and brands with very high accuracy but it can only distinguish phones of the same model with limited accuracy.

연구 동기 및 목표

• 모바일 폰의 자기계측기가 고유한 물리적 지문으로 기기 식별에 사용될 수 있는지 조사하기 위해.
• 자기계측기 출력을 활용한 이모델 간 및 인트라모델 간 식별의 가능성 평가하기 위해.
• 노이즈 및 시간에 따른 변화에 대한 이 방법의 강건성 평가하기 위해.
• 다양한 자극 웨이브포맷이 식별 정확도에 미치는 영향을 규명하기 위해.

제안 방법

• 컴퓨터의 오디오 출력에 연결된 솔레노이드를 사용하여 모바일 폰의 자기계측기를 자극하기 위한 제어된 자기장 웨이브포맷을 생성하였다.
• 자기계측기의 디지털 출력 신호를 수집하고 평균, 분산, 왜도, 첨도 등의 통계적 특징을 추출하기 위해 처리하였다.
• 서포트 벡터 머신(SVM) 분류를 적용하여 자기계측기 반응에 기반해 서로 다른 폰을 구분하였다.
• 식별 정확도에 미치는 영향을 평가하기 위해 길이와 복잡도가 다른 여러 자극 웨이브포맷(A, B, 및 C)을 테스트하였다.
• 실제 환경에서의 신호 열화를 시뮬레이션하기 위해 가우시안 백색 잡음(AWGN)을 도입하였다.
• 시간 안정성을 테스트하기 위해 여러 날에 걸쳐 동일한 기기 간 비교를 기반으로 등가 오류 비율(EER)을 사용하여 검증 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 내장 자기계측기의 내재된 변동성을 바탕으로 모바일 폰을 고유하게 식별할 수 있는가?
• RQ2 자기계측기 지문을 활용한 이모델 간 식별(다른 브랜드 및 모델 간)의 정확도는 어느 정도인가?
• RQ3 이 방법을 통해 같은 모델 간 식별(인트라모델 간)은 어느 정도 실현 가능한가?
• RQ4 다양한 자극 웨이브포맷이 식별 정확도와 학습 시간에 어떤 영향을 미치는가?
• RQ5 가우시안 노이즈 및 시간에 따른 변화에 대해 식별 시스템은 얼마나 강건한가?

주요 결과

• 이모델 간 식별은 매우 높은 정확도를 보였으며, 가장 복잡한 웨이브포맷(C)에서 평균 등가 오류 비율(EER)이 0.00303을 기록하였다.
• 인트라모델 간 식별은 제한된 정확도를 보였으며, 최고 성능을 보인 웨이브포맷(C)에서 평균 EER가 0.195였고, 이는 같은 모델 간 폰 간 구분이 중간 정도이지만 강력하지는 않음을 시사한다.
• 이 방법은 높은 시간 안정성을 보였으며, 같은 폰을 여러 날에 걸쳐 비교했을 때 EER 값이 무작위 수준(EER ≈ 0.5)에 가까웠다.
• 가우시안 노이즈는 성능을 심각하게 떨어뜨렸으며, 신호 대 잡음비(SNR) = 0일 때 EER가 0.43으로 상승하여 신호 감쇠에 민감함을 보였다.
• 더 길고 더 복잡한 웨이브포맷(예: 웨이브포맷 C)은 짧거나 단순한 웨이브포맷보다 식별 정확도를 향상시켰지만, 처리 시간이 증가하는 비용을 수반하였다.
• 통계적 특징 추출과 SVM 분류의 조합은 자기계측기 반응에 기반한 모바일 폰의 신뢰성 있는 분류 및 검증을 가능하게 하였다.