[논문 리뷰] MultiLock: Mobile Active Authentication based on Multiple Biometric and Behavioral Patterns

Alejandro Acien, Aythami Morales외 2명|arXiv (Cornell University)|2019. 01. 29.

User Authentication and Security Systems참고 문헌 23인용 수 9

한 줄 요약

이 논문은 다중 세션에 걸쳐 터치 동역학, 가속도계, 자이로스코프, WiFi, GPS, 앱 사용 패턴 등의 다양한 생체 및 행동 신호를 융합하는 모바일 주행형 인증 시스템인 MultiLock을 제안한다. 이는 사용자 인증 정확도를 향상시키기 위한 것이다. 일곱 개의 데이터 채널을 조합하고 신뢰도 기반 점수 업데이트를 사용함으로써, UMDAA-02 데이터셋에서 주행형 인증 시나리오에서 97.1%의 정확도를 달성한다.

ABSTRACT

In this paper we evaluate mobile active authentication based on an ensemble of biometrics and behavior-based profiling signals. We consider seven different data channels and their combination. Touch dynamics (touch gestures and keystroking), accelerometer, gyroscope, WiFi, GPS location and app usage are all collected during human-mobile interaction to authenticate the users. We evaluate two approaches: one-time authentication and active authentication. In one-time authentication, we employ the information of all channels available during one session. For active authentication we take advantage of mobile user behavior across multiple sessions by updating a confidence value of the authentication score. Our experiments are conducted on the semi-uncontrolled UMDAA-02 database. This database comprises smartphone sensor signals acquired during natural human-mobile interaction. Our results show that different traits can be complementary and multimodal systems clearly increase the performance with accuracies ranging from 82.2% to 97.1% depending on the authentication scenario.

연구 동기 및 목표

• 단일 생체 인증의 한계를 극복하기 위해 다양한 행동 및 생리적 신호를 활용함으로써 모바일 인증의 정확도를 향상시키는 것.
• 실제의 반통제 환경에서 사용자 인증의 정확도와 강건성을 향상시키는 것.
• 장기적인 행동 프로파일링을 통해 사용자 신뢰도를 지속적으로 업데이트하는 주행형 인증 메커니즘을 개발하는 것.
• 실제 스마트폰 데이터셋에서 다양한 센서 모odal리티 간의 다중모달 융합 성능을 평가하는 것.
• 다양한 생체 및 행동 신호가 상호 보완적으로 작용하여 시스템 신뢰성을 향상시킬 수 있음을 입증하는 것.

제안 방법

• 자연스러운 스마트폰 사용 중 터치 동역학(제스처 및 타이핑), 가속도계, 자이로스코프, WiFi 신호 세기, GPS 위치, 앱 사용 패턴 등 일곱 가지의 별도 데이터 채널을 수집한다.
• 일회성 인증을 위해 한 세션 동안 가용한 모든 신호를 융합하는 전략을 사용한다.
• 주행형 인증에서 사용자 행동이 여러 세션에 걸쳐 모니터링되어 인증 결정이 향상되도록, 신뢰도 기반 점수 업데이트 메커니즘을 적용한다.
• 다중모달 센서 데이터 기반으로 사용자 신원을 분류하기 위해 기계학습 모델을 적용하며, 표준 지표를 사용해 성능을 평가한다.
• 반복적인 실생활 스마트폰 상호작용을 캡처한 UMDAA-02 데이터베이스를 활용한다.
• 사용자별 행동 프로파일을 학습함으로써 시간이 지남에 따라 적응하는 동적 인증 프레임워크를 구현한다.

실험 결과

연구 질문

• RQ1 다양한 생체 및 행동 신호가 개별적으로나 집합적으로 모바일 사용자 인증 정확도에 기여하는 방식은 어떠한가?
• RQ2 단일 모달리티 접근 방식에 비해 다중모달 융합이 얼마나 더 높은 인증 성능을 달성할 수 있는가?
• RQ3 장기적인 행동 프로파일링을 활용한 주행형 인증이 시스템 신뢰성 향상과 거짓 수락률 감소에 상당한 기여를 할 수 있는가?
• RQ4 동일한 센서 데이터를 사용할 때, 일회성 인증 대비 주행형 인증 시나리오에서 시스템 성능은 어떻게 달라지는가?
• RQ5 터치, 운동, 네트워크, 위치 등 다양한 센서 모달리티를 융합했을 때 전체 시스템의 강건성과 정확도에 어떤 영향을 미치는가?

주요 결과

• 일곱 개의 센서 채널을 다중모달 융합함으로써 인증 정확도가 크게 향상되었으며, 시나리오에 따라 82.2%에서 97.1%의 범위로 결과가 나타났다.
• 신뢰도 기반 점수 업데이트를 사용한 주행형 인증이 97.1%의 최고 정확도를 기록하여 장기적인 행동 프로파일링의 이점을 입증했다.
• 터치 동역학과 운동 센서(가속도계, 자이로스코프)가 세션 간 사용자 신원을 식별하는 데 가장 기여했다.
• GPS, WiFi, 앱 사용 패턴의 조합은 특히 위치와 사용 습관 기반으로 사용자를 구분하는 데 유용한 맥락 정보를 제공했다.
• 가용한 모든 신호를 사용한 일회성 인증은 82.2%의 정확도를 기록하여, 단일 세션 접근 방식이라도 많은 전통적 방법을 능가함을 보여주었다.
• 결과는 다양한 생체 및 행동 특성이 상호 보완적이며, 이들의 융합이 더 강건하고 정확한 인증 시스템을 만드는 데 기여함을 확인했다.