[논문 리뷰] Recurrent neural network-based user authentication for freely typed keystroke data

Junhong Kim, Pilsung Kang|arXiv (Cornell University)|2018. 06. 16.

User Authentication and Security Systems참고 문헌 15인용 수 8

한 줄 요약

이 논문은 연속된 키 쌍을 입력으로 사용하고 실제 타이핑 시간을 타깃으로 삼아 가변 길이의 자유로운 타이핑 텍스트를 처리하는 RNN 기반 타이핑 동역학 인증(RNN-KDA) 모델을 제안한다. 단지 10개의 테스트 타이핑으로도 5-6%의 동일 오류률(EER)을 달성하여 기준 방법들보다 뚜렷이 뛰어나며, 기준 방법들은 20% 이상의 EER를 초과한다. 또한 훈련 길이가 증가함에 따라 더 빠르고 안정적인 성능 향상을 보인다.

ABSTRACT

Keystroke dynamics-based user authentication (KDA) based on long and freely typed text is an enhanced user authentication method that can not only identify the validity of current users during login but also continuously monitors the consistency of typing behavior after the login process. Previous long and freely typed text-based KDA methods had difficulty incorporating the key sequence information and handling variable lengths of keystrokes, which in turn resulted in lower authentication performance compared to KDA methods based on short and fixed-length text. To overcome these limitations, we propose a recurrent neural network (RNN)-based KDA model. As the RNN model can process an arbitrary length of input and target sequences, our proposed model takes two consecutive keys as the input sequence and actual typing time for the corresponding key sequence as the target sequence. Based on experimental results involving 120 participants, our proposed RNN-KDA model yielded the best authentication performance for all training and test length combinations in terms of equal error rate (EER). It achieved a 5%-6% EER using only 10 test keystrokes while the EERs of other benchmark methods were above 20%. In addition, its performance steadily and more rapidly improves compared to the benchmark methods when the length of training keystrokes increases.

연구 동기 및 목표

• 가변 길이의 자유로운 타이핑 텍스트를 다루기 어려운 기존 타이핑 동역학 인증(KDA) 방법의 한계를 해결하기 위해.
• 키 순서 정보를 통합하고 장문의 텍스트에서 가변 입력 길이를 처리함으로써 인증 정확도를 향상시키기 위해.
• 실제로 발생하는 제약 없는 타이핑 행동에서 시간적 타이핑 패턴을 학습할 수 있는 강력한 엔드 투 엔드 RNN 기반 모델을 개발하기 위해.
• 특히 최소한의 데이터로도 성능을 평가하기 위해 다양한 훈련 및 테스트 시퀀스 길이에서 모델의 성능을 평가하기 위해.

제안 방법

• RNN-KDA 모델은 순차적인 타이핑 패턴을 캡처하기 위해 두 개의 연속된 키를 입력 시퀀스로 사용한다.
• 각 키 쌍에 대해 실제 타이핑 시간(인터-키 간격)을 예측하여 타깃 시퀀스로 사용한다.
• 모델은 RNN이 가변 길이 시퀀스를 처리할 수 있는 능력을 활용하여 다양한 타이핑 길이를 효과적으로 처리할 수 있도록 한다.
• 훈련 과정은 키 쌍에서 해당 타이밍 행동으로의 매핑을 학습함으로써 사용자 고유의 타이핑 역학을 포착한다.
• 모델은 120명의 참가자로부터 수집한 타이핑 데이터를 기반으로 엔드 투 엔드로 훈련되며, 인증 정확도 최적화를 위해 최적화된다.
• 모델 평가는 다양한 훈련 및 테스트 길이 조합에서 동일 오류률(EER)을 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 RNN 기반 모델은 사용자 인증을 위한 가변 길이의 자유로운 타이핑 키 시퀀스를 효과적으로 모델링할 수 있는가?
• RQ2 짧은 테스트 시퀀스에서 제안된 RNN-KDA 모델은 기존 KDA 방법들보다 인증 정확도에서 어떻게 비교되는가?
• RQ3 훈련 시퀀스 길이가 증가함에 따라 RNN-KDA 모델의 성능은 기준 방법들보다 더 빠르고 안정적으로 향상되는가?
• RQ4 제약 없는 타이핑 환경에서 키 순서 정보를 통합함으로써 인증 성능 향상 정도는 어느 정도인가?

주요 결과

• RNN-KDA 모델은 단지 10개의 테스트 타이핑으로도 5-6%의 동일 오류률(EER)을 달성하여 기준 방법들보다 뚜렷이 뛰어나며, 기준 방법들은 20% 이상의 EER를 초과했다.
• 훈련 타이핑 길이가 증가함에 따라 RNN-KDA 모델의 인증 성능은 기준 방법들보다 더 빠르고 안정적으로 향상되었다.
• 모델은 평가된 모든 훈련 및 테스트 길이 조합에서 뛰어난 일반화 성능를 보였다.
• 모델은 연속된 키 쌍과 그 타이밍을 모델링하여 순차적 타이핑 패턴을 효과적으로 포착함으로써 사용자 고유의 행동 모델링을 향상시켰다.