[논문 리뷰] Sequential Keystroke Behavioral Biometrics for Mobile User Identification via Multi-view Deep Learning

Lichao Sun, Yuqi Wang외 4명|arXiv (Cornell University)|2017. 11. 07.

User Authentication and Security Systems참고 문헌 14인용 수 4

한 줄 요약

이 논문은 스마트폰의 순차적 타이핑 동작 및 가속도계 데이터를 사용하여 모바일 사용자를 식별하는 다중 시각(multi-view) 딥러닝 프레임워크인 DeepService를 제안한다. 이는 인퍼런스 시간이 1ms 이하로 93% 이상의 정확도를 달성하여 연속적이고 비침습적인 사용자 인증에 있어 높은 정확도와 효율성을 입증한다.

ABSTRACT

With the rapid growth in smartphone usage, more organizations begin to focus on providing better services for mobile users. User identification can help these organizations to identify their customers and then cater services that have been customized for them. Currently, the use of cookies is the most common form to identify users. However, cookies are not easily transportable (e.g., when a user uses a different login account, cookies do not follow the user). This limitation motivates the need to use behavior biometric for user identification. In this paper, we propose DEEPSERVICE, a new technique that can identify mobile users based on user's keystroke information captured by a special keyboard or web browser. Our evaluation results indicate that DEEPSERVICE is highly accurate in identifying mobile users (over 93% accuracy). The technique is also efficient and only takes less than 1 ms to perform identification.

연구 동기 및 목표

• 쿠키와 같은 전통적인 사용자 식별 방법의 한계를 해결한다. 이는 기기 간 또는 계정 간 이식성이 없기 때문이다.
• 행동 생체 인식 기반—특히 순차적 타이핑 동작 및 가속도계 패턴—을 활용하여 연속적인 모바일 사용자 식별을 위한 강력하고 비침습적인 대안을 탐색한다.
• 다양한 생체 인식 데이터 스트림을 융합하는 다중 시각 딥러닝 모델을 개발하여 단일 시각 접근 방식을 뛰어넘는 정확도 향상을 도모한다.
• 다양한 사용자와 동적 사용 패턴을 포함하는 실제 환경에서 제안된 방법의 실현 가능성과 우수성을 입증한다.
• 다양한 생체 인식 시각(타이핑, 시간 간격, 가속도)의 식별 능력에 대한 통찰을 제공한다.

제안 방법

• 스마트폰에서 유저의 순차적 타이핑 시간과 가속도계 운동 패턴을 함께 모델링하는 다중 시각 다중 클래스(MVMC) 딥러닝 프레임워크인 DeepService를 제안한다.
• 장기적인 타이핑 패턴을 포착하기 위해 순차적 타이핑 데이터의 시간적 의존성을 모델링하기 위해 게이트드 순환 유닛(Gated Recurrent Units, GRUs)을 사용한다.
• 세 가지 별도의 생체 인식 시각을 추출한다: (1) 키 간 간격 시간, (2) 세션당 키 빈도, (3) 타이핑 중 스마트폰의 3D 가속도 패턴.
• 모든 세 시각의 표현을 융합하기 위해 다중 시각 학습을 적용하여 식별 능력을 향상시키고 사용자 간의 모호성을 줄인다.
• 레이블이 부여된 사용자 세션을 사용해 엔드 투 엔드로 모델을 훈련시키며, 교차 엔트로피 손실을 최적화하여 분류 정확도를 높인다.
• 실시간으로 인퍼런스를 구현하며, 표준 랩탑에서 세션당 0.657ms의 지연 시간을 측정하여 실용적 구현 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 순차적 타이핑 및 가속도계 데이터가 다중 시각 딥러닝을 통해 효과적으로 융합되어 고정확도의 모바일 사용자 식별을 달성할 수 있는가?
• RQ2 다중 시각 학습의 성능이 단일 시각 또는 기존 머신러닝 기반 베이스라인(SVM, 랜덤 포레스트 등)과 비교해 다수의 사용자를 식별할 때 어떻게 다른가?
• RQ3 가속도계 데이터의 포함 여부가 타이핑 시간만을 고려할 때보다 식별 정확도를 크게 향상시키는가?
• RQ4 식별 대상 사용자 수가 증가함에 따라 시스템 성능이 어떻게 저하되는가? 다중 시각 학습은 이러한 저하를 완화할 수 있는가?
• RQ5 제안된 시스템의 실시간 효율성은 어떠한가? 그리고 실전 환경에의 구현에 적합한가?

주요 결과

• 5명의 사용자를 식별할 때 DeepService는 93.50%의 정확도와 93.51%의 F1 스코어를 기록하며 모든 베이스라인 방법을 능가한다.
• 26명의 사용자로 확장했을 때도 DeepService는 82.73%의 정확도와 83.25%의 F1 스코어를 유지하며, 베이스라인 대비 성능 저하가 현저히 적다.
• 가속도계 시각은 타이핑 시간 또는 키 빈도보다 더 강력한 식별 능력을 지니며, 다중 시각 융합을 통해 정확도가 추가로 향상된다.
• 시스템은 세션당 단지 0.657ms의 인퍼런스 지연 시간을 기록하여 실시간 구현 가능성은 입증되었다.
• 특히 시간적 패턴 모델링에 GRU를 사용한 다중 시각 융합 딥러닝은 SVM, 랜덤 포레스트, 단일 시각 딥러닝 등 기존 모델보다 일관되게 뛰어난 성능을 보였다.
• 가속도 데이터의 사용자 패턴은 주요 활성 사용자 간에 뚜렷한 분리가 이루어지며, 이는 생체 인식 신호로서의 가치를 확인한다.