[논문 리뷰] Summary: Multi-modal Biometric-based Implicit Authentication of Wearable Device Users

Sudip Vhaduri, Christian Poellabauer|arXiv (Cornell University)|2019. 07. 15.

User Authentication and Security Systems인용 수 7

한 줄 요약

이 논문은 보행 수(행동성), 심박수(생리학적), 칼로리 소모/MET(하이브리드 생체정보)와 같은 굵은 단위로 처리된 데이터를 사용하여 웨어러블 기기용 다중모달 생체인식 기반 암시적 인증 시스템을 제안한다. 400명 이상의 피트비트 사용자 데이터를 대상으로 SVM 분류를 수행한 결과, 앉아 있는 상태에서는 93%의 정확도, 비암시 상태에서는 90%의 정확도를 기록했으며, 행동성과 생리학적 신호를 조합한 하이브리드 생체정보가 가장 높은 성능을 보였다.

ABSTRACT

The Internet of Things (IoT) is increasingly empowering people with an interconnected world of physical objects ranging from smart buildings to portable smart devices such as wearables. With recent advances in mobile sensing, wearables have become a rich collection of portable sensors and are able to provide various types of services including tracking of health and fitness, making financial transactions, and unlocking smart locks and vehicles. Most of these services are delivered based on users' confidential and personal data, which are stored on these wearables. Existing explicit authentication approaches (i.e., PINs or pattern locks) for wearables suffer from several limitations, including small or no displays, risk of shoulder surfing, and users' recall burden. Oftentimes, users completely disable security features out of convenience. Therefore, there is a need for a burden-free (implicit) authentication mechanism for wearable device users based on easily obtainable biometric data. In this paper, we present an implicit wearable device user authentication mechanism using combinations of three types of coarse-grain minute-level biometrics: behavioral (step counts), physiological (heart rate), and hybrid (calorie burn and metabolic equivalent of task). From our analysis of over 400 Fitbit users from a 17-month long health study, we are able to authenticate subjects with average accuracy values of around .93 (sedentary) and .90 (non-sedentary) with equal error rates of .05 using binary SVM classifiers. Our findings also show that the hybrid biometrics perform better than other biometrics and behavioral biometrics do not have a significant impact, even during non-sedentary periods.

연구 동기 및 목표

• 약한 또는 존재하지 않는 인증 메커니즘이 웨어러블 기기의 보안 위험을 증가시키는 문제를 해결하기 위해.
• 사용자 상호작용이 필요 없는 원활하고 암시적인 인증 방법을 개발하여, PIN과 패턴 잠금의 한계를 극복하기 위해.
• 일반 웨어러블 기기에서 얻은 굵은 단위로 처리된 생체정보 데이터를 활용한 지속적인 사용자 인증의 가능성과 정확도를 평가하기 위해.
• 다양한 활동 수준에서 강력한 인증을 위한 가장 효과적인 생체정보 모odalities와 특징 선택 전략을 규명하기 위해.
• 인증 시스템의 오류 임계치를 구성 가능하게 하여 사용성과 보안의 균형을 맞추기 위해.

제안 방법

• 시스템은 세 가지 생체정보 모달리티를 사용한다: 행동성(보행 수), 생리학적(심박수), 하이브리드(칼로리 소모 및 MET), 모두 1분 간격으로 샘플링된다.
• 특징 추출은 평균, 표준편차, 백분위수, IQR, 왜도, 첨도, 신호 대 잡음비 등 통계 및 스펙트럼 특징 27개를 각 생체정보 유형별로 계산한다.
• 차원 축소 및 모델 성능 향상을 위해 세 가지 접근 방식을 사용한 특징 선택: 코모고로프-스미르노프(Kolmogorov-Smirnov, KS), 표준편차(standard deviation, SD), 피어슨 상관계수(Pearson correlation, PC).
• 선택된 특징을 기반으로 서포트 벡터 머신(Support Vector Machine, SVM) 분류기가 훈련 및 테스트되며, 거짓 양성률(FPR)과 거짓 음성률(FNR)을 평가하기 위해 이진 및 단항 분류 모델이 평가된다.
• 시스템은 확률 임계치를 사용하여 거짓 양성률(FPR)과 거짓 음성률(FNR)을 동적으로 균형 조절하며, 보안과 사용성 간의 트레이드오프를 가능하게 한다.
• 다양한 이방성 임계치와 확률 임계치를 사용한 오류 분석을 통해, 앉아 있는 상태와 비암시 상태에서의 시스템 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 일반 웨어러블 기기에서의 굵은 단위로 처리된 생체정보 데이터는 정확한 암시적 사용자 인증을 가능하게 하는가?
• RQ2 행동성, 생리학적, 하이브리드 생체정보 중 어떤 조합이 가장 높은 인증 정확도를 낳는가?
• RQ3 다양한 특징 선택 방법(KS, SD, PC)이 분류 성능와 모델의 강건성에 어떤 영향을 미치는가?
• RQ4 실제 웨어러블 기기 구현에서 거짓 양성률(FPR)과 거짓 음성률(FNR) 간의 트레이드오프는 어떻게 되며, 이를 사용성 또는 보안에 맞게 조정할 수 있는가?
• RQ5 시스템은 앉아 있는 상태와 비암시 상태를 포함한 다양한 활동 수준에서 높은 정확도를 유지할 수 있는가?

주요 결과

• 하이브리드 생체정보(칼로리 소모 및 MET)가 KS 기반 특징 선택 방법을 사용할 경우, 앉아 있는 상태에서 93%, 비암시 상태에서 90%의 가장 높은 인증 정확도를 기록했다.
• 행동성 생체정보(보행 수)는 비암시 기간 동안조차도 인증 성능에 거의 영향을 주지 않아, 고립된 상태에서의 분류 능력이 제한적임을 시사한다.
• 확률 임계치를 약 0.95로 설정하면 등가 오류율(EER)이 약 0.05로 감소하고, FPR은 0.02로 떨어지며 FNR은 0.10으로 증가하며, 정확도는 0.97 이상으로 상승한다.
• 이상치를 제외하는 단항 분류 모델은 앉아 있는 기간 동안 이진 모델과 유사한 성능을 보였지만, 활동 수준의 변동성이 큰 비암시 기간에는 더 큰 격차를 보였다.
• FPR을 최소화하면서도 수용 가능한 FNR을 유지하기 위해, 앉아 있는 기간에는 약 10%, 비암시 기간에는 약 30%의 이상치 임계치가 최적임이 확인되었다.
• 본 연구는 생리학적 신호와 행동 신호를 조합한 하이브리드 생체정보가 인구통계학적 데이터와 함께 사용될 경우, 개별 모달리티보다 훨씬 뛰어난 성능을 보임을 입증한다. 이는 더 풍부한 사용자 고유의 패턴을 반영하기 때문이다.