[논문 리뷰] Towards Zero-trust Security for the Metaverse

Ruizhi Cheng, Songqing Chen외 1명|arXiv (Cornell University)|2023. 02. 17.

Face recognition and analysis인용 수 10

한 줄 요약

개인정보 보호를 위한 연합 학습 기반의 연속 다중 모달 생체 인증 프레임워크인 메타가드(MetaGuard)를 제안하여 메타버스의 제로-트러스트 보안을 가능하게 한다.

ABSTRACT

By focusing on immersive interaction among users, the burgeoning Metaverse can be viewed as a natural extension of existing social media. Similar to traditional online social networks, there are numerous security and privacy issues in the Metaverse (e.g., attacks on user authentication and impersonation). In this paper, we develop a holistic research agenda for zero-trust user authentication in social virtual reality (VR), an early prototype of the Metaverse. Our proposed research includes four concrete steps: investigating biometrics-based authentication that is suitable for continuously authenticating VR users, leveraging federated learning (FL) for protecting user privacy in biometric data, improving the accuracy of continuous VR authentication with multimodal data, and boosting the usability of zero-trust security with adaptive VR authentication. Our preliminary study demonstrates that conventional FL algorithms are not well suited for biometrics-based authentication of VR users, leading to an accuracy of less than 10%. We discuss the root cause of this problem, the associated open challenges, and several future directions for realizing our research vision.

연구 동기 및 목표

• 메타버스에 대한 제로-트러스트 보안과 소셜 VR에서의 연속 사용자 인증의 필요성을 제시한다.
• 다중 모달 생체 인식을 사용한 프라이버시 보호형 FL 기반 인증 프레임워크를 제안한다.
• 양성 레이블의 로컬 데이터만으로 이루어진 FL의 도전과제를 식별하고 향후 개선 방향을 제시한다.
• 사용성과 보안을 균형 있게 하기 위한 적응형, 다중 모달, 개인화 인증을 탐구한다.

제안 방법

• VR 사용자용으로 FL 기반의 프라이버시 보호 연속 인증 프레임워크로 메타가드를 정의한다.
• 인증을 위한 다중 모달 생체 데이터(예: 머리/신체 움직임, 시선, 음성)를 조사한다.
• VR 인증에서 양성 레이블만 있는 데이터로 표준 FL(FedAvg)의 한계를 시연한다.
• 정확도 향상을 위한 개인화된 다중 모달 데이터 융합 및 시계열 기반 모델(예: VRNN/LSTM)을 제안한다.
• 신뢰성, 사용성 및 자원 사용의 균형을 맞추는 적응형 인증에 대해 논의한다.

Figure 1: System architecture of $\sf\small{MetaGuard}$ .

실험 결과

연구 질문

• RQ1 연합 학습이 원시 생체 인식 데이터를 공유하지 않고도 VR에서 프라이버시 보호 연속 인증을 가능하게 할 수 있는가?
• RQ2 현실적인 VR 사용 하에서 어떤 생체 모달리티와 융합 전략이 메타버스에서 강력한 제로-트러스트 인증을 제공하는가?
• RQ3 사용자 수가 증가함에 따라 FL 기반 VR 인증의 확장성 문제는 무엇이며, 개인화가 어떻게 도움을 줄 수 있는가?
• RQ4 신뢰성과 프라이버시를 유지하면서 자원 사용을 줄이는 적응형 인증은 어떻게 구현될 수 있는가?

주요 결과

• 양성 레이블만 있는 데이터와 함께하는 기존의 FedAvg와 같은 FL은 VR 인증에서 성능이 저조합니다(6.34% 정확도).
• 프라이버시를 보호하지 않는 모델(Siamese, FCN, ResNet)은 사용된 데이터 세트에서 87–90% 정확도를 달성하여 프라이버시 비용을 강조합니다.
• 사용자 수가 증가함에 따라 FedAvg + FCN 정확도가 급격히 떨어집니다(예: 2명 사용자에서 >90%에서 25명에서 <10%로).
• 모든 여섯 가지 모달리티를 사용하면 FedAvg+FCN 정확도가 매우 낮아(6.34%), 모달리티를 줄이면 성능이 향상될 수 있습니다(예: 세 가지 모달리티에서 19.32%).
• 사용자 간 최적 모달리티 조합의 변동성이 커 개인화된 모달리티 선택의 필요성을 강조합니다.

Figure 2: Biometric-based authentication process in VR.