[논문 리뷰] Your Identity is Your Behavior -- Continuous User Authentication based on Machine Learning and Touch Dynamics

Brendan Pelto, Mounika Vanamala외 1명|arXiv (Cornell University)|2023. 04. 24.

User Authentication and Security Systems인용 수 7

한 줄 요약

이 논문은 모바일 터치 동역학과 기계 학습을 활용한 연속 사용자 인증을 제안한다. 40명의 참가자가 LG V30+에서 네 가지 게임을 플레이하면서 터치 압력, 스와이프 속도, 지속 시간 등의 데이터를 수집하였다. 신경망 모델이 최고의 정확도(최대 95%)를 기록하여, 터치 동역학을 통한 행동 생체 인증가능성이 최소한의 오진 또는 빠짐 없이 모바일 보안을 효과적으로 향상시킬 수 있음을 입증하였다.

ABSTRACT

The aim of this research paper is to look into the use of continuous authentication with mobile touch dynamics, using three different algorithms: Neural Network, Extreme Gradient Boosting, and Support Vector Machine. Mobile devices are constantly increasing in popularity in the world, today smartphone subscriptions have surpassed 6 billion. Mobile touch dynamics refer to the distinct patterns of how a user interacts with their mobile device, this includes factors such as touch pressure, swipe speed, and touch duration. Continuous authentication refers to the process of continuously verifying a user's identity while they are using a device, rather than just at the initial login. This research used a dataset of touch dynamics collected from 40 subjects using the LG V30+. The participants played four mobile games, PUBG, Diep.io, Slither, and Minecraft, for 10 minutes each game. The three algorithms were trained and tested on the extracted dataset, and their performance was evaluated based on metrics such as accuracy, precision, false negative rate, and false positive rate. The results of the research showed that all three algorithms were able to effectively classify users based on their individual touch dynamics, with accuracy ranging from 80% to 95%. The Neural Network algorithm performed the best, achieving the highest accuracy and precision scores, followed closely by XGBoost and SVC. The data shows that continuous authentication using mobile touch dynamics has the potential to be a useful method for enhancing security and reducing the risk of unauthorized access to personal devices. This research also notes the importance of choosing the correct algorithm for a given dataset and use case, as different algorithms may have varying levels of performance depending on the specific task.

연구 동기 및 목표

• 모바일 터치 동역학을 행동 생체 인증 수단으로 사용하여 연속 사용자 인증의 가능성을 탐구하는 것.
• 신경망, XGBoost, SVM의 세 가지 기계 학습 알고리즘의 성능을 사용자 터치 행동 기반 분류 성능 평가.
• 게임을 포함한 실제 모바일 사용 환경에서 터치 기반 연속 인증의 실용성 평가.
• 정확도, 정밀도, 오류 비율을 기반으로 터치 동역학 분류에 최적의 기계 학습 모델 식별.

제안 방법

• 40명의 참가자가 PUBG, Slither, Minecraft 각각 10분씩 플레이하는 동안 LG V30+ 스마트폰을 사용하여 터치 동역학 데이터를 수집.
• 원시 상호작용 로그에서 터치 압력, 스와이프 속도, 터치 지속 시간 등의 행동 특징을 추출.
• 추출된 데이터셋에 대해 신경망, 극한 기울기 부스팅(XGBoost), 서포트 벡터 머신(SVM)의 세 가지 기계 학습 모델을 훈련 및 테스트.
• 정확도, 정밀도, 거짓 음성 비율, 거짓 양성 비율 등의 표준 지표를 사용해 모델 성능 평가.
• 모델의 일반화 능력과 강건성을 확보하기 위해 교차 검증 방법을 사용.

실험 결과

연구 질문

• RQ1 터치 동역학은 모바일 기기에서 사용자를 연속적으로 신원 확인하는 데 신뢰성 있게 사용될 수 있는가?
• RQ2 다른 기계 학습 모델은 사용자 터치 행동 기반 분류에서 어떻게 상호 비교되는가?
• RQ3 실제 모바일 사용 환경(예: 게임 플레이)은 터치 기반 연속 인증 성능에 어떤 영향을 미치는가?
• RQ4 이 작업에서 정확도, 정밀도, 낮은 오류 비율의 최적의 균형을 이루는 기계 학습 알고리즘이 무엇인가?

주요 결과

• 신경망 모델이 모든 평가 지표에서 XGBoost와 SVM을 앞서며 최고의 정확도 95%를 기록하였다.
• 세 모델 모두 뛰어난 성능를 보였으며, 수집된 데이터셋에서 정확도는 80%에서 95% 사이로 변동하였다.
• XGBoost는 높은 정밀도와 낮은 거짓 양성 비율을 보이며 신뢰할 수 있는 사용자 식별 능력을 입증하였다.
• 서포트 벡터 머신(SVM)은 잘 수행되었지만, 정확도와 정밀도 측면에서 신경망과 XGBoost에 비해 뒤처졌다.
• 이 연구는 터치 동역학이 연속 인증을 위한 실현 가능하고 구분력 있는 행동 생체 인증 수단임을 확인하였다.
• 모델 선택은 성능에 중대한 영향을 미치며, 특정 데이터셋과 용도에 적합한 알고리즘을 선택하는 것이 중요함을 시사한다.