[論文レビュー] Could We Distinguish Child Users from Adults Using Keystroke Dynamics?

Yasin Uzun, Kemal Biçakcı+1 more|arXiv (Cornell University)|Nov 18, 2015

User Authentication and Security Systems参考文献 9被引用数 10

ひとこと要約

本研究では、キーストロークダイナミクスが、15歳未塔の子供ユーザーと17歳以上の大人ユーザーを、入力間隔時間などの入力パターンに基づいて区別できるかを調査している。独自に構築した100名のユーザーからなるデータセットを用い、年齢層分類において等誤差率（EER）8.8％を達成した。これは、プライバシー保護型アクセス制御およびフォレンジック応用への実現可能性を示している。

ABSTRACT

Significant portion of contemporary computer users are children, who are vulnerable to threats coming from the Internet. To protect children from such threats, in this study, we investigate how successfully typing data can be used to distinguish children from adults. For this purpose, we collect a dataset comprising keystroke data of 100 users and show that distinguishing child Internet users from adults is possible using Keystroke Dynamics with equal error rates less than 10 percent. However the error rates increase significantly when there are impostors in the system.

研究の動機と目的

• 15歳未塔のユーザーと17歳以上のユーザーを、15〜17歳のティーンエイジャーを除いて明確に分類できるかどうかを検証すること。
• ユーザーの明示的入力を必要とせず、タイピング行動を用いて受動的識別子として機能するバイオメトリクスベースの年齢層検出システムを構築すること。
• トレーニングデータを脱識別化可能かつモデルトレーニング後には破棄可能であることを保証することで、プライバシー懸念に対処すること。
• 将来的な研究を支援するため、年齢ラベル付きキーストロークデータを公開可能なデータセットとして提供すること。

提案手法

• 15歳未塔の子供（50名）と17歳以上の大人（50名）を含む100名のユーザーからなるデータセットを収集し、分類の曖昧さを避けるためにティーンエイジャーを除外した。
• 固定されたテキストフレーズを繰り返し入力する際、マイクロ秒単位でキーオン/オフのタイミングとキーオン間隔（interkey latency）を記録した。
• キーストローク特徴量を用いて、k-近傍法、サポートベクターマシン、ニューラルネットワークといった複数の分類アルゴリズムを適用した。
• 等誤差率（EER）を主な評価指標とし、交差検証を用いて性能の妥当性を検証した。
• バイオメトリクスデータを恒久的に保存しないよう、テスト時にリアルタイムでキーストロークデータを処理する仕組みを設計した。
• データセット、データ収集ソフトウェア、テストスクリプトを公開し、再現性と将来的なベンチマークの可能性を高めた。

実験結果

リサーチクエスチョン

• RQ1 キーストロークダイナミクスは、タイピング行動に基づいて15歳未塔の子供ユーザーと17歳以上の大人ユーザーを正確に区別できるか？
• RQ2 人為的な模倣者（impostors）が存在する状況下で、キーストロークベースの年齢分類の性能はどのように変化するか？
• RQ3 明示的なユーザー識別なしに、プライバシー保護型応用を目的として、キーストロークダイナミクスをどの程度活用して年齢層を推定できるか？
• RQ4 スマートフォンのタッチタイピングパターンを用いて、本手法をモバイルデバイスに拡張可能か？
• RQ5 キーストロークとマウス操作のダイナミクスを統合することで、年齢層予測の正確性を向上させられるか？

主な発見

• 提案手法は、キーストロークダイナミクスを用いて子供ユーザーと大人ユーザーを区別する際、等誤差率（EER）8.8％を達成した。
• 最適なアルゴリズムを用いることで分類精度が90％を超えた。これは、実用的導入の強力な可能性を示している。
• 模倣者（impostors）がシステムに混入すると誤り率が著しく上昇した。これは、非ゼロ努力攻撃（non-zero effort attacks）に対して脆弱であることを示している。
• 本研究では、年齢ラベル付きの公開可能なキーストロークデータセットを初めて提供した。これにより、将来的なベンチマークと再現性が可能になった。
• モデルトレーニング後、生データを即時削除可能な仕組みを採用しており、プライバシー保護型デプロイメントを実現している。
• 結果から、年齢層予測の統合が、既存のバイオメトリクス認証システムの精度を最大20％向上させる可能性を示唆している。