[論文レビュー] Data Driven Authentication: On the Effectiveness of User Behaviour Modelling with Mobile Device Sensors

H. Güneş Kayacık, Mike Just+3 more|arXiv (Cornell University)|Oct 28, 2014

User Authentication and Security Systems参考文献 19被引用数 74

ひとこと要約

本稿では、センサデータを用いた軽量で適応型のユーザ行動モデリングシステムを提案し、訓練から運用への自動的移行および検出閾値の動的チューニングを実現する。3つの公開データセットを用いた評価により、攻撃者状況が異なる条件下でも異常行動の効果的検出が可能であることが示され、実世界の設定において訓練時間とドリフト時間の計算が可能である。

ABSTRACT

We propose a lightweight, and temporally and spatially aware user behaviour modelling technique for sensor-based authentication. Operating in the background, our data driven technique compares current behaviour with a user profile. If the behaviour deviates sufficiently from the established norm, actions such as explicit authentication can be triggered. To support a quick and lightweight deployment, our solution automatically switches from training mode to deployment mode when the user's behaviour is sufficiently learned. Furthermore, it allows the device to automatically determine a suitable detection threshold. We use our model to investigate practical aspects of sensor-based authentication by applying it to three publicly available data sets, computing expected times for training duration and behaviour drift. We also test our model with scenarios involving an attacker with varying knowledge and capabilities.

研究の動機と目的

• モバイルデバイス認証のためのセンサデータを用いた、軽量でバックグラウンドで実行可能なユーザ行動モデリング技術の開発。
• ユーザ行動が十分に学習されると、自動的に訓練モードから運用モードに移行できる仕組みの実装。
• デバイスが異常検出の最適な検出閾値を自律的に決定できるようにする。
• 実世界のシナリオにおける訓練時間や行動ドリフトといった実用的運用上の側面の評価。
• 攻撃者の知識や能力が異なる状況下でのシステムの頑健性の評価。

提案手法

• システムは、モバイルデバイスのセンサから得られる時間的・空間的パターンに基づいてユーザ行動をデータドリブンにモデリングする。
• 2段階のプロセスで動作する：まずユーザ固有の行動パターンを学習する訓練フェーズ、その後、リアルタイムでの異常検出を実行する運用フェーズ。
• 行動の一貫性が閾値を超えると、最小限のユーザ介入で自動的に訓練から運用に切り替わる。
• 正常行動のずれの分布を分析することで、検出閾値を適応的に決定する。
• 公開済みのデータセットを用いて、予想される訓練時間と行動ドリフト時間を計算する。
• 攻撃者シナリオをシミュレートし、知識や能力の異なる攻撃者に対する頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 提案手法であるデータドリブンな行動モデリング技術は、モバイルデバイスにおける通常のユーザ行動からの逸脱をどれほど効果的に検出できるか？
• RQ2 実世界の展開において、予想される訓練時間と行動ドリフト時間はどの程度か？
• RQ3 攻撃者のプロファイルが異なる状況下で、システムの性能はどのように変化するか？
• RQ4 手動設定なしで、システムが最適な検出閾値を自動的に決定できるか？
• RQ5 時間の経過とともにユーザ行動の変化に、モデルがどの程度適応できるか？

主な発見

• 最小限の設定で効果的な異常検出が達成され、十分な行動学習が終了すると自動的に訓練から運用に移行した。
• 訓練時間は計算可能であり、データセットごとに変動したが、実用的展開に適した現実的な時間枠であった。
• 行動ドリフト時間は定量的に評価され、ベースライン行動からの長期的逸脱を検出できる能力が示された。
• 攻撃者の知識が限定的である状況ではモデルの頑健性が確認されたが、攻撃者の能力が向上するにつれて検出効果は低下した。
• 適応的閾値チューニングにより、手動キャリブレーションを要せず検出精度が著しく向上した。
• 本手法はスケーラブルで軽量であり、モバイルデバイス上でリアルタイムのバックグラウンド動作に適していることが実証された。