[论文解读] HMOG: New Behavioral Biometric Features for Continuous Authentication of Smartphone Users

Zdeňka Sitová, Jaroslav Šeděnka+5 more|arXiv (Cornell University)|Jan 6, 2015

User Authentication and Security Systems参考文献 51被引用 5

一句话总结

本文提出HMOG，一种基于智能手机加速度计、陀螺仪和磁力计数据的新一代行为生物特征特征集——手部运动、姿态和抓握，用于实现连续用户认证。通过捕捉打字过程中的微小运动和姿态动态，该方法在步行状态下实现了最低7.16%的等错误率（EER），且能量开销极低（16Hz采样率下仅7.9%）。

ABSTRACT

We introduce Hand Movement, Orientation, and Grasp (HMOG), a set of behavioral features to continuously authenticate smartphone users. HMOG features unobtrusively capture subtle micro-movement and orientation dynamics resulting from how a user grasps, holds, and taps on the smartphone. We evaluated authentication and biometric key generation (BKG) performance of HMOG features on data collected from 100 subjects typing on a virtual keyboard. Data was collected under two conditions: sitting and walking. We achieved authentication EERs as low as 7.16% (walking) and 10.05% (sitting) when we combined HMOG, tap, and keystroke features. We performed experiments to investigate why HMOG features perform well during walking. Our results suggest that this is due to the ability of HMOG features to capture distinctive body movements caused by walking, in addition to the hand-movement dynamics from taps. With BKG, we achieved EERs of 15.1% using HMOG combined with taps. In comparison, BKG using tap, key hold, and swipe features had EERs between 25.7% and 34.2%. We also analyzed the energy consumption of HMOG feature extraction and computation. Our analysis shows that HMOG features extracted at 16Hz sensor sampling rate incurred a minor overhead of 7.9% without sacrificing authentication accuracy. Two points distinguish our work from current literature: 1) we present the results of a comprehensive evaluation of three types of features (HMOG, keystroke, and tap) and their combinations under the same experimental conditions, and 2) we analyze the features from three perspectives (authentication, BKG, and energy consumption on smartphones).

研究动机与目标

• 为解决传统一次性认证方法（如PIN码和指纹）易受欺骗和侧信道攻击的局限性。
• 实现在步行等动态条件下常见智能手机操作（如打字）中的连续认证。
• 开发一组新型行为生物特征，无感捕捉个体在手部运动、姿态和抓握动态方面的差异。
• 从三个关键维度评估HMOG：认证准确性、生物特征密钥生成（BKG）性能以及移动设备上的能耗。
• 分析真实部署中传感器采样率、认证准确率与能效之间的权衡。

提出的方法

• HMOG特征从智能手机使用过程中采集的原始加速度计、陀螺仪和磁力计数据中提取。
• 该方法区分两类特征：抗力特征（测量对按键力度的微小运动响应）和稳定性特征（测量运动与姿态扰动的衰减）。
• 基于人体抓握原理，共设计了96个HMOG特征，涵盖稳定抓握和精准抓握的动力学特性。
• 通过加权组合方式融合HMOG与按键及击键动态特征，以提升认证性能。
• 使用承诺机制和纠错码实现生物特征密钥生成（BKG），以应对用户内部变异性。
• 通过在真实智能手机硬件上测量不同采样率（如16Hz）下传感器采样与特征提取的开销，评估能耗。

实验结果

研究问题

• RQ1 与现有行为生物特征相比，HMOG特征在步行等动态条件下对提升连续认证准确率的效果如何？
• RQ2 步行运动对HMOG特征的唯一性与可靠性有何影响？
• RQ3 HMOG在生物特征密钥生成（BKG）中的表现如何？与基于按键和滑动的BKG相比，其错误率有何差异？
• RQ4 在智能手机上，以不同传感器采样率收集和处理HMOG特征的能量开销是多少？
• RQ5 在真实部署中，传感器采样率、认证准确率与能耗之间存在何种权衡？

主要发现

• 在步行状态下，HMOG与按键及击键特征结合后，认证等错误率（EER）降至7.16%；在静坐状态下为10.05%，显著优于单一特征集。
• HMOG、按键与击键特征融合后，步行状态下的EER降低至8.53%，静坐状态为11.41%，表明性能具有显著协同增益。
• 在生物特征密钥生成（BKG）中，HMOG与按键结合的EER为15.1%，优于仅使用按键（25.7%）和仅使用滑动（34.2%）的BKG方案。
• HMOG特征在步行过程中尤为有效，因其同时捕捉了按键引发的微小运动与独特的步态相关身体动力学。
• 在16Hz采样率下，特征提取仅带来7.9%的能量开销，表明其在资源受限的移动设备中具有高度适用性。
• 本研究首次系统分析了智能手机连续认证中传感器采样率、认证准确率与能耗之间的关系。