[論文レビュー] Hold On and Swipe: A Touch-Movement Based Continuous Authentication Schema based on Machine Learning

Rushit Dave, Naeem Seliya+4 more|arXiv (Cornell University)|Jan 21, 2022

User Authentication and Security Systems被引用数 5

ひとこと要約

本論文では、タッチ操作の動きのダイナミクス（具体的には、タッチホールドおよびスワイプジェスチャー）と端末の運動データを統合し、機械学習を活用してユーザー識別を行う連続認証システムを提案する。ハンドムーブメントオリエンテーションおよびグラップ・バイオインジケータ（Hand Movement Orientation and Grasp and BioIdent）の2つの公表済みデータセットを統合することで、ランダムフォレスト、SVM、K-Nearest Neighbor（KNN）分類器を用いて最大82％の精度を達成した。これは、マルチモーダルな行動バイオメトリクスがモバイルセキュリティに実現可能であることを示している。

ABSTRACT

In recent years the amount of secure information being stored on mobile devices has grown exponentially. However, current security schemas for mobile devices such as physiological biometrics and passwords are not secure enough to protect this information. Behavioral biometrics have been heavily researched as a possible solution to this security deficiency for mobile devices. This study aims to contribute to this innovative research by evaluating the performance of a multimodal behavioral biometric based user authentication scheme using touch dynamics and phone movement. This study uses a fusion of two popular publicly available datasets the Hand Movement Orientation and Grasp dataset and the BioIdent dataset. This study evaluates our model performance using three common machine learning algorithms which are Random Forest Support Vector Machine and K-Nearest Neighbor reaching accuracy rates as high as 82% with each algorithm performing respectively for all success metrics reported.

研究の動機と目的

• スマートフォンに保存される機密データの急増に伴い、より強固なモバイルデバイス認証のニーズに対応するため。
• パスワードや生理的バイオメトリクスといった従来の方法の限界を克服し、行動バイオメトリクスを活用するため。
• タッチダイナミクスとデバイスの運動を統合したマルチモーダルな行動バイオメトリクスシステムの連続ユーザー認証における有効性を評価するため。
• 複数の機械学習アルゴリズムが、統合されたタッチおよび運動データに対してユーザー識別をどのように分類するかを評価するため。

提案手法

• システムは、ユーザーがモバイルデバイスと対話する際のタッチホールドおよびスワイプジェスチャーのデータを収集する。
• ハンドムーブメントオリエンテーションおよびグラップ（Hand Movement Orientation and Grasp）データセットとバイオインジケータ（BioIdent）データセットの2つを公開済みのデータセットとして統合し、特徴表現を豊かにする。
• 主な特徴として、タッチの持続時間、圧力、軌道、およびジェスチャー中のデバイスの姿勢変化を抽出する。
• ランダムフォレスト、サポートベクターマシン（SVM）、およびK-Nearest Neighbor（KNN）の3つの機械学習モデルを、統合されたデータセット上で学習および評価する。
• 学習済みのユーザープロファイルと照らし合わせ、リアルタイムのタッチおよび運動パターンを分析することで、連続認証を実行する。
• 標準的な指標（例：精度）を用いて性能を評価し、3つのアルゴリズムすべてに対して結果を報告する。

実験結果

リサーチクエスチョン

• RQ1 タッチダイナミクスとデバイスの運動を統合したマルチモーダルな行動バイオメトリクスシステムは、モバイルデバイスにおける連続認証の精度を向上させることができるか？
• RQ2 異なる機械学習アルゴリズムは、タッチ操作のパターンに基づいてユーザーの身元を分類する際に、どのように性能を発揮するか？
• RQ3 2つの異なる行動バイオメトリクスデータセットの統合が、認証性能にどのような影響を与えるか？
• RQ4 タッチホールドおよびスワイプジェスチャーは、どの程度、連続認証に信頼できるバイオメトリック的特徴として機能できるか？

主な発見

• 提案されたシステムは、統合されたデータセット上でランダムフォレスト、SVM、およびK-Nearest Neighbor分類器を用いて最大82％の認証精度を達成した。
• ランダムフォレスト、SVM、K-Nearest Neighborの3つの機械学習アルゴリズムすべてが、報告されたすべての成功指標で一貫した性能を示し、精度は最大82％に達した。
• ハンドムーブメントオリエンテーションおよびグラップデータセットとバイオインジケータ（BioIdent）データセットの統合により、特徴の多様性が向上し、モデルの一般化性能が向上した。
• 結果から、タッチホールドおよびスワイプジェスチャーを含むタッチ操作のダイナミクスが、連続認証に適したバイオメトリック的特徴であることが示された。
• 本研究では、タッチおよび運動パターンに基づく行動バイオメトリクスが、従来の認証方法の強力な代替手段として機能できることを確認した。
• 本システムは、非侵襲的で自然なユーザー行動に依存していることから、実世界でのモバイルセキュリティへの導入に有望である。