[论文解读] Sequential Keystroke Behavioral Biometrics for Mobile User Identification via Multi-view Deep Learning

Lichao Sun, Yuqi Wang+4 more|arXiv (Cornell University)|Nov 7, 2017

User Authentication and Security Systems参考文献 14被引用 4

一句话总结

本文提出 DeepService，一种多视角深度学习框架，通过智能手机的连续敲击动态和加速度计数据识别移动用户，在用户识别准确率超过 93% 的同时，推理时间低于 1 毫秒，展示了高精度与高效率，适用于持续、非侵入式用户认证。

ABSTRACT

With the rapid growth in smartphone usage, more organizations begin to focus on providing better services for mobile users. User identification can help these organizations to identify their customers and then cater services that have been customized for them. Currently, the use of cookies is the most common form to identify users. However, cookies are not easily transportable (e.g., when a user uses a different login account, cookies do not follow the user). This limitation motivates the need to use behavior biometric for user identification. In this paper, we propose DEEPSERVICE, a new technique that can identify mobile users based on user's keystroke information captured by a special keyboard or web browser. Our evaluation results indicate that DEEPSERVICE is highly accurate in identifying mobile users (over 93% accuracy). The technique is also efficient and only takes less than 1 ms to perform identification.

研究动机与目标

• 解决传统用户识别方法（如 Cookie）在设备或账户间不可移植的局限性。
• 探索行为生物识别技术——特别是连续敲击动态与加速度计模式——作为强大、非侵入式连续移动用户识别的替代方案。
• 开发一种多视角深度学习模型，融合多种生物特征数据流，以提升识别准确率，超越单视角方法。
• 在涉及多用户与动态使用模式的真实场景中，证明所提方法的可行性与优越性。
• 提供关于不同生物特征视角（敲击、时间、加速度）在用户识别中判别能力的见解。

提出的方法

• 提出 DeepService，一种多视角多分类（MVMC）深度学习框架，联合建模移动设备上的连续敲击时间与加速度计运动模式。
• 使用门控循环单元（GRUs）对连续敲击数据中的时间依赖性进行建模，捕捉长期打字模式。
• 提取三种不同的生物特征视角：(1) 键间时间间隔，(2) 每会话的按键频率，以及 (3) 打字过程中手机运动的 3D 加速度模式。
• 应用多视角学习，融合来自所有三个视角的表征，增强判别能力并减少用户间的歧义。
• 使用标记的用户会话端到端训练模型，通过交叉熵损失优化分类准确率。
• 实现实时推理，推理延迟在标准笔记本电脑上仅为每会话 0.657 毫秒，确保实际部署可行性。

实验结果

研究问题

• RQ1 能否通过多视角深度学习有效结合连续敲击与加速度计数据，实现高精度的移动用户识别？
• RQ2 多视角学习在识别多个用户时，性能是否优于单视角或传统机器学习基线方法（如 SVM、随机森林）？
• RQ3 与仅使用敲击时间相比，加入加速度计数据是否显著提升识别准确率？
• RQ4 随着需识别的用户数量增加，系统性能如何退化？多视角学习能否缓解这种退化？
• RQ5 所提系统的实时效率如何？是否适合在生产环境中部署？

主要发现

• 在识别 5 名用户时，DeepService 准确率达 93.50%，F1 得分为 93.51%，优于所有基线方法。
• 在扩展至 26 名用户时，DeepService 仍保持 82.73% 的准确率与 83.25% 的 F1 得分，性能退化显著低于基线方法。
• 仅加速度计视角提供的判别能力强于敲击时间或按键频率视角，且多视角融合进一步提升了准确率。
• 系统推理延迟仅为每会话 0.657 毫秒，证明其具备实时部署的可行性。
• 采用多视角融合（尤其是 GRUs 进行时间建模）的深度学习方法，始终优于 SVM、随机森林等传统模型及单视角深度学习方法。
• 加速度数据中的用户模式在主要活跃用户间表现出强分离性，证实其作为生物特征信号的有效性。