[論文レビュー] Summary: Multi-modal Biometric-based Implicit Authentication of Wearable Device Users

Sudip Vhaduri, Christian Poellabauer|arXiv (Cornell University)|Jul 15, 2019

User Authentication and Security Systems被引用数 7

ひとこと要約

本論文は、歩数（行動的）、心拍数（生理的）、カロリー消費量/MET（ハイブリッドバイオメトリクス）といった粗い粒度の処理済みデータを用いた、ウェアラブルデバイス向けのマルチモーダルバイオメトリクスベースの暗黙的認証システムを提案する。400名以上のFitbitユーザーのデータを用いたSVM分類により、座っている状態では93%、非座っている状態では90%の正確性を達成し、行動的および生理的信号を統合したハイブリッドバイオメトリクスが他の手法を上回った。

ABSTRACT

The Internet of Things (IoT) is increasingly empowering people with an interconnected world of physical objects ranging from smart buildings to portable smart devices such as wearables. With recent advances in mobile sensing, wearables have become a rich collection of portable sensors and are able to provide various types of services including tracking of health and fitness, making financial transactions, and unlocking smart locks and vehicles. Most of these services are delivered based on users' confidential and personal data, which are stored on these wearables. Existing explicit authentication approaches (i.e., PINs or pattern locks) for wearables suffer from several limitations, including small or no displays, risk of shoulder surfing, and users' recall burden. Oftentimes, users completely disable security features out of convenience. Therefore, there is a need for a burden-free (implicit) authentication mechanism for wearable device users based on easily obtainable biometric data. In this paper, we present an implicit wearable device user authentication mechanism using combinations of three types of coarse-grain minute-level biometrics: behavioral (step counts), physiological (heart rate), and hybrid (calorie burn and metabolic equivalent of task). From our analysis of over 400 Fitbit users from a 17-month long health study, we are able to authenticate subjects with average accuracy values of around .93 (sedentary) and .90 (non-sedentary) with equal error rates of .05 using binary SVM classifiers. Our findings also show that the hybrid biometrics perform better than other biometrics and behavioral biometrics do not have a significant impact, even during non-sedentary periods.

研究の動機と目的

• 弱いか、認証メカニズムが欠落しているため、ウェアラブルデバイスにおけるセキュリティリスクの増大に対処するため。
• ユーザーの操作を必要としない、シームレスで暗黙的な認証方法を開発し、PINやパターンロックの制限を克服するため。
• 一般的なウェアラブルデバイスから得られる粗い粒度の処理済みバイオメトリクスデータを用いた継続的ユーザー認証の実現可能性と正確性を評価するため。
• さまざまな活動レベルで堅牢な認証を実現するための、最も効果的なバイオメトリクスモダリティおよび特徴選択戦略を特定するため。
• 認証システムにおける誤差閾値を設定可能な仕組みを用いて、使いやすさとセキュリティのバランスを取るため。

提案手法

• 本システムは3つのバイオメトリクスモダリティを用いる：行動的（歩数）、生理的（心拍数）、ハイブリッド（カロリー消費量とMET）、いずれも1分間隔でサンプリングされる。
• 特徴抽出は、平均、標準偏差、百分位数、四分位範囲、歪度、尖度、信号対雑音比を含む、各バイオメトリクスタイプごとに27の統計的およびスペクトル的特徴を計算する。
• 次元削減とモデルパフォーマンスの向上を目的として、3つのアプローチ（コルモゴロフ＝スミルノフ検定（KS）、標準偏差（SD）、ピアソン相関（PC））を用いた特徴選択が実施される。
• 選択された特徴を用いて、サポートベクターマシン（SVM）分類器を訓練およびテストし、偽陽性率（FPR）と偽陰性率（FNR）を評価するため、2値分類とユニタリ（単一）分類モデルが検討される。
• 誤差率（FPRとFNR）のバランスを動的に調整するため、確率閾値を用いた手法が採用され、セキュリティと使いやすさのトレードオフを可能にする。
• 外れ値の閾値と確率閾値を変化させた誤差分析により、座っている状態と非座っている状態の両方で、システムパフォーマンスを最適化する。

実験結果

リサーチクエスチョン

• RQ1 一般的なウェアラブルデバイスから得られる粗い粒度の処理済みバイオメトリクスデータは、正確な暗黙的ユーザー認証を可能にするか？
• RQ2 行動的、生理的、ハイブリッドのバイオメトリクスモダリティの組み合わせの中で、どの組み合わせが最も高い認証正確性を達成するか？
• RQ3 異なる特徴選択手法（KS、SD、PC）は、分類パフォーマンスとモデルの頑健性にどのように影響するか？
• RQ4 実世界のウェアラブルデバイス展開において、偽陽性率（FPR）と偽陰性率（FNR）のトレードオフはどのようなものか？ また、使いやすさやセキュリティに合わせてどのように調整できるか？
• RQ5 本システムは、座っている状態や非座っている状態を含むさまざまな活動レベルでも高い正確性を維持できるか？

主な発見

• ハイブリッドバイオメトリクス（カロリー消費量とMET）が最も高い認証正確性を達成し、座っている状態で93%、非座っている状態で90%の正確性を示した。KSに基づく特徴選択法が使用された。
• 行動的バイオメトリクス（歩数）は、非座っている状態でも認証パフォーマンスにほとんど影響を与えず、単独では識別力に乏しいことが示された。
• 確率閾値を約0.95に設定することで、等しい誤差率（EER）が約0.05に低下し、FPRは0.02に低下、FNRは0.10に上昇したが、正確性は0.97以上に上昇した。
• 外れ値を除外するユニタリ分類モデルは、座っている状態では2値モデルと同程度のパフォーマンスを示したが、非座っている状態では活動レベルの変動により、より大きな差が生じた。
• FPRを最小限に抑えつつ、FNRを許容範囲に保つために、座っている状態では約10%、非座っている状態では約30%の外れ値閾値が最適であると特定された。
• 本研究は、生理的信号と行動的信号に加え、人口統計データを統合したハイブリッドバイオメトリクスが、個々のモダリティを著しく上回ることを示した。これは、より豊富なユーザー固有のパターンを捉えているためである。