[論文レビュー] Your Identity is Your Behavior -- Continuous User Authentication based on Machine Learning and Touch Dynamics

Brendan Pelto, Mounika Vanamala+1 more|arXiv (Cornell University)|Apr 24, 2023

User Authentication and Security Systems被引用数 7

ひとこと要約

本稿では、モバイル端末のタッチダイナミクスと機械学習を活用した連続的ユーザー認証を提案する。40名の被験者を対象に、LG V30+で4つのゲームを10分間プレイさせ、タッチ圧力、スワイプ速度、タッチ時間のデータを収集した。ニューラルネットワークが最高の正確度（最大95％）を達成し、タッチダイナミクスによる行動バイオメトリクスが、誤検出や誤検出が最小限に抑えられる形でモバイルセキュリティを効果的に強化できることを示した。

ABSTRACT

The aim of this research paper is to look into the use of continuous authentication with mobile touch dynamics, using three different algorithms: Neural Network, Extreme Gradient Boosting, and Support Vector Machine. Mobile devices are constantly increasing in popularity in the world, today smartphone subscriptions have surpassed 6 billion. Mobile touch dynamics refer to the distinct patterns of how a user interacts with their mobile device, this includes factors such as touch pressure, swipe speed, and touch duration. Continuous authentication refers to the process of continuously verifying a user's identity while they are using a device, rather than just at the initial login. This research used a dataset of touch dynamics collected from 40 subjects using the LG V30+. The participants played four mobile games, PUBG, Diep.io, Slither, and Minecraft, for 10 minutes each game. The three algorithms were trained and tested on the extracted dataset, and their performance was evaluated based on metrics such as accuracy, precision, false negative rate, and false positive rate. The results of the research showed that all three algorithms were able to effectively classify users based on their individual touch dynamics, with accuracy ranging from 80% to 95%. The Neural Network algorithm performed the best, achieving the highest accuracy and precision scores, followed closely by XGBoost and SVC. The data shows that continuous authentication using mobile touch dynamics has the potential to be a useful method for enhancing security and reducing the risk of unauthorized access to personal devices. This research also notes the importance of choosing the correct algorithm for a given dataset and use case, as different algorithms may have varying levels of performance depending on the specific task.

研究の動機と目的

• モバイル端末のタッチダイナミクスを行動バイオメトリクスとして用いた連続的ユーザー認証の実現可能性を調査すること。
• ニューラルネットワーク、XGBoost、SVMの3つの機械学習アルゴリズムが、ユーザーのタッチ行動に基づいてユーザーを分類する性能を評価すること。
• ゲームを含む実世界のモバイル利用状況における、タッチベースの連続的認証の実用性を評価すること。
• 正確度、再現率、誤検出率のバランスが取れた最適な機械学習モデルを、タッチダイナミクス分類の文脈で特定すること。

提案手法

• LG V30+スマートフォンを用いて、40名の被験者がPUBG、Slither、Minecraftをそれぞれ10分間プレイする中で、タッチダイナミクスのデータを収集した。
• 生のインタラクションログから、タッチ圧力、スワイプ速度、タッチ時間といった行動特徴を抽出した。
• 抽出されたデータセット上で、ニューラルネットワーク、極端な勾配ブースティング（XGBoost）、サポートベクターマシン（SVM）の3つの機械学習モデルを訓練およびテストした。
• 標準的な指標（正確度、再現率、偽陰性率、偽陽性率）を用いて、モデルの性能を評価した。
• モデルの堅牢性と一般化性能を確保するため、交差検証手法を用いた。

実験結果

リサーチクエスチョン

• RQ1 タッチダイナミクスは、モバイル端末上でユーザーを連続的に認証するために信頼性を持って利用可能か？
• RQ2 異なる機械学習モデルは、ユーザーのタッチ行動に基づいてどのようにユーザーを分類するか？
• RQ3 実世界のモバイル利用（例：ゲームプレイ）は、タッチベースの連続的認証の性能にどのような影響を与えるか？
• RQ4 このタスクにおいて、正確度、再現率、誤検出率のバランスが取れた最良の機械学習アルゴリズムはどれか？

主な発見

• ニューラルネットワークが95％の最高正確度を達成し、すべての評価指標でXGBoostおよびSVMを上回った。
• 3つのモデルすべてが優れた性能を示し、収集されたデータセット上で正確度は80％から95％の範囲にあった。
• XGBoostは高い再現率と低い偽陽性率を示し、信頼性の高いユーザー識別が可能であることを示した。
• サポートベクターマシン（SVM）は良好な性能を示したが、正確度と再現率の両面でニューラルネットワークおよびXGBoostに劣った。
• 本研究は、タッチダイナミクスが連続的認証に適した判別力のある行動バイオメトリクスであることを確認した。
• モデルの選択が性能に顕著な影響を与えることが分かった。これは、特定のデータセットおよび用途に適したアルゴリズムの選定の重要性を示している。