[论文解读] AuthentiSense: A Scalable Behavioral Biometrics Authentication Scheme using Few-Shot Learning for Mobile Platforms

Hossein Fereidooni, Jan König+6 more|arXiv (Cornell University)|Feb 6, 2023

User Authentication and Security Systems被引用 4

一句话总结

AuthentiSense 提出了一种适用于移动平台的、与用户无关的可扩展行为生物识别系统，利用少样本 Siamese 网络基于运动传感器数据（加速度计、陀螺仪、磁力计）进行用户认证，无需手工特征工程或重新训练。其在 3 次样本验证中实现了 97% 的 F1 分数，并在用户交互 1 秒内完成认证，支持大规模场景下的持续、无感认证。

ABSTRACT

Mobile applications are widely used for online services sharing a large amount of personal data online. One-time authentication techniques such as passwords and physiological biometrics (e.g., fingerprint, face, and iris) have their own advantages but also disadvantages since they can be stolen or emulated, and do not prevent access to the underlying device, once it is unlocked. To address these challenges, complementary authentication systems based on behavioural biometrics have emerged. The goal is to continuously profile users based on their interaction with the mobile device. However, existing behavioural authentication schemes are not (i) user-agnostic meaning that they cannot dynamically handle changes in the user-base without model re-training, or (ii) do not scale well to authenticate millions of users. In this paper, we present AuthentiSense, a user-agnostic, scalable, and efficient behavioural biometrics authentication system that enables continuous authentication and utilizes only motion patterns (i.e., accelerometer, gyroscope and magnetometer data) while users interact with mobile apps. Our approach requires neither manually engineered features nor a significant amount of data for model training. We leverage a few-shot learning technique, called Siamese network, to authenticate users at a large scale. We perform a systematic measurement study and report the impact of the parameters such as interaction time needed for authentication and n-shot verification (comparison with enrollment samples) at the recognition stage. Remarkably, AuthentiSense achieves high accuracy of up to 97% in terms of F1-score even when evaluated in a few-shot fashion that requires only a few behaviour samples per user (3 shots). Our approach accurately authenticates users only after 1 second of user interaction. For AuthentiSense, we report a FAR and FRR of 0.023 and 0.057, respectively.

研究动机与目标

• 解决现有行为生物识别系统在用户无关性、训练数据需求量大或难以扩展至大规模用户群体方面的局限性。
• 通过仅利用用户在正常移动应用交互过程中收集的运动模式，实现持续、无干扰的认证。
• 开发一种即使在用户行为样本极少（少样本学习）的情况下仍能保持高准确率的系统，避免用户加入或退出时需要重新训练。
• 降低对人工设计特征以及资源密集型个性化用户模型在部署中的依赖。
• 实现快速、准确的认证，且错误率极低：错误接受率（FAR = 0.023），错误拒绝率（FRR = 0.057）。

提出的方法

• 采用共享权重的 Siamese 神经网络架构，学习用户运动模式之间的相似性，支持单样本或少样本学习。
• 以用户交互过程中采集的运动传感器数据（加速度计、陀螺仪、磁力计）作为输入，无需显式特征工程。
• 使用对比损失函数进行模型训练，促使同一用户嵌入向量彼此靠近，而不同用户之间的嵌入向量则被拉远。
• 在训练过程中应用三元组挖掘策略，基于用户身份构建锚点、正样本和负样本，以提升嵌入质量。
• 支持运行时的 n 次样本验证，通过将用户当前行为与少量注册样本进行比较来完成认证。
• 通过最小化模型大小和推理延迟，优化实时部署，实现在仅 1 秒交互后即可完成认证。

实验结果

研究问题

• RQ1 基于 Siamese 网络的少样本学习方法是否能在用户注册数据极少的情况下实现高准确率的行为生物识别认证？
• RQ2 在不同 n 次样本验证设置（如 1 次样本、3 次样本）下，系统在 F1 分数和认证延迟方面的表现如何？
• RQ3 该系统在无需重新训练或个性化模型适配的情况下，能够多大程度上扩展以支持数百万用户的认证？
• RQ4 尽管训练数据极少且用户动态变化，系统如何保持低错误接受率和错误拒绝率？
• RQ5 交互窗口时长对认证准确率和用户体验有何影响？

主要发现

• AuthentiSense 在 3 次样本验证中实现了 97% 的高 F1 分数，证明了仅需每个用户三个行为样本即可实现优异性能。
• 系统在用户交互仅 1 秒后即可准确完成认证，支持快速、持续的认证。
• 错误接受率（FAR）为 0.023，错误拒绝率（FRR）为 0.057，表明系统具有强可靠性与低错误率。
• 系统完全具备用户无关性，用户加入或退出系统时无需重新训练，支持大规模部署。
• 该方法消除了对手工特征工程的需求，并支持在移动平台上高效、实时推理。
• 系统性能在不同交互窗口时长下均保持稳健，1 秒窗口时表现最优。