[论文解读] Evaluation of a User Authentication Schema Using Behavioral Biometrics and Machine Learning

Laura Pryor, Jacob Mallet+4 more|arXiv (Cornell University)|May 7, 2022

User Authentication and Security Systems被引用 4

一句话总结

本文提出了一种结合触摸动态与手机运动行为的多模态用户认证系统，利用机器学习技术提升移动设备的安全性。在两个公开数据集上使用七种算法进行评估，该方案最高达到86%的准确率，证明了行为生物识别技术作为传统密码或生理特征方法的稳健替代方案的有效性。

ABSTRACT

The amount of secure data being stored on mobile devices has grown immensely in recent years. However, the security measures protecting this data have stayed static, with few improvements being done to the vulnerabilities of current authentication methods such as physiological biometrics or passwords. Instead of these methods, behavioral biometrics has recently been researched as a solution to these vulnerable authentication methods. In this study, we aim to contribute to the research being done on behavioral biometrics by creating and evaluating a user authentication scheme using behavioral biometrics. The behavioral biometrics used in this study include touch dynamics and phone movement, and we evaluate the performance of different single-modal and multi-modal combinations of the two biometrics. Using two publicly available datasets - BioIdent and Hand Movement Orientation and Grasp (H-MOG), this study uses seven common machine learning algorithms to evaluate performance. The algorithms used in the evaluation include Random Forest, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, Logistic Regression, Multilayer Perceptron, and Long Short-Term Memory Recurrent Neural Networks, with accuracy rates reaching as high as 86%.

研究动机与目标

• 为解决传统移动认证方法（如密码和生理生物识别）易受欺骗和静态安全措施影响的局限性。
• 探索行为生物识别（特别是触摸动态与手机运动）作为持续且自适应认证机制的可行性与性能表现。
• 使用多种机器学习算法评估触摸与运动生物识别的单模态与多模态组合性能。
• 为行为生物识别在真实移动认证场景中的有效性提供实证证据。

提出的方法

• 本研究使用两个公开可用的数据集：BioIdent（用于触摸动态）和H-MOG（用于手机运动与方向）。
• 从智能手机传感器中提取触摸交互（如点击持续时间、压力、滑动速度）和运动模式（如加速度、角速度）的特征。
• 训练并评估七种机器学习模型：随机森林、支持向量机、K近邻、朴素贝叶斯、逻辑回归、多层感知机和长短期记忆（LSTM）网络。
• 通过交叉验证确保在不同用户和会话中的鲁棒性，使用分类准确率作为性能评估指标。
• 通过在分类器前拼接触摸与运动模态的特征，实现多模态融合。
• 评估包括单模态（仅触摸或仅运动）和多模态（触摸 + 运动）配置，以比较性能表现。

实验结果

研究问题

• RQ1 在使用机器学习进行用户认证时，仅使用触摸动态的表现与仅使用手机运动的表现相比如何？
• RQ2 与单模态方法相比，结合触摸与运动生物识别对认证准确率有何影响？
• RQ3 在基于行为生物特征的用户身份分类中，哪种机器学习算法达到最高准确率？
• RQ4 来自触摸与运动数据的不同特征组合如何影响模型在不同用户间的泛化能力与鲁棒性？
• RQ5 行为生物识别能否作为传统密码或生理特征认证的可行、持续且安全的替代方案？

主要发现

• 结合触摸动态与手机运动的多模态方法在所评估数据集中实现了最高的86%认证准确率。
• 在七种机器学习模型中，长短期记忆（LSTM）网络表现出色，尤其在捕捉行为序列中的时间模式方面。
• 随机森林和支持向量机也表现出高准确率，表明其在不同用户行为下具有良好的泛化能力。
• 单模态系统表现尚可，但始终低于多模态融合方法。
• 结果证实，当与机器学习结合时，行为生物识别可为移动设备提供可靠且自适应的认证机制。