[论文解读] HMOG: A New Biometric Modality for Continuous Authentication of Smartphone Users.

Zdeňka Sitová, Jaroslav Šeděnka+5 more|arXiv (Cornell University)|Jan 6, 2015

User Authentication and Security Systems参考文献 29被引用 20

一句话总结

本文提出HMOG，一种新型行为生物识别技术，结合手部运动、方向和抓握动态，实现连续的智能手机用户身份认证。通过利用用户在行走和静坐状态下打字时的细微微运动，HMOG在与轻触和击键特征融合后，实现最低6.92%的等错误率（EER），在16Hz采样率下仅带来7.9%的能耗增加。

ABSTRACT

In this paper, we introduce Hand Movement, Orientation, and Grasp (HMOG), a behavioral biometric to continuously authenticate smartphone users. HMOG unobtrusively captures subtle micro-movement and orientation dynamics resulting from how a user grasps, holds, and taps on the smartphone. We evaluated the authentication and biometric key generation (BKG) performance of HMOG features on typing data collected from 100 subjects. Data was collected under two conditions: sitting and walking. We achieved authentication EERs as low as 6.92% (walking) and 10.20% (sitting) when we combined HMOG, tap, and keystroke features. We performed additional experiments to investigate why HMOG features perform well during walking. Our results suggest that this is due to the ability of HMOG features to capture distinctive body movements caused by walking, in addition to the hand-movement dynamics from taps. With BKG, we achieved EERs of 13.7% using HMOG combined with taps. In comparison, BKG using tap, key hold, and swipe features led to EERs between 31.3% and 36.7%. We also analyzed the energy consumption of HMOG feature extraction and computation. Our analysis shows that HMOG features extracted at 16Hz sensor sampling rate incurred a minor overhead of 7.9% without sacrificing authentication accuracy.

研究动机与目标

• 开发一种连续、无感的行为生物识别方式，用于智能手机用户身份认证，利用自然交互动态特性。
• 探究行走过程中细微身体运动是否能增强行为生物识别的区分能力。
• 在真实环境下评估HMOG在身份认证和生物特征密钥生成（BKG）任务中的性能表现。
• 量化HMOG特征提取相对于现有行为生物识别技术的能耗成本。
• 将HMOG性能与传统轻触、按键按压和滑动特征在BKG和身份认证任务中的表现进行对比。

提出的方法

• HMOG通过智能手机传感器（如加速度计、陀螺仪）捕捉用户交互过程中的微运动与方向变化。
• 在16Hz采样率下从原始传感器数据中提取特征，重点关注轻触和打字过程中的动态模式。
• 采用融合模型将HMOG特征与轻触及击键特征结合，以提升身份认证准确率。
• 利用HMOG和轻触特征进行生物特征密钥生成（BKG），通过等错误率（EER）衡量错误率。
• 通过对比HMOG特征提取与基线传感器处理的计算开销，测量能耗。
• 实验在100名受试者的数据上进行，涵盖静坐和行走两种状态。

实验结果

研究问题

• RQ1 HMOG特征能否在连续交互过程中有效区分不同智能手机用户？
• RQ2 为何HMOG在行走状态下的性能优于静坐状态？身体运动在其中起到何种作用？
• RQ3 在生物特征密钥生成（BKG）中，HMOG相较于传统轻触、按键按压和滑动特征表现如何？
• RQ4 实时提取和处理HMOG特征的能耗开销是多少？
• RQ5 当HMOG与其它行为特征融合时，能否在连续身份认证中实现低EER？

主要发现

• 在行走状态下，HMOG与轻触及击键特征融合后，身份认证等错误率（EER）达到6.92%。
• 在静坐状态下，HMOG融合的EER为10.20%，表明其在不同移动状态下的稳健性能。
• 基于HMOG的生物特征密钥生成（BKG）EER为13.7%，显著优于基于轻触/按键按压/滑动的BKG（EER介于31.3%至36.7%之间）。
• 行走状态下性能提升的原因在于HMOG能够同时捕捉手部运动动态与行走带来的独特身体运动。
• 在16Hz采样率下，HMOG特征提取仅带来7.9%的能耗增加，且未降低身份认证准确率。
• 结果证实，HMOG是一种可行的、低开销的行为生物识别方式，适用于动态环境下的连续智能手机身份认证。