[论文解读] Hold On and Swipe: A Touch-Movement Based Continuous Authentication Schema based on Machine Learning

Rushit Dave, Naeem Seliya+4 more|arXiv (Cornell University)|Jan 21, 2022

User Authentication and Security Systems被引用 5

一句话总结

本文提出了一种基于触摸动作动态的连续认证系统——具体而言，结合了触摸保持和滑动手势，并融合了手机运动数据，利用机器学习进行用户识别。通过整合 Hand Movement Orientation 和 Grasp 数据集与 BioIdent 数据集，该模型在 Random Forest、SVM 和 K-Nearest Neighbor 分类器下最高实现了 82% 的准确率，证明了多模态行为生物识别在移动安全中的可行性。

ABSTRACT

In recent years the amount of secure information being stored on mobile devices has grown exponentially. However, current security schemas for mobile devices such as physiological biometrics and passwords are not secure enough to protect this information. Behavioral biometrics have been heavily researched as a possible solution to this security deficiency for mobile devices. This study aims to contribute to this innovative research by evaluating the performance of a multimodal behavioral biometric based user authentication scheme using touch dynamics and phone movement. This study uses a fusion of two popular publicly available datasets the Hand Movement Orientation and Grasp dataset and the BioIdent dataset. This study evaluates our model performance using three common machine learning algorithms which are Random Forest Support Vector Machine and K-Nearest Neighbor reaching accuracy rates as high as 82% with each algorithm performing respectively for all success metrics reported.

研究动机与目标

• 为应对智能手机上存储的敏感数据呈指数级增长所带来的更强移动设备认证需求。
• 通过利用行为生物识别，克服传统方法（如密码和生理特征生物识别）的局限性。
• 评估一种结合触摸动态与设备运动的多模态行为生物识别系统，用于连续用户认证。
• 评估多种机器学习算法在融合触摸与运动数据上的性能，以实现用户识别。

提出的方法

• 系统收集用户在与移动设备交互时的触摸保持和滑动手势数据。
• 融合两个公开可用的数据集：Hand Movement Orientation 和 Grasp 数据集以及 BioIdent 数据集，以丰富特征表示。
• 提取的关键特征包括触摸持续时间、压力、轨迹以及手势过程中的设备方向变化。
• 在融合数据集上训练并评估三种机器学习模型：Random Forest、Support Vector Machine (SVM) 和 K-Nearest Neighbor (KNN)。
• 通过将实时触摸与运动模式与已学习的用户档案进行对比，实现连续认证。
• 使用标准指标（如准确率）评估性能，结果在所有三种算法中均有报告。

实验结果

研究问题

• RQ1 结合触摸动态与设备运动的多模态行为生物识别系统是否能提升移动设备上连续认证的准确率？
• RQ2 当基于触摸动作模式分类用户身份时，不同机器学习算法的表现如何？
• RQ3 融合两个不同行为生物识别数据集对认证性能有何影响？
• RQ4 触摸保持和滑动手势在多大程度上可作为连续认证的可靠生物特征？

主要发现

• 所提出的系统在融合数据集上使用 Random Forest、SVM 和 K-Nearest Neighbor 分类器，最高实现了 82% 的认证准确率。
• 所有三种机器学习算法——Random Forest、SVM 和 K-Nearest Neighbor——在所有报告的成功度量指标中均表现出一致性能，准确率最高达到 82%。
• 将 Hand Movement Orientation 和 Grasp 数据集与 BioIdent 数据集融合，增强了特征多样性，并有助于提升模型的泛化能力。
• 结果表明，包括触摸保持和滑动手势在内的触摸动作动态，是适用于连续认证的可行生物特征。
• 该研究证实，基于触摸和运动模式的行为生物识别可作为传统认证方法的稳健替代方案。
• 由于其高准确率且依赖于非侵入性、自然发生的用户交互，该系统在实际移动安全部署中展现出巨大潜力。