[论文解读] MultiLock: Mobile Active Authentication based on Multiple Biometric and Behavioral Patterns

Alejandro Acien, Aythami Morales+2 more|arXiv (Cornell University)|Jan 29, 2019

User Authentication and Security Systems参考文献 23被引用 9

一句话总结

本文提出 MultiLock，一种移动主动认证系统，通过融合多种生物识别与行为信号（如触摸动态、加速度计、陀螺仪、WiFi、GPS 和应用使用情况）并跨多个会话进行分析，以提升用户认证的准确性。通过结合七个数据通道并采用基于置信度的分数更新机制，该系统在 UMDAA-02 数据集上的主动认证场景中实现了 97.1% 的准确率。

ABSTRACT

In this paper we evaluate mobile active authentication based on an ensemble of biometrics and behavior-based profiling signals. We consider seven different data channels and their combination. Touch dynamics (touch gestures and keystroking), accelerometer, gyroscope, WiFi, GPS location and app usage are all collected during human-mobile interaction to authenticate the users. We evaluate two approaches: one-time authentication and active authentication. In one-time authentication, we employ the information of all channels available during one session. For active authentication we take advantage of mobile user behavior across multiple sessions by updating a confidence value of the authentication score. Our experiments are conducted on the semi-uncontrolled UMDAA-02 database. This database comprises smartphone sensor signals acquired during natural human-mobile interaction. Our results show that different traits can be complementary and multimodal systems clearly increase the performance with accuracies ranging from 82.2% to 97.1% depending on the authentication scenario.

研究动机与目标

• 通过利用多种行为与生理信号，解决单一生物识别移动认证的局限性。
• 在真实世界、半非受控环境中，提升用户认证的准确性与鲁棒性。
• 开发一种主动认证机制，通过长期行为建模持续更新用户置信度。
• 在真实世界智能手机数据集中，评估多模态融合在多样化传感器模态下的性能表现。
• 证明不同生物识别与行为信号之间的互补性，从而提升系统可靠性。

提出的方法

• 收集七个不同的数据通道：自然使用智能手机过程中产生的触摸动态（手势与打字）、加速度计、陀螺仪、WiFi 信号强度、GPS 位置以及应用使用模式。
• 采用融合策略，在单一会话中结合所有可用信号，用于一次性认证。
• 在主动认证中采用基于置信度的分数更新机制，通过跨多个会话监控用户行为，以优化认证决策。
• 应用机器学习模型，基于多模态传感器数据对用户身份进行分类，并使用标准指标评估性能。
• 使用 UMDAA-02 数据库，该数据库在半受控条件下捕获了真实世界中的智能手机交互数据。
• 实现一种动态认证框架，通过学习用户特定的行为特征，随时间自适应调整。

实验结果

研究问题

• RQ1 不同生物识别与行为信号在个体及整体上对移动用户认证准确性分别有何贡献？
• RQ2 与单模态方法相比，多模态融合在多大程度上能够提升认证性能？
• RQ3 基于长期行为建模的主动认证是否能显著提高系统可靠性并降低误接受率？
• RQ4 在相同传感器数据下，系统在不同认证场景（一次性 vs. 主动）中的性能表现有何差异？
• RQ5 结合多样化传感器模态（如触摸、运动、网络、位置）对整体系统鲁棒性与准确性有何影响？

主要发现

• 七种传感器通道的多模态融合显著提升了认证准确性，结果在不同场景下介于 82.2% 至 97.1% 之间。
• 采用基于置信度分数更新的主动认证实现了最高的 97.1% 准确率，证明了长期行为建模的优势。
• 触摸动态以及运动传感器（加速度计、陀螺仪）在跨会话区分用户身份方面贡献最大。
• GPS、WiFi 与应用使用模式的组合提供了有价值的情境信息，尤其在基于位置与使用习惯区分用户方面表现突出。
• 使用所有可用信号的一次性认证达到了 82.2% 的准确率，表明即使单一会话方法也优于许多传统方法。
• 结果证实，不同生物识别与行为特征具有互补性，其融合可构建更鲁棒、更准确的认证系统。