[论文解读] Summary: Multi-modal Biometric-based Implicit Authentication of Wearable Device Users

Sudip Vhaduri, Christian Poellabauer|arXiv (Cornell University)|Jul 15, 2019

User Authentication and Security Systems被引用 7

一句话总结

该论文提出了一种基于多模态生物识别的可穿戴设备隐式认证系统，利用来自步数（行为）、心率（生理）和卡路里消耗/MET（混合生物识别）的粗粒度处理数据。通过在400多名Fitbit用户的数据上使用SVM分类，该方法在久坐状态下实现93%的准确率，在非久坐状态下实现90%的准确率，其中混合生物识别表现最佳，因其结合了行为和生理信号。

ABSTRACT

The Internet of Things (IoT) is increasingly empowering people with an interconnected world of physical objects ranging from smart buildings to portable smart devices such as wearables. With recent advances in mobile sensing, wearables have become a rich collection of portable sensors and are able to provide various types of services including tracking of health and fitness, making financial transactions, and unlocking smart locks and vehicles. Most of these services are delivered based on users' confidential and personal data, which are stored on these wearables. Existing explicit authentication approaches (i.e., PINs or pattern locks) for wearables suffer from several limitations, including small or no displays, risk of shoulder surfing, and users' recall burden. Oftentimes, users completely disable security features out of convenience. Therefore, there is a need for a burden-free (implicit) authentication mechanism for wearable device users based on easily obtainable biometric data. In this paper, we present an implicit wearable device user authentication mechanism using combinations of three types of coarse-grain minute-level biometrics: behavioral (step counts), physiological (heart rate), and hybrid (calorie burn and metabolic equivalent of task). From our analysis of over 400 Fitbit users from a 17-month long health study, we are able to authenticate subjects with average accuracy values of around .93 (sedentary) and .90 (non-sedentary) with equal error rates of .05 using binary SVM classifiers. Our findings also show that the hybrid biometrics perform better than other biometrics and behavioral biometrics do not have a significant impact, even during non-sedentary periods.

研究动机与目标

• 为应对可穿戴设备因弱认证或无认证机制而带来的日益增长的安全风险。
• 开发一种无需用户交互的无缝隐式认证方法，以克服PIN码和图案锁的局限性。
• 评估使用常见可穿戴设备中的粗粒度处理生物识别数据进行连续用户认证的可行性和准确性。
• 识别在不同活动水平下实现稳健认证的最有效生物识别模态和特征选择策略。
• 通过在认证系统中配置错误阈值，实现可用性与安全性的平衡。

提出的方法

• 系统使用三种生物识别模态：行为（步数）、生理（心率）和混合（卡路里消耗和MET），所有数据均以一分钟为间隔采样。
• 特征提取针对每种生物识别类型计算27个统计和频谱特征，包括均值、标准差、百分位数、四分位距、偏度、峰度和信噪比。
• 使用三种方法进行特征选择：柯尔莫哥洛夫-斯米尔诺夫检验（KS）、标准差（SD）和皮尔逊相关系数（PC），以降低维度并提升模型性能。
• 使用支持向量机（SVM）分类器对所选特征进行训练和测试，评估二元分类和单值分类模型的误报率和漏报率。
• 系统采用概率阈值法，动态平衡误报率（FPR）和漏报率（FNR），从而在安全性和可用性之间实现权衡。
• 通过调整异常值阈值和概率阈值，对错误进行分析，以优化久坐和非久坐状态下的系统性能。

实验结果

研究问题

• RQ1 来自常见可穿戴设备的粗粒度处理生物识别数据是否能够实现准确的隐式用户认证？
• RQ2 行为、生理或混合生物识别模态的哪种组合能实现最高的认证准确率？
• RQ3 不同的特征选择方法（KS、SD、PC）如何影响分类性能和模型鲁棒性？
• RQ4 在真实可穿戴设备部署中，误报率（FPR）和漏报率（FNR）之间的权衡是什么？如何根据可用性或安全性需求进行调节？
• RQ5 该系统是否能在不同活动水平下保持高准确率，包括久坐和非久坐状态？

主要发现

• 混合生物识别（卡路里消耗和MET）在使用KS特征选择方法时取得了最高认证准确率，久坐状态下为93%，非久坐状态下为90%。
• 行为生物识别（步数）即使在非久坐期间也对认证性能影响甚微，表明其单独使用时区分能力有限。
• 使用约0.95的概率阈值可将等错误率（EER）降低至约0.05，误报率降至0.02，漏报率升至0.10，同时准确率超过0.97。
• 单值分类模型（排除异常值）在久坐期间的性能接近二元模型，但在非久坐期间由于活动水平的波动而表现出更大差距。
• 识别出久坐期间约10%、非久坐期间约30%的异常值阈值为最优，可在最小化误报率的同时维持可接受的漏报率。
• 研究表明，结合生理信号、行为信号与人口统计学数据的混合生物识别方法，由于能捕捉更丰富的用户特定模式，显著优于单一模态。