[论文解读] Towards Seamless Authentication for Zoom-Based Online Teaching and Meeting

Manoranjan Mohanty, Waheeb Yaqub|arXiv (Cornell University)|May 21, 2020

Face recognition and analysis被引用 6

一句话总结

本文提出了一种无缝的、基于PRNU的相机认证方法，适用于基于Zoom的在线教学和会议，通过利用相机固有的噪声模式，无需密码或生物识别即可实现认证。在10台设备的小规模实验中，该方法利用短视频片段实现了100%的真正例率，证明了其在视频会议中实现自动化、低干扰访问控制的可行性。

ABSTRACT

The lockdowns and travel restrictions in current coronavirus pandemic situation has replaced face-to-face teaching and meeting with online teaching and meeting. Recently, the video conferencing tool Zoom has become extremely popular for its simple-to-use feature and low network bandwith requirement. However, Zoom has serious security and privacy issues. Due to weak authentication mechanisms, unauthorized persons are invading Zoom sessions and creating disturbances (known as Zoom bombing). In this paper, we propose a preliminary work towards a seamless authentication mechanism for Zoom-based teaching and meeting. Our method is based on PRNU (Photo Response Non Uniformity)-based camera authentication, which can authenticate the camera of a device used in a Zoom meeting without requiring any assistance from the participants (e.g., needing the participant to provide biometric). Results from a small-scale experiment validates the proposed method.

研究动机与目标

• 为解决Zoom会议中因认证薄弱或缺失而导致的安全漏洞，此类漏洞可导致未经授权的访问（如Zoom轰炸、窃听等）。
• 开发一种无缝、自动化的认证机制，无需用户干预，如无需输入密码或提供生物识别信息。
• 评估在实时视频会议环境中，使用PRNU（照片响应非均匀性）进行源相机归属的可行性。
• 将基于PRNU的认证与现有的基于密码的系统集成，作为备用机制，以提升安全性和可用性。

提出的方法

• 利用基于PRNU的源相机归属技术，识别每台相机传感器固有的独特噪声模式，实现无需用户输入的设备级认证。
• 在注册阶段，从60秒视频的60帧I帧中计算相机指纹，以捕获设备的PRNU特征。
• 在实时认证过程中，从4秒视频的100帧（I、P和B帧）中提取查询指纹，以最小化延迟。
• 使用像素级相关性估计（PCE）进行PRNU匹配，设定阈值为60，以判断相机是否与注册设备匹配。
• 将PRNU检查作为第一层认证；若失败，则提示用户输入密码作为备用方案。
• 在配备32GB内存和3.2GHz CPU的Windows系统上使用MATLAB实现该方法，采用10台不同设备（笔记本电脑、手机、平板）的HD视频。

实验结果

研究问题

• RQ1 基于PRNU的相机指纹技术能否在无需用户输入（如密码或生物识别）的情况下，可靠地认证Zoom会议中用户设备的身份？
• RQ2 在在线教学中使用的多样化消费级相机所获取的短视频片段中，PRNU匹配在真正例率和假正例率方面的表现如何？
• RQ3 在实时会议环境中，PRNU指纹计算与匹配的计算成本如何随视频长度和设备类型而变化？
• RQ4 该方法能否在不破坏用户体验或引入显著延迟的前提下，有效集成到现有的Zoom工作流中？
• RQ5 在实际部署中，潜在的攻击向量（如视频重放攻击）有哪些，以及如何加以缓解？

主要发现

• 在小规模实验中，基于PRNU的方法实现了100%的真正例率，成功使用短视频片段认证了全部10台测试设备。
• 各设备的平均验证时间（匹配成本）在1.71秒（Dell XPS笔记本）到5.00秒（iPhone 8 Plus）之间，最大值为5919.3毫秒（Samsung Note 10）。
• 注册阶段（计算相机指纹）为一次性离线操作，耗时范围为0.92秒（Dell Inspiron）至5.00秒（iPhone 8 Plus）。
• 该方法在多种设备上表现出可行性，包括台式机、笔记本电脑、智能手机和平板，使用标准Zoom HD视频质量（1280×720）。
• PRNU匹配的计算成本主要由去噪操作驱动，其成本随查询视频中使用的帧数而增加。
• 结果表明，通过减少查询中使用的帧数，可对方法进行优化以降低延迟，尽管这可能会影响准确性。