MMAuth: A Continuous Authentication Framework on Smartphones Using Multiple Modalities

ushin20·2023년 3월 18일
0

Seminar

목록 보기
1/1
post-thumbnail

IEEE Transactions on Information Forensics and Security는 IF 7의 SCIE 저널이다. APA citation은 아래와 같다.

Z. Shen, S. Li, X. Zhao and J. Zou, "MMAuth: A Continuous Authentication Framework on Smartphones Using Multiple Modalities," in IEEE Transactions on Information Forensics and Security, vol. 17, pp. 1450-1465, 2022, doi: 10.1109/TIFS.2022.3160361.

Abstract

스마트폰에 저장되는 정보로 유저를 식별하려는 노력이 있었다. 그러나 대부분의 연구는 특정 어플리케이션이나 유저가 정의한 터치 행동을 요구했다. 이 연구에서는 wild한, 유저의 터치 제스쳐가 섞여서 유저의 행동을 특정할 수 없는 환경에서의 continuous authentication을 연구한다.

  • MMAuth
    Continuous authentication framework 제안
    다수의 modalities(모션 패턴, 터치 다이나믹스, usage context)를 하나의 정보로 통합시킴

  • TEB
    Time-extended behavioral feature set

  • DeSVDD
    Deep learning based one-class classifier

데이터셋의 경우 100명의 실험 대상자들에게 제약없이 수집하였다. MMAuth는 좋은 authetication performance를 보이며 제안한 TEB와 DeSVDD의 effectiveness를 증명하였다. 그리고 system robustness를 증명하기 위해 관련 실험을 진행하였다.

Index Terms - Continuous authentication, touch gesture, mobile security, behavioral biometics

Introduction

Continuous authentication은 센서 데이터나 usage context를 분석해서 스마트폰을 사용하는 유저가 올바른 유저인지 구분하는 과정이다. 많은 연구가 진행되었음에도(무빙패턴, 터치 움직임 등), 실제 시나리오에 이 연구를 적용하는데 2가지 어려움이 존재한다.

  • 모션패턴을 사용하는 연구의 경우, 실제 시나리오에서 유저의 움직임이 달라지다 보니 train 데이터와 test 데이터간의 차이가 발생한다.
  • 모션센서를 사용하는 연구의 경우, 제한된 상황에서 데이터를 수집한다. 가령 table-hold나 의자에 앉아있는 경우가 있다.

이런 제약으로 인해 lab에서만 좋은 결과가 나오게 되며 현실에 적용하기 어려워진다.

Touch dynamics에 관한 연구의 경우도 문제가 존재한다.

  • 어플리케이션마다 다른 터치 제스쳐
    Variation이 존재할 수 있음
    대부분의 연구는 특정 어플리케이션에서 인증 방법으로 제한함

  • Tapping : 손가락 움직임에 대한 정보를 충분히 획득하기 어려움
    Swiping, Flicking의 정보만 사용
    Tapping 사용 안함
    그러나 실제 상호작용은 보통 tapping임
    인증시간이 길어지거나 보안성이 감소함

그래서 우리는 multiple modalities(모션센서, 터치스크린센서와 usage context)를 이용해 터치 습관을 추론하여 continuous authentication하겠다. 이 방법의 장점은 다음과 같다.
  • 모션센서 정보의 사용
    holding부터 터치 시간까지의 정보를 사용가능하다.
  • 터치스크린 정보의 사용
    long on-screen 정보의 습득 안전성이 증가한다.
  • usage context의 사용
    좀더 fine한 터치 습관을 추론할 수 있다.

Lab에서도 실제환경에서도 성능이 좋은 MMAuth를 제안한다.
  1. 센서 데이터와 usage context 저장
  2. 여러 feature 추출
  3. Deep learning based support vector data description 알고리즘으로 학습
  4. One-class learning임

Contribution은 다음과 같다.
  1. 전통적인 방법에 문제제기를 위해 타당성을 조사함
    100명의 실험자에게 얻은 데이터셋을 기반으로 평가를 진행함
    Lab과 real 간의 차이를 보임
  2. Touch gesture를 더 잘 정의하기 위해서 multiple modalities 사용
    Touch gesture를 before touching, on-screen touching, after touching으로 구분해서 사용함
    TEB 제안(time-extended behavioral feature set)
    TEB에는 movement pattern(motion sensors), touch dynamics(touch screen sensors), usage context(using application and temporal information)이 포함됨
  3. DeSVDD 제안
    여러 종류 + 다른 scale feature 정보 학습 가능 장점이 있음
    Classic one-class learning은 얕은 커널을 이용해 feature transformation을 수행하고 normal sample을 감싸는 hypersphere를 찾아서 사용함
    DeSVDD는 DNN을 통해 얻은 feature를 감싸는 최소 volume의 hypersphere를 찾음
  4. Lab 상황과 unconstrained 환경에서 실험을 수행하고 MMAuth 성능을 증명함
  5. Unconstrained 상황에서의 MMAuth 성능을 더 증명하기 위하여, 다양한 터치 제스처에 대한 사용성, 다양한 모바일 애플리케이션에 대한 민감도, 사용자 공간 테스트에 대한 확장성 및 시스템 오버헤드 측면에서 시스템 강인성에 대한 추가 실험을 수행함
profile
머학원생

0개의 댓글