선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 1-SVM은 정상 데이터들과 원점과의 거리가 최대화가 되도록 하는 초평면(hyperplane)을 찾는 것을 목적으로 한다. 이는 다음 식과 같은 최적화 문제로 정의될 수 있다.
- 따라서 본 연구에서는 다양한 생체 인증 기법 중 하드웨어의 추가 설치가 필요하지 않으면서 소프트웨어적으로 가장 용이하게 데이터 수집이 가능한 키스트로크 다이나믹스를 토대로 일범주 분류기(one-class classifier)을 활용한 사용자 인증 방법론을 제안하고자 한다. 키스트로크 다이나믹스가 다른 생체 인증 기법보다 컴퓨터 네트워크 시스템에 적합한 이유는 다음과 같이 두 가지로 요약될 수 있다.
- 자유로운 문자열 입력에 대한 키스트로크 다이나믹스 데이터를 인증에 사용할 때는 비교 대상이 되는 학습 데이터와 테스트 데이터 간의 형태 및 길이가 고정되어 있지 않기 때문에 어떤 변수를 어떤 길이로 얼마만큼 추출하여 어떤 인증 알고리즘에 적용해야 하는지에 대한 이슈가 존재한다. 따라서 본 연구에서는 다양한 학습 및 테스트 데이터 문자열 길이 조합에 대해 여러 가지의 키스트로크 변수를 추출하고 여러 종류의 일범주 분류기를 적용하는 실험을 통해 최적의 사용자 인증 조건을 탐색하는 것을 목적으로 한다. 본 논문에서는 실험을 위해 100명의 한국인 피실험자들로부터 한국어와 영어에 대해 각각 평균 17,000 키스트로크 이상의 자유로운 텍스트 입력 데이터를 수집하였다.
- Kang and Cho(2015)에서는 키보드의 입력 구간을 나누고 구간 별 조합을 사용하는 비교적 간단한 방법을 통해 두 데이터간 동시에 나타나지 않는 조합의 비교를 수행하여 낮은 EER 을 달성하였다. 본 연구에서는 Kang and Cho(2015)의 연구에서 수집되지 않았던 키 입력 종료 시간(up-time)을 수집하여 새로운 변수로 사용하였으며 개별 변수의 조합을 통해 Kang and Cho(2015)의 결과보다 우수한 인증 성능을 나타내고자 하였다.
- 위와 같은 장점을 활용하기 위하여 본 연구에서는 자유로운 문자열 입력에 대한 키스트로크 다이나믹스를 활용한 사용자인증 방법론을 개발하고자 한다. 자유로운 문자열 입력에 대한 키스트로크 다이나믹스 데이터를 인증에 사용할 때는 비교 대상이 되는 학습 데이터와 테스트 데이터 간의 형태 및 길이가 고정되어 있지 않기 때문에 어떤 변수를 어떤 길이로 얼마만큼 추출하여 어떤 인증 알고리즘에 적용해야 하는지에 대한 이슈가 존재한다.
가설 설정
- Gunetti and Picardi(2005)는 41명의 피실험자로부터 6개월간각 15개의 키스트로크 다이나믹스 데이터셋을 수집하였다. 이 데이터셋을 정상 사용자로 가정한 뒤 또 다른 165명의 피실험자들로부터 각 1개의 데이터셋을 수집하여 침입자를 가정하였다. 각 데이터셋에는 키 입력을 시작한 시간(down-time)만이 수집되었고 n-graph의 latency를 변수로서 추출하였다.
- 사용된 언어와 키스트로크 다이나믹스 데이터 크기에 따른 인증 성능을 알아보기 위해 언어 종류와 데이터 크기를 다르게 하여 데이터 샘플링을 실시하였다. 크기의 경우 학습 데이터의 크기는 100, 300, 500, 1,000개의 키스트로크를 사용하는 4가지 경우, 테스트 테이터의 크기는 100, 300, 500, 1,000개 키스트로크를 사용하는 4가지 경우를 가정하였다.
제안 방법
- 따라서 새로운 키스트로크 데이터의 가장 가까운 군집 중심과의 거리가 짧을수록 정상 사용자로 판단될 확률이 높게 되며, 이 거리가 길수록 침입자로 판단될 확률이 높게 된다. k-NN과 마찬가지로 KMC에서도 최적의 군집 수를 결정해야 하는 이슈가 존재하며, 본 연구에서는 K를 3으로 설정하여 실험을 수행하였다.
- 이 데이터셋을 정상 사용자로 가정한 뒤 또 다른 165명의 피실험자들로부터 각 1개의 데이터셋을 수집하여 침입자를 가정하였다. 각 데이터셋에는 키 입력을 시작한 시간(down-time)만이 수집되었고 n-graph의 latency를 변수로서 추출하였다. 두 비교 대상 간 동일하게 발생한 n-graph의 latency에 대해 그 상대적 순위를 비교하는 ‘R’ Measure와 latency의 절대적 비교를 통한‘A’ Measure를 인증 알고리즘으로 사용하였다.
- 인증 성능을 평가하기 위하여 100명의 피실험자로부터 한국어와 영어 각각 17,000 키스트로크 이상으로 이루어진 키스트 로크 데이터를 수집하여 Duration1, Duration2, Latency, Interval 네 가지의 시간 특성을 추출하였다. 각 변수 생성 기법에 대해네 가지의 일범주 분류기를 적용하여 사용자 인증 성능을 평가하였으며, 개별 변수 생성 기법으로 산출된 침입자 점수를 결합하는 변수 조합 방법론을 새롭게 제안하였다. 변수 조합 방법론은 인증 알고리즘과 언어, 학습-테스트 데이터 크기에 상관없이 모든 단일 변수 생성 기법보다 우수한 인증 성능을 나타냄을 확인하였다.
- 수집된 데이터에서 추출된 변수에 대해 duration은 10ms~1,000ms, Interval은-200ms~2,000ms의 범위 내 데이터만을 사용하였으며 시간적으로 초반부에 수집된 100개의 키스트로크 데이터는 안정화를 위해 제거하였다. 그리고 본 연구에서는 수집된 모든 데이터를 사용하는 대신 언어적 특성으로 비교가 가능한 영문 알파벳과 한글 자/모음, 그리고 빈도가 높은 Backspace, Shift 및 Space만이 사용되었다. 전처리 이후 키스트로크 다이나믹스 데이터의 요약 정보는 [Table 3]과 같다.
- 또한 사용자의 데이터 중 학습 데이터로 사용되지 않은 부분을 사용하여 99개의 벡터를 정상 사용자의 테스트 데이터로 사용하였으며 본인 이외의 사용자 99명으로부터 1개의 벡터를 임의 추출하여 99개의 벡터로 구성된 잠재적 침입자의 테스트 데이터셋을 구성하였다. 따라서 개별 사용자에 대해 학습 데이터로 학습한 인증 알고리즘으로 99개의 정상 사용자 키스트로크 벡터와 99개의 잠재적 침입자 키스트 로크 벡터에 대해 침입자 점수를 산출한 뒤 인증 성능을 평가하였다.
- 이를 바탕으로 한 사용자의 키스트로크 데이터만을 학습에 사용하는 일 범주 분류 알고리즘을 적용하여 인증 모델을 구축하였다. 모델 구축에 사용되지 않은 99명의 사용자의 입력 데이터를 가상의 침입자로 가정하고 공격을 시도하는 시나리오를 통해 참여자 100명 각각에 대한 인증 모델을 변수별, 데이터 크기별, 언어별로 구분하여 그 인증 성능을 비교하였다. 또한 추출된 변수를 사용해 얻은 결과를 조합하는 변수 조합 기법을 적용할 경우 단일 인증 모델에 비해 인증 성능이 향상되는 것을 확인하였다.
- 본 실험에서는 인증 모델을 학습하기 위해 인증된 사용자의 데이터만을 보유한 상황을 가정하는 일범주 분류(one-class classification) 상황 하에서 인증된 사용자의 데이터 일부를 학습 데이터로 이용하여 인증 모델을 구축하였다. 또한 인증 모델을 평가하기 위해 인증된 사용자의 데이터 중 학습 데이터로 사용되지 않은 부분을 테스트 데이터(분류 레이블 : 인증된 사용자)로 사용하였고 다른 사용자 99명의 데이터 일부를 침입자로 가정하여 테스트 데이터(분류 레이블 : 침입자)로 사용하였다.
- 따라서 키스트로크로부터 인증에 사용할 특성을 추출하고 데이터를 샘플링하는 방법은 인증 시스템을 구축하는데 있어 매우 중요한 이슈가 된다. 본 연구에서는 개별 키 입력을 키보드의 실제 입력 구간에 따라 세가지 입력 구간으로 구분하고 digraph에 대한 조합을 8가지로 정의한 뒤 자유로운 문자열을 고정된 길이의 벡터로 변환하였다. 인증 성능을 평가하기 위하여 100명의 피실험자로부터 한국어와 영어 각각 17,000 키스트로크 이상으로 이루어진 키스트 로크 데이터를 수집하여 Duration1, Duration2, Latency, Interval 네 가지의 시간 특성을 추출하였다.
- Monrose and Rubin(2000)과 Gunetti and Picardi(2005)의 연구에서는 동일한 문자열에 대해서만 비교가 이루어지기 때문에 동일한 문자열 입력이 발생하지 않으면 유사 정도를 구하기 힘든 한계점이 존재했다. 본 연구에서는 이 문제를 해결하기 위해 [Figure 2]에 나타난 바와 같이 일반적인 키보드의 구조를 토대로 각 키를 왼손으로 타이핑하는 영역(L), 오른손으로 타이핑하는 영역(R), 그리고 스페이스바(S)의 세 입력 구간으로 구분한 뒤 digraph의 키 순서 조합을 활용하는 방식을 채택 하였다. L, R, S의 세 개 구간에서 나타날 수 있는 digraph 키 순서 조합은 총 8가지이다(L-L, L-R, L-S, R-L, R-R, R-S, S-L, S-R).
- 이 연구에서는 down-time만을 수집하여 latency를 특성으로 사용하였다. 비교하고자 하는 두 데이터의 동일하지 않은 입력을 비교하기 위해 키보드를 세개의 구간으로 나누었고 구간 별 digraph 조합을 통해 인증을 시도하였다. Gaussian density estimator, Parzen window density estimator, k-nearest neighbor detector(k-NN), support vector data description(SVDD)이 주요 인증 알고리즘으로 사용되었고 Parzen window density estimator에서 5.
- 뿐만 아니라 영어에서 ‘er’, ‘th’, ‘re’와 같은 문자열 입력이 ‘qu’나 ‘ts’와 같은 문자열보다 더 많이 발생한다는 특성을 고려하여 digraph 발생 빈도를 가중치로 사용한 확률(weighted probability) 또한 인증에 사용하였다.
- 또한 인증 모델을 평가하기 위해 인증된 사용자의 데이터 중 학습 데이터로 사용되지 않은 부분을 테스트 데이터(분류 레이블 : 인증된 사용자)로 사용하였고 다른 사용자 99명의 데이터 일부를 침입자로 가정하여 테스트 데이터(분류 레이블 : 침입자)로 사용하였다. 사용된 언어와 키스트로크 다이나믹스 데이터 크기에 따른 인증 성능을 알아보기 위해 언어 종류와 데이터 크기를 다르게 하여 데이터 샘플링을 실시하였다. 크기의 경우 학습 데이터의 크기는 100, 300, 500, 1,000개의 키스트로크를 사용하는 4가지 경우, 테스트 테이터의 크기는 100, 300, 500, 1,000개 키스트로크를 사용하는 4가지 경우를 가정하였다.
- 본 연구에서는 100명의 한국인 대학생 또는 대학원생이 피실험자로 실험에 참여하였다. 실험을 위해 웹 기반의 키스트 로크 수집 프로그램을 개발하여 사용하였으며, 피실험자들은 화면에 출력된 스크립트를 보고 그 내용을 키보드로 타이핑하는 방식으로 실험에 참여하였다. 자유로운 텍스트를 가정하기 위하여 피실험자 별로 서로 다른 내용의 스크립트가 주어졌으며 두 가지 언어에 대한 인증 성능을 비교하기 위하여 스크립트는 영문으로만 이루어진 영어 스크립트 1부와 한글로만 이루어진 한국어 스크립트 1부가 제공되었다.
- 실험을 통해 얻은 데이터는 keycode, down-time과 up-time으로 구성된다. keycode는 입력된 키의 식별 번호, down-time은 키가 눌린 시각이며 up-time은 눌린 키가 떼어진 시각이다.
- Kang and Cho(2015)는 다양한 입력 환경을 가정하여 PC 키보드뿐만 아니라 스타일러스 펜으로 눌러 입력되는 soft keyboard와 스마트폰의 터치 키보드(한 손 입력 및 양 손 입력)를 이용하여 입력된 자유로운 문자열의 키스트로크 데이터를 35명의 사용자로부터 수집하였다. 이 연구에서는 down-time만을 수집하여 latency를 특성으로 사용하였다. 비교하고자 하는 두 데이터의 동일하지 않은 입력을 비교하기 위해 키보드를 세개의 구간으로 나누었고 구간 별 digraph 조합을 통해 인증을 시도하였다.
- L, R, S의 세 개 구간에서 나타날 수 있는 digraph 키 순서 조합은 총 8가지이다(L-L, L-R, L-S, R-L, R-R, R-S, S-L, S-R). 이를 바탕으로 각 조합별 시간 정보의 평균을 구하여 8개의 변수를 만들 수 있는데, 본 연구에서는 digraph 키 순서의 시간 정보에 대해 Duration1(첫 번째 입력의 duration), Duration2 (두 번째 입력의 duration), Latency, Interval 특성에 대해 각각 8개의 변수를 가진 8차원의 키스트로크 벡터를 생성하였다.
- 본 논문에서는 실험을 위해 100명의 한국인 피실험자들로부터 한국어와 영어에 대해 각각 평균 17,000 키스트로크 이상의 자유로운 텍스트 입력 데이터를 수집하였다. 이를 바탕으로 한 사용자의 키스트로크 데이터만을 학습에 사용하는 일 범주 분류 알고리즘을 적용하여 인증 모델을 구축하였다. 모델 구축에 사용되지 않은 99명의 사용자의 입력 데이터를 가상의 침입자로 가정하고 공격을 시도하는 시나리오를 통해 참여자 100명 각각에 대한 인증 모델을 변수별, 데이터 크기별, 언어별로 구분하여 그 인증 성능을 비교하였다.
- 두 비교 대상 간 동일하게 발생한 n-graph의 latency에 대해 그 상대적 순위를 비교하는 ‘R’ Measure와 latency의 절대적 비교를 통한‘A’ Measure를 인증 알고리즘으로 사용하였다. 이를 토대로 분류(classification, 모든 정상 사용자들의 학습데이터로 학습한뒤 정상 사용자들의 테스트 데이터를 이용하여 사용자들을 구분), 인증(authentication, 모든 정상 사용자들의 학습데이터로 학습한 뒤, 정상 사용자들과 침입자들의 테스트 데이터를 실제 정상 사용자 중 한 명으로 할당하거나 학습에 사용되지 않은 사용자라고 판단하는 것) 및 식별(identification, 한 명의 정상 사용자만의 데이터로 학습한 뒤 출처를 알 수 없는 테스트 데이터가 학습 데이터의 사용자와 일치하는지 아닌지를 판단) 의 세 가지 상황을 가정하여 제안한 알고리즘의 성능을 평가하였다. 이 세 가지 중에서 식별이 가장 어렵다는 것을 Ashbourn (2000)을 통해 인용하였다.
- 본 연구에서는 개별 키 입력을 키보드의 실제 입력 구간에 따라 세가지 입력 구간으로 구분하고 digraph에 대한 조합을 8가지로 정의한 뒤 자유로운 문자열을 고정된 길이의 벡터로 변환하였다. 인증 성능을 평가하기 위하여 100명의 피실험자로부터 한국어와 영어 각각 17,000 키스트로크 이상으로 이루어진 키스트 로크 데이터를 수집하여 Duration1, Duration2, Latency, Interval 네 가지의 시간 특성을 추출하였다. 각 변수 생성 기법에 대해네 가지의 일범주 분류기를 적용하여 사용자 인증 성능을 평가하였으며, 개별 변수 생성 기법으로 산출된 침입자 점수를 결합하는 변수 조합 방법론을 새롭게 제안하였다.
- 인증 실험은 인증 알고리즘, 학습 데이터 크기, 테스트 데이터 크기, 사용 변수의 모든 경우에 대해 이루어졌다. 제안된 인증 방법에서는 한 사용자의 키스트로크 다이나믹스 데이터를 시간 순으로 정렬한 뒤 연속된 일부를 정해진 크기로 추출하여 학습 데이터를 구성하였고, 학습 데이터로 사용되지 않은 나머지 중 연속된 일부를 정해진 크기로 추출해 정상 및 침입자의 테스트 데이터로 사용하였다.
- 앞 절에서 소개된 인증 방법들을 통해 테스트 키스트로크 데이터에 대한 침입자 점수(impostor score)를 계산할 수 있다. 입력 구간에 대한 digraph의 Duration1, Duration2, Interval, Latency 중 하나로 만든 8차원의 벡터를 개별적으로 사용하여 침입자 점수를 사용하는 방식과 함께 본 연구에서는 각 인증 알고리즘에서 네 가지의 개별 변수 집합을 기반으로 계산된 침입자 점수를 조합하는 변수 조합 기법 또한 사용하였다. 제안된 방법에서는 아래 식과 같이 네 개의 변수 집합별로 구한 침입자 점수의 기하 평균을 침입자 점수로 사용하였다.
- 입력 구간에 대한 digraph의 Duration1, Duration2, Interval, Latency 중 하나로 만든 8차원의 벡터를 개별적으로 사용하여 침입자 점수를 사용하는 방식과 함께 본 연구에서는 각 인증 알고리즘에서 네 가지의 개별 변수 집합을 기반으로 계산된 침입자 점수를 조합하는 변수 조합 기법 또한 사용하였다. 제안된 방법에서는 아래 식과 같이 네 개의 변수 집합별로 구한 침입자 점수의 기하 평균을 침입자 점수로 사용하였다.
- 인증 실험은 인증 알고리즘, 학습 데이터 크기, 테스트 데이터 크기, 사용 변수의 모든 경우에 대해 이루어졌다. 제안된 인증 방법에서는 한 사용자의 키스트로크 다이나믹스 데이터를 시간 순으로 정렬한 뒤 연속된 일부를 정해진 크기로 추출하여 학습 데이터를 구성하였고, 학습 데이터로 사용되지 않은 나머지 중 연속된 일부를 정해진 크기로 추출해 정상 및 침입자의 테스트 데이터로 사용하였다. 하나의 키스트로크 벡터가 1회의 정상 사용 또는 공격을 가정하는 시나리오를 위해 한 사용자의 데이터를 정해진 크기로 나누어 99개의 벡터를 학습 데이터로 사용된다.
- 학습 과정에서는 정상 사용자의 학습 데이터에 대해 K개의 군집으로 구분한다. 테스트 과정에서 새로운 키스트로크 데이터가 주어지면 먼저 테스트 데이터와 가장 거리가 가까운 군집을 판별하고, 해당 군집과의 거리를 침입자 점수로 활용하였다. 따라서 새로운 키스트로크 데이터의 가장 가까운 군집 중심과의 거리가 짧을수록 정상 사용자로 판단될 확률이 높게 되며, 이 거리가 길수록 침입자로 판단될 확률이 높게 된다.
- 기존 연구에서는 비교하고자 하는 두 데이터에 동시에 나타나는 n-graph만을 비교하여 인증이 이루어졌다. 하지만 이 연구에서는 동시에 나타나지 않는 digraph의 비교를 위해 존재하지 않는 digraph 조합의 시간 정보를 인공 신경망을 사용하여 예측 하는 방법을 사용하였다. 이 방법을 통해 0.
대상 데이터
- 자유로운 텍스트를 가정하기 위하여 피실험자 별로 서로 다른 내용의 스크립트가 주어졌으며 두 가지 언어에 대한 인증 성능을 비교하기 위하여 스크립트는 영문으로만 이루어진 영어 스크립트 1부와 한글로만 이루어진 한국어 스크립트 1부가 제공되었다. 따라서 피실험자한 명당 영어와 한국어 각 1세트의 키스트로크 다이나믹스 데이터를 수집하였다. 제공된 한글 및 영어 스크립트 데이터의 요약 정보는 [Table 2]에 나타나 있다.
- 하나의 키스트로크 벡터가 1회의 정상 사용 또는 공격을 가정하는 시나리오를 위해 한 사용자의 데이터를 정해진 크기로 나누어 99개의 벡터를 학습 데이터로 사용된다. 또한 사용자의 데이터 중 학습 데이터로 사용되지 않은 부분을 사용하여 99개의 벡터를 정상 사용자의 테스트 데이터로 사용하였으며 본인 이외의 사용자 99명으로부터 1개의 벡터를 임의 추출하여 99개의 벡터로 구성된 잠재적 침입자의 테스트 데이터셋을 구성하였다. 따라서 개별 사용자에 대해 학습 데이터로 학습한 인증 알고리즘으로 99개의 정상 사용자 키스트로크 벡터와 99개의 잠재적 침입자 키스트 로크 벡터에 대해 침입자 점수를 산출한 뒤 인증 성능을 평가하였다.
- 본 실험에서는 인증 모델을 학습하기 위해 인증된 사용자의 데이터만을 보유한 상황을 가정하는 일범주 분류(one-class classification) 상황 하에서 인증된 사용자의 데이터 일부를 학습 데이터로 이용하여 인증 모델을 구축하였다. 또한 인증 모델을 평가하기 위해 인증된 사용자의 데이터 중 학습 데이터로 사용되지 않은 부분을 테스트 데이터(분류 레이블 : 인증된 사용자)로 사용하였고 다른 사용자 99명의 데이터 일부를 침입자로 가정하여 테스트 데이터(분류 레이블 : 침입자)로 사용하였다. 사용된 언어와 키스트로크 다이나믹스 데이터 크기에 따른 인증 성능을 알아보기 위해 언어 종류와 데이터 크기를 다르게 하여 데이터 샘플링을 실시하였다.
- 따라서 본 연구에서는 다양한 학습 및 테스트 데이터 문자열 길이 조합에 대해 여러 가지의 키스트로크 변수를 추출하고 여러 종류의 일범주 분류기를 적용하는 실험을 통해 최적의 사용자 인증 조건을 탐색하는 것을 목적으로 한다. 본 논문에서는 실험을 위해 100명의 한국인 피실험자들로부터 한국어와 영어에 대해 각각 평균 17,000 키스트로크 이상의 자유로운 텍스트 입력 데이터를 수집하였다. 이를 바탕으로 한 사용자의 키스트로크 데이터만을 학습에 사용하는 일 범주 분류 알고리즘을 적용하여 인증 모델을 구축하였다.
- 본 연구에서는 100명의 한국인 대학생 또는 대학원생이 피실험자로 실험에 참여하였다. 실험을 위해 웹 기반의 키스트 로크 수집 프로그램을 개발하여 사용하였으며, 피실험자들은 화면에 출력된 스크립트를 보고 그 내용을 키보드로 타이핑하는 방식으로 실험에 참여하였다.
- 시간 정보는 1/1,000초(ms) 단위로 수집되었다. 수집된 데이터에서 추출된 변수에 대해 duration은 10ms~1,000ms, Interval은-200ms~2,000ms의 범위 내 데이터만을 사용하였으며 시간적으로 초반부에 수집된 100개의 키스트로크 데이터는 안정화를 위해 제거하였다. 그리고 본 연구에서는 수집된 모든 데이터를 사용하는 대신 언어적 특성으로 비교가 가능한 영문 알파벳과 한글 자/모음, 그리고 빈도가 높은 Backspace, Shift 및 Space만이 사용되었다.
- 제안된 인증 방법에서는 한 사용자의 키스트로크 다이나믹스 데이터를 시간 순으로 정렬한 뒤 연속된 일부를 정해진 크기로 추출하여 학습 데이터를 구성하였고, 학습 데이터로 사용되지 않은 나머지 중 연속된 일부를 정해진 크기로 추출해 정상 및 침입자의 테스트 데이터로 사용하였다. 하나의 키스트로크 벡터가 1회의 정상 사용 또는 공격을 가정하는 시나리오를 위해 한 사용자의 데이터를 정해진 크기로 나누어 99개의 벡터를 학습 데이터로 사용된다. 또한 사용자의 데이터 중 학습 데이터로 사용되지 않은 부분을 사용하여 99개의 벡터를 정상 사용자의 테스트 데이터로 사용하였으며 본인 이외의 사용자 99명으로부터 1개의 벡터를 임의 추출하여 99개의 벡터로 구성된 잠재적 침입자의 테스트 데이터셋을 구성하였다.
데이터처리
- 단일 알파벳(monograph)의 키 누름 시간(duration)과 연속된 두 개(digraph) 또는 세 개의 알파벳(trigraph)의키 간 입력 시간(latency)을 변수로 추출한 뒤, 동일한 문자열에 대해 유클리드 거리를 비교하여 그 거리가 짧을수록 작을수록 같은 사용자일 가능성이 높다고 판단하였다. 또한 추출된 변수 들의 평균과 표준편차 및 발생 빈도를 조합하여 두 비교 대상이 같을 확률(non-weighted probability)을 계산하였다. 뿐만 아니라 영어에서 ‘er’, ‘th’, ‘re’와 같은 문자열 입력이 ‘qu’나 ‘ts’와 같은 문자열보다 더 많이 발생한다는 특성을 고려하여 digraph 발생 빈도를 가중치로 사용한 확률(weighted probability) 또한 인증에 사용하였다.
이론/모형
- 두 비교 대상 간 동일하게 발생한 n-graph의 latency에 대해 그 상대적 순위를 비교하는 ‘R’ Measure와 latency의 절대적 비교를 통한‘A’ Measure를 인증 알고리즘으로 사용하였다.
- 이 문제를 해결하기 위해 정상 사용과 공격의 경계를 cut-off로 하여 설정할 필요가 있는데, cut-off를 엄격하게 설정하게 되면 적은 수의 정상 시도만이 인증을 통과하게 되는 문제점이 발생하고 cut-off를 완화하면 정상 사용자가 침입자로 잘못 판단될 확률은 감소하지만 침입자가 정상 사용자로 잘못 판단될 확률은 반비례하여 증가하게 된다. 따라서 본 연구에서는 cut-off에 독립적인 동등 에러율(EER)을 인증 알고리즘의 성능 지표로 사용하였다.
- 본 연구에서는 가우시안 밀도 추정(Gaussian density estimation), 1-SVM(One-class support vector machine), k-인접 이웃 (k-nearest neighbor), K-평균 클러스터링(K-Means clustering)의네 가지 일범주 분류기를 인증 알고리즘으로 사용하였다.
- KMC의 원래 목적은 군집 내부 거리(intra-cluster distance)를 최소화하고 군집 사이 거리(inter-cluster distance)를 최대화하는 K개의 군집을 찾는 것이다. 본 연구에서는 사용자 인증을 위해 KMC를 다음과 같이 활용하였다. 학습 과정에서는 정상 사용자의 학습 데이터에 대해 K개의 군집으로 구분한다.
- 이를 토대로 분류(classification, 모든 정상 사용자들의 학습데이터로 학습한뒤 정상 사용자들의 테스트 데이터를 이용하여 사용자들을 구분), 인증(authentication, 모든 정상 사용자들의 학습데이터로 학습한 뒤, 정상 사용자들과 침입자들의 테스트 데이터를 실제 정상 사용자 중 한 명으로 할당하거나 학습에 사용되지 않은 사용자라고 판단하는 것) 및 식별(identification, 한 명의 정상 사용자만의 데이터로 학습한 뒤 출처를 알 수 없는 테스트 데이터가 학습 데이터의 사용자와 일치하는지 아닌지를 판단) 의 세 가지 상황을 가정하여 제안한 알고리즘의 성능을 평가하였다. 이 세 가지 중에서 식별이 가장 어렵다는 것을 Ashbourn (2000)을 통해 인용하였다. 참고로 본 연구에서 사용한 용어인‘인증(authentication)’은 Gunetti and Picardi(2005)에서 사용한‘식별(identification)’의 의미이다.
성능/효과
- 그러나 학습 데이터의 크기가 커질수록 1-SVM과 k-NN의 성능이 빠르게 향상되는 것으로 확인되었다. 1,000개의 키스트로크를 학습 데이터로 사용하는 경우 짧은 테스트 키스트로크에 대해서는 1-SVM이 상대적으로 우수한 성능을 나타내었으며, 상대적으로 긴 테스트 키스트로크에 대해서는 k-NN이 우수한 성능을 나타내는 것으로 확인되었다.
- 비교하고자 하는 두 데이터의 동일하지 않은 입력을 비교하기 위해 키보드를 세개의 구간으로 나누었고 구간 별 digraph 조합을 통해 인증을 시도하였다. Gaussian density estimator, Parzen window density estimator, k-nearest neighbor detector(k-NN), support vector data description(SVDD)이 주요 인증 알고리즘으로 사용되었고 Parzen window density estimator에서 5.63% EER(PC 키보드)을 보였다. 그리고 키 시퀀스의 사용 여부, 언어, 데이터 크기에 대한 인증 성능이 12가지의 인증 알고리즘을 통해 비교되었으며 그 중 PC 키보드를 입력장치로 하는 R+A measure의 평균 EER이 1.
- [Figure 3]은 언어에 대한 알고리즘별 상자 그림과 평균 EER을 나타낸 것이다. 가우시안 밀도 추정을 사용한 경우 한글과 영어의 인증 성능 차이가 가장 크게 나타났으며, 나머지 알고리즘은 한글과 영어의 평균 EER이 0.3% 이내로 차이가 적은 것을 알 수 있다. 이를 통하여 사용자의 타이핑 패턴은 입력 언어에 의존적이지 않은 개인 고유의 행위적 생체 정보임을 다시 한 번 확인할 수 있다.
- 13%로 나타났으며 테스트 데이터의 크기가 증가함에 따라 평균 EER이 지속적으로 감소하는 현상을 보였다. 가장 긴 길이의 테스트 데이터(1,000키스트로크)를 사용할 경우 가장 짧은 길이의 테스트 데이터 (100 키스트로크)를 사용한 경우와 비교하여 약 50% 가량 EER이 감소하였다. 인증에 사용할 수 있는 정보가 가장 적은 상황인 100개의 학습 키스트로크와 100개의 테스트 키스트로크에 대해서 모든 언어, 변수, 알고리즘에 대한 평균 EER은 20.
- 이는 기계학습의 앙상블 기법에서처럼 각각의 변수 생성 방식이 서로 다양성을 확장시켜주는 역할을 함으로 인해 전체적인 성능 향상의 효과를 나타내는 것으로 이해될 수 있다. 개별 변수 생성 방법론 중에서는 Duration 1, 즉 digraph의 첫 키를 누르고 있는 시간이 가장 인증에 효과적인 변수로 나타났다. 그 뒤로 Duration2, Interval, Latency 순으로 사용자 인증에 효과적인 것으로 나타났다.
- 개별 변수 생성 방법론 중에서는 Duration 1, 즉 digraph의 첫 키를 누르고 있는 시간이 가장 인증에 효과적인 변수로 나타났다. 그 뒤로 Duration2, Interval, Latency 순으로 사용자 인증에 효과적인 것으로 나타났다. 주목할 사항은 과거 연구들에서 주로 사용한 변수 생성 방식인 Latency의 경우 네 가지 변수 생성 방법론 중에서 가장 인증 성능이 낮은 것으로 나타났으며, 본 연구에서 제안하는 네 가지 변수 생성 방법론을 결합할 경우 Latency를 사용한 인증 시스템에 비해 EER이 최소 1/3, 최대 1/10까지 감소하는 것으로 나타났다.
- 학습 데이터의 크기가 500 키스트로크 이하일 때 거의 모든 경우에서 가우시안 밀도 추정이 가장 좋은 인증 성능을 보였다. 그러나 학습 데이터의 크기가 커질수록 1-SVM과 k-NN의 성능이 빠르게 향상되는 것으로 확인되었다. 1,000개의 키스트로크를 학습 데이터로 사용하는 경우 짧은 테스트 키스트로크에 대해서는 1-SVM이 상대적으로 우수한 성능을 나타내었으며, 상대적으로 긴 테스트 키스트로크에 대해서는 k-NN이 우수한 성능을 나타내는 것으로 확인되었다.
- 63% EER(PC 키보드)을 보였다. 그리고 키 시퀀스의 사용 여부, 언어, 데이터 크기에 대한 인증 성능이 12가지의 인증 알고리즘을 통해 비교되었으며 그 중 PC 키보드를 입력장치로 하는 R+A measure의 평균 EER이 1.90%로 비교 대상 중 가장 우수한 인증 성능을 나타냈다.
- 첫째, 키스트로크 다이나믹스 기반의 인증은 컴퓨터 시스템에서 누구나 사용하는 키보드를 입력 장치로 사용함으로써 추가적인 하드웨어의 설치 없이 사용자 인증 시스템을 구축하는 것이 가능하다. 둘째, 키스트 로크 다이나믹스 기반의 사용자 인증은 지속적 인증(continuous authentication)이 가능하다는 장점이 있다. 대부분의 생체 인증 기반 사용자 인증 연구는 한 번의 인증으로 사용자 인증 절차를 완료하는 ‘one shot’ 인증 방식을 사용한다.
- 모델 구축에 사용되지 않은 99명의 사용자의 입력 데이터를 가상의 침입자로 가정하고 공격을 시도하는 시나리오를 통해 참여자 100명 각각에 대한 인증 모델을 변수별, 데이터 크기별, 언어별로 구분하여 그 인증 성능을 비교하였다. 또한 추출된 변수를 사용해 얻은 결과를 조합하는 변수 조합 기법을 적용할 경우 단일 인증 모델에 비해 인증 성능이 향상되는 것을 확인하였다.
- 앞서 언급된 것처럼 변수 조합 방식을 이용한 방법은 모든 학습-테스트 데이터 크기와 모든 알고리즘에 대해서 개별 변수 집합을 사용한 방법보다 항상 우수한 인증 성능을 나타내 었다. 또한 테스트 데이터의 크기가 클수록 모든 경우에 평균 EER이 낮아지는 것을 확인할 수 있었다. 따라서 1,000개의 키스트로크를 테스트 데이터로 사용하여 변수 조합 방법을 적용한 가장 이상적인 상황에서 알고리즘-언어-학습 데이터 크기 사이의 인증 성능을 비교한 결과는 [Figure 5]에 나타나 있다.
- 또한, 사용자별로 타이핑 속도의 편차가 적어 인증이 어려울 것으로 예상되었던 한국어의 인증 성능이 모든 알고리즘에서 영어와 비슷하거나 더 좋은 것으로 나타났다. 또한 피실험자들의 모국어인 한국어보다 친숙하지 않은 영어를 사용하는 경우에도 한국어에 준하는 인증 성능을 나타내는 것을 확인함으로써, 타이핑 패턴은 언어에 독립적인 행위 기반의 생체 정보로 사용될 수 있음을 입증하였다.
- 59%의 낮은 EER을 달성하였다. 또한, 사용자별로 타이핑 속도의 편차가 적어 인증이 어려울 것으로 예상되었던 한국어의 인증 성능이 모든 알고리즘에서 영어와 비슷하거나 더 좋은 것으로 나타났다. 또한 피실험자들의 모국어인 한국어보다 친숙하지 않은 영어를 사용하는 경우에도 한국어에 준하는 인증 성능을 나타내는 것을 확인함으로써, 타이핑 패턴은 언어에 독립적인 행위 기반의 생체 정보로 사용될 수 있음을 입증하였다.
- 모든 알고리즘에서 인증 성능은 학습 데이터의 크기보다는 테스트 데이터의 크기에 큰 영향을 받는 것으로 나타났다. 학습 데이터의 크기가 100, 300, 500, 1,000 키스트로크일 때 모든 알고리즘에 대한 평균 EER은 각 8.
- 67%로 나타나 그 차이가 크지 않다는 것을 확인하였다. 반면 테스트 데이터의 크기가 100, 300, 500, 1,000 키스트로크일 때 평균 EER은 각 17.63%, 12.20%, 10.25%, 8.13%로 나타났으며 테스트 데이터의 크기가 증가함에 따라 평균 EER이 지속적으로 감소하는 현상을 보였다. 가장 긴 길이의 테스트 데이터(1,000키스트로크)를 사용할 경우 가장 짧은 길이의 테스트 데이터 (100 키스트로크)를 사용한 경우와 비교하여 약 50% 가량 EER이 감소하였다.
- 이는 사용자가 자유롭게 입력한 한 문장 정도의 키스트로크 데이터만을 이용해도 5회 중 4회 정도 정확한 인증을 수행할 수 있음을 의미한다. 반면, 인증에 사용할 정보가 가장 많은 1,000개의 학습 키스트로크와 1,000개의 테스트 키스트로크에 대해서 모든 언어, 변수, 알고리즘에 대한 평균 EER은 6.26%로 나타났다. 이는 약 1문단 내외의 문자열을 입력할 경우 100회 중 6회 정도의 인증 오류가 발생할 수 있음을 의미한다.
- 각 변수 생성 기법에 대해네 가지의 일범주 분류기를 적용하여 사용자 인증 성능을 평가하였으며, 개별 변수 생성 기법으로 산출된 침입자 점수를 결합하는 변수 조합 방법론을 새롭게 제안하였다. 변수 조합 방법론은 인증 알고리즘과 언어, 학습-테스트 데이터 크기에 상관없이 모든 단일 변수 생성 기법보다 우수한 인증 성능을 나타냄을 확인하였다. 사용된 인증 알고리즘 중에서는 가우시안 밀도 추정이 상대적으로 우수한 인증 성능을 나타냈다.
- 분류에서는 600번의 분류 시도를 통해 ‘R’ Measure로 최소 0.83%의 분류 오류를, ‘A’ Measure로 최소 6.5%의 분류 오류를 나타내는 것을 확인하였다.
- 변수 조합 방법론은 인증 알고리즘과 언어, 학습-테스트 데이터 크기에 상관없이 모든 단일 변수 생성 기법보다 우수한 인증 성능을 나타냄을 확인하였다. 사용된 인증 알고리즘 중에서는 가우시안 밀도 추정이 상대적으로 우수한 인증 성능을 나타냈다. 학습 데이터의 크기가 300 키스트로크이고 테스트 데이터의 크기가 1,000 키스트로크일 때 가우시안 밀도 추정을 인증 알고리즘으로 사용할 경우 본 연구에서 제안하는 변수 조합 방법을 통해 영어 0.
- 뿐만 아니라 영어에서 ‘er’, ‘th’, ‘re’와 같은 문자열 입력이 ‘qu’나 ‘ts’와 같은 문자열보다 더 많이 발생한다는 특성을 고려하여 digraph 발생 빈도를 가중치로 사용한 확률(weighted probability) 또한 인증에 사용하였다. 실험 결과 인증 정확도는 가중치를 고려한 확률(87.18%), 가중치를 고려하지 않은 확률(85.63%), 유클리드 거리(83.22%) 순으로 높게 나타났다.
- 따라서 1,000개의 키스트로크를 테스트 데이터로 사용하여 변수 조합 방법을 적용한 가장 이상적인 상황에서 알고리즘-언어-학습 데이터 크기 사이의 인증 성능을 비교한 결과는 [Figure 5]에 나타나 있다. 영어와 한국어 모두 가우시안 밀도 추정에서 300개의 키스트로크를 학습 데이터로 사용할 때 가장 낮은 인증 오류율인 0.29% 및 0.59%의 EER을 나타내었으며, 가장 높은 인증 오류율의 경우에도 영어와 한국어 모두 1% 초반의 EER(영어 1.24%, 학습 키스트로크 100개, 인증 알고리즘 1-SVM; 한국어 1.41%, 학습 키스트로크 100개, 인증 알고리즘 KMC)에 머무르고 있음을 확인할 수 있다.
- 하지만 이 연구에서는 동시에 나타나지 않는 digraph의 비교를 위해 존재하지 않는 digraph 조합의 시간 정보를 인공 신경망을 사용하여 예측 하는 방법을 사용하였다. 이 방법을 통해 0.0152%의 FAR과 4.82%의 FRR, 2.46%의 EER을 달성하였다.
- 가장 긴 길이의 테스트 데이터(1,000키스트로크)를 사용할 경우 가장 짧은 길이의 테스트 데이터 (100 키스트로크)를 사용한 경우와 비교하여 약 50% 가량 EER이 감소하였다. 인증에 사용할 수 있는 정보가 가장 적은 상황인 100개의 학습 키스트로크와 100개의 테스트 키스트로크에 대해서 모든 언어, 변수, 알고리즘에 대한 평균 EER은 20.02%로 나타났다. 이는 사용자가 자유롭게 입력한 한 문장 정도의 키스트로크 데이터만을 이용해도 5회 중 4회 정도 정확한 인증을 수행할 수 있음을 의미한다.
- 인증에서는 ‘R’ Measure 와 ‘A’ Measure의 조합을 통해 3.83%의 본인 인증 실패율(false rejection rate, 이하 FRR) 하에서 최소 0.0173%의 타인 인증 성공률(false acceptance rate, 이하 FAR)을 나타내었다.
- 그 뒤로 Duration2, Interval, Latency 순으로 사용자 인증에 효과적인 것으로 나타났다. 주목할 사항은 과거 연구들에서 주로 사용한 변수 생성 방식인 Latency의 경우 네 가지 변수 생성 방법론 중에서 가장 인증 성능이 낮은 것으로 나타났으며, 본 연구에서 제안하는 네 가지 변수 생성 방법론을 결합할 경우 Latency를 사용한 인증 시스템에 비해 EER이 최소 1/3, 최대 1/10까지 감소하는 것으로 나타났다.
- 키스트로크 다이나믹스가 다른 생체 인증 기법보다 컴퓨터 네트워크 시스템에 적합한 이유는 다음과 같이 두 가지로 요약될 수 있다. 첫째, 키스트로크 다이나믹스 기반의 인증은 컴퓨터 시스템에서 누구나 사용하는 키보드를 입력 장치로 사용함으로써 추가적인 하드웨어의 설치 없이 사용자 인증 시스템을 구축하는 것이 가능하다. 둘째, 키스트 로크 다이나믹스 기반의 사용자 인증은 지속적 인증(continuous authentication)이 가능하다는 장점이 있다.
- 가우시안 밀도 추정의 학습은 분포의 모수인 μ와 ∑를 추정하는 것이며, 학습 데이터가 주어질 경우 최대우도추정법을 통해 μ 는 표본 평균인 #, ∑는 표본 공분산 행렬인 S로 대치하여 사용할 수 있다. 추정된 모수들을 바탕으로 새로운 키스트로크 벡터에 대한 우도(likelihood)를 계산할 수 있으며 이 값이 높을 수록 정상사용자일 가능성이 높은 것으로 판단한다.
- 모든 알고리즘에서 인증 성능은 학습 데이터의 크기보다는 테스트 데이터의 크기에 큰 영향을 받는 것으로 나타났다. 학습 데이터의 크기가 100, 300, 500, 1,000 키스트로크일 때 모든 알고리즘에 대한 평균 EER은 각 8.28%, 7.90%, 8.15%, 8.67%로 나타나 그 차이가 크지 않다는 것을 확인하였다. 반면 테스트 데이터의 크기가 100, 300, 500, 1,000 키스트로크일 때 평균 EER은 각 17.
- 사용된 인증 알고리즘 중에서는 가우시안 밀도 추정이 상대적으로 우수한 인증 성능을 나타냈다. 학습 데이터의 크기가 300 키스트로크이고 테스트 데이터의 크기가 1,000 키스트로크일 때 가우시안 밀도 추정을 인증 알고리즘으로 사용할 경우 본 연구에서 제안하는 변수 조합 방법을 통해 영어 0.29%, 한글 0.59%의 낮은 EER을 달성하였다. 또한, 사용자별로 타이핑 속도의 편차가 적어 인증이 어려울 것으로 예상되었던 한국어의 인증 성능이 모든 알고리즘에서 영어와 비슷하거나 더 좋은 것으로 나타났다.
- 굵은 글씨로 강조된 수치는 각 학습-테스트 데이터 크기 조합에 대해 가장 우수한 성능을 나타내는 알고리즘의 EER이다. 학습 데이터의 크기가 500 키스트로크 이하일 때 거의 모든 경우에서 가우시안 밀도 추정이 가장 좋은 인증 성능을 보였다. 그러나 학습 데이터의 크기가 커질수록 1-SVM과 k-NN의 성능이 빠르게 향상되는 것으로 확인되었다.
후속연구
- 첫째, 본 연구에서는 한국어와 영어 중 한 가지 언어만을 이용하여 인증 성능을 평가하였으나 현실 세계와 더 가까운 시나리오로써 한글과 영어가 혼용된 자유로운 텍스트 기반의 인증을 시도할 수 있을 것이다. 둘째, 충분히 큰 테스트 데이터에 대해서는 학습 데이터의 크기가 클수록 우수한 인증 성능을 보이는 경향이 있었기 때문에 초기 데이터로 인증 모델을 학습한 이후 사용자가 자유롭게 입력하는 키스트로크를 이용하여 인증 모델을 다시 학습하는 증가 학습(incremental learning) 방식을 도입하여 인증 성능을 향상시키는 연구 또한 수행될 수 있을 것이다.
- 본 연구의 결과를 바탕으로 다음과 같은 추후 연구가 수행될 수 있을 것으로 기대한다. 첫째, 본 연구에서는 한국어와 영어 중 한 가지 언어만을 이용하여 인증 성능을 평가하였으나 현실 세계와 더 가까운 시나리오로써 한글과 영어가 혼용된 자유로운 텍스트 기반의 인증을 시도할 수 있을 것이다. 둘째, 충분히 큰 테스트 데이터에 대해서는 학습 데이터의 크기가 클수록 우수한 인증 성능을 보이는 경향이 있었기 때문에 초기 데이터로 인증 모델을 학습한 이후 사용자가 자유롭게 입력하는 키스트로크를 이용하여 인증 모델을 다시 학습하는 증가 학습(incremental learning) 방식을 도입하여 인증 성능을 향상시키는 연구 또한 수행될 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.