[논문]모바일환경에서 위조서명에 강건한 딥러닝 기반의 핑거서명검증 연구

남승수; 서창호; 최대선

doi:10.13089/jkiisc.2016.26.5.1161

모바일환경에서 위조서명에 강건한 딥러닝 기반의 핑거서명검증 연구
Mobile Finger Signature Verification Robust to Skilled Forgery 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.26 no.5, 2016년, pp.1161 - 1170

초록
AI-Helper

본 논문에서는 스마트폰에서 손가락으로 서명하는 동적서명에서 위조서명에 강건한 검증 방법을 제안한다. 본 논문에서는 위조서명을 효과적으로 구분할 수 있도록 재생산 신경망의 일종인 1 class Auto-Encoder 모델을 사용한다. 핑거서명에서는 지원되지 않는 펜 압력 등 기존의 특징 정보 대신 대부분의 스마트폰에서 지원하는 가속도센서를 추가로 활용하여 서명이 이루어지고 있는 동안 스마트폰의 동적인 움직임의 특징정보를 추출한다. 서명 데이터는 리샘플링을 통해 길이를 맞추고, 일정한 크기로 정규화하여 사용한다. 제안 방법의 성능을 평가하기 위해 테스트셋을 구축하여 단일세션검증, 시간차 검증, 위조서명 검증의 3가지 실험을 실시하였다. 실험결과 위조서명 구분에 있어서 제안방법은 기존 방법보다 EER이 최대 6.9% 더 낮았다. 또한, 서명의 모양과 속도만 사용한 기존의 방식보다 가속도센서를 추가한 방식이 1.5% 나은 성능을 보였고, 최고 3.5%의 에러율을 얻었다.

Abstract ▼ AI-Helper

In this paper, we provide an authentication technology for verifying dynamic signature made by finger on smart phone. In the proposed method, we are using the Auto-Encoder-based 1 class model in order to effectively distinguish skilled forgery signature. In addition to the basic dynamic signature characteristic information such as appearance and velocity of a signature, we use accelerometer value supported by most of the smartphone. Signed data is re-sampled to give the same length and is normalized to a constant size. We built a test set for evaluation and conducted experiment in three ways. As results of the experiment, the proposed acceleration sensor value and 1 class model shows 6.9% less EER than previous method.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 모바일환경에서 손가락으로 서명한 동적서명을 검증하는 방법을 제안하였다. 특히, 위조서명 검증에 효과적으로 생각되는 방안으로 1) 가속도센서값의 활용 2) 1 class 모델 사용을 제안하였다.

제안 방법

본 논문은 모바일기기에서 핑거서명 했을 때 위조서명을 구분하기 위해 1 class 모델이 2 class 모델보다 효과적인 것을 보이고, 시간차서명에 대한 성능 분석을 함께 제시한다.
본 논문에서는 모바일환경에서 손가락으로 서명한 동적서명을 검증하는 방법을 제안하였다. 특히, 위조서명 검증에 효과적으로 생각되는 방안으로 1) 가속도센서값의 활용 2) 1 class 모델 사용을 제안하였다. 첫 번째 제안 방안에 대한 결과로 스마트폰에서 활용할 수 있는 동적 서명의 특징 정보인 서명시 가속도센서값을 추가하여 위조서명 실험데이터 대해 가속도값을 활용하지 않았을 때보다 6% 향상된 정확도를 얻을 수 있었다.
핑거서명에서 성능차이를 비교하기 위해 기존 서명수집방법과 가속도센서를 추가한 제안방법의 서명검증 성능을 비교하고, 제안방법인 SVM과 2 class 모델 그리고 1 class 모델의 성능차이도 비교한다.

성능/효과

스마트폰에서 핑거서명시 활용할 수 있는 동적 특징정보가 스타일러스 사용시 보다 부족한 상황에서, 가속도센서값의 활용이 위조서명 검증에 효과가 있음을 입증하였다. 두 번째 제안 방안인 1 class 모델의 사용결과, 위조서명 구분에 있어 1 class AE 모델은 2 class MLP모델 보다 5% 향상된 결과를 보여 제안방법의 효과를 보였다. 두가지 방안이 모두 사용된 경우 기존 방법보다 11%의 성능향상을 얻을 수 있었다.
특히, 위조서명 검증에 효과적으로 생각되는 방안으로 1) 가속도센서값의 활용 2) 1 class 모델 사용을 제안하였다. 첫 번째 제안 방안에 대한 결과로 스마트폰에서 활용할 수 있는 동적 서명의 특징 정보인 서명시 가속도센서값을 추가하여 위조서명 실험데이터 대해 가속도값을 활용하지 않았을 때보다 6% 향상된 정확도를 얻을 수 있었다. 스마트폰에서 핑거서명시 활용할 수 있는 동적 특징정보가 스타일러스 사용시 보다 부족한 상황에서, 가속도센서값의 활용이 위조서명 검증에 효과가 있음을 입증하였다.

후속연구

향후 연구로는 가속도센서의 경우 파지상태에 따라 변화하기 때문에 손에 쥐고 있는 상태와 책상에 놓고 서명하는 미파지 상태를 구분하여 모델을 적용하는 방식과 모바일기기에서 활용할 수 있는 자이로센서를 추가하여 동적서명의 특징을 추가로 확보하고 주기적 샘플링 데이터로부터 획수, 멈춤 등의 동적특징을 추가로 추출하는 방식으로 성능을 개선할 수 있을 것으로 기대된다. 또한, 서명의 부분 특징을 구조화하여 모델링할 수 있는 CNN(Convolutional Neural Network)와 위조서명에 강건한 AE 모델을 결합하는 방법을 시도해 볼 것이다. ;
향후 연구로는 가속도센서의 경우 파지상태에 따라 변화하기 때문에 손에 쥐고 있는 상태와 책상에 놓고 서명하는 미파지 상태를 구분하여 모델을 적용하는 방식과 모바일기기에서 활용할 수 있는 자이로센서를 추가하여 동적서명의 특징을 추가로 확보하고 주기적 샘플링 데이터로부터 획수, 멈춤 등의 동적특징을 추가로 추출하는 방식으로 성능을 개선할 수 있을 것으로 기대된다. 또한, 서명의 부분 특징을 구조화하여 모델링할 수 있는 CNN(Convolutional Neural Network)와 위조서명에 강건한 AE 모델을 결합하는 방법을 시도해 볼 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	서명이란 무엇인가?	서명이란 본인 고유의 필체로 자신의 서명을 제3자가 알아볼 수 있도록 기재하는 것을 의미한다. 서명은 입력방식에 따라 동적방식과 정적방식이 있다.
	동적서명에서 무엇을 가려내는 것이 중요한 이슈인가?	동적서명에서도 어깨너머 훔쳐보기(Shoulder surfing)나, 서명의 자국을 따라 글씨를 본뜨는 얼룩공격(Smudge Attack)같은 위조서명(Skilled forgery)을 가려내는 것이 중요한 이슈이다[8]. 태블릿에서 스타일러스를 사용하는 서명기법[7]에는 위조서명에 대한 내용이 다루어져 있지만, 우리가 아는 범위에서는 핑거서명 방법에서 위조서명을 다룬 연구를 찾을 수 없었다.
	선택위조의 단점은 무엇인가?	선택위조는 일반적으로 본인의 이름에 기반 한 패턴을 사용하는 경우가 많기 때문에 타인서명과의 구별은 비교적 쉬운 편이라 할 수 있다. 그러나 일정 수 이상 사용자가 있는 경우, 닮은 서명도 존재하여 구별하기 어려운 상황이 발생하기도 한다. 한편, 고의위조는 특정인의 서명을 고의적으로 흉내 내는 것으로 어느 정도 연습을 거치면 모양 만으로는 사실상 구별이 어려울 만큼 비슷한 경우도 많다.

참고문헌 (29)

S.S. Arora, et al, "3D fingerprint phantoms," Proc. of 22nd Int. Conf. on Pattern Recognition, pp. 684-689, Sweden, Aug. 2014.
H. Malik and H. Farid, "Audio Forensics from Acoustic Reverberation," Proc. IEEE Int'l Conf. Acoustics, Speech, Signal Processing. pp. 1710-1713, USA, March 2010.
T. Fladsrud, "Face recognition in a border control environment: Non-zero effort attacks effect on false acceptance rate," Master thesis, Gjovik Univ. College, Norway, 2005.
D. Kim and J. Paik, "Gait recognition using active shape model and motion prediction," Computer Vision IET, vol. 4, no. 1, pp. 25-36, March 2010.

상세보기
M. C. Thomas and A. P. M. S. Pradeepa, "A comprehensive review on vision based hand gesture recognition technology," International Journal of Research in Advent Technology, Vol. 2, no. 1, pp.303-310, January, 2014.
R. P. Krish, J. Fierrez, J. Galbally and M. Martinez-Diaz, "Dynamic Signature Verification on Smart Phones," In Communications in Computer and Information Science, vol 365, pp.213-222. 2013.

상세보기
M. Martinez-Diaz, J. Fierrez, J. Galbally and J. Ortega-Garcia, "Towards mobile authentication using dynamic signature verification: useful features and performance evaluation," In Proceedings of the International Conference on Pattern Recognition, ICPR, pp.1-5, Dec. 2008.
N. Sae-Bae and N. Memon, "Online signature verification on mobile devices," IEEE Trans. Inf. Forensics Security, vol. 9, no. 6, pp.933-947, Jun. 2014.

상세보기
N. Paudel, M. Querini and G. F. Italiano, "Handwritten Signature Verification for Mobile Phones," International Conference on Information Systems Security and Privacy(ICISSP), pp46-52, 2016.
M. A. Ferrer, J. B. Alonso, and C.M. Travieso, "Offline geometric parameters for automatic signature verification using fixed-point arithmetic," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 27, no. 6, pp.993-997, Jun. 2005.

상세보기
R. Kumar, J.D. Sharma and B. Chanda, " Writer-independent off-line signature verification using surroundedness feature," Pattern Recognition Letters, vol. 33, no. 3, pp.301-308, Feb. 2012.

상세보기
G. Dimauro, S. Impedovo, M.G.Lucchese, R.Modugno and G. Pirlo, "Recent Advancements in Automatic Signature Verification," Int'l Workshop on Frontiers in Handwriting Recognition(IWFHR), pp. 179-184, Oct, 2004.
N. Li, J. Liu, Q. Li and X. Luo, "Online Signature Verification Based on Biometric Features," International Conference on System Sciences, pp. 5527-5534, Jan. 2016.
A. Fischer, M. Diaz, R. Plamondon and M.A. Ferrer, "Robust score normalization for DTW-based on-line signature verification," International Conference on document analysis and recognition, pp.241-245, Aug. 2015.
W.S. Wijesoma, M. Mingming and K. W. Yue, "On-line signature verification using a computational intelligence approach," Lecture Notes in Computer Science Springer-Verlag, vol. 2206, pp.699-711, Oct. 2001.
S.Y. Ryu, D.J. Lee, M.G. Chun, "A Robust On-line Signature Verification System," International Journal of Fuzzy Logic and Intelligent Systems, vol. 3, no. 1, pp.27-31, 2003.

원문보기 상세보기
C. Gruber, et al, "Online Signature Verification With Support Vector Machines Based on LCSS Kernel Functions," IEEE Transactions on Systems Browse Journals & Magazines, Vol. 40, No 4, pp.1088-1100, Aug. 2010.
V. Irnmanesh, et al. "Online Signature Verification Using Neural Network and Pearson Correlation Features", IEEE Conference on Open Systems (ICOS), pp.18-21, Dec. 2014.
A. Makhzani and B.J. Frey, "Winner-take-all autoencoders," Neural Information Processing Systems(NIPS), pp.2773-2781, CANADA, Dec. 2015.
M. Fayyza, et al. "Online Signature Verification Based on Feature Representation," IEEE Artificial Intelligence and signal Processing, pp.211-216, Mar. 2015.
D.I. Chae, et al, " Hidden Singer Contest: Auto-encoder based singer Identification," Joint Conference on communications and Information (JCCI), pp.629-632, Apr. 2016.
P.O. Kristensson, T. Nicholson, and A. Quigley, "Continuous recognition of one-handed and two-handed gestures using 3D full-body motion tracking sensors," Proc. of ACM Int'l. Conf. on Intelligent User Interfaces, pp.89-92, 2012.
P.O. Kristensson and L.C. Denby, "Continuous recognition and visualization of pen strokes and touch-screen gestures," Proc. of Euro graphics Symposium on Sketch-Based Interfaces and Modeling, pp.95-102, 2011.
R. Reed and R. Marks, "Neural smithing supervised learning in feedforward artificial neural networks," Cambridge MA: MIT press, 1999.
A. Krizhevsky and G.E. Hinton, "Using very deep autoencoders for content-based image retrieval", In Proceedings of the European Symposium of Artifical Neural Networks, pp.489-494, Belgium. 2011.
https://en.wikipedia.org/wiki/Autoencoder
A. Krizhevsky, I. Sutskever and G. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks", In Neural Information Processiong Systems. 2012.
Y. N. Dauphi, H. D. Vries and Y. Beigio, "Equilibrated adaptive learning rates for non-convex optimization", arXiv preprint arXiv:2502.04390, 2015.
https://en.wikipedia.org/wiki/Biometrics

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증