[논문리뷰] TypeNet: Deep Learning Keystroke Biometrics

TypeNet: Deep Learning Keystroke Biometrics

저자: Alejandro Acien, Aythami Morales, John V. Monaco, Ruben Vera-Rodriguez, Julian Fierrez, Member, IEEE

요약: LSTM 기반 키스트로크 인증 모델

Github: https://github.com/BiDAlab/TypeNet

Paper(arxiv): https://arxiv.org/pdf/2101.05570

---

Abstract & Introduction

키스트로크 다이나믹은 개인의 타이밍 습관을 기반으로 개개인을 인식하는 것을 의미한다. 키를 누르거나 때는 속도, 키를 입력하는 위치, 압력등이 특징으로 수집되어 사용된다. 키보드를 통한 입력은 스마트폰 잠금해제, 은행 계정 잠금 등 넓은 범위에서 사용중이고, 이러한 입력을 바탕으로 하는 키스트로크 다이나믹은 그 관심도가 점점 증가하고 있다. 하지만 키스트로크 데이터는 입력되는 텍스트가 고정되어 있지 않거나, 테스트 데이터의 입력과는 다른 학습 데이터 등으로 인하여 intra-subject variation이 큰 경우가 대부분이다. 또한, 모바일 장치에서의 경우 입력 동안의 사용자의 포즈(앉아서 입력, 누워서 입력 등)이 달라지기 때문에 인식 성능을 보장하기에 매우 어려운 상황이다. 이러한 문제를 해결하기 위해 다양한 연구들이 등장했지만 대부분 적은 subject 개수 안에서 실험을 하는 등, 실제 시나리오와는 거리가 먼 상황이다. 논문에서는 TypeNet을 제안하며, 매우 많은 subject 개수를 이용하여 키스트로크 다이나믹에서 우수한 성능을 증명한다.

 

Preprocess

키스트로크 데이터는 ~등 다양하게 존하고 있다. 논문에서는 키스트로크 데이터에서 4개의 시간데이터를 사용하는데 각각 HL, IL, PL, RL이며 자세한 내용은 아래와 같다.

HL: hold latency, 누르고 있는 시간

IL: inter-key latency, 다음 키를 누르기까지의 시간

PL: press latency , 누르는 순간의 시간차

RL: release latency, 때는 순간의 시간차

 

위 4개의 특징에 키스트로크 입력에 사용된 키코드를 포함하여 5개의 특징을 사용한다.

 

TypeNet Architecture

그림과 같은 구조로 구성하며, 이 구조를 기반으로 softmax loss, contrastive loss, triplet loss 3개를 이용한다. 이 3개의 목적 함수를 실험에서 TypeNet의 성능을 증명하기 위해 사용한다.

 

Experiment

실험결과 TypeNet이 기존 연구대비 우수한 성능을 보임을 증명한다.