Biometrisk autentisering av smarttelefonbrukere ved hjelp av akselerometerdata
Abstract
Biometrisk autentisering er et populært forskningsområde grunnet behovet for økt sikkerhet for smarttelefoner. Etterhvert som antallet smarttelefoner i samfunnet øker, øker også mulighetene vi har til å bruke dem. Det økte antallet av mulige handlinger vi kan utføre ved hjelp av smarttelefoner gjør at kravene til sikkerhet blir strengere. Passive autentiseringsmetoder kan potentielt bedre sikkerheten uten å ha en negative innvirkning på brukeropplevelsen. I denne bacheloroppgaven foreslår vi en LSTM-basert modell som kan gjennomføre passive autentisering av smarttelefonbrukere, kun ved hjelp av akselerometerdata. Vi trener og tester modellen med vinduer med en lengde på tre sekunder. Dette er en vinduslengde som er betydelig lavere enn det som er brukt i sammenlignbare studier [21, 7]. Den foreslåtte metoden oppnår en AUC på 82\% og en EER på 24.1\% på HMOG-datasettet [21]. Videre bruker vi modellen til å utforske hvordan vinduslengden påvirker treffsikkerheten. Vår modell fungerer best for en vinduslengde på tre sekunder. Vi utforsker også hvordan modellen blir påvirket av å bli trent på et mindre utsnitt av dataene som er tilgjengelig. Dette forsøket blir gjort for å utforske hvordan modellen fungerer i et scenario som vi antar å være mer realistisk. Resultatene av dette er en AUC på 75.84\% og en EER på 29.28\%. Vi presenterer også innsikt vi har fått ved å reprodusere resultater fra den vitenskapelige litteraturen. Biometric authentication is researched due to the need for securing smartphones. As the number of smartphones in society increases, so do the possibilities that we have with our devices. These possibilities increase the potential damage that may be done by an attacker. Passive authentication methods could increase security without having a negative impact on the user experience. In this thesis, we propose an LSTM-based model that can passively authenticate smartphone users based on accelerometer data. We train and test our model on windows with a length of three seconds. This is far below the window lengths used in comparable studies such as the HMOG study [21] and in DeepAuth [7]. The proposed method achieves an AUC of 82\% and an EER of 24.1\% for the HMOG dataset [21]. Furthermore, we experiment with how different window lengths affect the accuracy of our model. The best results are achieved when using a length of three seconds. We also explore the performance of the model when trained on a small subset of the data. The experiment is performed to evaluate our model in a scenario that we consider to be more realistic. Our results for the experiment is an AUC of 75.84\% and an EER of 29.28\%. We also present insights gained from reproducing results from the scientific literature. We also present insights gained from reproducing results from the scientific literature.