Earticle

사용자의 행동을 기반으로 지속적 인증을 수행 하는 생체인식 기술은 디바이스 종류와 입력장치, 센서의 종류에 따 라 다양한 연구가 진행되어왔다. 모바일 디바이스에서의 지속적 인증은 다양한 센서를 이용하여 사용자 행동을 인식 하고 인증하는 방식으로 연구되어 왔다. 이에 반해, 센서가 다양하지 않은 PC 기반의 지속적 인증은 키보드나 마우 스의 입력 패턴에서 피처를 추출하여 분석하는 방식으로 연구가 진행되고 있다. 본 논문에서는 PC에서 qwerty 키 보드로 입력하는 사용자의 손가락 별로 피처를 추출하여 지속적 인증에 사용한다. 키보드는 일반적으로 각각의 키를 누르는 양손의 손가락들이 할당되어 있다. 이에, 1개의 키를 누를 때 발생하는 key hold(key1 Down–key 1 Up) latency와 손가락과 손가락 사이의 상호작용에 의해 발생하는 key press(key1 Down-key2 Down latency) latency, key interval(key1 UP–key2 Down latency) latency를 피처로 추출하여 지속적 인증의 정확도를 높였다. 지속적 인증 모델은 SVDD, Decision Tree, CNN을 이용했다. 실험데이터는 각각의 실험자들이 랜덤하 게 나타나는 문장을 입력하는 행위를 통해 수집하고 데이터베이스에 저장했다. 마지막으로 저장된 데이터에서 일반 피처를 추출해 학습한 지속적 인증 모델과 손가락 기반 피처를 추출해 학습한 지속적 인증 모델을 비교하는 실험을 진행했고, 각 모델의 분류 정확도(ACC), ROC Curve와 FRR, FAR의 임계치인 EER를 산출했다. 실험결과 손가 락 기반 피처를 학습한 모델이 일반 피처만을 학습한 모델보다 정확도가 더 높게 나타난 것으로 확인되었다.

Continuous authentication using biometric technology based on user behavior has been studied using various types of devices, input devices, and sensors. Continuous authentication on mobile devices has been studied by recognizing and authenticating user behavior using various sensors. In contrast, continuous authentication on PC-based devices with limited sensors has been studied by extracting and analyzing features from keyboard and mouse input patterns. In this paper, features are extracted based on finger-specific input patterns of users typing on a qwerty keyboard on a PC. The keyboard is typically allocated to the fingers of both hands when pressing each key. Therefore, key hold (key1 Down-key1 Up) latency, key press (key1 Down-key2 Down latency) latency caused by interaction between fingers, and key interval (key1 UP-key2 Down latency) latency are extracted as characteristics to improve the accuracy of continuous authentication. The continuous authentication model uses SVDD, Decision Tree, and CNN, and raw data is collected by conducting experiments where users input random sentences. The verification of the continuous authentication model was conducted by comparing the classification accuracy (ACC), EER which is the threshold of ROC curve and FRR, FAR, and the result showed that using finger-specific input characteristics of the user yielded higher accuracy than the existing research that utilized only general key input characteristics.

홈네트워크는 기술의 통합적인 제공에 따라 높은 신뢰성이 필요하지만, 안전성이 확보되지 않는 홈네트워크 는 사용자로부터 외면을 받을 수 밖에 없다. 또한 유무선 네트워크 및 프로토콜들 각각에 대한 보안이 고려되 어 있다 하더라도 이들의 혼재로 인한 새로운 취약점이 생길 수 있고, 홈네트워크 서비스를 운용하는 과정에서 새로운 취약점이 드러나고 있다. 본고에서는 안전한 홈네트워크 구축을 위해 최근 국내/외에서 다양한 표준이 제정, 논의되고 있다. 본 논문에서는 Ubi-Home에서의 지능적 서비스 지원을 위한 인증시스템에 대한 연구를 진행한다. 제안 시스템은 Ubi-Home에서 멀티 도메인에서 지능적 서비스를 위해 사용자 편의성으로 PC, STB(Set-Top Box), PDA, Portable Device등 다양한 디바이스의 인증을 제공하며, 사용자의 위치를 인지하여 사용자에게 적합한 인증을 제공할 수 있는 모델을 제안한다.

In this paper, we design the authentication system which provide intelligent services in Ubi-Home. This system can provide to authenticated variable devices which are using PC, STB, PDA, and Portable Device, etc. We design the model to user's location context in order to provide authentication to users.

스마트폰의 잠금을 해제하기 위해 초기에 사용자를 인증하는 과정을 한 번 통과하면 스마트폰의 모든 정보에 접근 가능하다. 현재 스마트폰을 사용하고 있는 사용자가 초기 인증된 사용자인지 아닌지 여부를 판단하지 않기 때문에 인증된 스마트폰에 타인이 접근한다면 모든 정보가 유출될 수 있다. 본 논문에서는 스마트폰 기반 continuous authentication 기술에 대한 연구 동향에 대해 소개하고 현재까지 연구된 기술들을 상용 스마트폰에 적용할 수 없는 한계점에 대해 분석한다.

스마트폰에 저장되어 있는 정보가 타인에게 접근되는 것을 막기 위해 스마트폰 인증은 매 스마트폰 사용 시 마다 다양한 방법으로 스마트폰 소유자의 여부를 확인한다. 그러나 이러한 매 사용 마다의 인증은 사용자들의 불편함을 야기하며, 때로는 인증방법을 사용하지 않게 하는, 궁극적으로 스마트폰 보안의 치명적인 문제로 작용한다. 본 연구에서는 안드로이드 환경에서 위의 문제를 해결하기 위한 지속 인증 방법을 제안한다. 제안 방법에서 스마트폰들은 사용자들의 과거 경험을 이용하여 그들의 위험을 인식하고 사용자 인증이 필요한지의 여부를 결정한다. 인증은 높은 위험이 있는 상황에서만 진행되기 때문에 제안 방법은 높은 위험도 상황일 경우에는 높은 안전성을, 그리고 낮은 위험도 상황에서는 사용자 편리성을 제공한다.

In order to block the access of the information in the smartphone of a user by other users, it is checked if the current user is the owner or not in the smartphone authentication process, whenever a user begins to use a smartphone. This makes smartphone users in front of frequent smartphone authentications, which leads significant inconvenience to them. Because of such inconvenience, users tend not to use the smartphone authentication anymore. Finally, their smartphones become very vulnerable against malicious access. This paper proposes a progressive authentication method on the android-platform in order to solve the problem described above. With the proposed method, smartphones can identify relevant risks based on users' past experiences and determine whether an authentication is needed. Because authentication occurs only when the identified risk level is high, it can achieve both a high-level of security in the high-level risk situation and user convenience in the low-level risk situation.

코로나19 이후에 비대면 서비스가 증가함에 따라 메타버스에 대한 관심이 증가하고 있으며, VR 기기를 이용하여 메타버스에 접속하는 기술들이 개발되고 있다. 이에 메타버스의 보안에 대한 중요성이 대두되고 있으며 메타버스에서는 인증 한 번으로 서비스를 계속 이용하기 때문에 사용자 인증이 중요한 보안 이슈 중 하나이다. 홍채 인증은 인증에 가장 적합한 방법으로 사용자의 홍채의 특징을 바탕으로 데이터를 판단하고 홍채의 조그만 변화도 큰 차이를 만들며 VR 기기에 홍채 카메라를 탑재하면 홍채 이미지를 얻기 쉽다. 따라서 인증을 한 번만 할 경우에 홍채를 이용한 인증이 적합하다. 하지만 보안을 위해서 지속적으로 인증을 하기 위해서는 홍채 인증만으로는 부족하다. 왜냐하면 지속적 인증을 위해 홍채 이미지를 주기적으로 생성하는 데 눈을 항상 올바르게 뜨고 있기 어렵기 때문이다. 홍채 이미지 생성할 때 노이즈가 포함될 확률이 높으며 그러면 인증의 정확도가 떨어지게 된다. 이때 안구 주위 인증이 필요하다. 안구 주위 인증은 원거리에서 획득이 가능하기 때문에 인식 대상자의 협력에 대한 제약이 적고, 헬멧, 마스크 등으로 얼굴의 일부 영역이 가려진 상태에서도 획득이 가능한 장점이 있다. 따라서 본 논문에서는 홍채와 안구 주위 정보를 이용한 지속적인 다중 생체인증 기법을 제안하였다. 그리고 관련 연구들의 실험 결과를 통해서 제안하는 기법의 활용 가능성을 보여주었다.

With the increase in untactable services due to COVID-19, interest in the metaverse is growing, leading to the development of technologies to access it through VR devices. Accordingly, the importance of the security of metaverse is rising, and user authentication is one of the most important security concerns because metaverse continues to use the service with only one authentication. Iris authentication is the most suitable method for authentication because data is measured based on the unique characteristics of the user's iris. Small changes in the iris result in significant differentiation, and if an iris camera is attached to a VR device, obtaining an iris image becomes effortless. Therefore, when authentication needs to be performed only once, iris authentication is appropriate. However, iris authentication alone is insufficient for continuous security authentication. This is because it is difficult to keep your eyes open at all times to periodically generate iris images for continuous authentication. There is a high probability that noise is present when generating an iris image, which can affect the accuracy of authentication. At this time, periocular certification is required. Certification around the eye can be obtained from a long distance, with few restrictions on the cooperation of recognition subjects, even when some areas of the face are covered by helmets and masks. Therefore, this paper proposes a technique for continuous authentication using multiple biometrics, including iris and periocular biometric information. And the potential for utilization is shown through the experimental results from related studies.

Modern users are intensifying their use of online services every day. In addition, hackers are attempting to execute advanced attacks to steal personal information protected using existing authentication technologies. However, existing authentication methods require an explicit authentication procedure for the user, and do not conduct identity verification in the middle of the authentication session. In this paper, we introduce an implicit continuous authentication technology to overcome the limitations of existing authentication technology. Implicit continuous authentication is a technique for continuously authenticating users without explicit intervention by utilizing their behavioral and environmental information. This can improve the level of security by verifying the user's identity during the authentication session without the burden of an explicit authentication procedure. In addition, we briefly introduce the definition, key features, applicable algorithms, and recent research trends for various authentication technologies that can be used as an implicit continuous authentication technology.

이 논문은 스마트 폰에서 터치 스트로크를 이용하여 지속적 인증을 할 수 있는 딥 러닝 네트워크인 스태킹 커널 릿지 리그레션 네트워크 (Stacking Kernel Ridge Regression Network: SKRRN)에 대한 연구이다. SKRRN 은 여러 개의 커널 릿지 리그레션 (Kernel Ridge Regression: KRR) 으로 구성되어있고, 계층적이며 모든 KRR 은 해석적이고 독립적으로 훈련된다. SKRRN 은 다른 딥 러닝 네트워크와는 다르게 비가공 터치 스트로크 데이터로부터 특징을 배우지 않고 Hand-Crafted 피처와 같이 추출된 데이터로부터 재학습을 한다. 이러한 재학습은 기존 데이터 셋을 더 구별 하기 쉽고 풍부하게 만들어준다. SKRRN 은 HMOG 데이터 셋을 사용하여 4.295%의 동일 오류율을 달성하였다.

이 논문은 스마트 폰에서 터치 스트로크를 이용하여 지속적 인증을 할 수 있는 딥 러닝 네트워크인 스태킹 커널 릿지 리그레션 네트워크 (Stacking Kernel Ridge Regression Network: SKRRN)에 대한 연구이다. SKRRN 은 여러 개의 커널 릿지 리그레션 (Kernel Ridge Regression: KRR) 으로 구성되어있고, 계층적이며 모든 KRR 은 해석적이고 독립적으로 훈련된다. SKRRN 은 다른 딥 러닝 네트워크와는 다르게 비가공 터치 스트로크 데이터로부터 특징을 배우지 않고 Hand-Crafted 피처와 같이 추출된 데이터로부터 재학습을 한다. 이러한 재학습은 기존 데이터 셋을 더 구별 하기 쉽고 풍부하게 만들어준다. SKRRN 은 HMOG 데이터 셋을 사용하여 4.295%의 동일 오류율을 달성하였다.