BioMove : Identification biométrique des utilisateurs à partir des mouvements kinésiologiques humains pour les systèmes de réalité virtuelle

La réalité virtuelle (RV) a évolué rapidement et est utilisée à des fins de divertissement et commerciales. La nécessité de mécanismes d'identification sécurisés, transparents et non intrusifs est importante pour faciliter la participation sécurisée des utilisateurs et une expérience sécurisée. Les individus sont uniques sur le plan kinésiologique, ayant des caractéristiques comportementales et de mouvement individuelles, qui peuvent être exploitées dans des applications RV sensibles à la sécurité pour compenser l'incapacité des utilisateurs à détecter d'éventuels attaquants observateurs dans le monde physique. De plus, cette méthode d'identification utilisant les données kinésiologiques d'un utilisateur est précieuse dans des scénarios courants où plusieurs utilisateurs participent simultanément à un environnement RV. Dans cet article, nous présentons une étude utilisateur (n = 15) où nos participants ont effectué une série de tâches contrôlées nécessitant des mouvements physiques (tels que saisir, faire pivoter et lâcher) qui pouvaient être décomposés en motifs kinésiologiques uniques pendant que nous surveillions et capturions leurs données de main, de tête et de regard dans l'environnement RV. Nous présentons une analyse des données et montrons que ces données peuvent être utilisées comme discriminant biométrique de haute confiance à l'aide de méthodes de classification par apprentissage automatique telles que kNN ou SVM, ajoutant ainsi une couche de sécurité en termes d'identification ou d'adaptation dynamique de l'environnement RV aux préférences des utilisateurs. Nous avons également effectué un test de pénétration en boîte blanche avec 12 attaquants, dont certains étaient physiquement similaires aux participants. Nous avons pu obtenir une valeur de confiance d'identification moyenne de 0,98 à partir des données de test des participants réels après l'étude initiale et également une précision de classification du modèle entraîné de 98,6 %. Les tests de pénétration ont indiqué que tous les attaquants avaient des valeurs de confiance inférieures à 50 % (<50 %), bien que les attaquants physiquement similaires aient eu des valeurs de confiance plus élevées. Ces résultats peuvent aider à la conception et au développement de systèmes RV sécurisés.