MMAuth：基于多模态的智能手机连续身份验证框架

随着智能手机的广泛使用，越来越多的隐私数据被收集并保存在智能手机中。这对手持设备安全有效的用户认证方案提出了更高的要求。连续身份验证利用行为生物特征作为身份信息，展示了以连续且被动方式进行用户验证的良好前景。然而，大多数研究要求用户在特定的移动应用程序中操作智能手机，或执行用户定义的触摸操作。本文研究了真实自然环境下智能手机上的连续身份验证，在这些场景中，由于使用上下文的复杂性以及各类触摸手势的交叉使用，很难准确表征触摸行为。为此，本文提出了一种基于多模态的连续身份验证框架，命名为 MMAuth，该框架集成了来自多模态（例如动作运动模式、触摸动力学、使用上下文）的用户身份异构信息。本文开发了一种时间扩展行为特征集（TEB）和一种基于深度学习的单类分类器（DeSVDD），以实现更准确的身份验证。研究利用从 100 名真实世界志愿者收集的新型无约束智能手机使用数据集以及公共实验室数据集进行了评估。大量实验结果表明，MMAuth 在无约束和实验室环境中均取得了最先进的身份验证性能，并证明了其提出的两个模块（TEB 特征集和 DeSVDD 分类器）的有效性。此外，还就不同触摸手势的可用性、对各类移动应用的敏感性以及对用户空间的可扩展性等系统稳健性进行了额外实验，以检验 MMAuth 的适用性。