마우스 움직임으로 사용자 인증을 혁신하다: AI 기반 생체인증의 새로운 지평

본 연구는 마우스 동작 분석을 통한 사용자 인증 시스템의 효율성과 보안성을 향상시키는 새로운 방법을 제시합니다. Gaussian KDE, KL divergence, ApEn, 1D-ResNet, GRU 등을 활용하여 데이터 규모를 줄이고 정확도를 높였으며, 불균형 데이터 학습에도 불구하고 높은 성능을 달성했습니다.

기존의 사용자 인증 시스템은 사용성, 비용, 보안성 측면에서 한계를 드러내고 있습니다. 하지만, Wang Yi 등 연구진이 발표한 논문, "Optimizing Mouse Dynamics for User Authentication by Machine Learning"은 마우스 동작 분석을 통해 이러한 문제를 극복할 새로운 가능성을 제시합니다.

이 연구의 핵심은 사용자의 자연스러운 마우스 조작 방식을 분석하여 인증하는 것입니다. 비용 효율적이고, 사용자에게 부담을 주지 않으며, 다양한 환경에 적용 가능하다는 장점이 있습니다. 그러나 최적의 데이터 양을 결정하고, 정확성과 실용성 사이의 균형을 맞추며, 시간적 행동 패턴을 효과적으로 포착하는 것은 여전히 어려운 과제였습니다.

연구진은 이러한 과제를 해결하기 위해 Gaussian kernel density estimate (KDE) 와 Kullback-Leibler (KL) divergence를 활용한 통계적 방법을 제안하여, 학습에 필요한 최소한의 데이터 양을 산정하는 방법을 제시했습니다. 또한, Approximate Entropy (ApEn)을 활용한 Mouse Authentication Unit (MAU)을 도입하여 효율적이고 정확한 행동 표현을 가능하게 했습니다. 이는 마치 마우스의 움직임을 하나의 고유한 언어로 해석하는 것과 같습니다.

더 나아가, Local-Time Mouse Authentication (LT-AMouse) 프레임워크를 설계하여 1D-ResNet을 이용한 국지적 특징 추출과 GRU를 이용한 장기간 시간적 의존성 모델링을 결합했습니다. 이는 마치 마우스의 움직임을 단어 단위로 분석하고, 이 단어들이 만들어내는 문장의 의미를 파악하는 것과 같습니다.

Balabit과 DFL 데이터셋을 사용한 실험 결과, 특히 DFL 데이터셋의 경우 데이터 규모를 10분의 1로 줄이는 놀라운 성과를 거두었습니다. 이는 학습 부담을 크게 줄여 실제 시스템 구축에 큰 도움이 될 것입니다. 또한, ApEn의 기울기를 기반으로 서로 다른 데이터셋에 대한 최적의 입력 인식 단위 길이를 결정했습니다. 불균형 데이터로 학습했음에도 불구하고, DFL 데이터셋에 대한 블라인드 공격에서 98.52%, Balabit 데이터셋에서 94.65%의 높은 AUC(Area Under the Curve) 성능을 달성하여 기존 최고 성능을 뛰어넘었습니다.

이 연구는 마우스 동작 기반 사용자 인증 시스템의 실용성과 보안성을 크게 향상시켰을 뿐만 아니라, AI 기반 생체인증 기술의 새로운 가능성을 제시하는 중요한 의미를 지닙니다. 향후 더욱 다양한 환경과 응용 분야에서 활용될 것으로 기대됩니다.