利用生物特征丰富的手势进行头戴式显示器认证

文献标题

Leveraging Biometric-Rich Hand Gestures for Head-Mounted Display Authentication

出版信息

• 主题领域: 面向头戴式显示器（HMD）的行为生物特征认证。
• 关键词: HMD认证, 行为生物特征, 自由形式手势, 手部关节运动, 异常检测, 3D手势, 观察攻击, 可用性, 长期研究, CNN-LSTM自动编码器。

背景与问题

• 问题/挑战: 传统的HMD认证方法（如密码）操作繁琐，容易受到肩窥攻击，且缺乏可用性。现有的行为生物特征方法依赖于有限的运动数据（如控制器）和预定义手势，这限制了表达能力和安全性评估。
• 重要性: 保护HMD的安全至关重要，因为它们存储敏感数据，并广泛应用于游戏、教育和医疗等领域。需要一种稳健、可用且安全的认证方法来应对真实世界的攻击场景。
• 动机与相关工作: 先前的研究证明了基于运动的生物特征的可行性，但在手势多样性、针对熟练攻击者的评估以及长期性能方面存在局限性。本文基于这些发现，通过将自由形式手势与手部关节生物特征相结合来填补这些空白。

解决方案

• 提出的方法: 一种知识驱动的行为生物特征认证系统，将用户定义的3D手势与手部关节运动信号相结合，并使用CNN-LSTM自动编码器进行异常检测。
• 创新点:
  1. 将自由形式的3D手势作为基于知识的凭证，与手部关节生物特征相结合，以增强安全性。
  2. 针对最坏情况下的观察攻击（由熟练攻击者实施）和一周内的长期可用性进行全面评估。
  3. 开发了一个公开可用的手势输入系统和数据集，以支持可重复性研究。
  4. 提供了关于手势复杂性和关节信号对认证性能影响的洞察。
• 流程与关键技术:
  1. 用户通过拇指和食指捏合后在3D空间中绘制手势。
  2. 捕获并预处理手部关节运动信号（位置和旋转），包括平滑和归一化。
  3. 使用混合CNN-LSTM自动编码器训练模型，以检测手势模式中的异常。
  4. 系统通过用户研究进行评估，包括观察攻击模拟和多次回忆测试。

结果

• 具体发现:
  • 预定义手势的错误率较低（3D手势EER = 5.08%，2D手势EER = 5.68%）。
  • 用户生成的手势在观察攻击中表现出较强的抵抗力，EER分别为3.58%（基线）和4.55%（3D策略）。
  • 长期回忆性能通过重新训练得到提升，一周后EER降低至9.82%（基线）和11.32%（3D策略）。
• 相较基线的优势:
  • 与先前基于运动的系统相比，安全性显著提高（如早期工作EER = 12.4%）。
  • 由于更丰富的生物特征信号（237个特征），对熟练观察攻击的防御能力更强。
  • 基线系统和3D策略系统在可用性和回忆率方面表现相当。
• 实验/评估:
  • 包括20名参与者的用户研究，采集了21,600个手势，涵盖基线和3D策略两种条件。
  • 观察攻击研究中，10名攻击者模拟最坏情况。
  • 为期一周的长期回忆测试，通过重新训练应对行为变化。
• 局限性与未来工作:
  • 参与者样本规模小且同质化；未来研究应包括更多样化的人群。
  • 单一设备平台（Meta Quest 3）和固定采样率（60 Hz）；更多设备和更高采样率可能提升结果。
  • 对多模态数据（如视线、头部运动）和分类器微调的探索有限。
  • 观察攻击研究使用单视角摄像头；多视角设置可能增强评估效果。

总结

本文提出了一种面向HMD的行为生物特征认证系统，将用户定义的3D手势与手部关节运动信号相结合。该系统在应对熟练观察攻击时表现出较强的安全性（EER = 3.58%–4.55%），并在一周内保持了可用性和记忆性，通过重新训练将EER降低至9.82%。通过利用混合CNN-LSTM自动编码器和丰富的生物特征信号，该方法优于现有基于运动的系统。未来工作应扩大参与者多样性，探索多模态数据，并优化分类器以进一步增强实际应用性。