ハイブリッドTransformer-CNNと連合学習を用いたプライバシー保護・堅牢なマウスダイナミクス認証
Privacy-preserving and robust mouse dynamics authentication using hybrid transformer-CNN and federated learning
本研究は、ハイブリッドTransformer-CNNモデルを用いたマウスダイナミクス認証のための、セキュアかつプライバシーを保護するフレームワークを提案する。Transformerはグローバルな行動依存性を捉え、CNNはローカルな動きのパターンを抽出する。このフレームワークは、特徴量エンジニアリング、SMOTEベースのクラスバランシング、層化交差検証を含む包括的な前処理パイプラインを備えている。セキュリティとプライバシーを強化するため、敵対的ロバスト性評価と差分プライバシーを伴う連合学習を統合し、生のユーザーデータを共有せずに分散学習を可能にする。モデルは、非IIDデータ分布とオープンセット認証シナリオの下で評価され、実際の展開条件を反映するためにユーザーごとの閾値が設定されている。実験結果は、99.51%の精度、99.53%の精度、低いFPR(0.000256)、EER(0.000068)を達成し、高いパフォーマンスを示している。モデルは敵対的攻撃下でもロバスト性を維持し、効率的なリアルタイム検出を実現する。全体として、提案されたフレームワークは、セキュリティが重要なアプリケーションにおける継続的な認証のための信頼性が高く、プライバシーに配慮したソリューションを提供する。
- ハイブリッドTransformer-CNNモデルによるマウスダイナミクス認証フレームワークを提案(Transformerがグローバルな行動依存性、CNNがローカルな動きのパターンを抽出)
- 差分プライバシーを伴う連合学習を統合し、生のユーザーデータを共有せず分散学習を可能にするプライバシー保護設計
- 非IIDデータ分布とオープンセット認証シナリオ下で評価し、ユーザーごとの閾値を設定して実運用条件を反映
- 実験で99.51%の精度、99.53%の適合率、FPR 0.000256、EER 0.000068を達成し、敵対的攻撃下でもロボスト性とリアルタイム検出を維持
- SMOTEベースのクラスバランシングと層化交差検証を含む前処理パイプラインを採用
行動生体認証(マウスダイナミクス)に連合学習と差分プライバシーを組み合わせた研究で、生データを共有せずに99.5%超の認証精度と極めて低いFPR・EERを達成した点が注目される。特に非IIDデータやオープンセット認証という実運用に近い条件下で評価している点、敵対的攻撃へのロバスト性も確認している点は、継続的認証(Continuous Authentication)を求める金融・エンタープライズ向けセキュリティ製品への応用可能性を示す。ただし現段階は学術研究段階の成果であり、商用製品化や特定企業の収益に直結する事象ではないため、投資判断には実用化・採用動向の追跡が必要。