Biometrische Authentifizierung durch das Knirschen der Zähne

Zwei kürzlich veröffentlichte Forschungsarbeiten aus den USA und China haben eine neuartige Lösung für die Authentifizierung auf Basis der Zähne vorgeschlagen: indem man einfach die Zähne ein bisschen knirscht oder beißt, kann ein Ohrgerät (ein “earable”, das auch als normales Audio-Hörgerät dienen kann) das einzigartige akustische Muster erkennen, das durch die Abnutzung der Zahnarchitektur entsteht, und eine gültige biometrische “Pass”-Marke für ein entsprechend ausgestattetes Herausforderungssystem generieren.

Verschiedene Ohrgeräte-Prototypen für die beiden Systeme. Quellen: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf (ToothSonic) und https://cis.temple.edu/~yu/research/TeethPass-Info22.pdf (TeethPass)

Bisherige Methoden der dentalen Authentifizierung (d. h. für lebende Personen, nicht für forensische Identifizierung) erforderten, dass der Benutzer “grinste und enthüllte”, damit ein dentaler Erkennungssystem bestätigen konnte, dass seine Zähne den biometrischen Aufzeichnungen entsprachen. Im Sommer 2021 machte eine Forschungsgruppe aus Indien mit einem solchen System Schlagzeilen, das DeepTeeth hieß.

Die neuen vorgeschlagenen Systeme, ToothSonic und TeethPass, stammen aus einer akademischen Zusammenarbeit zwischen der Florida State University und der Rutgers University in den Vereinigten Staaten; und einer gemeinsamen Anstrengung zwischen Forschern am Beijing Institute of Technology, der Tsinghua-Universität und der Beijing University of Technology, die mit dem Department of Computer and Information Sciences an der Temple University in Philadelphia zusammenarbeiten.

ToothSonic

Das vollständig in den USA ansässige ToothSonic-System wurde im Paper Ear Wearable (Earable) User Authentication via Acoustic Toothprint vorgeschlagen.

Die Autoren von ToothSonic erklären:

‘ToothSonic nutzt den durch die Zähne induzierten sonischen Effekt, der durch die Benutzer beim Ausführen von Zahn-Gesten für die Authentifizierung mit Ohrgeräten entsteht. Insbesondere entwerfen wir repräsentative Zahn-Gesten, die effektive Schallwellen erzeugen können, die die Informationen des Zahnabdrucks enthalten.’

‘Um den akustischen Zahnabdruck zuverlässig zu erfassen, nutzt es den Okklusions-Effekt des Gehörgangs und das nach innen gerichtete Mikrofon der Ohrgeräte. Es extrahiert dann mehrstufige akustische Merkmale, um die inhärenten Zahnabdruck-Informationen für die Authentifizierung widerzuspiegeln.’

Beitragende Faktoren, die einen einzigartigen akustischen Zahnabdruck in einem Ohrgerät bilden. Quelle: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf

Die Forscher weisen auf eine Reihe von Vorteilen der akustischen Zahn-/Schädel-Signaturmuster hin, die auch für das chinesische Projekt gelten. Zum Beispiel wäre es außerordentlich schwierig, den Zahnabdruck zu imitieren oder zu spoofen, da er durch die einzigartige Architektur des Kopfes und des Schädelskanals wandern muss, bevor er ein aufzeichnbares “Template” erreicht, gegen das zukünftige Authentifizierungen getestet werden.

Darüber hinaus eliminiert die zahnbasierter Identifizierung nicht nur das potenzielle Peinlichkeitsgefühl, “zu grinsen und zu enthüllen”, sondern entfernt auch die Notwendigkeit, dass der Benutzer in irgendeiner Weise abgelenkt wird, während er potenziell kritische Aktivitäten wie das Bedienen von Fahrzeugen ausführt.

Außerdem ist die Methode für viele Menschen mit motorischen Beeinträchtigungen geeignet, während die Geräte potenziell in Ohrhörer integriert werden können, deren primäre Verwendung viel häufiger ist (d. h. Musik hören und Telefonanrufe tätigen), was die Notwendigkeit für dedizierte, eigenständige Authentifizierungsgeräte oder den Rückgriff auf mobile Anwendungen entfernt.

Des Weiteren wird die Möglichkeit, eine Person’s Zahnstruktur in einem Spoof-Angriff zu reproduzieren (d. h. durch das Drucken eines Fotos aus einem unbeschränkten sozialen Medien-Beitrag), oder sogar die Zähne in dem unwahrscheinlichen Szenario, komplexe und vollständige Zahnmodelle zu erhalten, durch die Tatsache ausgeschlossen, dass die Schallwellen, die durch das Knirschen der Zähne entstehen, durch die vollständig versteckte innere Geometrie des Kiefers und des Gehörgangs gefiltert werden.

Aus dem ToothSonic-Paper, der Okklusions-Effekt des Gehörgangs macht eine beiläufige Reproduktion oder Imitation effektiv unmöglich.

Als Angriffsvektor bleibt nur die Möglichkeit, Zugang zu der Datenbank des Host-Sicherheitssystems zu erhalten und den aufgezeichneten akustischen Zahnabdruck des Benutzers vollständig durch den des Angreifers zu ersetzen (da das unrechtmäßige Erhalten von jemand anderem’s Zahnabdruck nicht zu einer praktischen Methode der Authentifizierung führen würde).

Workflow für ToothSonic.

Obwohl es eine winzige Möglichkeit für einen Angreifer gibt, eine Aufnahme des Kauens in seinem eigenen Mund abzuspielen, fand das chinesische Projekt heraus, dass dies nicht nur ein auffälliger, sondern auch sehr unglücklicher Ansatz ist, mit minimaler Chance auf Erfolg (siehe unten).

Ein einzigartiges Lächeln

Das ToothSonic-Paper beschreibt die vielen einzigartigen Merkmale in einem Benutzers Zahnstruktur, einschließlich Klassen von Okklusion (wie Überbiss), Schmelz-Dichte und Resonanz, fehlende akustische Informationen von extrahierten Zähnen, einzigartige Merkmale von Porzellan- und Metall-Ersatzstoffen (unter anderen möglichen Materialien) und Zahn-Morphologie, unter vielen anderen möglichen unterscheidbaren Merkmalen.

Die Autoren erklären:

‘[Der] zahninduzierte sonische Wellen werden über den privaten Zahn-Ohr-Kanal des Benutzers erfasst. Unser System ist also resistent gegen fortgeschrittene Mimik- und Wiedergabe-Angriffe, da der private Zahn-Ohr-Kanal des Benutzers die sonischen Wellen sichert, die unwahrscheinlich von Gegnern entdeckt werden.’

Da die Kieferbewegung eine begrenzte Beweglichkeit aufweist, stellen die Autoren zehn mögliche Manipulationen vor, die als gültige biometrische Abdrücke aufgezeichnet werden können, die unten als “fortgeschrittene Zahn-Gesten” dargestellt sind:

Einige dieser Bewegungen sind schwieriger zu erreichen als andere, obwohl die schwierigeren Bewegungen nicht zu Mustern führen, die einfacher oder schwieriger zu replizieren oder zu spoofen sind als weniger herausfordernde Bewegungen.

Makro-level-Merkmale von geeigneten Zahn-Bewegungen werden mit einem Gaussian-Mixture-Modell (GMM) Sprecher-Erkennungssystem extrahiert. Mel-Frequenz-Cepstral-Koeffizienten (MFCCs), eine Darstellung von Schall, werden für jede der möglichen Bewegungen erhalten.

Sechs verschiedene Gleit-Gesten für dasselbe Thema während der MFCC-Extraktion unter dem ToothSonic-System.

Die resultierende Signatur-Schallwelle, die die einzigartige biometrische Signatur darstellt, ist sehr anfällig für bestimmte Körper-Schwingungen; daher legt ToothSonic einen Filter-Band zwischen 20-8000Hz fest.

Die Schallwellen-Segmentierung wird durch ein Hidden-Markov-Modell (HMM) erreicht, in Übereinstimmung mit zwei vorherigen Arbeiten aus Deutschland.

Für das Authentifizierungs-Modell werden die abgeleiteten Merkmale in ein vollständig verbundenes neuronales Netzwerk eingespeist, das verschiedene Schichten durchquert, bis es durch ReLU aktiviert wird. Die letzte vollständig verbundene Schicht verwendet eine Softmax-Funktion, um die Ergebnisse und das vorhergesagte Label für ein Authentifizierungsszenario zu generieren.

Die Trainings-Datenbank wurde durch das Anfordern von 25 Teilnehmern (10 weiblich, 15 männlich) erstellt, die ein modifiziertes Ohrgerät in realen Umgebungen trugen und ihre normalen Aktivitäten durchführten. Das Prototyp-Ohrgerät (siehe erstes Bild oben) wurde mit einem Kosten von einigen Dollar mit Standard-Verbraucher-Hardware erstellt und verfügt über einen Mikrochip. Die Forscher behaupten, dass eine kommerzielle Implementierung eines solchen Geräts sehr kostengünstig zu produzieren wäre.

Das Lern-Modell bestand aus den neuronalen Netzwerk-Klassifizierern in MATLAB, trainiert bei einer Lernrate von 0,01, mit LBFGS als Verlustfunktion. Evaluations-Methoden für die Authentifizierung waren FRR, FAR und BAC.

Insgesamt war die Leistung von ToothSonic sehr gut, abhängig von der Schwierigkeit der internen Mund-Geste, die ausgeführt wurde:

Die Ergebnisse wurden über drei Grade der Schwierigkeit der Mund-Geste erhalten: bequem, weniger bequem und schwierig. Eine der bevorzugten Gesten des Benutzers erreichte eine Genauigkeitsrate von 95%.

In Bezug auf Einschränkungen geben die Benutzer zu, dass Änderungen der Zähne im Laufe der Zeit wahrscheinlich erfordern, dass der Benutzer den akustischen Zahnabdruck neu aufzeichnet, zum Beispiel nach bedeutenden dentalen Arbeiten. Darüber hinaus kann die Qualität des Schmelzes abbauen oder sich im Laufe der Zeit ändern, und die Forscher schlagen vor, dass ältere Menschen möglicherweise aufgefordert werden, ihre Profile periodisch zu aktualisieren.

Die Autoren geben auch zu, dass Multi-Use-Ohrhörer dieser Art erfordern, dass der Benutzer die Musik oder Konversation während der Authentifizierung pausiert (in Übereinstimmung mit dem chinesischen TeethPass), und dass viele derzeit verfügbare Ohrhörer nicht die notwendige Rechenleistung für ein solches System haben.

Trotzdem bemerken sie:

‘Ermutigend, dass kürzliche Veröffentlichungen des Apple H1-Chips in den AirPods Pro und QCS400 von Qualcomm (QCOM ) in der Lage sind, sprachbasierte künstliche Intelligenz auf dem Gerät zu unterstützen. Es bedeutet, dass die Implementierung von ToothSonic auf Ohrgeräten in naher Zukunft realisiert werden kann.’

Allerdings räumen die Autoren ein, dass diese zusätzliche Verarbeitung den Akku-Lebensdauer beeinträchtigen kann.

TeethPass

Veröffentlicht im Paper TeethPass: Dental-Occlusion-basierte Benutzer-Authentifizierung über In-ear-Akustik-Sensoren, arbeitet das chinesisch-amerikanische Projekt auf ähnlichen allgemeinen Prinzipien wie ToothSonic, wobei es den Durchgang des Signatur-Audios von der dentalen Abnutzung durch den Gehörgang und die dazwischen liegenden Knochenstrukturen berücksichtigt.

Luftgeräusch-Entfernung wird auf der Datenerfassungs-Stufe durchgeführt, kombiniert mit Rausch-Reduktion und – wie bei dem ToothSonic-Ansatz – wird ein geeigneter Frequenz-Filter für die akustische Signatur aufgelegt.

System-Architektur für TeethPass.

Die endgültig extrahierten MFCC-Merkmale werden verwendet, um ein Siamese-Neuronales-Netzwerk zu trainieren.

Struktur des Siamese-Neuronalen-Netzwerks für TeethPass.

Evaluations-Metriken für das System waren FRR, FAR und eine Verwirrungs-Matrix. Wie bei ToothSonic wurde das System als robust gegen drei Arten von möglichen Angriffen befunden: Mimikry, Wiedergabe und Hybrid-Angriff. In einem Fall versuchten die Forscher einen Angriff, indem sie den Klang der dentalen Bewegung eines Benutzers in den Mund eines Angreifers mit einem kleinen Lautsprecher abspielten und feststellten, dass bei Entfernungen von weniger als 20 cm dieser Hybrid-Angriff eine höhere als 1% Chance auf Erfolg hat.

In allen anderen Szenarien macht die Hürde, die innere Schädel-Struktur des Ziels zu imitieren, zum Beispiel während eines Wiedergabe-Angriffs, ein “Hijacking”-Szenario zu einem der unwahrscheinlichsten Risiken im Standard-Biometrie-Authentifizierungs-Rahmenwerk.

Umfangreiche Experimente zeigten, dass TeethPass eine durchschnittliche Authentifizierungs-Genauigkeit von 98,6% erreichte und 98,9% der Spoofing-Angriffe widerstehen konnte.

* Meine Umwandlung der Inline-Zitate der Autoren in Hyperlinks

Erstveröffentlicht am 18. April 2022. Aktualisiert am 19. April, 8:30 Uhr EET, um Paket-Fehlzuschreibungen in Bildunterschriften zu korrigieren.