Biometrisen tunnistautumisen mahdollistaminen hampaiden hankaamisen avulla

Kahden Yhdysvalloissa ja Kiinassa julkaistun tutkimuspaperin mukaan on löydetty uusi ratkaisu hampaiden perusteella tapahtuvaan tunnistautumiseen: riittää, kun hieman hankaat tai puristat hampaitasi, ja korvassa pidettävä laite (ns. “kuulokemikko”, joka voi toimia myös tavallisena äänikuuntelulaitteena) tunnistaa yksilöllisen äänimallin, jonka hampaat tuottavat, ja luo siihen perustuvan biometrisen “avaimen” haastejärjestelmään.

Eri kuulokemikko-prototyypit kahdessa järjestelmässä. Lähteet: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf (ToothSonic) ja https://cis.temple.edu/~yu/research/TeethPass-Info22.pdf (TeethPass)

Aiemmat hampaiden perusteella tapahtuvat tunnistautumismenetelmät (eli elävien ihmisten tunnistamiseen, eikä esimerkiksi rikostutkintaan) ovat vaatineet, että käyttäjä on “näytettävä” ja paljastettava hampaansa, jotta hammasmerkintäjärjestelmä voi vahvistaa, että hänen hampaansa vastaavat biometrisiä tietoja. Kesällä 2021 Intian tutkimusryhmä sai julkisuutta DeepTeeth-järjestelmällään, joka perustui siihen, että käyttäjä piti suunsa auki ja paljasti hampaansa.

Uudet ehdotetut järjestelmät, jotka ovat nimeltään ToothSonic ja TeethPass, ovat peräisin Yhdysvalloista ja Kiinasta. ToothSonic on kehitetty Floridan osavaltion yliopistossa ja Rutgersin yliopistossa, kun taas TeethPass on kehitetty Kiinan ja Yhdysvaltain yhteistyönä.

ToothSonic

ToothSonic-järjestelmä on esitetty tutkimuspaperissa Ear Wearable (Earable) User Authentication via Acoustic Toothprint.

ToothSonicin tekijät toteavat:

‘ToothSonic hyödyntää hampaiden aiheuttamaa ääniefektiä, jonka käyttäjä tuottaa hampaidensa liikkeillä. Erityisesti suunnittelemme edustavat hampaiden liikkeet, jotka voivat tuottaa tehokkaita ääniaaltoja, jotka sisältävät hammasmerkin tiedon.’

‘Varmistamaan, että akustinen hammasmerkki voidaan luotettavasti havaita, ToothSonic käyttää korvakäytävän sulkemiseffectiä ja korvien sisäpuolella olevaa mikrofonia. Se poistaa monitasoiset akustiset ominaisuudet, jotka heijastavat hammasmerkin sisäistä tietoa tunnistautumiseksi.’ (QCOM )

Vaikutusfaktorit, jotka muodostavat yksilöllisen äänimerkin, joka rekisteröidään korvassa. Lähde: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf

Tutkijat huomauttavat, että hampaiden ja pään luurankorakenteen yksilöllisyys tekee hampaiden jäljittämisen erittäin haasteelliseksi. Lisäksi hammasmerkin perusteella tapahtuva tunnistautuminen poistaa tarpeen esittää itsensä kameralle tai muulle laitteelle.

Menetelmä on myös sovellettavissa monille ihmisiin, joilla on lihasvammoja, ja laitteet voidaan sisällyttää kuulokkeisiin, joita käytetään yleisimmin musiikin kuunteluun ja puheluihin.

Lisäksi mahdollisuus jäljitellä henkilön hampaita tai jopa valmistaa niiden jäljennös on estetty, koska äänet, jotka hampaat tuottavat, suodattuvat täysin piilotetun leukaluun ja kuulokäytävän geometrian läpi.

Korvakäytävän sulkemisvaikutus estää äänien jäljittämisen.

Ainoa hyökkäysvektori on tällöin tietokannan pääsy ja käyttäjän äänimerkin korvaaminen hyökkääjän omalla äänimerkillä.

ToothSonicin työnkulku.

Kiinalais-johtoinen projekti osoitti, että äänitallenteen toistaminen omassa suussa on erittäin epäonnistunut lähestymistapa, jolla on vain vähän mahdollisuuksia onnistua.

Yksilöllinen hymy

ToothSonicin tutkimuspaperi korostaa monia yksilöllisiä ominaisuuksia, jotka ovat läsnä käyttäjän hampaissa, kuten okklusio (esim. ylileuka), emalstin tiheys ja resonanssi, puuttuvat äänet poistetuilta hampailta, yksilölliset ominaisuudet posliini- ja metallikorvikkeista sekä cusp-morfologia.

Tutkijat toteavat:

‘Hampaat aiheuttavat ääniaallot, jotka voidaan havaita käyttäjän yksityisellä hampais-korvakanavalla. Järjestelmämme on siten vastustuskykyinen jäljittely- ja toistohyökkäyksille, koska käyttäjän yksityinen hampais-korvakanava turvaa ääniaallot, jotka eivät ole todennäköisesti paljastettavissa vihollisille.’

Leuan liikkeen rajoitettu liikkuvuus mahdollistaa kymmenen erilaista manipulaatiota, jotka voidaan tallentaa kelvollisiksi biometrisiksi jäljiksi.

Jotkut näistä liikkeistä ovat vaikeampia kuin toiset, mutta vaikeammat liikkeet eivät tuota helpommin jäljitettäviä tai väärentettäviä malleja kuin helpommat liikkeet.

Ääniaaltojen makrotasoiset ominaisuudet voidaan poistaa käyttäen Gaussian-sekaista mallia (GMM) puhujan tunnistamiseen.

Kuusi erilaista liikettä samalle kohteelle MFCC:n poistamisen aikana ToothSonic-järjestelmässä.

Ääniaaltojen segmentointi voidaan suorittaa käyttäen piilotettua Markov-mallia (HMM) sopusoinnussa kahden aikaisemman tutkimuksen kanssa.

Tunnistusmalliin käytetään täysin yhdistettyä neuroverkkoa, joka kulkee useita kerroksia ja aktivoituu ReLU:n kautta. Viimeinen täysin yhdistetty kerros käyttää Softmax-funktiota tulosten ja ennustetun tunnisteen luomiseen.

Koulutusaineisto saatiin pyytämällä 25 osanottajaa (10 naista, 15 miestä) käyttämään väärennettyä kuulokemikkoa arjessa ja suorittamaan normaaleja toimintojaan. Kuulokemikko valmistettiin muutamalla dollarilla kuluttajien laitteilla, ja siinä on yksi mikrofoni. Tutkijat väittävät, että kaupallinen toteutus sellaisesta laitteesta olisi erittäin edullinen valmistaa.

Oppimismalli koostui neuroverkkoluokista MATLAB:ssa, joka koulutettiin 0,01:n oppimisnopeudella, ja LBFGS:stä tappiofunktiona. Tunnistusmenetelmät olivat FRR, FAR ja BAC.

ToothSonicin kokonaisuuteenottavuus oli erittäin hyvä, riippuen sisäisen suun liikkeen vaikeudesta:

Tulokset saatiin kolmessa eri suun liikkeen vaikeustasossa: mukava, vähemmän mukava ja vaikea. Yksi käyttäjän suosituimmista liikkeistä saavutti 95 prosentin tarkin tunnistustarkin.

Rajoitusten osalta tutkijat myöntävät, että hampaiden muutokset ajan myötä vaativat todennäköisesti käyttäjältä uuden äänimerkin luomista, esimerkiksi merkittävien hammaslääkinnällisten toimenpiteiden jälkeen. Lisäksi emalstin laatu voi heikentyä tai muuttua ajan myötä, ja tutkijat ehdottavat, että vanhemmat ihmiset voivat joutua päivittämään profiilejaan säännöllisesti.

Tutkijat myöntävät myös, että tällaiset monikäyttökuulokkeet vaativat käyttäjältä musiikin tai keskustelun keskeyttämistä tunnistautumisen aikana (kuten TeethPassissä), ja että monet nykyiset kuulokkeet eivät ole tarpeeksi tehokkaita tällaisen järjestelmän toteuttamiseen.

Tutkijat toteavat:

‘Rohtaan, viimeaikaiset julkaisut Apple H1 -piiristä AirPods Pro:ssa ja QCS400:sta Qualcommilta ovat kykeneviä tukemaan äänipohjaista tekoälyä laitteessa. Se tarkoittaa, että ToothSonicin toteuttaminen kuulokkeissa voidaan toteuttaa lähitulevaisuudessa.’

Toisaalta tutkijat myöntävät, että tämä lisäprosessori voi vaikuttaa akun kestoon.

TeethPass

TeethPass on julkaistu tutkimuspaperissa TeethPass: Dental Occlusion-based User Authentication via In-ear Acoustic Sensing.

Kiinalais-johtoinen projekti toimii samojen periaatteiden mukaan kuin ToothSonic, ja se ottaa huomioon äänien kulkemisen hampaiden ja korvan välistä.

Ilman melun poistoa tehdään datan keräämisen vaiheessa, yhdistettynä melun vaimennukseen ja – kuten ToothSonic-lähestymistavassa – sovelletaan sopivaa taajuuden suodatusta äänimerkille.

TeethPassin järjestelmän arkkitehtuuri.

Lopulliset poistetut MFCC-ominaisuudet käytetään kouluttamaan siamese-neuroverkkoa.

TeethPassin siamese-neuroverkon rakenne.

Arviointimittareina järjestelmälle olivat FRR, FAR ja sekaannusmatriisi. Kuten ToothSonicissä, järjestelmä osoittautui kestäväksi kolmelle mahdolliselle hyökkäykselle: jäljittely, toisto ja hybridihyökkäys. Tutkijat yrittivät hyökkäystä soittamalla käyttäjän hammasliikkeen ääntä hyökkääjän suussa pienellä kaiuttimella, ja he löysivät, että alle 20 cm:n etäisyydellä tämä hybridihyökkäysmenetelmä on yli 1 prosentin todennäköisyys onnistua.

Kaikissa muissa skenaarioissa este, jonka kohteena on kohdistaa kohteen sisäinen kallokonstruktio, esimerkiksi toistohyökkäyksessä, tekee “kaappauksen” skenaarion yhdeksi epätodennäköisimmistä riskeistä biometrisissä tunnistuskehyksissä.

Kattavat kokeet osoittivat, että TeethPass saavutti keskimääräisen tunnistustarkin 98,6 prosentilla, ja se pystyi torjumaan 98,9 prosenttia väärentämishyökkäyksistä.

* Minun käännökseni alkuperäisten tekijöiden sisäisistä viittauksista hyperlinkkeihin.

Julkaistu ensimmäisen kerran 18. huhtikuuta 2022. Päivitetty 19. huhtikuuta kello 8.30 EET oikaistaaksesi pakettien virheelliset määritykset kuvateksteissä.