Autentikasi Biometrik dengan Menggosok Gigi

Dua makalah penelitian terbaru dari AS dan Cina telah mengusulkan solusi baru untuk autentikasi berbasis gigi: cukup menggosok atau menggigit gigi sedikit, dan perangkat yang dikenakan di telinga (sebuah ‘earable’ yang juga dapat digunakan sebagai perangkat audio biasa) akan mengenali pola suara unik yang dihasilkan oleh abrasi arsitektur gigi, dan menghasilkan ‘pass’ biometrik yang valid ke sistem tantangan yang sesuai.

Berbagai perangkat prototype yang dikenakan di telinga untuk kedua sistem. Sumber: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf (ToothSonic) dan https://cis.temple.edu/~yu/research/TeethPass-Info22.pdf (TeethPass)

Metode autentikasi gigi sebelumnya (yaitu untuk orang hidup, bukan identifikasi forensik), memerlukan pengguna untuk ‘tersenyum dan menunjukkan gigi’, sehingga sistem pengenalan gigi dapat mengkonfirmasi bahwa gigi mereka sesuai dengan catatan biometrik. Pada musim panas 2021, sebuah kelompok peneliti dari India membuat berita dengan sistem seperti itu, berjudul DeepTeeth.

Sistem baru yang diusulkan, yang disebut ToothSonic dan TeethPass, berasal dari kolaborasi akademis antara Florida State University dan Rutgers University di Amerika Serikat; dan kerja sama antara peneliti di Beijing Institute of Technology, Tsinghua University, dan Beijing University of Technology, bekerja sama dengan Departemen Ilmu Komputer dan Informasi di Temple University di Philadelphia.

ToothSonic

Sistem ToothSonic yang sepenuhnya berbasis AS telah diusulkan dalam makalah Ear Wearable (Earable) User Authentication via Acoustic Toothprint.

Penulis ToothSonic menyatakan:

‘ToothSonic [menggunakan] efek suara yang dihasilkan oleh pengguna yang melakukan gerakan gigi untuk autentikasi earable. Khususnya, kami merancang gerakan gigi yang dapat menghasilkan gelombang suara yang efektif yang membawa informasi tentang sidik jari gigi.

‘Untuk menangkap sidik jari gigi akustik dengan andal, itu menggunakan efek oklusi saluran telinga dan mikrofon yang menghadap ke dalam earable. Kemudian, itu mengekstrak fitur akustik multi-level untuk merefleksikan informasi sidik jari gigi intrinsik untuk autentikasi.’

Faktor-faktor yang berkontribusi yang membentuk sidik jari aural unik yang terdaftar di perangkat yang dikenakan di telinga. Sumber: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf

Peneliti mencatat sejumlah kelebihan pola tanda suara gigi/tengkorak, yang juga berlaku untuk proyek yang dipimpin Cina. Misalnya, akan sangat sulit untuk meniru atau memalsukan sidik jari gigi, yang harus melewati arsitektur unik jaringan kepala dan saluran tengkorak sebelum tiba di ‘template’ yang dapat direkam, yang akan diuji autentikasi di masa depan.

Selain itu, identifikasi berbasis sidik jari gigi tidak hanya menghilangkan potensi rasa malu karena tersenyum atau menggigit untuk kamera ponsel atau kamera terpasang, tetapi juga menghilangkan kebutuhan pengguna untuk mengalihkan perhatian dari kegiatan yang potensial sangat penting seperti mengoperasikan kendaraan.

Di samping itu, metode ini cocok untuk banyak orang dengan gangguan motorik, sedangkan perangkat dapat dipasang ke earbud yang penggunaan utamanya jauh lebih umum (yaitu mendengarkan musik dan melakukan panggilan telepon), sehingga menghilangkan kebutuhan akan perangkat autentikasi khusus atau akses ke aplikasi seluler.

Lebih lanjut, kemungkinan mereproduksi dentisi seseorang dalam serangan palsu (yaitu dengan mencetak foto dari postingan media sosial yang tidak terbatas), atau bahkan mereplikasi gigi mereka dalam skenario yang tidak mungkin terjadi jika mendapatkan cetakan gigi yang kompleks dan lengkap, dihilangkan oleh fakta bahwa suara yang dihasilkan oleh gigi yang bergesekan difilter oleh geometri internal rahang dan saluran telinga yang sepenuhnya tersembunyi.

Dari makalah ToothSonic, efek oklusi saluran telinga membuat reproduksi atau peniruan yang santai secara efektif tidak mungkin.

Sebagai vektor serangan, kesempatan yang tersisa (selain paksaan fisik atau koersi pengguna) adalah untuk mendapatkan akses ke basis data sistem keamanan host dan menggantikan pola suara gigi aural pengguna dengan pola penyerang (karena mendapatkan sidik jari gigi seseorang secara ilegal tidak akan menyebabkan metode autentikasi yang praktis).

Alur kerja ToothSonic.

Meskipun ada kesempatan kecil bagi penyerang untuk memutar kembali rekaman mengunyah di mulut mereka sendiri, proyek yang dipimpin Cina menemukan bahwa ini bukan hanya pendekatan yang mencolok tetapi juga sangat tidak beruntung, dengan peluang keberhasilan yang minimal (lihat di bawah).

Senyum Unik

Makalah ToothSonic menguraikan banyak karakteristik unik dalam dentisi pengguna, termasuk kelas oklusi (seperti overbite), kepadatan email dan resonansi, informasi aural yang hilang dari gigi yang dicabut, karakteristik unik dari penggantian porselen dan logam (di antara bahan lainnya), dan morfologi cusp, di antara banyak fitur pembeda lainnya.

Penulis menyatakan:

‘[Sidik jari] suara yang dihasilkan oleh gigi ditangkap melalui saluran telinga-gigi pribadi pengguna. Sistem kami，因此 tahan terhadap serangan mimik dan replay yang canggih karena saluran telinga-gigi pribadi pengguna mengamankan gelombang suara, yang tidak mungkin ditemukan oleh lawan.’

Karena gerakan rahang memiliki kisaran mobilitas yang terbatas, penulis membayangkan sepuluh manipulasi yang mungkin yang dapat direkam sebagai cetakan biometrik yang layak, diilustrasikan di bawah sebagai ‘gerakan gigi canggih’:

Beberapa gerakan ini lebih sulit untuk dicapai daripada yang lain, meskipun gerakan yang lebih sulit tidak menghasilkan pola yang lebih atau kurang mudah untuk direplikasi atau dipalsukan daripada gerakan yang kurang menantang.

Karakteristik makro dari gerakan gigi yang sesuai diekstrak menggunakan model campuran Gaussian (GMM) sistem identifikasi pembicara. Koefisien cepstral frekuensi Mel (MFCC), representasi suara, diperoleh untuk setiap gerakan yang mungkin.

Enam gerakan geser yang berbeda untuk subjek yang sama selama ekstraksi MFCC di bawah sistem ToothSonic.

Gelombang suara tanda yang dihasilkan yang terdiri dari tanda biometrik unik sangat rentan terhadap getaran tubuh manusia tertentu; oleh karena itu, ToothSonic menerapkan filter pita antara 20-8000Hz.

Segmentasi gelombang suara dicapai melalui Model Markov Tersembunyi (HMM), sesuai dengan dua karya sebelumnya dari Jerman.

Untuk model autentikasi, fitur yang dihasilkan dimasukkan ke dalam jaringan saraf terhubung penuh, melintasi berbagai lapisan sampai aktivasi melalui ReLU. Lapisan terhubung penuh terakhir menggunakan fungsi Softmax untuk menghasilkan hasil dan label yang diprediksi untuk skenario autentikasi.

Basis data pelatihan diperoleh dengan meminta 25 peserta (10 perempuan, 15 laki-laki) untuk mengenakan earbud yang dimodifikasi di lingkungan dunia nyata, dan melakukan kegiatan normal mereka. Earbud prototipe (lihat gambar pertama di atas) dibuat dengan biaya beberapa dolar dengan perangkat keras konsumen, dan memiliki satu chip mikrofon. Peneliti berpendapat bahwa implementasi komersial dari perangkat seperti itu akan sangat terjangkau untuk diproduksi.

Model pembelajaran terdiri dari klasifikasi jaringan saraf di MATLAB, dilatih dengan tingkat pembelajaran 0,01, dengan LBFGS sebagai fungsi kerugian. Metode evaluasi untuk autentikasi adalah FRR, FAR dan BAC.

Kinerja keseluruhan ToothSonic sangat baik, tergantung pada tingkat kesulitan gerakan mulut yang dilakukan:

Hasil diperoleh di seluruh tiga tingkat kesulitan gerakan mulut: nyaman, kurang nyaman, dan sulit. Salah satu gerakan yang disukai pengguna mencapai tingkat akurasi 95%.

Dalam hal keterbatasan, pengguna mengakui bahwa perubahan pada gigi dari waktu ke waktu kemungkinan akan memerlukan pengguna untuk merekam ulang tanda suara gigi aural, misalnya setelah pekerjaan gigi yang signifikan. Selain itu, kualitas enamel dapat memburuk atau berubah dari waktu ke waktu, dan peneliti menyarankan bahwa orang tua mungkin diminta untuk memperbarui profil mereka secara berkala.

Penulis juga mengakui bahwa earbud multi-gunanya akan memerlukan pengguna untuk menjeda musik atau percakapan selama autentikasi (seperti halnya TeethPass), dan bahwa banyak earbud yang tersedia saat ini tidak memiliki daya komputasi yang cukup untuk memfasilitasi sistem seperti itu.

Meskipun demikian, mereka mengamati*:

‘Menggembirakan, rilis terbaru chip Apple H1 di AirPods Pro dan QCS400 oleh Qualcomm (QCOM ) dapat mendukung AI berbasis suara di perangkat. Ini berarti bahwa mengimplementasikan ToothSonic di earable dapat diwujudkan di masa depan.’

Namun, makalah tersebut mengakui bahwa pemrosesan tambahan ini dapat mempengaruhi umur baterai.

TeethPass                 

Diterbitkan dalam makalah TeethPass: Dental Occlusion-based User Authentication via In-ear Acoustic Sensing, Proyek Cina-Amerika ini beroperasi pada prinsip-prinsip umum yang sama dengan ToothSonic, dengan mempertimbangkan perjalanan pola suara tanda dari abrasi gigi melalui saluran telinga dan struktur tulang yang mengganggu.

Penghapusan kebisingan udara dilakukan pada tahap pengumpulan data, digabungkan dengan pengurangan kebisingan dan – seperti halnya pendekatan ToothSonic – filter frekuensi yang sesuai diterapkan untuk tanda suara aural.

Arsitektur sistem TeethPass.

Fitur MFCC yang diekstrak akhirnya digunakan untuk melatih jaringan saraf Siamese.

Struktur jaringan saraf Siamese untuk TeethPass.

Metri evaluasi untuk sistem adalah FRR, FAR, dan matriks kebingungan. Seperti halnya ToothSonic, sistem ini ditemukan tahan terhadap tiga jenis serangan yang mungkin: mimikri, replay, dan serangan hibrida. Dalam satu contoh, peneliti mencoba serangan dengan memutar suara gerakan gigi pengguna di dalam mulut penyerang, dengan speaker kecil, dan menemukan bahwa pada jarak kurang dari 20cm, metode serangan hibrida ini memiliki peluang keberhasilan lebih dari 1%.

Dalam semua skenario lain, hambatan untuk meniru konstruksi tengkorak internal target, misalnya selama serangan replay, membuat skenario ‘pencurian’ menjadi salah satu risiko yang paling tidak mungkin dalam kerangka kerja autentikasi biometrik standar.

Eksperimen yang luas menunjukkan bahwa TeethPass mencapai rata-rata akurasi autentikasi 98,6%, dan dapat menahan 98,9% serangan palsu.

* Konversi saya dari kutipan inline penulis ke tautan

Diterbitkan pertama kali pada 18 April 2022. Diperbarui pada 19 April pukul 8:30 pagi EET untuk memperbaiki atribusi paket dalam keterangan.