잠재적 인증 요소로서의 미적 선호도 인식

이스라엘의 새 논문은 사용자의 미적 선호도를 바탕으로 한 인증 방식을 제안했습니다. 사용자는 이미지에 점수를 매겨 시스템을 한 번 보정하고, 이를 통해 개인의 시각적·시각적 개념적 취향을 나타내는 비공개 도메인을 만듭니다. 이후 인증할 때 새 이미지 집합에서 기록된 선호도와 일치하는 이미지를 선택하도록 요구받습니다.

AEbA 구현의 게임화된 버전의 시도 – 왼쪽, 사용자가 이미지의 미적 품질을 평가합니다. 오른쪽, 활성 적용 단계의 끝에서 점수가 표시됩니다. 출처: https://arxiv.org/ftp/arxiv/papers/2204/2204.05623.pdf

이 시스템은 미적 평가 기반 인증(AEbA)로 불리며, 2022년 7월 캘리포니아에서 열리는 2022 USENIX 연례 기술 컨퍼런스에 제출되었습니다.

AEbA는 게임 시리즈의 형태로 연구원들이 시도했으며, 참가자들은 시스템을 교육하고 새 이미지를 평가해야 했습니다. 두 번째 테스트에서는 사용자의 다른 사람의 선호도를 추측하는 능력을 조사했습니다.

논문에서 – AEbA 사용을 위한 적합한 이미지 샘플, pexels.com에서 가져옴.

이러한 접근 방식은 모든 사람에게 적합하지 않을 수 있습니다. 모든 사람이 발달된 미적 감수성을 지닌 것은 아니기 때문입니다. 다만 보안 요구 수준이 낮거나 중간인 경우의 주 인증 방식으로, 또는 2요소 인증(2FA)의 여러 보조 방식 중 하나로 활용할 수 있습니다.

그러나 시스템의 초기 아이디어는 더 복잡한 미학 기반 챌린지 시스템의 출발점이 될 수 있습니다. 사용자에게 표시하는 이미지 수를 필요에 따라 늘릴 수 있기 때문입니다. 이는 초기 결과가 불확실할 때 CAPTCHA 과제를 연장하는 것과 유사합니다.

인증 과제가 더 세밀하고 광범위해질수록 이러한 접근 방식이 제공하는 보안 수준도 높아질 수 있습니다.

AEbA 챌린지의 여러 요소가 곱해질 때 상대적 비밀번호 강도: ‘D’는 챌린지 동안 표시되는 이미지의 수를 나타냅니다. Dhr은 사용자가 선택해야 하는 이미지의 수를 나타내며, ‘S’는 선형적으로 진행되는 미적 선택의 단계 수입니다.

일반적인 사람의 인증 원칙에 따르면, AEbA는 알고 있는 것(SYK)과 자신의 특성(SYA)의 요소를 포함하며, 세 가지 전제에 기반합니다: 우리가 좋아하는 것(시각적 영역에서 표현됨)은 일반적인 기억술 이론에 따라 쉽게 구별할 수 있습니다. 우리의 미적 취향은 상대적으로 일관성이 있습니다. 다양한 사용자의 취향에는 추측할 수 없는 구별을 제공할 만큼 충분한 차이가 있습니다.

저자들은 이 기술을 개별 사용자의 평가를 예측할 수 있는 머신러닝 프레임워크에 적용할 수 있다고 제안합니다.

논문의 제목은 Beautiful secrets: using aesthetic images to authenticate users이며, 베르셰바의 네게브 벤구리온 대학교 소프트웨어·정보시스템공학부 연구자 두 명이 작성했습니다.

이미지 도메인의 힘

AEbA는 암기에 의존하지 않습니다. 대신 사용자를 강력하고 매우 개인적인 즐거움 반응의 범위를 형성한 훈련된 이미지 인식 시스템으로 보고, 이러한 강한 즐거움의 연관성을 활용합니다.

본질적으로 AEbA는 컴퓨터 비전과 이미지 합성 시스템의 추상적 사전 지식에 해당하는 인간의 능력에 의존합니다. 이는 단일의 불변한 이미지에 구현되지 않지만, 도메인 특정 기능과 스타일을 전달할 수 있습니다.

이러한 사전 지식을 적용하면 생성적 적대 신경망(GAN)이 특정 도메인(예를 들어 반 고흐의 스타일)을 그 외에는 완전히 새로운 이미지 생성에 반영하도록 훈련할 수 있습니다.

이전 연구에서는 이미지를 단어보다 더 쉽게 기억할 수 있으며, 기쁨을주는 이미지는 일반적인 이미지보다 더 쉽게 기억할 수 있으며, 이미지의 능동적 평가(예: AEbA의 짧은 훈련 과정 중)는 이미지의 기억력을더욱 향상시킬 수 있다고 밝혔습니다.

1970년대부터 이어진 연구는 사람이 일반적인 이미지와 이전에 본 이미지에 대해 막대한 저장 능력을 지닌다는 점을 밝혔습니다. 이미지를 기억에 저장하는 능력은 언어적 기억 능력보다 뛰어나다는 사실이 입증되었으며, 그 차이는 상당히 큽니다.
상식적으로는 방사선 전문의 같은 분야 전문가가 자기 분야의 이미지에 가장 민감할 것 같지만, 2010년 연구는 시각적 전문 분야가 있는 사람조차도 전문 분야의 이미지보다 일상적인 이미지에 대한 기억 용량이 훨씬 크다고 주장했습니다.

선호도 기반 인증

선호도를 인증 메커니즘으로 활용하는 개념은 2008년부터 Palo Alto Research Center의 Markus Jakobsson이 주도한 두 개의 논문에서 두드러졌습니다. 이 연구는 음악, 음식, 예술 작품 및 우리가 좋아하는 다른 것들이 내부 동기 부여에 의해 구동되고 우리의 마음에 깊이 새겨져 있다고 제안했습니다.

PBA는 원래 텍스트 기반 선호도와 전통적인 기억술 원칙에 기반하여 비밀번호 재설정을 돕는 수단으로만 제안되었습니다. 예를 들어 ‘컨트리 음악을 좋아하나요?’ 같은 질문을 사용하며, 시각적 입력보다는 텍스트로 표현한 선호도에 초점을 맞췄습니다.

2012년 Jakobsson의 후속 공동 연구에서는 텍스트를 이미지로 대체했습니다:

Markus Jakobsson의 2012년 PBA 프로젝트의 캘리브레이션/등록 단계의 스크린샷. 출처

그러나 이 체계는 이미지의 미적 평가를 고려하지 않으며, 이미지를 단어 또는 개념의 대리자로 사용합니다. 반면에, AEbA는 특정 사물이나 활동과 직접 관련되지 않은 사용자 고유의 ‘즐거움의 도메인’을 식별하려고 합니다.

새로운 논문의 저자들은 또한 2012년의 접근 방식에는 제시된 항목의 수가 제한되어 있지만, 더 추상적인 사용자 선호도 모델을 개발하면 이러한 제한을 제거하고 피싱, 개인적 지식 또는 다른 속임수에 기반한 외부 공격과 모방을 훨씬 어렵게 만들 수 있다고 관찰합니다.

그래픽 비밀번호의 개념은 이 작업보다 앞서며, 1990년대 후반에 여러 체계가 등장했습니다. 당시 연구는 비밀번호 대신 자신이 아닌 다른 사람의 얼굴을 기억하는 PassFaces를 살펴봅니다. 공격자는 사용자의 얼굴 선호도를 매우 깊이 알아야 하며, 사용자는 적응 단계에서 시간이 지나도 같은 얼굴을 선택할 것으로 기대할 수 있습니다.

1990년대 후반, 런던의 골드스미스 대학교에서 테스트된 PassFaces 체계는 사용자가 다른 사람의 네 개의 얼굴을 선택하고 기억해야 했습니다. 출처

AEbA와 가장 밀접하게 관련된 것은 데자뷰입니다. 이 방식은 즐거움을 유발하도록 설계된 것은 아닌 무작위 예술 이미지를 보여줍니다. 오히려 충격적이고 조화롭지 않은 이미지로 특정 이미지를 기억하게 하고, 처음 등록할 때 이를 포트폴리오에 넣은 뒤 인증할 때 여러 후보 중에서 알아보게 합니다.

데자뷰를 위한 ‘선호된’ 이미지 포트폴리오를 구성하는 과정. 출처: https://netsec.ethz.ch/publications/papers/usenix.pdf

새 논문의 저자들은 이 방식이 신경미학 문헌의 이점을 놓친다고 지적합니다. 제시되는 임의의 이미지에 애착을 느낄 내적 동기가 적기 때문입니다. 또한 가까이 있는 공격자나 중간자(MiTM)가 어떤 이미지를 선택하는지 볼 수 있는 어깨너머 엿보기에 취약합니다.

반면 AEbA의 완전한 구현에서는 훈련이나 인증 세션에서 이미 사용한 이미지를 반복하지 않습니다.

또한, 논문은 다음을 언급합니다:

‘그래픽 비밀번호에서 식별된 문제 중 하나는 사용자가 단순한 도형을 선택하여 비밀번호의 다양성을 감소시키고 공격에 취약하게 만든다는 것입니다. 또 다른 문제는 이러한 체계를 여러 시스템에서 사용할 때 발생할 수 있습니다. 즉, 사용자의 한 시스템에 대한 비밀번호 기억이 다른 시스템의 비밀번호 기억을 방해할 수 있습니다. 이러한 문제는 AEbA를 구현할 때 덜 관련이 있습니다. 이는 사용자의 선호도가 특정 계정이나 이미지 기억에 의존하지 않기 때문입니다.’

저자들은 또한 AEbA의 추가적인 이점을 강조합니다: 맥락적 인식. 어깨 서핑이나 RAT 공격자가 인증 세션을 볼 수 있다고 해도, 사용자가 낮게 평가하거나 거부한 이미지가 좋아하는 이미지에서 얼마나 떨어져 있는지 알 수 없습니다. 그 상대적 차이는 매번 달라집니다.

‘따라서, 누군가가 이미지를 좋아한다는 것을 알면, 다른 이미지와의 상대적 차이를 알지 못한다면, 그것은 도움이 되지 않습니다.’

또한, 선호하는 이미지 내용의 도메인이 매우 추상적이고 단순하게 축약할 수 없으므로, 사용자는 편의를 위해 종잇조각 등에 비밀번호를 불안전하게 적어 둘 수도 없습니다.

AEbA 테스트

연구자들은 시스템을 게임으로 구현하여 프로젝트의 핵심 전제를 검증했습니다. 무료 이미지 사이트 pexels.com의 이미지 318개로 데이터베이스를 구성하고 개인 보관 사진도 포함했습니다.

이미지는 8개의 범주(우주, 자연, 산, 산림, 꽃, 도시 풍경, 바다, 및 기타)로 분류되었으며, 테스트는 등록(사용자가 한 번의 10분 세션에서 처음으로 이미지에 점수를 매김), 인증 게임, 및 적대적 게임(다른 사람의 이미지 선호도를 추측함)으로 나뉘었습니다.

기여하지 않는 참가자를 제외한 후, 편의 표본, 즉 시험 참가자 집단은 여성 21명과 남성 12명으로 이루어진 적격 참가자 33명으로 줄었습니다.

등록

등록 단계에서, 274개의 이미지에 대한 3722개의 평가가 얻어졌으며, 평균 평가는 6.07, 중간 평가는 6, 최빈값은 7과 8이었습니다. 가장 싫어하는 이미지의 평가는 2.32, 가장 좋아하는 이미지의 평가는 8.63이었습니다.

테스트의 상위 수행자들에 대한 이미지 평가의 분포.

저자들은 이미지 평가가 높은 값과 낮은 값에 뚜렷하게 치우치는 현상과 사용자마다 다른 점수의 분포가, 명백히 혐오스럽거나 데이터 분포 밖의 이미지를 넣지 않아도 구별되는 선호도 점수를 매길 수 있다는 주장을 뒷받침한다고 봅니다. 작은 집단에서도 다양한 취향과 선호도가 핵심 개념을 검증하기에 충분해 보인다는 것입니다.

다양한 사용자 평가가 있는 이미지 샘플.

인증

인증 게임에서, 264개의 게임 세션이 진행되었으며, 각 참가자는 평균 8개의 세션에 걸쳐 게임을 두 번씩 진행했습니다. 평균 성공률은 76%였습니다.

33명의 참가자에 대한 게임 점수 분포의 박스 플롯 차트, 평균 점수는 굵은 검은 수평선으로 표시되며, 중앙값과 제1·제3사분위수, 최솟값, 최댓값, 이상치를 함께 보여줍니다.

시간이 지나면서 성능이 약간 감소했지만, 상위 50% 참가자에서는 그 감소 폭이 크게 줄었으며, 최상위 11명의 참가자(최종 사용자 그룹의 3분의 1)에서는 거의 감소하지 않았습니다.

적대적 게임

적대적 게임 구성 요소는 제한 없이 진행되었으며(등록과 달리), 게임 단계 시작 10일 후에 발생했습니다. 기술 문제가 발생한 게임을 제외하고 190개의 게임이 결과에 포함되었습니다. 올바른 적대적 선택의 평균 수는 2.88이었고 성공률은 36%로, 기술적으로 무작위 추측과 비슷합니다(특히 데이터 세트의 이미지 수가 적기 때문에). 그러나 7개의 게임에서 기여자는 75% 이상의 올바른 이미지를 추측할 수 있었습니다.

결론

편의 표본 사용과 같은 비공식적 시험 방법은 이 접근법이 아직 초기 개념 검증 단계임을 뜻합니다. 사람을 중심으로 한 도메인 파악이 언젠가 쉽고 즐거우면서도 공격자가 가로채거나 방해하기 어려운 인증 방법이 될 수 있다는 첫 징후입니다. AEbA의 가치를 확인하려면 더 많은 참가자와 제대로 구성한 인증 시나리오를 바탕으로 훨씬 엄격한 시험을 해야 합니다.

저자들은 다음과 같이 결론을 내립니다:

‘개인 사용자의 평가를 예측하고 사용자가 이전에 평가하지 않은 정답 이미지와 미끼 이미지를 생성할 수 있는 기계 학습 기술을 사용하는 것을 연구하는 것이 흥미로울 것입니다. 이를 통해 사용자의 이미지 풀과 그 다양성을 증가시켜 비밀번호 공간을 증가시킬 수 있습니다.’

*저자의 인라인 인용을 하이퍼링크로 변환한 것입니다.

처음 2022년 4월 13일에 게시되었습니다.