Biometrisk autentisering genom att gnissla tänderna

Två nyliga forskningsartiklar från USA och Kina har föreslagit en ny lösning för tandbaserad autentisering: gnissla eller bita tänderna lite, och en öronburen enhet (en “earable” som också kan fungera som en vanlig ljudlyssnare) kommer att känna igen den unika ljudmönstret som skapas av att nöta tänderna, och generera en giltig biometrisk “pass” till ett lämpligt utrustat utmaningssystem.

Olika öronburna prototypenheter för de två systemen. Källor: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf (ToothSonic) och https://cis.temple.edu/~yu/research/TeethPass-Info22.pdf (TeethPass)

Tidigare metoder för tandautentisering (dvs. för levande människor, snarare än för forensisk identifiering), har krävt att användaren “ler och visar tänderna”, så att ett tandigenkänningssystem kunde bekräfta att deras tänder matchade biometriska register. Sommaren 2021 gjorde en forskargrupp från Indien rubriker med ett sådant system, döpt till DeepTeeth.

De nya föreslagna systemen, kallade ToothSonic och TeethPass, kommer från ett akademiskt samarbete mellan Florida State University och Rutgers University i USA, respektive ett gemensamt arbete mellan forskare vid Beijing Institute of Technology, Tsinghua University och Beijing University of Technology, som arbetar med Department of Computer and Information Sciences vid Temple University i Philadelphia.

ToothSonic

Det helt USA-baserade ToothSonic-systemet har föreslagits i artikeln Ear Wearable (Earable) User Authentication via Acoustic Toothprint.

ToothSonic-författarna skriver:

‘ToothSonic [utnyttjar] den tandavtrycksinducerade soniska effekten som skapas av användare som utför tänderrörelser för öronburen autentisering. I synnerhet designar vi representativa tänderrörelser som kan producera effektiva soniska vågor som bär informationen om tandavtrycket.

‘För att tillförlitligt fånga den akustiska tandavtrycket, utnyttjar det occlusionseffekten av öronkanalen och den inåtriktade mikrofonen i öronburna enheterna. Det extraherar sedan multi-nivåakustiska funktioner för att återspegla den intrinsiska tandavtrycksinformationen för autentisering.’

Bidragande faktorer som formar ett unikt ljudtandavtryck som registreras i en öronburen enhet. Källa: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf

Forskarna noterar ett antal fördelar med ljud/tand/skalle-mönster, som också gäller för det primärt kinesiska projektet. Till exempel skulle det vara oerhört svårt att imitera eller spoofa tandavtrycket, som måste färdas genom den unika arkitekturen av huvudvävnader och skallkanaler innan det når ett registrerat “mall” mot vilket framtida autentiseringar skulle testas.

Dessutom eliminerar tandavtrycksbaserad identifiering inte bara den potentiella genansen att “lera och visa tänderna” för en mobil eller monterad kamera, utan tar också bort behovet av att användaren på något sätt distraherar sig från potentiellt kritiska aktiviteter som att köra fordon.

Utöver detta är metoden lämplig för många människor med motoriska funktionshinder, medan enheterna potentiellt kan inkorporeras i öronsnäckor vars primära användning är mycket vanligare (dvs. att lyssna på musik och göra telefonsamtal), och tar bort behovet av dedikerade, fristående autentiseringsenheter eller återkoppling till mobilapplikationer.

Ytterligare möjligheten att reproducera en persons tandstruktur i en spoof-attack (dvs. genom att skriva ut en bild från en obehindrad social media-inlägg), eller till och med reproducera deras tänder i den osannolika scenariot att erhålla komplexa och kompletta tandmodeller, är ogiltig på grund av att ljuden som gnisslar tänder gör filtreras genom helt dold intern geometri av käken och hörselkanalen.

Från ToothSonic-papperet, occlusionseffekten av öronkanalen gör att enkel reproduktion eller imitation är i princip omöjlig.

Som en attackvektor, är den enda återstående möjligheten (utom tvångs- och fysiskt tvång av användaren) att få åtkomst till databasen i värdens säkerhetssystem och helt ersätta användarens registrerade ljudtandmönster med angriparens eget mönster (eftersom olaglig förvärv av någon annans tandavtryck inte skulle leda till någon praktisk metod för autentisering).

Arbetsflöde för ToothSonic.

Även om det finns en liten möjlighet för en angripare att spela upp en inspelning av tuggningen i sin egen mun, fann det kinesiska ledda projektet att detta inte bara är en iögonfallande utan också en mycket illa stämd approach, med minimal chans till framgång (se nedan).

En unik leende

ToothSonic-papperet beskriver de många unika egenskaperna i en användares tandstruktur, inklusive klasser av occlusion (såsom överbett), emaljdenshet och resonans, saknad aural information från extraherade tänder, unika egenskaper hos porslin och metallsubstitutioner (bland andra möjliga material), och cusp-morfologi, bland många andra möjliga särskiljande funktioner.

Författarna skriver:

‘[Den] tandavtrycksinducerade soniska vågorna fångas via användarens privata tand-öra-kanal. Vårt system är således motståndskraftigt mot avancerade mimic- och replay-attacker, eftersom användarens privata tand-öra-kanal säkrar soniska vågor, som är osannolika att avslöjas av motståndare.’

Eftersom käkens rörelse har en begränsad rörelsefrihet, förutser författarna tio möjliga manipulationer som kan registreras som giltiga biometriska avtryck, illustrerade nedan som “avancerade tandrörelser”:

Några av dessa rörelser är svårare att uppnå än andra, men de svårare rörelserna resulterar inte i mönster som är lättare eller svårare att replikera eller spoofa än mindre utmanande rörelser.

Makro-nivåegenskaper hos lämpliga tandrörelser extraheras med hjälp av en Gaussian mixture model (GMM) taligenkänningssystem. Mel-frekvens-cepstral-koefficienter (MFCCs), en representation av ljud, erhålls för var och en av de möjliga rörelserna.

Sex olika glidande rörelser för samma ämne under MFCC-extrahering under ToothSonic-systemet.

Det resulterande signatur-ljudvågen som utgör den unika biometriska signaturen är mycket känslig för vissa mänskliga kroppsvibrationer; därför inför ToothSonic en filterband mellan 20-8000Hz.

Ljudvågssegmentering uppnås via en Hidden Markov Model (HMM), i enlighet med två tidigare arbeten från Tyskland.

För autentiseringsmodellen matas de härledda funktionerna in i ett fullständigt anslutet neuronnätverk, som passerar genom olika lager tills aktivering via ReLU. Det sista fullständigt anslutna lagret använder en Softmax-funktion för att generera resultaten och den förutsagda etiketten för en autentiseringsscenario.

Träningsdatabasen erhölls genom att be 25 deltagare (10 kvinnor, 15 män) att bära en öronsnäcka i verkliga miljöer och utföra sina vanliga aktiviteter. Prototyp-öronsnäckan (se första bilden ovan) skapades till en kostnad av några dollar med av konsumtionsvara och har en mikrofonchip. Forskarna hävdar att en kommersiell implementering av en sådan enhet skulle vara ytterst överkomlig att producera.

Lärandemodellen bestod av neuronnätverksklassificerare i MATLAB, tränad med en inlärningshastighet på 0,01, med LBFGS som förlustfunktion. Utvärderingsmetoder för autentisering var FRR, FAR och BAC.

Den övergripande prestationen för ToothSonic var mycket god, beroende på svårighetsgraden av den inre munrörelsen som utfördes:

Resultaten erhölls över tre grader av svårighetsgrad av munrörelse: komfortabel, mindre komfortabel, och har svårigheter.  En av användarens föredragna rörelser uppnådde en träffsäkerhetsgrad på 95%.

Vad gäller begränsningar, medger användarna att förändringar i tänder över tid sannolikt kommer att kräva att en användare återregistrerar det ljudtandavtrycket, till exempel efter betydande tandvårdsarbete. Dessutom kan emaljkvaliteten försämras eller förändras över tid, och forskarna föreslår att äldre människor kan behöva uppdatera sina profiler regelbundet.

Författarna medger också att multi-användning av öronsnäckor av denna typ kommer att kräva att användaren pausar musik eller samtal under autentisering (i likhet med det kinesiska ledda TeethPass), och att många nu tillgängliga öronsnäckor inte har den nödvändiga beräkningskraften för att underlätta ett sådant system.

Trots detta observerar de*:

‘Uppmuntrande, nyliga utgåvor av Apple H1-chippet i Airpods Pro och QCS400 av Qualcomm (QCOM ) kan stödja röstbaserad AI på enheten. Det innebär att implementering av ToothSonic på öronburen enhet kan förverkligas i nära framtid.’

Men papperet medger att denna ytterligare bearbetning kan påverka batteritiden.

TeethPass                 

Publicerad i papperet TeethPass: Dental Occlusion-based User Authentication via In-ear Acoustic Sensing, fungerar det kinesisk-amerikanska projektet på samma allmänna principer som ToothSonic, med hänsyn till traversalen av signatur-ljud från tandnötning genom hörselkanalen och ingripande benstrukturer.

Luftbullor-borttagning utförs vid datainsamlingsstadiet, kombinerat med brusreducering och – som i ToothSonic-approachen – en lämplig frekvensfilter appliceras på ljudsignaturen.

Systemarkitektur för TeethPass.

De slutliga extraherade MFCC-funktionerna används för att träna en Siamese neuronnätverk.

Struktur för Siamese neuronnätverket för TeethPass.

Utvärderingsmetoder för systemet var FRR, FAR och en förvirringsmatris. Som i fallet med ToothSonic, visade sig systemet vara robust mot tre typer av möjliga attacker: mimicry, replay och hybridattack. I ett fall försökte forskarna en attack genom att spela upp ljudet av en användares tandrörelse inuti angriparens mun, med en liten högtalare, och fann att på avstånd mindre än 20 cm, har denna hybridattackmetod en chans till framgång på över 1%.

I alla andra scenarier, gör hinder för att imitera målets inre skallkonstruktion, till exempel under en replay-attack, en “kapning”-scenario bland de minst sannolika riskerna i standardbiometrisk autentisering.

Omfattande experiment visade att TeethPass uppnådde en genomsnittlig autentiseringsnoggrannhet på 98,6%, och kunde motstå 98,9% av spoof-attacker.

* Min omvandling av författarnas inline-citat till hyperlänkar

Publicerad första gången den 18 april 2022. Uppdaterad den 19 april kl. 8.30 EET för att korrigera paketmissattribut i bildtexter.