JP2000305654A - キーボードの入力特徴を用いた個人認証 - Google Patents

Abstract

(57)【要約】 【課題】 キーボードの入力特徴を用いたパスワード個
人認証システムにおいて、認証率の向上を図る。 【構成】 本発明に係わるキーボードの入力特徴を用い
た個人認証システムでは、あるキーを押してから次のキ
ーを押すまでの時間に加えて、あるキーを離してから次
のキーを離すまでの時間と、あるキーを離してから次の
キーを押す間での時間と、あるキーを押し続けている時
間とを用いて個人を識別する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は個人認証に関する。

【０００２】

【従来の技術】従来よりキーを打つ時間に基づいたパス
ワード認証方式があり、その１つとしてあるキーを押し
てから次のキーを押すまでの時間を用いたパスワード認
証方式がある。この方式では、パスワードの正当性だけ
でなくあるキーを押してから次のキーを押すまでの時間
を検査して認証を行うものである。

【０００３】ますデータベースを作成するために予め何
度かパスワードを入力し、あるキーを押してから次のキ
ーを押すまでの時間をユーザごとにコンピュータ内のメ
モリに登録しておく。認証を行う際、新たに入力した同
じパスワードの正当性を検査し、加えてあるキーを押し
てから次のキーを押すまでの時間をデータベースの平均
と比較し、本人の確認を行うものである。

【０００４】この時間を求める詳細を説明すれば、デー
タベースからそのあるキーを押してから次のキーを押す
までの時間の平均値を導出し、新たに入力したパスワー
ドからも時間データが得られ、その２つのデータのユー
クリッド距離を導出し、この距離がある閾値未満で認証
成功とする。この距離には重みを付けているものもあれ
ば付けてないものもある。また、閾値もシステムによっ
て様々であり、実験的な閾値を用いることがほとんどで
ある。

【０００５】

【発明が解決しようとする課題】キーボードの入力特徴
を用いたパスワード個人認証システムにおいて、認証率
の向上を図る。

【０００６】

【課題を解決するための手段】上記課題を解決するため
に本発明に係わるキーボードの入力特徴を用いた個人認
証システムは、システムにログインするためのパスワー
ドを入力装置であるキーボードから入力するコンピュー
タにおいて、キーボードからパスワードを入力する際の
パスワードの正当性を確認する手段に加えて、キーボー
ドからパスワードを入力する際のキーを押した時刻及び
該キーを離した時刻を計測する手段と、該計測した時刻
からあるキーを押してから次のキーを押すまでの時間
と、あるキーを離してから次のキーを離すまでの時間
と、あるキーを離してから次のキーを押す間での時間
と、あるキーを押し続けている時間とを求める手段と、
前記あるキーを押してから次のキーを押すまでの時間
と、前記あるキーを離してから次のキーを離すまでの時
間と、前記あるキーを離してから次のキーを押す間での
時間と、前記あるキーを押し続けている時間とを用いて
個人の識別を行う手段とを有することを特徴とする。

【０００７】図１は本発明に係わるキーボードの入力特
徴を用いた個人認証システムの一形態例の構成を示すブ
ロック図である。認証請求者がパスワードを入力する
際、システムはキーを打つ時間をそれぞれ計測し上記４
種類の時間をデータベースに登録しておく。次に個人認
証を行う際、認証請求者は登録したパスワードを入力
し、認証者（コンピュータ）は入力データがどれだけデ
ータベースに近いかという判定を行う。この判定はデー
タベースと入力データからノルム（入力データとデータ
ベースの平均値とのずれの量）を算出し、このノルムが
ある閾値以下であれば本人であるとする。つまり、ノル
ムが０に近ければ近いほど、入力されたパスワードが本
人のものである確率が高い。

【０００８】閾値は用いる特徴や計算法に依存するた
め、実験的な値を用いる。その値の大小はシステムの用
途によって使いわけ、閾値が高ければ認証成功率が高く
なるが誤認率も高くなる。逆に閾値を低く設定すれば認
証率は低くなるが他人がシステムに入ることがほぼ不可
能になる。

【０００９】本システムのデータベースを作成するにあ
たって認証請求者のキーボードの打ち方が毎回同じとは
限らないので、いつもの打ち方と異なるデータ（例外デ
ータ）を除去することが必要である。そのため、データ
ベースの登録数よりも少し多めに（ユーザによって異な
る）入力し、データベースの中心（データベースの平均
値）から最も遠いデータから除去する。キーボードの打
ち方がばらついていないユーザは登録数より数回多く入
力するだけで良いが、ばらついているユーザは登録数よ
り多少多めに入力する必要がある。

【００１０】認証システムを使用している途中で本人の
打ち方が変化することによって頻繁にログインできなく
なる場合が考えられるので、データベースは必要に応じ
て書き換える（学習）ことを可能にし、こうすることに
よってユーザに臨機応変に学習を行ってもらうことがで
き、システムの高認証率や低誤認率を維持できる。

【００１１】ノルムとは、データベースの平均と入力デ
ータとの間の距離のことであり、この距離を用いて本人
であるかどうかを確認する。ノルムの導出法には、重み
を付けたノルムと重みを付けないノルムの２種類のノル
ムを用いる。

【００１２】４種類の時間データを保存してあるデータ
ベースの時間平均値と入力時間データとの時間差データ
に付ける重みの大きさは、そのデータの価値の大きさに
左右する。大きな重みが付いているデータは、そのデー
タの価値が高く、逆に小さな重みが付いているデータ
は、そのデータの価値が小さいことを表している。

【００１３】具体的なノルムの導出法については、パス
ワードの長さがＬのデータベースにおいて４種類の各時
間ごとの重み付きノルムを以下のように定義する。 ここで、ｋは時間の種類を表しており、ｋ＝１はあるキ
ーを押してから次のキーを押すまでの時間、ｋ＝２はあ
るキーを離してから次のキーを離すまでの時間、ｋ＝３
はあるキーを離してから次のキーを押す間での時間、ｋ
＝４あるキーを押し続けている時間を表している。ま
た、ｅｒｒｏｒｋｎは時間ｋにおけるｎ番目のデータベ
ースの平均と入力データとの時間差を表している。σｋ
ｎはｅｒｒｏｒｋｎの分散を表しており、Ｎｏｒｍｋは
重みが１／ｅｒｒｏｒｋｎである重み付き距離である。
これは、ばらつきの少ないデータほど重要であると考
え、逆にばらついているデータほどあまり重要でないと
考える。重みを付けた理由は、本人のデータベースの傾
向を少しでも反映し、本人認証率の向上と誤認率の減少
をさせるためである。

【００１４】次に、重み付きノルムと同様に重みなしノ
ルムを以下のように定義する。 式（１）と比較して、式（２）ではこのようにデータベ
ースとの時間差であるｅｒｒｏｒｋｎにかかっていた重
みをなくすことで、どのｅｒｒｏｒｋｎも同じ価値とし
て扱うことになる。

【００１５】さらに、重み付きの場合と重みなしの場合
において、４種類の時間データから得られるＮｏｒｍｋ
を個々に扱うのではなく、１つの評価値で表す。しか
し、不特定ユーザに対する認証においては、この４種類
のＮｏｒｍｋを１つの評価値で表す最適な統合方法は１
つに定まらない。識別対象のユーザが誰であるかによっ
て、最適な統合方法は異なってくる。

【００１６】だから特定ユーザにおいて、Ｎｏｒｍｋを
いかに組合せてＮｏｒｍを導出するかが重要である。そ
こで、４種類のＮｏｒｍｋを結合する際、以下のように
線形結合してＮｏｒｍを導出することを考える。 その際、線形結合係数ａｋを各ユーザのデータベースか
ら学習させることによって求め、各ユーザにとっての最
適な係数となる。例えば、あるキーを押し続けている時
間の係数であるａ４が大きな値をとるユーザもいれば、
ａ２が小さな値をとるユーザもいるわけである。そこ
で、この線形結合の最適係数の導出方法の１つであるＦ
ｉｓｈｅｒの線形識別関数を用いた。この関数の説明の
前準備として、まず特徴空間について説明する。

【００１７】特徴空間とは、特徴量をベクトルで表した
特徴ベクトルによって張られる空間のことである。Ｆｉ
ｓｈｅｒの線形識別関数を導入する際、この特徴空間上
でこの関数を扱わなければならない。

【００１８】本システムでは、４種類の時間データから
得られるＮｏｒｍｋを用いるため、これら４種類のＮｏ
ｒｍｋを特徴ベクトルとして扱うので４次元特徴空間を
考えなければならない。また、この特徴空間は正規ユー
ザとグループ内の他ユーザとを識別するための空間であ
るため、この特徴空間はユーザ固有のものとなり、ユー
ザごとに異なる空間を持つ。

【００１９】Ｆｉｓｈｅｒの線形識別関数は、統計学の
分野において、多変量解析の基本技法である判別分析に
属するものである。これは、２つの母集団π_１とπ_２か
ら導かれたｙの値ができるだけうまく分類されるよう
に、多変量観測値ｙへ変換する関数である。つまり、Ｆ
ｉｓｈｅｒの線形識別関数とは、２つの母集団がうまく
分類されるように、多次元データを１次元データに圧縮
する関数といえる。

【００２０】例えば、２次元平面に２つの母集団π_１と
π_２が分布しているとする。図２のようにｘ_１軸のみの
分布を調べた場合や、図３のようにｘ_２軸のみの分布を
調べた場合では、２つの母集団の分布が重なってしまう
ことが分かる。しかし、図４のようにこの２つの母集団
の分布が最も離れるようにうまく分類するような新たな
軸ｙが存在するはずである。このように新たな軸を用い
て分類した場合、図４では２つの母集団は交わることな
くはっきりと分類されている。これが、Ｆｉｓｈｅｒの
線形識別関数を用いた簡単な仕組みである。

【００２１】Ｆｉｓｈｅｒの線形識別関数を実行するた
めには、２つの母集団のそれぞれの共分散行列が共通で
あると仮定しなければならない（これをΣとする）。し
かし、一般に母集団の量Σを得ることは、容易ではな
い。π_１からの多変量確率変数のｎ_１個の観測値と、π
_２からのこの量のｎ_２個の観測値があるとする。それぞ
れのデータ行列は である。これら１つのデータ行列から生成されるそれぞ
れのサンプル共分散行列をＳ_１、Ｓ_２とすると、これら
を混合して（プールして）以下のようにただ１つのΣの
不偏推定値を導く。 これは重みつき平均である。データ行列ｘ_１とｘ_２がそ
れぞれの母集団π_１とπ_２からのランダムサンプルを含
むならば、Ｓｐｏｏｌｅｄは、Σの不偏推定値になる。
このＳｐｏｏｌｅｄを用いて、Ｆｉｓｈｅｒの線形識別
関数を以下に示す。 ｘ_１、ｘ_２のバーは、それぞれサンプル平均ベクトルを
表している。また、１’のハットは一次結合の係数の推
定値であり、ユーザによって異なる値をとる。

【００２２】Ｆｉｓｈｅｒの線形識別関数が２つの母集
団をうまく分類するような係数１’のハットの決定方法
は、以下の通りである。それは、（６）式の一次結合ｙ
は、比 を最大にしている。つまり、なるべく２つの母集団が互
いに離れて、かつそれぞれの母集団の分散がなるべく小
さくなるように、この係数１’のハットが決められてい
るのである。

【００２３】

【作用】本発明によればキーボードのキーを離すという
比較的無意識な動作を加味しているため、キーを離す動
作を用いている従来の技術以上の安全性が保たれる。ま
た、Ｆｉｓｈｅｒの線形識別関数を用いて学習を行え
ば、共有パスワードを用いた特定グループにおける個人
識別にも応用できる。

【００２４】

【発明の実施の形態】以下、本発明を図示した実施形態
に基づいて詳細に説明する。仮にパスワードを５文字の
ｗｏｒｄｓとする。データベースの最大登録数をＭ個と
し、データベースから例外データを除去するためにパス
ワードをＭ回以上入力し登録する。データベースの各デ
ータの中で、例外データとしてそれらの平均値とのユー
クリッド距離が最も大きいデータからデータベースが最
大登録数Ｍ個になるまで除去する。

【００２５】図５に示すように、この５文字のパスワー
ドをキーを押すだけでなくキーを離すことも考慮すると
１０文字のパスワードとみなすことができ、ｗを押した
とき、＜ｗ＞を離したとき、以下同様とする。またそれ
ぞれの時間を計測して得られるデータ数は合計で、ある
キーを押してから次のキーを押すまでの時間（時間１）
データが４（５−１）個、あるキーを離してから次のキ
ーを離すまでの時間（時間２）データが４（５−１）
個、あるキーを離してから次のキーを押す間での時間
（時間３）データが４（５−１）個、あるキーを押し続
けている時間（時間４）データが５個得られる。システ
ムはこれらの時間データからその平均値や分散を計算
し、時間データと合わせてデータベースとしてコンピュ
ータ内のメモリに保存しておく。認証時に新たにパスワ
ードを入力する際、式（１）や式（２）を用いて、それ
ぞれ４種類の特徴ごとのノルムを計算する。各ノルムが
ある閾値未満であるならば、入力されたパスワードが本
人のものであるとする。

【００２６】さらに、これら４種類のノルムを組み合わ
せて１つの評価値で表す。このためパスワードを同一と
する必要があり、複数のユーザ間で互いのデータベース
からＦｉｓｈｅｒの線形識別関数を用いて学習させ、各
ユーザのデータベースから前記式（３）の係数ａ１、ａ
２、ａ３、ａ４をユーザごとに別々に求める。これら４
種類の係数は正規ユーザが他のユーザとうまく分類され
るようにデータベースから決定された値である。この決
定に次に述べる特徴空間を用いる。

【００２７】図６に簡単のため２次元の特徴空間の例を
示した。この図では、具体的に横軸にＮｏｒｍ_３の値を
縦軸にＮｏｒｍ_２の値を示しており、これらの値はずれ
の量であるから正規ユーザであればそれらの値は小さい
（原点付近に集まる）。原点付近の○印は正規ユーザの
特徴量を表しており、その他の＊印は正規ユーザ以外の
特定ユーザを表している。そこで、この空間上に示され
ているユーザのみ（特定ユーザ）において本人と他人を
いかに区別するかを考える。

【００２８】この図６の２次元特徴空間にＦｉｓｈｅｒ
の線形識別関数を適用すると、図７のように２次元特徴
空間にある直線を引くことができる。この場合、横軸に
Ｎｏｒｍ_３の値を縦軸にＮｏｒｍ_２の値を用いているこ
とから前記式（３）の係数として正規ユーザのａ_２、ａ
_３の値を用いて直線を引く。この直線がＦｉｓｈｅｒの
線形識別関数であり、２つの母集団が最もうまく分類さ
れる軸の一つである。この直線の式は、 である。特徴空間上のすべての点がこの直線上に射影さ
れて、１次元の値である多変量観測値ｙで評価される。

【００２９】Ｆｉｈｓｅｒの線形識別関数を用いる際の
評価手法では、図２の特徴空間とは異なり、４種類の特
徴量を扱うことから４次元特徴空間を用いる。このとき
式（６）における１’のハットは（１×４）の行列ｘは
（４×１）の行列となる。また、１’のハットは各ユー
ザのデータベースから学習させて求められるものであ
る。

【００３０】この１’のハットとｘから得られる多変量
観測値ｙはユーザ固有の値であるので、Ｎｏｒｍは と定義する。ｙはグループ内の全ユーザの値を代入する
が、ｙｓｅｌｆのバーはデータベースから得られる正規
ユーザのデータベースから求められるｙの平均である。
また、Ｆｉｓｈｅｒの線形識別関数を用いる際、識別に
うまく関与していない軸がある場合、その軸を考慮しな
いことにして係数１’のハットのその要素の値を０と
し、線形結合の結合数を減らしてＮｏｒｍを求める。

【００３１】

【発明の効果】以上説明したように本発明に係わるキー
ボードの入力特徴を用いた個人認証システムでは、ある
キーを押してから次のキーを押すまでの時間に加えて、
あるキーを離してから次のキーを離すまでの時間と、あ
るキーを離してから次のキーを押す間での時間と、ある
キーを押し続けている時間とを用いているため、従来に
比べて用いている特徴が３つ多く、実験による認証率が
大幅に向上するという著効を奏する。

【図面の簡単な説明】

【図１】キーボードの入力特徴を用いた個人認証システ
ムの一形態例の構成を示すブロック図である

【図２】２つの母集団のｘ_１軸の分布例

【図３】２つの母集団のｘ_２軸の分布例

【図４】２つの母集団にＦｉｓｈｅｒの線形識別関数を
用いた分布例

【図５】パスワードからの時間データの取得例

【図６】２次元特徴空間の例

【図７】２次元特徴空間にＦｉｓｈｅｒの線形識別関数
を加えた例

Claims (3)

【特許請求の範囲】
1. 【請求項１】システムにログインするためのパスワード
   を入力装置であるキーボードから入力するコンピュータ
   において、キーボードからパスワードを入力する際のパ
   スワードの正当性を確認する手段に加えて、キーボード
   からパスワードを入力する際のキーを押した時刻及び該
   キーを離した時刻を計測する手段と、該計測した時刻か
   らあるキーを押してから次のキーを押すまでの時間と、
   あるキーを離してから次のキーを離すまでの時間と、あ
   るキーを離してから次のキーを押す間での時間と、ある
   キーを押し続けている時間とを求める手段と、前記ある
   キーを押してから次のキーを押すまでの時間と、前記あ
   るキーを離してから次のキーを離すまでの時間と、前記
   あるキーを離してから次のキーを押す間での時間と、前
   記あるキーを押し続けている時間とを用いて個人の識別
   を行う手段とを有する個人認証方式。
2. 【請求項２】前記あるキーを押してから次のキーを押す
   までの時間と、あるキーを離してから次のキーを離すま
   での時間と、あるキーを離してから次のキーを押す間で
   の時間と、あるキーを押し続けている時間とを用いて個
   人の識別を行う手段において、上記おのおのの時間とそ
   の平均値とのユークリッド距離により個人の識別を行う
   請求項１記載の個人認証方式。
3. 【請求項３】請求項１記載の個人認証方式において、複
   数のユーザが共通のパスワードを用い、該複数のユーザ
   が該共通のパスワードを入力する際の時間の特徴量を複
   数ユーザ間の互いの特徴が最もよく識別できるように抽
   出し、該複数のユーザ間の特徴量の差から個人の識別を
   行う個人認証方式。