Cross-system forecasting-based user authentication for virtual reality (VR)

Mingjun Li

doi:10.1016/j.cag.2026.104660

Cross-system forecasting-based user authentication for virtual reality (VR)

2026-07-01

2

PRE

AI

M

Mingjun Li

N

Natasha Kholgade Banerjee

S

Sean Banerjee *

DOI：10.1016/j.cag.2026.104660

原文链接

原文求助

摘要

En 中文

随着虚拟现实（VR）系统在医疗保健、教育、银行和军事等关键领域的应用日益广泛，敏感用户数据必须得到保护，以防恶意用户入侵。现有的安全措施，如用户名/密码、个人识别码（PIN）或多因素认证，当攻击者获取凭证或用户有意将凭证交给他人（例如代考）时，这些措施无法提供任何保护。认识到这些挑战，过去十年间，大量研究工作涌现于针对单一VR系统的行为生物识别技术。然而，跨系统的VR行为生物识别仍处于萌芽阶段。跨系统行为生物识别对于用户在办公室、家庭、工作场所或诊所使用的系统之间无缝切换至关重要。早期跨系统行为生物识别的VR研究显示，虽然深度学习技术如孪生神经网络有效，但它们需要近乎完整的轨迹数据才能实现高保障的用户认证或识别。VR生物识别中运动预测方法的出现，使得可以利用用户动作开始时的有限数据，从而阻止攻击者获取完整的用户轨迹。然而，此类预测模型是为单一VR系统设计的，无法实现跨系统认证。在近期工作中，我们展示了跨系统基于预测的VR生物识别认证可以通过基于Informer的模型训练预测组件，并使用全卷积网络训练认证器来实现。我们使用一个公开数据集，包含41名用户使用Meta Quest、HTC Vive和HTC Vive Cosmos执行投球任务，结果显示，与未使用预测的孪生网络相比，我们的方法在所有VR系统组合中，平均将等错误率（EER）降低了53.16%，超越了以往跨系统认证工作。在本文中，我们比较了基于Informer的跨系统预测模型（以点式输入运行，将每个时间戳视为独立标记）与一种分块架构PatchTST的性能，后者通过将输入时间序列分割为独立通道、分别处理各通道并将通道特征编码为分块，实现更低的运行时间。使用相同的投球数据集，我们证明PatchTST在跨系统认证中平均将EER降低了30.30%。使用PatchTST时，在GPU核心数减半的情况下，我们实现了超过3倍于Informer的加速。代码链接：https://github.com/Terascale-All-sensing-Research-Studio/Cross_System_Authentication_using_Forecasting/.

Keyword:

VR biometrics

Behavioral biometrics

Deep learning

Motion forecasting

Interoperability

Cross-system forecasting-based user authentication for virtual reality (VR)

摘要

期刊

机构

引用论文