본 논문은 마우스 동작 기반 사용자 인증 시스템의 효율성 및 정확성 향상을 위한 새로운 방법론을 제시합니다. 기존 마우스 동작 인증의 한계점인 최적 데이터 양 결정, 정확성과 실용성의 균형, 시간적 행동 패턴 포착 등의 문제를 해결하기 위해, Gaussian kernel density estimate (KDE)와 Kullback-Leibler (KL) divergence를 이용한 통계적 방법을 제안하여 최적 데이터 양을 추정합니다. 또한, Approximate Entropy (ApEn)을 활용한 Mouse Authentication Unit (MAU)을 도입하여 효율적이고 정확한 행동 표현을 위한 최적 세그먼트 길이를 결정하고, 1D-ResNet과 GRU를 통합한 Local-Time Mouse Authentication (LT-AMouse) 프레임워크를 설계하여 지역적 특징 추출 및 장기간 시간적 의존성 모델링을 수행합니다. Balabit과 DFL 데이터셋을 사용한 실험 결과, 데이터 규모를 상당히 줄이고 (특히 DFL 데이터셋의 경우 10배 감소), 훈련 부하를 크게 완화하면서도, 불균형 샘플에 대한 훈련에도 불구하고 DFL 데이터셋에서 98.52%, Balabit 데이터셋에서 94.65%의 높은 AUC 성능을 달성하여 기존 최고 성능을 뛰어넘는 결과를 보였습니다.
