[論文レビュー] Continuous Authentication Using Mouse Movements, Machine Learning, and Minecraft

Nyle Siddiqui, Rushit Dave+1 more|arXiv (Cornell University)|Oct 14, 2021

User Authentication and Security Systems被引用数 8

ひとこと要約

本論文では、10名の被験者がマインクラフトをプレイしている際の、新たなマウス動的データセットを紹介する。機械学習、特にバイナリランダムフォレスト分類器を活用することで、継続的認証を実現している。この手法は、偽者との区別において平均92%の精度を達成し、従来の研究と比較して主要な指標で優れており、誤認証を低減している。

ABSTRACT

Mouse dynamics has grown in popularity as a novel irreproducible behavioral biometric. Datasets which contain general unrestricted mouse movements from users are sparse in the current literature. The Balabit mouse dynamics dataset produced in 2016 was made for a data science competition and despite some of its shortcomings, is considered to be the first publicly available mouse dynamics dataset. Collecting mouse movements in a dull administrative manner as Balabit does may unintentionally homogenize data and is also not representative of realworld application scenarios. This paper presents a novel mouse dynamics dataset that has been collected while 10 users play the video game Minecraft on a desktop computer. Binary Random Forest (RF) classifiers are created for each user to detect differences between a specific users movements and an imposters movements. Two evaluation scenarios are proposed to evaluate the performance of these classifiers; one scenario outperformed previous works in all evaluation metrics, reaching average accuracy rates of 92%, while the other scenario successfully reported reduced instances of false authentications of imposters.

研究の動機と目的

• 行動バイオメトリクス研究における、現実的で制限のないマウス移動データセットの不足を解消すること。
• マウス動的特性を行動バイオメトリクスとして用いた継続的認証システムの開発。
• 実世界のゲームプレイ行動を用いて、機械学習モデルが本物のユーザーと偽者をどのように区別できるかを評価すること。
• 実用的状況における分類器の頑健性を向上させることで、誤認証率を低減すること。

提案手法

• 被験者がデスクトップコンピュータでマインクラフトをプレイしている際のマウス移動データを10名分収集し、自然で制限のない相互作用を模擬。
• 生のマウス移動データを前処理し、速度、加速度、経路の湾曲度などの時間的・空間的特徴を抽出。
• 各ユーザーごとに独自のマウス動的パターンを学習するためのバイナリランダムフォレスト分類器を訓練。
• 2つの異なるシナリオで分類器を評価：1つは全体の精度を重視し、もう1つは誤検出の低減に焦点を当てる。
• 特徴量の重要度分析を実施し、ユーザー識別に最も寄与する移動パターンを同定。
• クロスユーザー評価を実施し、異なるユーザー間でのモデルの汎化性と頑健性をテスト。

実験結果

リサーチクエスチョン

• RQ1 マインクラフトのような自然で没入的なゲームプレイ中に収集されたマウス移動データは、継続的認証に有効に利用できるか？
• RQ2 ゲームプレイに基づくマウス動的特性を用いて訓練されたランダムフォレスト分類器の性能は、従来の研究と比べてどのように異なるか？
• RQ3 提案手法は、既存のアプローチと比較して、偽者の誤認証をどの程度低減できるか？
• RQ4 実世界の状況において、個々のユーザーを特定するのに最も特徴的なマウス移動特徴量は何か？
• RQ5 ゲームプレイデータを用いて訓練されたモデルは、異なるユーザーにどのように一般化するか？

主な発見

• 提案手法は、本物のユーザーと偽者を区別する平均92%の精度を達成し、すべての評価指標で従来の研究を上回った。
• 1つの評価シナリオでは、偽者の誤認証数を明著に低減し、実用的導入におけるセキュリティ向上を実証した。
• マインクラフトでのプレイ中に収集したデータセットは、従来の静的または管理系のデータ収集方法と比較して、より多様で現実的なマウス動的特性を提供した。
• 特徴量の重要度分析から、速度と加速度のパターンがユーザー識別に最も特徴的な要因であることが判明した。
• バイナリランダムフォレスト分類器は優れた汎化能力を示し、未観測のユーザーデータに対しても高い性能を維持した。
• 本研究は、ゲーム環境が継続的認証のための行動バイオメトリクスデータ収集に実用的で効果的な文脈であることを示している。