[논문 리뷰] My Mouse, My Rules: Privacy Issues of Behavioral User Profiling via Mouse Tracking

Luis A. Leiva, Ioannis Arapakis외 1명|arXiv (Cornell University)|2021. 01. 22.

Privacy, Security, and Data Protection참고 문헌 31인용 수 5

한 줄 요약

이 논문은 최소한의 자바스크립트 코드로 수집한 원시 마우스 커서 이동 데이터만으로도 연령과 성별과 같은 사용자 인구통계학적 정보를 높은 정확도로 예측할 수 있음을 보여준다. 연구는 실시간으로 마우스 추적 데이터를 왜곡하는 적대적 노이즈 기법을 제안하여 사용자 프라이버시를 보호하면서도 정상적인 브라우저 사용을 방해하지 않으며, 공개용 브라우저 확장 프로그램과 데이터셋을 함께 제공한다.

ABSTRACT

This paper aims to stir debate about a disconcerting privacy issue on web browsing that could easily emerge because of unethical practices and uncontrolled use of technology. We demonstrate how straightforward is to capture behavioral data about the users at scale, by unobtrusively tracking their mouse cursor movements, and predict user's demographics information with reasonable accuracy using five lines of code. Based on our results, we propose an adversarial method to mitigate user profiling techniques that make use of mouse cursor tracking, such as the recurrent neural net we analyze in this paper. We also release our data and a web browser extension that implements our adversarial method, so that others can benefit from this work in practice.

연구 동기 및 목표

• 비침습적인 마우스 커서 추적의 개인정보 유출 위험을 드러내는 것.
• 최소한의 기술적 노력으로도 비전문가라도 마우스 움직임을 통해 정확한 사용자 프로파일링을 구현할 수 있음을 보여주는 것.
• 마우스 추적 데이터를 왜곡하여 프로파일링을 방지할 수 있는 실용적인 적대적 방어 기법을 개발하고 공개하는 것.
• 연구자, 개발자, 사용자들이 마우스 움직임을 통한 행동 추적의 윤리적 함의에 대해 인식을 높이는 것.
• 연구자들이 마우스 기반 사용자 프로파일링을 연구하고 대응할 수 있도록 오픈소스 도구—브라우저 확장 프로그램과 데이터셋—을 제공하는 것.

제안 방법

• 저자들은 마우스 궤적 시퀀스를 인구통계학적 카테고리(예: 남성/여성, 젊은/노년)로 분류하기 위해 양방향 GRU 기반 순환 신경망(RNN)을 구현했다.
• RNN은 마우스 움직임의 (x, y, t) 좌표 시퀀스를 처리하며, 최대 100개의 타임스텝을 사용하고, 텐서플로우와 케라스를 활용한다.
• 브라우저 확장 프로그램을 통해 실시간으로 자바스크립트를 사용해 마우스 커서 좌표를 프로그래밍적으로 왜곡하는 적대적 노이즈 기법을 적용한다.
• 노이즈는 DOM 이벤트에 직접 주입되어 자연스러운 마우스 움직임의 변동을 시뮬레이션하여 추적 데이터의 예측 가능성을 낮춘다.
• 이 방법은 사용자에게 투명하며, 웹사이트별로 전환 가능하게 설계되어 신뢰할 수 있는 사이트에서는 추적을 허용할 수 있도록 한다.
• 확장 프로그램은 클라이언트 측에서 작동하며 서버 기반 인fra가 필요 없어 저지연성과 사용자 제어 기반의 프라이버시 보호를 보장한다.

실험 결과

연구 질문

• RQ1 추가적인 사용자 입력이나 기능 없이도 원시 마우스 커서 이동 데이터만으로도 사용자 인구통계학적 정보를 정확하게 예측할 수 있는가?
• RQ2 마우스 추적을 이용한 사용자 프로파일링 시스템을 실제로 구현하는 데 얼마나 쉬운가? 악성 또는 비윤리적인 행위자들이 접근하기 위한 기술적 장벽은 무엇인가?
• RQ3 마우스 커서 이동에 적용된 적대적 노이즈가 인구통계학적 추론을 위해 훈련된 머신러닝 모델의 성능을 어느 정도 효과적으로 저해할 수 있는가?
• RQ4 제안된 방어 기법은 실질적으로 어떻게 작동하며, 실제 배포 시 제한 사항은 무엇인가?
• RQ5 특히 기존의 웹 추적 기법과 결합되었을 때, 규제되지 않은 마우스 추적의 윤리적 및 프라이버시적 함의는 무엇인가?

주요 결과

• 저자들은 다섯 줄의 코드만으로도 마우스 커서 궤적을 이용해 성별과 연령을 합리적인 정확도로 예측할 수 있는 딥러닝 모델을 성공적으로 훈련시켰다.
• RNN 모델은 검증 세트에서 이진 분류 정확도가 80% 이상을 기록하여 마우스 움직임에서의 인구통계학적 추론이 실현 가능하고 확장 가능한 것을 입증했다.
• 적대적 노이즈 기법은 RNN 모델의 예측 성능을 평균 50% 이상 감소시켜 강력한 방어 잠재력을 보였다.
• 브라우저 확장 프로그램은 실시간으로 마우스 움직임을 흐리게 하고, 웹사이트별로 선택적으로 기능을 켤 수 있어 사용자가 추적에 대해 세밀한 제어를 할 수 있도록 했다.
• 1,000개 이상의 사용자 세션, (x, y, t) 궤적 및 인구통계학적 레이블을 포함한 데이터셋을 공개하여 향후 연구를 지원했다.
• 이 연구는 중요한 프라이버시 격차를 드러냈다: 마우스 추적은 비침습적이며 널리 배포 가능하며, 대부분의 프라이버시 도구에서는 아직 감지되지 않아 프로파일링을 위한 고위험 벡터가 되고 있다.