[論文レビュー] My Mouse, My Rules: Privacy Issues of Behavioral User Profiling via Mouse Tracking

Luis A. Leiva, Ioannis Arapakis+1 more|arXiv (Cornell University)|Jan 22, 2021

Privacy, Security, and Data Protection参考文献 31被引用数 5

ひとこと要約

この論文は、最小限のJavaScriptコードで収集された生のマウスカーソルの動きのみを用いて、年齢や性別といったユーザーのデモグラフィック要因を高い正確性で予測できることを示している。本研究では、通常のブラウジングに支障をきたさずにリアルタイムでマウス追跡データを歪めるための敵対的ノイズ技術を提案し、ユーザーのプライバシーを保護する。また、公開用のブラウザーエクステンションとデータセットを提供している。

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.

研究の動機と目的

• 非侵襲的なマウスカーソル追跡のデモグラフィックプロファイリングにおけるプライバシーリスクを明らかにすること。
• マウスの動きのみを用いて、技術的リソースが限られた状況下でも、非エキスパートでも容易に正確なユーザープロファイリングが可能であることを実証すること。
• マウス追跡データを歪ませてプロファイリングを防ぐ実用的な敵対的防御メカニズムを開発・公開すること。
• 研究者・開発者・ユーザーに対して、マウスの動きによる行動追跡の倫理的影響についての認識を高めること。
• 研究者がマウスベースのユーザープロファイリングを研究・対抗するために利用できるオープンソースのツール（ブラウザーエクステンションとデータセット）を提供すること。

提案手法

• 著者らは、マウス軌道シーケンスをデモグラフィックカテゴリ（例：男性／女性、若年層／高年齢層）に分類するため、双方向GRUベースの再帰的ニューラルネットワーク（RNN）を実装した。
• RNNは、KerasとTensorFlowを用いて、最大100ステップの（x, y, t）座標のシーケンスを処理した。
• 敵対的ノイズ技術は、JavaScriptを用いてリアルタイムでマウスカーソル座標をプログラム的に歪めるブラウザーエクステンションに適用された。
• ノイズはDOMイベントに直接注入され、自然なマウス移動のばらつきを模倣することで、追跡データの予測可能性を低下させた。
• この手法はユーザーに対して透過的であり、各ウェブサイトごとに切り替え可能であり、信頼できるサイトでは追跡を許可できるように設計された。
• エクステンションはクライアントサイドで動作し、サーバーサイドのインfraストラクチャを必要としないため、低遅延かつユーザー主導のプライバシー保護が可能となった。

実験結果

リサーチクエスチョン

• RQ1 追加のユーザー入力や特徴量が一切ない状況下で、生のマウスカーソル移動データのみからユーザーのデモグラフィック要因を正確に予測できるか？
• RQ2 マウス追跡を用いたユーザープロファイリングシステムを実装するのはどれほど簡単か。また、悪意あるまたは倫理に反する行動を取る者にとっての技術的障壁はどの程度か？
• RQ3 マウスカーソル移動に組み込まれた敵対的ノイズは、デモグラフィック推論を目的とした機械学習モデルの性能をどの程度効果的に低下させられるか？
• RQ4 提案された防御メカニズムは実際の環境でどの程度の性能を示すか。また、実世界での展開における限界は何か？
• RQ5 特に既存のウェブ追跡手法と組み合わせた場合に、規制のないマウス追跡の倫理的・プライバシー的影響は何か？

主な発見

• 著者らは、わずか5行のコードで、マウスカーソル軌道から性別と年齢を予測する深層学習モデルを成功裏に訓練した。
• RNNモデルは、ホールドアウトテストセットで80％以上のバイナリ分類精度を達成し、マウスの動きからのデモグラフィック推論が実現可能かつスケーラブルであることを示した。
• 敵対的ノイズ技術により、RNNモデルの予測性能が平均で50％以上低下した。これは、強力な防御の可能性を示している。
• ブラウザーエクステンションは、リアルタイムでマウスの動きをぼかすことに成功し、各ウェブサイトごとに選択的に有効化可能であり、ユーザーが追跡に対して細かく制御できるようにした。
• （x, y, t）軌道とデモグラフィックラベルを含む1,000件以上のユーザー参加セッションからなるデータセットが、今後の研究を支援するために公開された。
• 本研究は、深刻なプライバシーの空白を浮き彫りにした。マウス追跡は非侵襲的であり、広く展開可能であり、現在のほとんどのプライバシートールでは検出されていない。その結果、プロファイリングの高リスクなベクトルとなっている。