[论文解读] BeCAPTCHA: Bot Detection in Smartphone Interaction using Touchscreen Biometrics and Mobile Sensors.

Alejandro Acien, Aythami Morales+3 more|arXiv (Cornell University)|May 27, 2020

User Authentication and Security Systems参考文献 30被引用 10

一句话总结

本文提出 BeCAPTCHA，一种新型 CAPTCHA 机制，通过利用触摸屏交互动态和加速度计数据，建模用户在拖拽任务中的行为模式，以检测机器人。在新创建的 HuMIdb 数据集（包含 600 名用户和 14 种传感器）上进行评估，结果表明，移动传感器数据显著提升了机器人检测的准确性，尤其是在结合 GAN 生成的对抗性样本时效果更佳。

ABSTRACT

In this paper we study the suitability of a new generation of CAPTCHA methods based on smartphone interactions. The heterogeneous flow of data generated during the interaction with the smartphones can be used to model human behaviour when interacting with the technology and improve bot detection algorithms. For this, we propose a CAPTCHA method based on the analysis of the information obtained during a single drag and drop task in combination with the accelerometer data. We evaluate the method by generating fake samples synthesized with Generative Adversarial Neural Networks and handcrafted methods. Our results suggest the potential of mobile sensors to characterize the human behaviour and develop a new generation of CAPTCHAs. The experiments are evaluated with HuMIdb (Human Mobile Interaction database), a novel multimodal mobile database collected for this work that comprises 14 mobile sensors acquired from 600 users. HuMIdb is freely available to the research community.

研究动机与目标

• 开发新一代 CAPTCHA 系统，利用智能手机传感器数据区分人类与机器人交互。
• 通过利用移动交互中的行为生物特征，解决传统 CAPTCHA 的局限性。
• 评估基于传感器的行为建模在检测合成与手工构造机器人攻击方面的有效性。
• 创建并发布一个全面的多模态移动交互数据库（HuMIdb），以支持未来在人类行为建模与机器人检测方面的研究。

提出的方法

• 该方法分析智能手机上单次拖拽任务期间的触摸屏交互模式，如压力、速度和轨迹。
• 结合加速度计数据，捕捉交互过程中的设备运动和用户动作，增强行为指纹识别。
• 使用从 14 种移动传感器中提取的特征，训练机器学习模型以分类交互为人类或机器人。
• 利用生成对抗神经网络（GANs）生成合成机器人样本，以模拟逼真的对抗行为。
• 通过多种攻击向量对系统进行评估，包括 GAN 生成和手工构造的机器人交互。
• HuMIdb 数据集来自 600 名用户，为训练和测试检测模型提供了丰富、多模态的基准。

实验结果

研究问题

• RQ1 触摸屏交互动态与加速度计数据能否有效区分移动应用中的人类用户与自动化机器人？
• RQ2 基于传感器的行为模型在应对 GAN 生成和手工构造的机器人攻击时表现如何？
• RQ3 与传统文本-based 方法相比，多模态传感器数据在多大程度上能提升 CAPTCHA 机制的鲁棒性与准确性？
• RQ4 所提出的检测模型在不同用户群体和交互模式下的泛化能力如何？

主要发现

• 将触摸屏与加速度计数据结合使用，相比单独使用任一模态，显著提升了机器人检测性能。
• 所提方法在面对 GAN 生成的对抗性样本时仍能实现高检测准确率，表明其对复杂合成攻击具有强鲁棒性。
• HuMIdb 数据集包含 600 名用户和 14 个同步传感器流，为未来移动交互分析研究提供了宝贵基准。
• 结果表明，移动交互中的行为生物特征是下一代 CAPTCHA 系统可行且有效的基础。
• 本研究证实，移动传感器数据能够捕捉到机器人难以复制的细微人类行为模式。