[论文解读] 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 8

一句话总结

本文提出了一种从10名用户玩《我的世界》游戏中收集的新型鼠标动态数据集，利用机器学习——特别是二元随机森林分类器——实现连续认证。该方法在区分真实用户与冒充者方面实现了92%的平均准确率，优于先前工作的关键指标，同时降低了误认证率。

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.

研究动机与目标

• 为行为生物识别研究中缺乏真实、无限制的鼠标移动数据集提供解决方案。
• 利用鼠标动态作为行为生物特征，开发一种连续认证系统。
• 评估机器学习模型在真实游戏交互场景下区分真实用户与冒充者的表现。
• 通过提升分类器在实际场景中的鲁棒性，降低误认证率。

提出的方法

• 在桌面计算机上让10名参与者玩《我的世界》时收集其鼠标移动数据，模拟自然、无约束的交互行为。
• 对原始鼠标移动数据进行预处理，提取时间与空间特征，如速度、加速度和路径曲率。
• 为每位用户训练一个二元随机森林分类器，以学习其独特的鼠标动态模式。
• 在两种不同场景下评估分类器：一种侧重整体准确率，另一种侧重最小化误报。
• 通过特征重要性分析，识别出对用户识别最具区分性的移动模式。
• 应用跨用户评估，测试模型在不同用户间的泛化能力与鲁棒性。

实验结果

研究问题

• RQ1 在《我的世界》等自然、具有吸引力的游戏玩法过程中收集的鼠标移动数据，能否有效用于连续认证？
• RQ2 与先前工作相比，基于游戏化鼠标动态训练的随机森林分类器性能如何？
• RQ3 与现有方法相比，所提出方法在多大程度上能减少冒充者的误认证？
• RQ4 在真实世界环境中，哪些鼠标移动特征对识别个体用户最具区分性？
• RQ5 当使用游戏化数据进行训练时，模型在不同用户间的泛化能力如何？

主要发现

• 所提方法在区分真实用户与冒充者方面实现了92%的平均准确率，在所有评估指标上均优于先前工作。
• 在一种评估场景中，成功减少了冒充者误认证的数量，表明在实际部署中具有更高的安全性。
• 在《我的世界》游戏过程中收集的数据集提供了比以往静态或管理类数据采集方法更丰富、更真实的鼠标动态特征。
• 特征重要性分析表明，速度和加速度模式是用户识别中最具区分性的特征之一。
• 二元随机森林分类器表现出强大的泛化能力，在测试未见用户数据时仍保持高性能。
• 本研究证明，游戏环境可作为收集行为生物特征数据以实现连续认证的可行且高效的情境。