التعرف على التفضيلات الجمالية بوصفه عاملًا محتملًا للتحقق من الهوية

اقترح بحث جديد من إسرائيل مخطط تحقق يعتمد على تفضيلات المستخدم الجمالية، حيث يقوم المستخدم بتهيئة النظام مرة واحدة من خلال تقييم الصور، مما يولد مجالًا خاصًا بميول الفرد البصرية والبصرية-المفاهيمية. بعد ذلك، سيُطلب من المستخدم مطابقة تفضيلاته المسجلة مع مجموعات صور جديدة في وقت التحقق.

من تجارب تطبيق ‘لعبة’ AEbA – على اليسار، يقيم المستخدم الجودة الجمالية للصورة؛ يمين، تُعرض النتيجة في نهاية مرحلة في مرحلة التطبيق الفعلي للتجارب. مصدر: https://arxiv.org/ftp/arxiv/papers/2204/2204.05623.pdf

يسمى النظام التحقق القائم على التقييم الجمالي (AEbA) ، وهو تقديم إلى مؤتمر USENIX السنوي التقني 2022 في كاليفورنيا في يوليو.

تم اختبار AEbA من قبل باحثي الورقة في شكل سلسلة ألعاب، حيث كان على المشاركين تدريب النظام وتقييم صور جديدة تتوافق مع أذواقهم المسجلة. اختبرت جولة ثانية قدرة المستخدم على تخمين تفضيلات الآخرين.

من الورقة – صور عينة، من pexels.com، مناسبة للاستخدام في AEbA.

قد لا يكون هذا النهج مناسبًا لجميع الناس، لأن ليس كل شخص لديه حس جمالي متقدم، ولكن يمكن أن يخدم جيدًا كخطة تحقق أساسية للاحتياجات الأمنية منخفضة إلى متوسطة، أو كاختيار واحد في مجموعة من الطرق المساعدة المحتملة في التحقق من عاملين (2FA).

ومع ذلك، يمكن أن تشكل فكرة النظام الناشئة نقطة انطلاق لتحديات جمالية أكثر تعقيدًا، حيث يمكن زيادة عدد الصور المعروضة للمستخدمين أثناء التحقق افتراضيًا حسب الحاجة، بنفس الطريقة التي يمكن فيها تمديد تحديات CAPTCHA في حالة النتائج الأولية غير المؤكدة.

كلما زادت دقة التحدي ومدته، زاد الأمان التي يمكن أن يقدمها هذا النهج.

مقياس لقوة كلمة المرور النسبية عند ضرب عوامل عدة من تحدي AEbA: ‘D’ يمثل عدد الصور المعروضة خلال التحدي؛ Dhr يمثل عدد الصور التي يُطلب من المستخدم اختيارها؛ و ‘S’ هو عدد الشاشات (أي المراحل) في عملية الاختيار الجمالي الخطية.

فيما يتعلق بالأعراف الشائعة للتحقق من هوية البشر، يدمج AEbA عناصر من شيء تعرفه (SYK) و شيء أنت (SYA)، ويتوقف على ثلاثة افتراضات: أن الأشياء التي نحبها (تمثلت في المجال البصري) يمكن تمييزها بسهولة لنا (وفقًا لنظرية الذاكرة العامة)؛ ميولنا الجمالية تظل متسقة نسبيًا؛ وهناك فرق كافٍ في أذواق المستخدمين المختلفة لتوفير تمييز لا يمكن تخمينه في التفضيلات.

يقترح المؤلفون أن التقنية يمكن تعديلها في إطارات التعلم الآلي القادرة على التنبؤ بتقييمات المستخدمين الفردية.

الورقة بعنوان Beautiful secrets: using aesthetic images to authenticate users، وقد أعدها باحثان من كلية هندسة البرمجيات ونظم المعلومات في جامعة بن غوريون في النقب، في بئر السبع.

قوة المجالات الصورية

لا يعتمد AEbA على الحفظ، بل يعامل المستخدم كنظام مدرب للتعرف على الصور الذي طور مجالًا قويًا ومحددًا جدًا من استجابات اللذة، ويركز على هذه ارتباطات اللذة.

في جوهره، يعتمد AEbA على ما يعادل المعارف السابقة المجردة في أنظمة الرؤية الحاسوبية وتوليف الصور، والتي يمكن أن تنقل الأسلوب والميزات الخاصة بالمجال دون أن تكون جسدًا في صورة واحدة غير قابلة للتغيير. من خلال تطبيق هذه المعارف السابقة، يمكن تدريب شبكة عصبونية معادية توليدية (GAN) لدمج مجال (مثل أسلوب فان جوخ) في توليد صور جديدة تمامًا.

تقدم الدراسة الجديدة أدلة من الأدب السابق على أن الصور أسهل في الحفظ من الكلمات، وأن الصور الجميلة أسهل في الحفظ من الصور العامة، وأن التقييم النشط للصور (مثل خلال عملية تدريب AEbA القصيرة) يحسن من قابلية الحفظ للصور بشكل أكبر. الدراسات التي تعود إلى السبعينيات قد أثبتت أن البشر يمتلكون ‘سعة تخزين ضخمة’ للصور بشكل عام، وللصور التي تم عرضها مسبقًا، وقد ثبت أن قدرتنا على تخزين الصور في الذاكرة تتجاوز بدرجة ملحوظة قدرتنا على التذكر اللفظي.

على الرغم من أن الحس السليم يوحي بأن خبراء المجال، مثل أخصائيي الأشعة، سيكونون أكثر حساسية للصور من مجالاتهم الخاصة، إلا أن دراسة عام 2010 أكدت أن سعة الذاكرة للصور اليومية أكثر اتساعًا من الصور الخاصة بالمجال، حتى في أولئك الذين لديهم تخصص بصري.

التحقق القائم على التفضيل

جاءت فكرة استخدام التفضيل كآلية تحقق إلى الواجهة في ورقتين بقيادة ماركوس جاكوبسون من مركز أبحاث بالو ألتو، بدءًا من عام 2008. اقترح هذا الجزء من البحث حول التحقق القائم على التفضيل (PBA) أن الموسيقى والطعام والأعمال الفنية والأشياء الأخرى التي نحبها محفورة في أذهاننا ومحفزة بدوافع داخلية قوية.

تم اقتراح PBA في البداية كأداة لتسهيل إعادة تعيين كلمات المرور، باستخدام أسئلة مثل ‘هل تحب الموسيقى الريفية؟’، وتركز على تفضيلات النص وفقًا لمبادئ الذاكرة التقليدية، بدلاً من الإدخال البصري.

تعاون بحثي لاحق لجاكوبسون في عام 2012 استبدل النص بالصور:

لقطة شاشة من مرحلة المعايرة / التسجيل في مشروع PBA Markus Jakobsson 2012. مصدر

ومع ذلك، يشير المؤلفون إلى أن هذا النظام لا يأخذ في الاعتبار التقييم الجمالي للصور، بل يستخدم الصور كبديل للكلمات أو المفاهيم. بالمقارنة، يبحث AEbA عن تحديد ‘مجال لذة’ خاص بالمستخدم لا يتعلق مباشرة بأشياء أو أنشطة معينة.

يشير المؤلفون أيضًا إلى أن هناك حدود عملية لعدد العناصر التي يمكن تقديمها للمشاهد في نهج عام 2012، في حين يزيل تطوير نموذج أكثر تجريدًا للتفضيلات المستخدمة هذه الحدود ويجعل الهجمات الخارجية والتقليد (أي القائم على الاحتيال أو المعرفة الشخصية أو أساليب الخداع الأخرى) أكثر صعوبة.

فكرة كلمات المرور الرسومية تسبق هذه الأعمال، مع ظهور مجموعة من مخططات في أواخر التسعينيات. دراسة معاصرة تعتبر PassFaces، حيث كان على المستخدمين تذكر وجوه (غير وجوههم الخاصة) بدلاً من كلمات المرور. مع هذا النهج، سيتعين على المخترق المحتمل أن يكون لديه معرفة حميمة غير عادية بتفضيلات الوجه للمستخدم. بالإضافة إلى ذلك، يمكن افتراض أن المستخدم سيختار نفس الوجوه مع مرور الوقت خلال مرحلة التوجيه.

من أواخر التسعينيات، تم اختبار مخطط PassFaces في جامعة Goldsmiths في لندن، والذي يتطلب من المستخدم اختيار وتذكر أربعة وجوه لأشخاص آخرين. كان الاختيار الأولي مبنيًا على تفضيل المستخدم الخاص، وفي هذا الصدد، يرتبط العمل بـ AEbA. المصدر

الأقرب إلى AEbA هو Déjà vu، الذي قدم للمشاهدين صورًا فنية عشوائية لا يلزم أن تكون مصممة لتحفيز استجابة اللذة، ولكنها تهدف إلى استخدام صورًا مخالفة ومزعجة لمساعدة المستخدمين على تذكر صور معينة التي سيتم تضمينها في ‘محفظة’ خلال التسجيل الأولي، وسيُطلب منهم لاحقًا التعرف عليها من بين عدة صور ممكنة في وقت التحقق.

تجميع محفظة من ‘الصور المفضلة’ لـ Déjà vu. مصدر: https://netsec.ethz.ch/publications/papers/usenix.pdf

كما يلاحظ مؤلفو الورقة الجديدة، هذا النهج يتجاهل الفوائد المذكورة في أدبيات علم الجمال العصبي، إذ توجد دوافع داخلية قليلة للارتباط بأي صور عشوائية تُعرض.

بالإضافة إلى ذلك، هذا النهج قابل للهجوم من خلال ‘التجسس على الكتف’، حيث قد يكون هناك فرصة لمهاجم قريب (أو MiTM) لمشاهدة الصور التي تم اختيارها. بالمقارنة، لن يكرر التطبيق الكامل لـ AEbA الصور المستخدمة مسبقًا في جلسات التدريب أو التحقق.

بالإضافة إلى ذلك، تشير الورقة إلى*:

‘إحدى المشاكل المحددة في كلمات المرور الرسومية هي أن المستخدمين يميلون إلى اختيار رسومات بسيطة، مما يقلل من تنوع هذه الكلمات المرور ويجعلها أكثر عرضة للهجمات المعادية. مشكلة أخرى (وربما سبب للمشكلة السابقة) هو التداخل المحتمل إذا تم استخدام مثل هذه المخططات في عدة أنظمة، أي أن ذاكرة المستخدم لكلمة مرور لنظام قد تؤثر على تذكر كلمة مرور لنظام آخر. هذه القضايا أقل قلقًا عند تنفيذ AEbA، الذي يعتمد على تفضيلات فطرية لا تعتمد على حسابات محددة أو على تذكر الصور.’

يشدد المؤلفون على ميزة إضافية لـ AEbA: الإدراك السياقي. حتى لو كان من الممكن لمهاجم على الكتف أو مهاجم RAT مشاهدة جلسة تحقق، فلن يعرف مدى بُعد الصور ‘غير المحببة’ (أي الصور المعروضة التي يُقيّمها المستخدم بدرجة منخفضة أو يرفضها خلال التحقق) عن الصورة ‘المحبوبة’ – وهو عامل سيكون مختلفًا كل مرة.

‘بالتالي، معرفة أن شخصًا ما يحب صورة لا يساعد بالضرورة إذا لم نعرف مدى حب الصورة بالنسبة للصور الأخرى في المجموعة المعروضة.’

بالإضافة إلى ذلك، من المستحيل على المستخدم تخزين كلمة المرور بشكل غير آمن من أجل الراحة، مثل وضعها على قطعة من الورق، لأن مجال محتوى الصور المفضل لديه مجرد وغير قابل للاختزال.

اختبار AEbA

نفذ الباحثون النظام كلعبة، في سياق إثبات مبدئي للمفهوم لمبادئ المشروع الأساسية، حيث قاموا بإنشاء قاعدة بيانات من 318 صورة من موقع pexels.com المجاني، وكذلك صور من أرشيف شخصي.

تم تصنيف الصور إلى ثماني فئات (الكون، الطبيعة، الجبال، الغابة، الزهور، مناظر المدينة، المناظر البحرية، و أخرى)، وتم تقسيم التجارب إلى التسجيل (حيث تم تقييم الصور لأول مرة من قبل المستخدمين في جلسة واحدة مدتها عشر دقائق)، و لعبة التحقق، و لعبة معادية (تخمين تفضيلات الصور للآخرين).

بعد استبعاد المشاركين غير المُساهمين، تم تقليص العينة المتاحة (أي مجموعة الاختبار) إلى 33 لاعبًا مؤهلاً، يتألفون من 21 أنثى و 12 ذكرًا.

التسجيل

في مرحلة التسجيل، تم الحصول على 3722 تقييمًا ل 274 صورة، بمتوسط تقييم 6.07، ووسيط 6، وكانت القيم الأكثر تكرارًا 7 و8. كان أقل صورة محببة لها تقييم 2.32، وأكثر صورة محببة لها تقييم 8.63.

توزيع تقييمات الصور بين الأفضل أداءً في التجارب.

يرى المؤلفون أن الانحناءات الملحوظة نحو القيم العالية والمنخفضة في تقييم الصور، بالإضافة إلى تنوع هذه الانحدارات عبر قاعدة المستخدمين، يثبت ادعاءهم بأن المستخدمين يمكنهم تطبيق درجات الإعجاب المختلفة للصور المعروضة دون الحاجة إلى تضمين صور منفرة أو ‘خارج النطاق’ واضحة. يبدو أن الميول والتفضيلات المتنوعة بشكل عام عبر مجموعة صغيرة من المستخدمين تكفي لتحقق مفهوم مركزي.

صور عينة مع تقييمات المستخدم المختلفة.

التحقق

في لعبة التحقق، تم إجراء 264 جلسة لعب، حيث أكمل كل مشارك اللعبة مرتين في متوسط ثماني جلسات. كان معدل النجاح المتوسط 76%.

مخطط صندوق لتوزيع نتائج اللعبة بين 33 عضوًا في التجربة، مع تدوين متوسط النتائج بخط أسود سميك، مع عرض الوسيط والربيعين الأول والثالث، مع الحد الأدنى والأقصى والخارجين.

على الرغم من وجود انخفاض طفيف في الأداء بمرور الوقت، إلا أن هذا الانخفاض تقلص بشكل كبير بين أفضل 50% من المشاركين، واختفى تقريبًا بين المشاركين الأعلى تصنيفًا (11 مشاركًا، وهو ثلث المجموعة النهائية).

لعبة معادية

تميزت لعبة المهاجم بحرية اللعب (على عكس التسجيل)، وحدثت بعد عشرة أيام من إطلاق مرحلة اللعبة. تم احتساب 190 لعبة للنتائج (مستثنية الألعاب التي حدثت فيها مشاكل فنية). كان متوسط عدد الاختيارات الصحيحة في لعبة معادية 2.88، بمعدل نجاح 36% يعادل التخمين العشوائي (خصوصًا عند النظر إلى عدد الصور القليل في مجموعة البيانات). ومع ذلك، في سبع ألعاب، تمكن المساهمون من تخمين 75% أو أكثر من الصور الصحيحة.

الختام

تشير منهجية الاختبار غير الرسمية (مثل استخدام عينة متاحة لاختبار المشاركين) في الدراسة إلى أن النهج الحالي يمثل دليلًا عامًا على المفهوم؛ إشارة ناشئة إلى أن التحقق القائم على المجال البشري قد يوفر يومًا ما طريقة سهلة وممتعة للتحقق من الهوية التي يصعب تعطيلها أو التلاعب بها. من الواضح أن تجارب أكثر صرامة، مع عدد أكبر من المشاركين وسيناريو تحقق مخطط بشكل جيد، سيكون من الضروري لتأسيس قيمة AEbA.

يخلص المؤلفون إلى:

‘سيكون من المثير دراسة إمكانية استخدام تقنيات التعلم الآلي للتنبؤ بتقييمات المستخدمين الفردية وتوليد صور صحيحة وصور تمويه لم يتم تقييمها مسبقًا من قبل المستخدم. يمكن أن يزيد ذلك من مساحة كلمة المرور عن طريق زيادة مجموعات الصور الفردية للمستخدمين وتنوعهم.’

*تحويلي لمراجع المحتوى المتضمنة في الورقة إلى روابط

نشر لأول مرة في 13 أبريل 2022.