Ästhetische Präferenzerkennung als potenzieller Authentifizierungsfaktor

Ein neues Papier aus Israel hat ein Authentifizierungssystem vorgeschlagen, das auf den ästhetischen Präferenzen eines Benutzers basiert, wobei der Benutzer das System einmal kalibriert, indem er Bilder bewertet, und damit ein privates “Domain” seiner visuellen und visuell-konzeptionellen Vorlieben generiert. Später muss der Benutzer bei der Authentifizierung seine aufgezeichneten Präferenzen gegen neue Bildersätze abgleichen.

Aus den Versuchen einer ‘game-isierten’ AEbA-Implementierung – links, der Benutzer bewertet die ästhetische Qualität eines Bildes; rechts, ein Score wird am Ende einer Phase der aktiven Anwendungsphase der Versuche angezeigt. Quelle: https://arxiv.org/ftp/arxiv/papers/2204/2204.05623.pdf

Das System heißt Ästhetische Bewertungsbasierte Authentifizierung (AEbA) und ist ein Beitrag zur 2022 USENIX Annual Technical Conference in Kalifornien im Juli.

AEbA wurde von den Forschern des Papiers in Form einer Spielserie getestet, bei der die Teilnehmer das System trainieren und dann neue Bilder bewerten mussten, die ihren registrierten Vorlieben entsprachen. Eine zweite Runde von Tests untersuchte die Fähigkeit eines Benutzers, die Präferenzen anderer zu erraten.

Aus dem Papier – Beispiele für Bilder, von pexels.com, die für die Verwendung in AEbA geeignet sind.

Ein solcher Ansatz kann nicht für alle Menschen geeignet sein, da nicht jeder eine gut entwickelte ästhetische Sensibilität hat, aber er könnte als primäres Authentifizierungssystem für niedrige bis mittlere Sicherheitsanforderungen dienen oder als eine von mehreren möglichen ergänzenden Methoden in der Zwei-Faktor-Authentifizierung (2FA).

Das nascente Konzept des Systems könnte jedoch einen Ausgangspunkt für komplexere ästhetikbasierte Herausforderungssysteme bilden, da die Anzahl der Bilder, die den Benutzern während der Authentifizierung präsentiert wird, wie bei CAPTCHA-Herausforderungen skaliert werden kann.

Je granularer und ausgedehnter die Herausforderung, desto höher die Sicherheit, die ein solcher Ansatz bieten kann.

Ein Maßstab für die relative Passwortstärke, wenn mehrere Faktoren einer AEbA-Herausforderung multipliziert werden: ‘D’ stellt die Anzahl der während der Herausforderung angezeigten Bilder dar; Dhr stellt die Anzahl der Bilder dar, die der Benutzer auswählen muss; und ‘S’ ist die Anzahl der Bildschirme (d. h. Phasen) im linearen Prozess der ästhetischen Auswahl.

In Bezug auf gängige Konventionen für die Authentifizierung von Menschen kombiniert AEbA Elemente von Etwas, das du weißt (SYK) und Etwas, das du bist (SYA) und basiert auf drei Prämissen: dass Dinge, die wir mögen (wie sie im visuellen Bereich dargestellt werden), für uns leicht zu unterscheiden sind (entsprechend der allgemeinen Theorie der Mnemotechnik); unsere ästhetischen Vorlieben bleiben relativ konsistent; und dass es genügend Unterschiede in den Vorlieben verschiedener Benutzer gibt, um eine nicht erratbare Unterscheidung in den Vorlieben zu bieten.

Die Autoren schlagen vor, dass die Technik in maschinelle Lernframeworks integriert werden könnte, um die Bewertungen einzelner Benutzer vorherzusagen.

Das Papier heißt Schöne Geheimnisse: die Verwendung ästhetischer Bilder zur Authentifizierung von Benutzern und stammt von zwei Forschern der Fakultät für Software- und Informationssystemingenieurwesen der Ben-Gurion-Universität des Negev in Beersheba.

Die Macht der Bild-Domains

AEbA basiert nicht auf Memorisation, sondern behandelt den Endbenutzer als trainiertes Bilderkennungssystem, das eine robuste und sehr spezifische Gamut von Vergnügungsreaktionen entwickelt hat und sich auf diese starken Vergnügungsassoziationen konzentriert.

Im Wesentlichen hängt AEbA von dem menschlichen Äquivalent zu abstrakten Priors in Computer-Vision- und Bildsynthesesystemen ab, die Stil und domänen-spezifische Merkmale vermitteln können, ohne in einem einzelnen und unveränderlichen Bild verkörpert zu sein. Durch die Anwendung solcher Priors kann ein Generatives Adversarial Network (GAN) trainiert werden, um eine Domäne (z. B. “Van Gogh”) in die Generierung von ansonsten völlig neuen Bildern zu integrieren.

Die neue Studie legt Beweise aus vorheriger Literatur vor, dass Bilder leichter zu merken sind als Wörter, dass angenehme Bilder leichter zu merken sind als allgemeine Bilder und dass die aktive Bewertung von Bildern (wie während des kurzen AEbA-Trainingsprozesses) die Merkfähigkeit von Bildern noch weiter verbessert. Studien aus den 1970er Jahren haben festgestellt, dass Menschen eine “massive Speicherkapazität” für Bilder im Allgemeinen und für zuvor gesehene Bilder haben und dass unsere Fähigkeit, Bilder in die Erinnerung zu integrieren, nachgewiesen wurde, deutlich zu übertreffen unsere Fähigkeit zur verbalen Erinnerung.

Obwohl es allgemeiner Meinung entspricht, dass Domänenexperten, wie Radiologen, am meisten empfindlich auf Bilder aus ihrer eigenen Domäne reagieren, hat eine Studie aus dem Jahr 2010 behauptet, dass die Merkfähigkeit für alltägliche Bilder viel größer ist als für domänen-spezifische Bilder, sogar bei denen mit einer visuellen “Spezialität”.

Präferenzbasierte Authentifizierung

Die Idee, Präferenzen als Authentifizierungsmechanismus zu nutzen, gewann an Bedeutung in zwei von Markus Jakobsson von der Palo Alto Research Center geleiteten Papieren ab 2008. Diese Forschungsreihe um die Präferenzbasierte Authentifizierung (PBA) schlug vor, dass Musik, Essen, Kunstwerke und andere Dinge, die wir mögen, in unserem Gedächtnis verankert sind und von starken inneren Motivationen angetrieben werden.

PBA wurde ursprünglich lediglich als Gerät zur Erleichterung von Passwort-Backups vorgeschlagen, indem Fragen wie “Mögen Sie Country-Musik?” gestellt wurden und sich auf textbasierte Präferenzen anstelle von visuellen Eingaben konzentrierte.

Eine spätere Zusammenarbeit von Jakobsson aus dem Jahr 2012 ersetzte Text durch Bilder:

Ein Screenshot aus der Kalibrierungs-/Registrierungsphase des Markus-Jakobsson-2012-PBA-Projekts. Quelle

Die Autoren bemerken jedoch, dass dieses Schema die ästhetische Bewertung der Bilder nicht berücksichtigt, sondern Bilder als Stellvertreter für Wörter oder Konzepte verwendet. Im Gegensatz dazu versucht AEbA, ein benutzerspezifisches “Vorliebensdomäne” zu erkennen, das nicht direkt mit bestimmten Dingen oder Aktivitäten verbunden ist.

Die Autoren des neuen Papiers bemerken auch, dass es praktische Grenzen für die Anzahl der Elemente gibt, die dem Betrachter unter diesem Ansatz präsentiert werden können, während die Entwicklung eines abstrakteren Modells der Benutzerpräferenzen diese Grenzen entfernt und externe Angriffe und Nachahmung (z. B. basierend auf Phishing, persönlichen Kenntnissen oder anderen Methoden der Täuschung) viel schwieriger macht.

Die Idee von grafischen Passwörtern geht dieser Arbeit voraus, mit einer Vielzahl von Schemata, die in den späten 1990er Jahren aufkamen. Eine kontemporäre Studie betrachtet PassFaces, bei der Benutzer Gesichter (andere als ihre eigenen) memorieren mussten, anstatt Passwörter. Mit diesem Ansatz müsste ein potenzieller Eindringling theoretisch eine außergewöhnlich intime Domänenkenntnis der Gesichtsvorlieben des Benutzers haben. Zusätzlich könnte der Benutzer wahrscheinlich darauf vertrauen, die gleichen Gesichter über die Zeit hinweg während der Orientierungsphase auszuwählen.

Aus den späten 1990er Jahren, das PassFaces-Schema, das an der Goldsmiths-Universität in London getestet wurde, erforderte, dass der Benutzer vier Gesichter anderer Menschen auswählte und memorisierte. Die anfängliche Auswahl basierte auf den Vorlieben des Benutzers, und in diesem Sinne ist die Arbeit mit AEbA verwandt. Quelle

Am nächsten mit AEbA verwandt ist Déjà vu, das den Betrachtern zufällige Kunstbilder präsentierte, die nicht unbedingt dazu bestimmt waren, die Vergnügungsreaktion zu nutzen, sondern vielmehr darauf abzielten, durch die Verwendung von schockierenden und disharmonischen Bildern zu helfen, dass Benutzer spezifische Bilder memorisieren, die sie in ein “Portfolio” während der anfänglichen Registrierung aufnehmen und später aus mehreren möglichen Bildern bei der Authentifizierung wiedererkennen müssen.

Zusammenstellung eines Portfolios von ‘bevorzugten’ Bildern für Déjà vu. Quelle: https://netsec.ethz.ch/publications/papers/usenix.pdf

Wie die Autoren des neuen Papiers bemerken, ignoriert dieser Ansatz die Vorteile, die in der neuroästhetischen Literatur (d. h. es gibt wenig interne Motivation, sich mit den angebotenen Bildern zu verbinden) aufgeführt sind.

Zusätzlich ist diese Methode anfällig für “Shoulder-Surfing”, bei dem ein nahegelegener (oder Man-in-the-Middle-) Angreifer die Gelegenheit haben könnte, zu beobachten, welche Bilder ausgewählt werden. Im Gegensatz dazu würde eine vollständige Implementierung von AEbA keine Bilder wiederholen, die zuvor in Trainings- oder Authentifizierungssitzungen verwendet wurden.

Zusätzlich bemerkt das Papier*:

‘Eines der Probleme, die bei grafischen Passwörtern identifiziert wurden, ist, dass Benutzer, wie bei regulären Passwörtern, dazu neigen, einfache Zeichnungen auszuwählen, was die Variabilität dieser Passwörter verringert und sie anfälliger für adversarische Angriffe macht. Ein weiteres Problem (und vielleicht ein Grund für das vorherige) ist potenzielle Interferenz, wenn solche Schemata in mehreren Systemen verwendet werden, d. h. die Erinnerung eines Benutzers an ein Passwort für ein System beeinträchtigt seine Erinnerung an ein Passwort für ein anderes System. Diese Probleme sind weniger besorgniserregend, wenn AEbA implementiert wird, das auf angeborenen Präferenzen basiert, die nicht von bestimmten Konten oder der Memorisation von Bildern abhängen.’

Die Autoren betonen auch einen zusätzlichen Vorteil von AEbA: Kontextwahrnehmung. Selbst wenn ein Shoulder-Surfer oder ein RAT-Angreifer in der Lage wäre, eine Authentifizierungssitzung zu beobachten, wüsste er nicht, wie weit die “nicht gemochten” Bilder (d. h. präsentierte Bilder, die der Benutzer niedrig bewertet oder ablehnt) von den “gemochten” Bildern entfernt sind – ein Faktor, der jedes Mal unterschiedlich ist.

‘Folglich hilft es nicht, zu wissen, dass jemand ein Bild mag, wenn wir nicht wissen, wie sehr das Bild gemocht wird im Vergleich zu anderen Bildern im angezeigten Satz.’

Zusätzlich ist es unmöglich für einen Benutzer, sein Passwort unsicher zu speichern, um es bequemer zu machen, wie auf einem Stück Papier, da seine Domäne von bevorzugten Bildinhalten außergewöhnlich abstrakt und nicht reduzierbar ist.

Testen von AEbA

Die Forscher implementierten das System als Spiel, im Rahmen eines Proof-of-Concepts der Kernprämissen des Projekts, indem sie eine Datenbank von 318 Bildern von der kostenlosen Stock-Website pexels.com kuratierten und auch Bilder aus einem persönlichen Archiv hinzufügten.

Die Fotos wurden in acht Kategorien eingeteilt (Universum, Natur, Berge, Wald, Blumen, Stadtbilder, Meer und Sonstiges), und die Versuche wurden in Registrierung (während derer die Bilder von den Benutzern in einer einmaligen zehnminütigen Sitzung bewertet wurden), ein Authentifizierungsspiel und schließlich ein Adversarisches Spiel (das Erraten der Bildpräferenzen anderer) unterteilt.

Nachdem nicht teilnehmende Teilnehmer ausgeschlossen worden waren, wurde die Bequemlichkeitsstichprobe (d. h. die Gruppe der Teilnehmer) auf 33 berechtigte Spieler reduziert, bestehend aus 21 Frauen und 12 Männern.

Registrierung

In der Registrierungsphase wurden 3722 Bewertungen für 274 Bilder erhalten, mit einem Durchschnittswert von 6,07, einem Medianwert von 6, was zu den häufigsten Werten 7 und 8 führte. Das am wenigsten gemochte Bild erhielt einen Wert von 2,32, und das am meisten gemochte Bild einen Wert von 8,63.

Die Verteilung der Bildbewertungen unter den Top-Performern in den Versuchen.

Die Autoren behaupten, dass die auffälligen Schieflagen zu hohen und niedrigen Werten in den Bildbewertungen, kombiniert mit der Vielfalt solcher Gradienten über die Benutzerbasis, ihre Behauptung untermauern, dass Benutzer in der Lage sind, hoch differenzierbare Bewertungen für präsentierte Bilder abzugeben, ohne die Notwendigkeit, offensichtlich abstoßende oder “out-of-distribution”-Bilder zu verwenden. Es scheint, dass die allgemein variierten Launen und Vorlieben über eine kleine Benutzergruppe hinweg ausreichen, um das zentrale Konzept zu validieren.

Beispielbilder mit verschiedenen Benutzerbewertungen.

Authentifizierung

Für das Authentifizierungsspiel wurden 264 Spielrunden durchgeführt, bei denen jeder Teilnehmer das Spiel zweimal in durchschnittlich acht Sitzungen absolvierte. Der durchschnittliche Erfolgsrate betrug 76%.

Box-Plot-Diagramm der Spiel-Punkte-Verteilung unter den 33 Mitgliedern der Studie, mit durchschnittlichen Punkten, die durch eine dicke schwarze horizontale Linie angezeigt werden, und die Median-, erste und dritte Quartile, mit Minimum, Maximum und Ausreißern.

Obwohl es einen “leichten Rückgang” in der Leistung über die Zeit gab, wurde dieser bei den Top-50%-Teilnehmern stark reduziert und praktisch bei den 11 Top-Teilnehmern (ein Drittel der Endbenutzergruppe) eliminiert.

Adversarisches Spiel

Das Adversarial-Spiel-Modul umfasste uneingeschränktes Spielen (im Gegensatz zur Registrierung) und fand zehn Tage nach dem Start der Spielphase statt. 190 Spiele wurden für die Ergebnisse gezählt (ohne Spiele, bei denen technische Probleme auftraten). Die durchschnittliche Anzahl korrekter Adversarial-Selektionen betrug 2,88, was einer Erfolgsrate von 36% entspricht, was technisch gesehen dem Zufall entspricht (insbesondere unter Berücksichtigung der geringen Anzahl von Bildern in der Datenbank). Allerdings konnten die Teilnehmer in sieben Spielen 75% oder mehr der korrekten Bilder erraten.

Fazit

Die lockere Testmethodik (wie die Verwendung einer Bequemlichkeitsstichprobe für die Testkandidaten) in der Studie zeigt, dass der Ansatz derzeit einen umfassenden Proof-of-Concept darstellt; einen nascenten Hinweis darauf, dass menschenzentrierte “Domänen-Erfassung” eines Tages eine einfache und sogar angenehme Methode der Authentifizierung bieten könnte, die schwer zu beeinflussen oder zu stören ist. Es ist klar, dass viel strengere Tests mit einer größeren Anzahl von Teilnehmern und einem ordnungsgemäß inszenierten Authentifizierungsszenario erforderlich wären, um den Wert von AEbA zu etablieren.

Die Autoren schlussfolgern:

‘Es wäre auch interessant, die Möglichkeit zu untersuchen, maschinelle Lernverfahren zu verwenden, um die Bewertungen einzelner Benutzer vorherzusagen und Schlüssel und Decoys zu generieren, die der Benutzer zuvor nicht bewertet hat. Dies könnte den Passwort-Raum durch die Erhöhung der Bild-Pools und der Variabilität einzelner Benutzer vergrößern.’

*Meine Umwandlung der inline-Zitate der Autoren in Hyperlinks

Erstveröffentlicht am 13. April 2022.