Esteettisen suosikin tunnistaminen mahdollisena todennus tekijänä

Uusi tutkimus Israelista on ehdottanut todennusjärjestelmää, joka perustuu käyttäjän esteettisiin suosikkeihin. Käyttäjä kalibroi järjestelmän kerran arvioimalla kuvia, jolloin luodaan yksityinen “alue” kyseisen henkilön visuaalisista ja visuaalis-käsitteellisistä suosikkeista. Myöhemmin käyttäjä haastetaan todennusaikana vastaamaan tallennettuihin suosikkeihin uusien kuvien avulla.

Kokeiden aikana ‘pelillistetyn’ AEbA-toteutuksen kuvista – vasemmalla käyttäjä arvioi kuvan esteettistä laatua; oikealla pisteet näytetään vaiheen lopussa aktiivisen soveltamisen aikana. Lähde: https://arxiv.org/ftp/arxiv/papers/2204/2204.05623.pdf

Järjestelmä on nimeltään Esteettinen arviointi -perustuva todennus (AEbA), ja se on ehdotus 2022 USENIX Annual Technical Conferenceen Kaliforniassa heinäkuussa.

AEbA:ta kokeiltiin tutkimuksen kirjoittajien toimesta pelisarjana, jossa osallistujien piti kouluttaa järjestelmä ja sitten arvioida uusia kuvia, jotka sopivat heidän rekisteröityihin makuunsa. Toisessa kierroksessa tutkittiin käyttäjän kykyä arvioida muiden suosikkeja.

Tutkimuksesta – esimerkkikuvat pexels.com:ista, jotka soveltuvat AEbA:han.

Tällainen lähestymistapa ei välttämättä sovi kaikille, koska ei kaikilla ole kehittynyt esteettistä herkkyyttä, mutta se voisi toimia joko pääasiallisena todennusmenetelmänä matalan tai keskitason turvallisuuden vaatimuksille tai yhtenä valittavista apumenetelmistä kahden tekijän todennuksessa (2FA).

Kuitenkin järjestelmän alkuvaiheessa oleva idea voisi muodostua lähtökohtaksi monimutkaisemmille esteettisille haastejärjestelmille, koska esitettävien kuvien määrä voidaan skaalata ylös oletusarvoisesti tarpeen mukaan, samalla tavalla kuin CAPTCHA-haasteet voidaan pidentää epävarman alkuperäisen tuloksen tapauksessa.

Haasteen granulariteetin ja laajuuden mukaan, sitä korkeampi turvallisuutta tämä lähestymistapa voi tarjota.

Suhteellisen salasanan vahvuuden asteikko, kun useat AEbA-haasteen tekijät kerrotaan: ‘D’ edustaa haasteen aikana näytettävien kuvien määrää; Dhr edustaa kuvien määrää, jotka käyttäjä on valittava; ja ‘S’ on vaiheiden (eli tasojen) määrä lineaarisessa esteettisen valinnan prosessissa.

Yleisistä todennusmenetelmien yleisistä konventioista, AEbA sisältää elementtejä Jonkin sinä tiedät (SYK) ja Jonkin sinä olet (SYA), ja perustuu kolmeen oletukseen: että asiat, jotka meillä on helppo erottaa (visuaalisessa valtakunnassa), ovat helppoja meistä (yleisen muistisäännön mukaan); esteettiset suosikkimme ovat suhteellisen vakaita; ja että on riittävästi eroa eri käyttäjien suosikkeissa, jotta voidaan tarjota arvauksen esto.

Tutkijat ehdottavat, että menetelmää voisi soveltaa koneoppimisraamikkeisiin, joissa voidaan ennustaa yksittäisten käyttäjien arvioita ja generoida avaimia ja harhakuvia, joita käyttäjä ei ole aikaisemmin arvioinut.

Tutkimus on nimeltään Kauniit salaisuudet: esteettisten kuvien käyttäminen käyttäjien todennukseen, ja se on kaksi tutkijan työ Software and Information Systems Engineering – tiedekunnasta Ben-Gurionin yliopistosta Beershebassa.

Kuvien alueen voima

AEbA ei riipu muistamisesta, vaan se kohdistuu loppukäyttäjään koulutettuna kuvatunnistusjärjestelmänä, joka on kehittynyt vahvaan ja erittäin spesifiseen miellyttävien vastausten kirjo, ja keskittyy niihin vahvoihin miellyttävien assosiaatioiden yhteyteen.

Itse asiassa AEbA perustuu ihmisen vastaavaan abstraktiin etuoikeuteen tietokoneen näön ja kuvansynteesijärjestelmissä, joka voi välittää tyylin ja aluekohtaiset ominaisuudet ilman, että se olisi kehyskuva. Sen kautta voidaan kouluttaa Generative Adversarial Network (GAN) sisällyttämään alue (esim. ‘Van Gogh’) uusien kuvien generointiin.

Uusi tutkimus esittää aiemman kirjallisuuden todisteita, että kuvat ovat helpompia muistaa kuin sanat, että miellyttävät kuvat ovat helpompia muistaa kuin yleiset kuvat, ja että aktiivinen kuvien arviointi (kuten AEbA:n lyhyen koulutusprosessin aikana) parantaa kuvien muistettavuutta entisestään. Tutkimukset 1970-luvulta lähtien ovat osoittaneet, että ihmisillä on “massiivinen tallennuskapasiteetti” kuvien yleensä ja aiemmin nähtyjen kuvien osalta, ja kykymme sisällyttää kuvia muistiin on demonstroitu merkittävästi ylittävä sanallisen muistin kapasiteettimme.

Vaikka yleinen järki viittaa siihen, että alan asiantuntijat, kuten radiologit, olisivat herkimpiä omien alueidensa kuvia kohtaan, 2010 tutkimus on väittänyt, että muistikapasiteetti arkisten kuvien osalta on paljon suurempi kuin alakohtaisen kuvan osalta, jopa niillä, joilla on visuaalinen “erikoisala”.

Suosikkiperusteinen todennus

Suosikkien käyttäminen todennusmenetelmänä tuli esiin kahtena tutkimuksena, jotka johtivat Markus Jakobssonia Palo Alton tutkimuskeskuksessa vuonna 2008. Tämä tutkimussarja ehdotti, että musiikki, ruoka, taideteokset ja muut asiat, jotka meillä on, ovat sisäänrakennettuina meidän mieleemme ja polttoaineena voimakkailla sisäisillä motivaatioilla.

Suosikkiperusteinen todennus (PBA) ehdotettiin alun perin vain laitteiston salasanojen palauttamiseen, käyttäen kysymyksiä kuten “Pitätkö country-musiikista?”, ja keskittyen tekstipohjaisiin suosikkeihin perinteisten mnemonisten periaatteiden mukaan, eikä visuaalisiin syötteisiin.

Myöhempi yhteistyö Jakobssonin vuonna 2012 korvasi tekstin kuvilla:

Kuvakaappaus kalibrointi-/rekisteröintivaiheesta Markus Jakobssonin 2012 PBA-projektissa. Lähde

Kuitenkin tutkijat huomauttavat, että tämä skeema ei ota huomioon kuvien esteettistä arviointia, vaan käyttää kuvia vain sanojen tai käsitteiden proxina. Sen sijaan AEbA pyrkii havaitsemaan käyttäjäkohtaisen “miellyttävän alueen”, joka ei ole suoraan liitetty tiettyihin asioihin tai toimintoihin.

Tutkimuksen kirjoittajat myös huomauttavat, että on käytännön rajoituksia siinä, kuinka monta kohtaa voidaan esittää katsojalle tämän lähestymistavan mukaan, kun taas abstraktimman käyttäjän suosikkimallin kehittäminen poistaa nämä rajoitukset ja tekee ulkoiset hyökkäykset ja matkimisen (esim. kalastelun, henkilökohtaisen tiedon tai muiden harhauttamisteknikoiden kautta) paljon vaikeammaksi.

Myös samanaikainen tutkimus tarkastelee PassFacesia, jossa käyttäjien piti muistaa kasvot (paitsi heidän omansa), eikä salasanoja. Tässä lähestymistavassa mahdollinen tunkeutuja tarvitsisi poikkeuksellisen intiimin tietämyksen käyttäjän kasvojen suosikkeista. Lisäksi käyttäjä voisi luottaa valitsemaan samat kasvot ajan myötä suuntaamisvaiheen aikana.

Lontoon Goldsmiths-yliopistossa kokeiltiin 1990-luvun lopulla PassFaces-skeemi, jossa käyttäjien piti valita ja muistaa neljä muun henkilön kasvoa. Alkuperäinen valinta perustui käyttäjän omiin suosikkeihin, ja tässä mielessä työ on liitetty AEbA:han. Lähde

AEbA:han lähinnä liittyvä on Déjà vu, jossa katsojille esitettiin satunnaisia taideteoksia, eikä välttämättä miellyttäviä kuvia, vaan tarkoituksena oli käyttää häiritseviä ja epäsointuvia kuvia auttamaan käyttäjiä muistamaan tietyt kuvat, jotka he sisällyttäisivät “portfolioonsa” alkuvaiheessa, ja myöhemmin heidän pitäisi tunnistaa ne useista mahdollisista kuvista todennusaikana.

Kokoamassa “suosikkikuvia” Déjà vu:lle. Lähde: https://netsec.ethz.ch/publications/papers/usenix.pdf

Tutkijat huomauttavat, että tämä lähestymistapa jättää huomiotta neuroestetiikan kirjallisuuden hyödyt (ts. ei ole sisäistä motivaatiota yhdistää mihinkään mahdolliseen kuvaan, joka tarjotaan).

Lisäksi tämä menetelmä on altis “olkanääntelylle”, jossa läheinen (tai Man-in-the-Middle) hyökkääjä voi saada mahdollisuuden nähdä, mitkä kuvat valitaan. Sen sijaan AEbA:n täydellinen toteutus ei toistaisi kuvia, jotka olivat aiemmin käytetty koulutus- tai todennusistunnoissa.

Lisäksi tutkimus huomauttaa*:

‘Yksi graafisten salasanojen ongelma on, että käyttäjät usein valitsevat yksinkertaisia piirroksia, mikä vähentää näiden salasanojen vaihtelua ja tekee ne helpommaksi vastustaa. Toinen ongelma (ja mahdollisesti edellisen syy) on mahdollinen häiriö, jos tällaisia skeemoja käytetään useissa järjestelmissä, eli käyttäjän muisti toisen järjestelmän salasanasta häiritsee toisen järjestelmän salasanan muistia. Nämä ongelmat ovat vähäisempiä, kun toteutetaan AEbA, joka perustuu sisäisiin suosikkeihin, jotka eivät riipu tietystä tilistä tai kuvien muistamisesta.’

Tutkijat korostavat myös AEbA:n lisäetua: kontekstuaalinen havainto. Vaikka olkanääntelijä tai RAT-hyökkääjä pystyisikin näkemään todennusistunnon, he eivät tietäisi, kuinka paljon “epäsuositeltuja” kuvia (ts. kuvia, joita käyttäjä arvioi alhaisesti tai hylkää todennusvaiheessa) on esitetty – tekijä, joka on erilainen joka kerta.

‘Sen seurauksena tiedon siitä, että joku pitää kuvasta, ei välttämättä auta, jos emme tiedä, kuinka paljon kuva on miellyttävä suhteessa muihin esitetyissä kuvissa.’

Lisäksi on mahdotonta, että käyttäjä voi tallentaa salasanansa turvattomasti mukavuuden vuoksi, kuten paperilappuselle, koska heidän suosikkikuvien alueensa on erittäin abstrakti ja ei-redusointi.

AEbA:n testaus

Tutkijat toteuttivat järjestelmän pelinä, jossa todennettiin projektiin liittyvien peruslähtökohtien olemassaolo.

Kuvat luokiteltiin kahdeksaan kategoriaan (Universumi, Luonto, Vuoret, Metsä, Kukat, Kaupunkimaiset, Rannikko ja Muu), ja kokeet jaettiin rekisteröintiin (jossa kuvat arvioitiin käyttäjien toimesta kerran kymmenen minuutin istunnossa), todennuspeliin ja lopulta vastustajapeliin (arvioimalla toisten kuvien suosikkeja).

Käyttäjien joukko supistui 33:een oikeutettuun pelaajaan, joista 21 oli naisia ja 12 miehiä.

Rekisteröinti

Rekisteröintivaiheessa saatiin 3722 arviota 274:stä kuvasta, keskiarvo 6,07, mediaani 6, tuloksena useimmin 7 ja 8. Vähiten suosittu kuva sai 2,32 pistettä, ja suosituin 8,63 pistettä.

Kuvien arvioiden jakautuminen kokeen parhaimmistoista.

Tutkijat väittävät, että kuvien arvioiden huomattavat vinot ja vaihtelut yhdistettynä käyttäjäkohtaisiin eroihin osoittavat, että käyttäjät pystyvät antamaan erittäin erottuvia arvioita esitetyille kuville ilman, että tarvitaan selvästi epämiellyttäviä tai “pois alueelta” -kuvia. Näyttää siltä, että yleisesti vaihtelevat mieltymykset ja suosikkikuvat pienessä käyttäjäryhmässä ovat riittäviä AEbA:n keskeisen käsitteen vahvistamiseen.

Esimerkkikuvia eri käyttäjien arvioilla.

Todennus

Todennuspelissä suoritettiin 264 pelisessiota, joissa jokainen osallistuja pelasi kahdesti keskimäärin kahdeksan sessiota. Keskiarvoisen onnistumisprosentti oli 76%.

Peliarvosanojen jakautumisen ruutukaavio 33 kokeen osanottajasta, jossa keskiarvot on merkitty mustalla viivalla, näyttäen mediaanin, ensimmäisen ja kolmannen kvantiilin, minimin, maksimin ja poikkeamat.

Vaikka suorituskykyssä oli “lievä lasku” ajan myötä, se väheni merkittävästi 50 %:n parhaimmistoista, ja käytännössä katosi 11 parhaan osanottajan (kolmanneksen lopullisesta käyttäjäryhmästä) joukossa.

Vastustajapeli

Vastustajapelin osuus sisälsi vapaan pelin (toisin kuin rekisteröinti), ja se tapahtui kymmenen päivän kuluttua pelivaiheen aloittamisesta. 190 peliä laskettiin tuloksiin (pois lukien pelit, joissa ilmeni teknisiä ongelmia). Oikeiden vastustajavalintojen keskiarvo oli 2,88, 36 %:n onnistumisprosentti, joka vastasi satunnaisuutta (erityisesti ottaen huomioon kuvien määrän datassa). Kuitenkin seitsemässä pelissä osallistujat onnistuivat arvioimaan 75 % tai enemmän oikeista kuvista.

Johtopäätös

Epävirallinen testausmenetelmä (kuten käytännön näytteen käyttäminen testaamiseen) osoittaa, että lähestymistapa edustaa laajaa konseptia; aloitteleva osoitus siitä, että ihmiskeskeinen “alueen kaappaus” voisi tarjota helpon ja jopa nautinnollisen todennusmenetelmän, joka on vaikea kaapata tai häiritä. On selvää, että paljon tarkemmat kokeet, joissa on suurempi osallistujamäärä ja oikein suunniteltu todennusskenaario, olisi tarpeen osoittamaan AEbA:n arvo.

Tutkijat johtavat:

‘Olisi myös mielenkiintoista tutkia koneoppimismenetelmien potentiaalia yksittäisten käyttäjien arvioiden ennustamiseen ja avain- ja harhakuva-aineistojen generoimiseen, joita käyttäjä ei ole aikaisemmin arvioinut. Tämä voisi lisätä salasanan tilan kasvattamalla yksittäisten käyttäjien kuvapoolia ja vaihtelua.’

*Minun muunnos kirjoittajien sisäisistä viittauksista hyperlinkkeihin

Julkaistu ensimmäisen kerran 13. huhtikuuta 2022.