Rozpoznawanie preferencji estetycznych jako potencjalny czynnik uwierzytelniania

Nowy artykuł z Izraela zaproponował schemat uwierzytelniania oparty na preferencjach estetycznych użytkownika, w którym użytkownik kalibruje system jeden raz, oceniając obrazy, generując w ten sposób prywatną “domenę” indywidualnych preferencji wizualnych i pojęciowych. Później użytkownik byłby wyzwany do dopasowania swoich zarejestrowanych preferencji do nowych zestawów obrazów w czasie uwierzytelniania.

Z prób wdrożenia „zgrywalizowanego” AEbA – po lewej, użytkownik ocenia jakość estetyczną obrazu; po prawej, wynik jest sygnalizowany na końcu etapu aktywnej fazy aplikacji podczas prób. Źródło: https://arxiv.org/ftp/arxiv/papers/2204/2204.05623.pdf

System nosi nazwę Uwierzytelnianie oparte na ocenie estetycznej (AEbA) i jest zgłoszony na konferencję USENIX Annual Technical Conference w Kalifornii w lipcu 2022 roku.

AEbA został przetestowany przez autorów artykułu w postaci serii gier, w których uczestnicy musieli najpierw przeszkolić system, a następnie ocenić nowe obrazy, które odpowiadały ich zarejestrowanym preferencjom. W drugiej rundzie testów sprawdzono, czy użytkownik może odgadnąć preferencje innych osób.

Z artykułu – przykładowe obrazy, z pexels.com, odpowiednie do użycia w AEbA.

Taki podejście może nie być odpowiednie dla wszystkich ludzi, ponieważ nie każdy ma dobrze rozwinięte poczucie estetyki, ale może służyć jako podstawowy schemat uwierzytelniania dla niskich i średnich wymagań bezpieczeństwa lub jako jeden z możliwych dodatkowych metod w uwierzytelnianiu dwuskładnikowym (2FA).

Jednakże, pomysł systemu może stanowić punkt wyjścia dla bardziej złożonych systemów wyzwań opartych na estetyce, ponieważ liczba obrazów przedstawianych użytkownikom podczas uwierzytelniania może być skalowana w górę według potrzeb, podobnie jak wyzwania CAPTCHA mogą być przedłużone w przypadku niepewnych wyników.

Im bardziej szczegółowe i rozbudowane wyzwanie, tym wyższy poziom bezpieczeństwa może ono zapewnić.

Skala względnej siły hasła, gdy kilka czynników wyzwania AEbA się mnoży: ‘D’ reprezentuje liczbę obrazów wyświetlanych podczas wyzwania; Dhr reprezentuje liczbę obrazów, które użytkownik musi wybrać; a ‘S’ to liczba ekranów (tj. etapów) w liniowym procesie selekcji estetycznej.

W kwestii powszechnych konwencji uwierzytelniania ludzi, AEbA łączy elementy Czegoś, co wiesz (SYK) i Czegoś, kim jesteś (SYA), i opiera się na trzech założeniach: że rzeczy, które lubimy (reprezentowane w dziedzinie wizualnej) są dla nas łatwo rozróżnialne (zgodnie z ogólną teorią mnemotechnik); nasze gusta estetyczne pozostają względnie spójne; i że istnieje wystarczająca różnica w gustach różnych użytkowników, aby zapewnić niewygórowaną różnicę w preferencjach.

Autorzy sugerują, że technika ta mogłaby być dostosowana do ramień uczenia maszynowego, które mogą przewidywać oceny indywidualnych użytkowników.

Artykuł pt. Piękne sekrety: używanie estetycznych obrazów do uwierzytelniania użytkowników, pochodzi od dwóch badaczy z Wydziału Inżynierii Oprogramowania i Systemów Informacyjnych Uniwersytetu Ben-Guriona w Beer Szewie.

Moc domen obrazowych

AEbA nie opiera się na zapamiętywaniu, ale traktuje użytkownika końcowego jako wyszkolony system rozpoznawania obrazów, który rozwinął silny i bardzo specyficzny zakres reakcji przyjemności, i koncentruje się na tych bardzo silnych asocjacjach przyjemności.

W istocie, AEbA opiera się na ludzkim odpowiedniku abstrakcyjnych priorytetów w systemach wizji komputerowej i syntezie obrazów, które mogą przekazywać styl i cechy specyficzne dla domeny bez konieczności uwikłania się w jeden i niezmienny obraz. To właśnie poprzez zastosowanie takich priorytetów, sieć generatywno-dyskryminacyjna (GAN) może być wyszkolona do uwzględnienia domeny (np. „Van Gogh”) w generowaniu innych, całkowicie nowych obrazów.

Nowe badanie przedstawia dowody z literatury poprzedniej, że obrazy są łatwiejsze do zapamiętania niż słowa, że przyjemne obrazy są łatwiejsze do zapamiętania niż ogólne obrazy, i że aktywna ocena obrazów (taka jak podczas krótkiego procesu szkolenia AEbA) poprawia zapamiętywanie obrazów jeszcze bardziej. Badania od lat 70. wykazały, że ludzie posiadają „ogromną pojemność pamięci” dla obrazów w ogóle, i dla wcześniej widzianych obrazów, a nasza zdolność do włączania obrazów do pamięci została udowodniona jako znacząco przewyższająca naszą pojemność pamięci werbalnej.

Chociaż zdrowy rozsądek sugeruje, że eksperci ds. domen, tacy jak radiolodzy, są najbardziej wrażliwi na obrazy z własnych dziedzin, badanie z 2010 r. twierdzi, że pojemność pamięci dla codziennych obrazów jest o wiele większa niż dla obrazów specyficznych dla danej dziedziny, nawet u osób z wizualną „specjalnością”.

Uwierzytelnianie oparte na preferencjach

Pomysł wykorzystania preferencji jako mechanizmu uwierzytelniania pojawił się w dwóch artykułach kierowanych przez Markus Jakobssona z Palo Alto Research Center, od 2008 roku. Ta seria badań wokół uwierzytelniania opartego na preferencjach (PBA) sugerowała, że muzyka, jedzenie, dzieła sztuki i inne rzeczy, które lubimy, są głęboko zakorzenione w naszych umysłach i napędzane przez potężne motywacje wewnętrzne.

PBA został pierwotnie zaproponowany jako urządzenie ułatwiające resetowanie haseł, używając pytań takich jak „Czy lubisz muzykę country?”, i koncentrując się na preferencjach opartych na tekście, zgodnie z tradycyjnymi zasadami mnemotechnik, a nie na danych wizualnych.

Późniejsza współpraca Jakobssona z 2012 r. zastąpiła tekst obrazy:

Zrzut ekranu z fazy kalibracji/rejestracji projektu PBA Markus Jakobssona z 2012 r. Źródło

Jednak autorzy zauważają, że ten schemat nie uwzględnia oceny estetycznej obrazów, ale używa obrazów jako proxy dla słów lub pojęć. W przeciwieństwie do tego, AEbA stara się rozpoznać użytkownikową „domenę przyjemności”, która nie jest bezpośrednio związana z konkretnymi rzeczami lub działaniami.

Autorzy nowego artykułu zauważają również, że istnieją praktyczne ograniczenia liczby elementów, które mogą być przedstawione użytkownikowi w podejściu z 2012 r., podczas gdy rozwinięcie bardziej abstrakcyjnego modelu preferencji użytkownika usuwa te ograniczenia i sprawia, że ataki zewnętrzne i naśladownictwo (np. oparte na phishingu, wiedzy osobistej lub innych metodach podstępu) stają się o wiele trudniejsze.

Pomysł haseł graficznych znacznie poprzedza tę pracę, z wieloma schematami pojawiającymi się pod koniec lat 90. Współczesne badanie rozważa PassFaces, gdzie użytkownicy musieli zapamiętać twarze (inne niż własne) zamiast haseł. Z tym podejściem potencjalny intruz teoretycznie musiałby mieć nadzwyczajną wiedzę o domenie preferencji twarzy użytkownika. Dodatkowo, użytkownik mógłby być spolegliwy na wybór tych samych twarzy w czasie fazy orientacji.

Z końca lat 90., schemat PassFaces testowany na Uniwersytecie Goldsmiths w Londynie wymagał od użytkownika wyboru i zapamiętania czterech twarzy innych ludzi. Wybór początkowy opierał się na preferencjach użytkownika, i w tym sensie praca ta jest związana z AEbA. Źródło

Najbardziej zbliżony do AEbA jest Déjà vu, który przedstawił widzom losowe obrazy sztuki, niekoniecznie zaprojektowane do wywołania reakcji przyjemności, ale raczej zamierzone do użycia obrazów szokujących i niezgodnych, aby pomóc użytkownikom zapamiętać konkretne obrazy, które zostaną uwzględnione w „portfelu” podczas początkowej rejestracji, i później będą musieli je rozpoznać spośród wielu możliwych obrazów w czasie uwierzytelniania.

Składanie portfela „preferowanych” obrazów dla Déjà vu. Źródło: https://netsec.ethz.ch/publications/papers/usenix.pdf

Jak zauważają autorzy nowego artykułu, ten podejście ignoruje korzyści wymienione w literaturze neuroestetycznej (tj. brak wewnętrznej motywacji do połączenia się z dowolnymi możliwymi obrazami).

Dodatkowo, taka metoda jest podatna na „shoulder-surfing”, gdzie bliski (lub MiTM) atakujący może mieć okazję zaobserwować, które obrazy są wybrane. W przeciwieństwie do tego, pełna implementacja AEbA nie powtarzałaby obrazów użytych wcześniej, ani w sesjach szkoleniowych, ani uwierzytelniania.

Ponadto, artykuł zauważa*:

‘Jednym z problemów zidentyfikowanych w hasłach graficznych jest to, że, podobnie jak w zwykłych hasłach, użytkownicy skłonni są wybierać proste rysunki, co zmniejsza zmienność tych haseł i sprawia, że stają się one bardziej podatne na ataki adversarialne. Innym problemem (i być może powodem poprzedniego) jest potencjalne zakłócenie, jeśli takie schematy są używane w kilku systemach, tj. pamięć użytkownika hasła dla jednego systemu zakłóca pamięć hasła dla innego systemu. Te problemy są mniej istotne przy wdrażaniu AEbA, które opiera się na wrodzonych preferencjach, które nie zależą od konkretnych kont lub zapamiętywania obrazów.’

Autorzy podkreślają dodatkową zaletę AEbA: percepcję kontekstową. Nawet gdyby shoulder-surfer lub atakujący RAT mógł obejrzeć sesję uwierzytelniania, nie wiedziałby, jak daleko „nieulubione” obrazy (tj. przedstawione obrazy, które użytkownik ocenia nisko lub odrzuca podczas uwierzytelniania) są od „ulubionych” obrazów – czynnik, który będzie inny za każdym razem.

‘W związku z tym, wiedza o tym, że ktoś lubi obraz, niekoniecznie pomaga, jeśli nie wiemy, jak bardzo obraz jest lubiany w stosunku do innych obrazów w wyświetlanym zestawie.’

Ponadto, jest niemożliwe, aby użytkownik przechowywał swoje hasło w sposób niebezpieczny dla wygody, tak jak na skrawku papieru, ponieważ jego domena preferowanych treści obrazowych jest niezwykle abstrakcyjna i nieodwracalna.

Testowanie AEbA

Badacze wdrożyli system jako grę, w kontekście dowodu pojęciowego podstawowych założeń projektu, kuratorując bazę danych 318 obrazów z bezpłatnej strony stockowej pexels.com, oraz włączając obrazy z osobistej kolekcji.

Zdjęcia zostały sklasyfikowane w osiem kategorii (Wszechświat, Przyroda, Góry, Las, Kwiaty, Pejzaże miejskie, Nadbrzeża i Inne), a próby zostały podzielone na Rejestrację (gdzie obrazy zostały początkowo ocenione przez użytkowników w jednej, 10-minutowej sesji), grę Uwierzytelnianie i wreszcie grę Adversarial (odgadywanie preferencji obrazowych innych osób).

Po wykluczeniu nieuczestniczących uczestników, próba (tj. grupa uczestników) została zredukowana do 33 kwalifikujących się graczy, składających się z 21 kobiet i 12 mężczyzn.

Rejestracja

W fazie rejestracji uzyskano 3722 oceny dla 274 obrazów, z średnią oceną 6,07, medianą 6, w wyniku czego najczęstsze wartości to 7 i 8. Najmniej lubiany obraz uzyskał tylko 2,32, a najbardziej lubiany 8,63.

Rozkład ocen obrazów wśród najlepszych wykonawców w próbach.

Autorzy twierdzą, że znaczące skrzywienia w kierunku wysokich i niskich wartości w ocenach obrazów, w połączeniu z różnorodnością takich gradientów wśród użytkowników, potwierdza ich twierdzenie, że użytkownicy są w stanie stosować bardzo różnicowane oceny lubianych obrazów, bez potrzeby uwzględniania oczywiście odpychających lub „poza dziedziną” obrazów. Wydaje się, że ogólnie zróżnicowane kaprysy i upodobania wśród nawet małej grupy użytkowników są wystarczające, aby potwierdzić centralną koncepcję.

Przykładowe obrazy z różnymi ocenami użytkowników.

Uwierzytelnianie

W grze uwierzytelniania przeprowadzono 264 sesje gry, z każdym uczestnikiem kończącym grę dwa razy w ciągu średnio ośmiu sesji. Średni współczynnik powodzenia wyniósł 76%.

Wykres pudełkowy rozkładu wyników gry wśród 33 członków próby, ze średnimi wynikami oznaczonymi czarną linią, wyświetlającymi medianę, pierwszy i trzeci kwantyl, z minimum, maksimum i odstawkami.

Chociaż wystąpił „lekki spadek” wyników w czasie, został on znacznie zredukowany wśród najlepszych 50% uczestników, praktycznie znikając wśród 11 najlepszych uczestników (co stanowi jedną trzecią końcowej grupy użytkowników).

Gra Adversarial

Komponent gry Adversarial obejmował nieograniczoną grę (w przeciwieństwie do Rejestracji), i odbywał się dziesięć dni po rozpoczęciu fazy gry. Zarejestrowano 190 gier dla wyników (z wyłączeniem gier, w których wystąpiły problemy techniczne). Średnia liczba poprawnych wyborów Adversarial wyniosła 2,88, co stanowi 36% współczynnika powodzenia, technicznie równoważnego przypadkowi (szczególnie biorąc pod uwagę niewielką liczbę obrazów w zbiorze danych). Jednak w siedmiu grach, uczestnicy byli w stanie odgadnąć 75% lub więcej poprawnych obrazów.

Wnioski

Metodologia testowa (taka jak użycie próby dogodności do testowania kandydatów) wskazuje, że podejście reprezentuje obecnie szeroki dowód pojęciowy; wczesny wskaźnik, że ludzkie „przechwytywanie domeny” może kiedyś zapewnić łatwy i nawet przyjemny sposób uwierzytelniania, który jest trudny do zaaplikowania lub zakłócenia. Jest oczywiste, że wymagane będą znacznie bardziej rygorystyczne próby, z większą liczbą uczestników i właściwie zaplanowanym scenariuszem uwierzytelniania, aby ustalić wartość AEbA.

Autorzy kończą*:

‘Byłoby również interesujące, aby zbadać potencjał stosowania technik uczenia maszynowego do przewidywania ocen indywidualnych użytkowników i generowania kluczy i dekojów, które użytkownik nie ocenił wcześniej. Może to zwiększyć przestrzeń haseł, zwiększając pulę obrazów indywidualnych użytkowników i ich zmienność.’

*Moja konwersja cytatów wewnętrznych autorów do linków

Publikowany po raz pierwszy 13 kwietnia 2022 r.