Reconhecimento de Preferência Estética como um Fator de Autenticação Potencial

Um novo artigo de Israel propôs um esquema de autenticação baseado nas preferências estéticas do usuário, no qual o usuário calibra o sistema uma vez, classificando imagens, gerando assim um “domínio” privado das predileções visuais e visuais/conceituais do indivíduo. Mais tarde, o usuário seria desafiado no momento da autenticação para combinar suas preferências registradas com conjuntos de imagens novos.

Dos testes de uma implementação ‘gamificada’ do AEbA – à esquerda, o usuário classifica a qualidade estética de uma imagem; à direita, uma pontuação é sinalizada no final de uma etapa na fase ativa da aplicação dos testes. Fonte: https://arxiv.org/ftp/arxiv/papers/2204/2204.05623.pdf

O sistema é intitulado Autenticação Baseada em Avaliação Estética (AEbA), e é uma submissão para a Conferência Técnica Anual da USENIX de 2022, na Califórnia, em julho.

O AEbA foi testado pelos pesquisadores do artigo na forma de uma série de jogos, onde os participantes foram obrigados a treinar o sistema e, em seguida, classificar novas imagens que correspondiam aos seus gostos registrados. Uma segunda rodada de testes examinou a capacidade de um usuário de adivinhar as preferências de outros.

Do artigo – imagens de amostra, do pexels.com, adequadas para uso no AEbA.

Tal abordagem pode não ser adequada para todas as pessoas, pois nem todos têm um senso estético bem desenvolvido, mas pode servir bem como um esquema de autenticação primário para requisitos de segurança baixa-média, ou como uma das opções em uma variedade de métodos auxiliares em autenticação de dois fatores (2FA).

No entanto, a ideia nascente do sistema pode formar um ponto de partida para sistemas de desafios baseados em estética mais complexos, pois o número de imagens apresentadas aos usuários durante a autenticação pode ser escalado por padrão, conforme necessário, de forma semelhante à como os desafios CAPTCHA podem ser prolongados em caso de resultados iniciais incertos.

Quanto mais granular e estendido o desafio, maior a segurança que tal abordagem pode oferecer.

Uma escala de força de senha relativa quando vários fatores de um desafio AEbA se multiplicam: ‘D’ representa o número de imagens exibidas durante o desafio; Dhr representa o número de imagens que o usuário é obrigado a selecionar; e ‘S’ é o número de telas (ou seja, etapas) no processo linear de seleção estética.

Em termos de convenções comuns para autenticação humana, o AEbA incorpora elementos de Algo que você sabe (SYK) e Algo que você é (SYA), e é baseado em três premissas: que as coisas que gostamos (representadas no reino visual) são facilmente distinguíveis para nós (de acordo com a teoria geral da mnemônica); nossos gostos estéticos permanecem relativamente consistentes; e que há uma diferença adequada nos gostos de usuários variados para fornecer uma distinção não adivinhável em preferências.

Os autores sugerem que a técnica pode ser adaptada em frameworks de aprendizado de máquina capazes de prever as avaliações individuais dos usuários.

O artigo é intitulado Segredos bonitos: usando imagens estéticas para autenticar usuários, e vem de dois pesquisadores da Faculdade de Engenharia de Software e Sistemas de Informação da Universidade Ben-Gurion do Negev, em Beersheba.

O Poder dos Domínios de Imagens

O AEbA não depende da memorização, mas sim trata o usuário final como um sistema de reconhecimento de imagens treinado que desenvolveu uma gama robusta e muito específica de respostas de prazer, e se concentra nessas respostas de prazer muito fortes associações de prazer.

Em essência, o AEbA depende do equivalente humano de priores abstratos em sistemas de visão computacional e síntese de imagens, que podem transmitir estilo e recursos específicos de domínio sem serem incorporados em uma imagem única e imutável. É por meio da aplicação de tais priores que uma Rede Adversária Generativa (GAN) pode ser treinada para incorporar um domínio (por exemplo, ‘Van Gogh’) na geração de imagens novas.

O novo estudo apresenta evidências na literatura anterior de que as imagens são mais fáceis de memorizar do que as palavras, que as imagens agradáveis são mais fáceis de memorizar do que as imagens em geral, e que a avaliação ativa de imagens (como durante o curto processo de treinamento do AEbA) melhora a memorabilidade das imagens ainda mais. Estudos que remontam à década de 1970 estabeleceram que os seres humanos possuem ‘capacidade de armazenamento maciça’ para imagens em geral, e para imagens visualizadas anteriormente, e nossa capacidade de incorporar imagens na memória foi demonstrada para notavelmente superar nossa capacidade de memória verbal.

Embora o senso comum sugira que especialistas em domínio, como radiologistas, seriam mais sensíveis a imagens de seus próprios domínios, um estudo de 2010 afirmou que a capacidade de memória para imagens do dia a dia é muito mais capaz do que para imagens específicas de domínio, mesmo em pessoas com uma especialidade visual.

Autenticação Baseada em Preferência

A noção de aproveitar a preferência como um mecanismo de autenticação ganhou destaque em dois artigos liderados por Markus Jakobsson do Palo Alto Research Center, a partir de 2008. Essa pesquisa sobre Autenticação Baseada em Preferência (PBA) sugeriu que a música, a comida, as obras de arte e outras coisas que gostamos são enraizadas em nossas mentes e impulsionadas por motivações internas poderosas.

A PBA foi originalmente sugerida apenas como um dispositivo para facilitar a redefinição de senhas, usando perguntas como ‘Você gosta de música country?’, e se concentrando em preferências baseadas em texto ao longo de princípios mnemônicos tradicionais, em vez de entrada visual.

Uma colaboração subsequente de Jakobsson em 2012 substituiu o texto por imagens:

Uma captura de tela da fase de calibração/registro do projeto PBA de Markus Jakobsson de 2012. Fonte

No entanto, os autores observam que esse esquema não leva em conta a avaliação estética das imagens, mas usa imagens como proxies para palavras ou conceitos. Em contraste, o AEbA busca discernir um ‘domínio de prazer’ específico do usuário que não está diretamente relacionado a coisas ou atividades específicas.

Os autores do novo artigo também observam que há limites práticos para o número de itens que podem ser apresentados ao visualizador sob a abordagem de 2012, enquanto o desenvolvimento de um modelo mais abstrato de preferências do usuário remove esses limites e torna ataques externos e simulação (ou seja, com base em phishing, conhecimento pessoal ou outros métodos de subterfúgio) muito mais difíceis.

A ideia de senhas gráficas notadamente precede esse trabalho, com uma proliferação de esquemas surgindo no final dos anos 90. Um estudo contemporâneo considera PassFaces, onde os usuários tinham que memorizar faces (além da própria) em vez de senhas. Com essa abordagem, um potencial infiltrador precisaria ter um conhecimento íntimo extraordinário das preferências faciais do usuário. Além disso, o usuário poderia presumivelmente ser confiável para selecionar as mesmas faces ao longo do tempo durante a fase de orientação.

Do final dos anos 90, o esquema PassFaces testado na Universidade Goldsmiths de Londres exigia que o usuário escolhesse e memorizasse quatro faces de outras pessoas. A escolha inicial foi baseada na preferência do usuário, e nesse sentido o trabalho está relacionado ao AEbA. Fonte

Mais intimamente relacionado ao AEbA é Déjà vu, que apresentou aos visualizadores imagens de arte aleatórias não necessariamente projetadas para engajar a resposta de prazer, mas sim para usar imagens desagradáveis e discordantes para ajudar os usuários a memorizar imagens específicas que incorporariam em um ‘portfólio’ durante o registro inicial e, mais tarde, seriam obrigados a reconhecer de várias imagens possíveis no momento da autenticação.

Montando um portfólio de ‘imagens preferidas’ para Déjà vu. Fonte: https://netsec.ethz.ch/publications/papers/usenix.pdf

Como os autores do novo artigo observam, essa abordagem ignora os benefícios delineados na literatura neuroestética (ou seja, há pouca motivação interna para se conectar a qualquer imagem possível que seja oferecida).

Além disso, tal método é vulnerável a ‘shoulder-surfing’, onde um atacante proximal (ou MiTM) pode ter a oportunidade de testemunhar quais imagens são escolhidas. Em contraste, uma implementação completa do AEbA não repetiria imagens previamente usadas, seja em treinamento ou sessões de autenticação.

Além disso, o artigo observa*:

‘Um dos problemas identificados em senhas gráficas é que, como em senhas regulares, os usuários tendem a selecionar desenhos simples, o que diminui a variabilidade dessas senhas e as torna mais suscetíveis a ataques adversários. Outro problema (e talvez uma razão para o anterior) é a interferência potencial se tais esquemas forem usados em vários sistemas, ou seja, a memória do usuário de uma senha para um sistema prejudica a memória de uma senha para outro sistema. Esses problemas são menos preocupantes ao implementar o AEbA, que depende de preferências inatas que não dependem de contas específicas ou de memorizar imagens.’

Os autores também enfatizam uma vantagem adicional do AEbA: percepção contextual. Mesmo que um ‘shoulder-surfer’ ou atacante RAT conseguisse visualizar uma sessão de autenticação, não saberia quão longe as imagens ‘não gostadas’ (ou seja, imagens apresentadas que o usuário classifica com baixa pontuação ou rejeita durante a autenticação) estão da imagem ‘gostada’ – um fator que será diferente a cada vez.

‘Consequentemente, saber que alguém gosta de uma imagem não ajuda necessariamente se não soubermos quão muito a imagem é gostada em relação a outras imagens no conjunto exibido.’

Além disso, é impossível para um usuário armazenar sua senha de forma insegura para conveniência, como em um pedaço de papel, porque seu domínio de conteúdo de imagem preferida é extraordinariamente abstrato e não redutível.

Testando o AEbA

Os pesquisadores implementaram o sistema como um jogo, no contexto de uma prova de conceito do projeto, curando um banco de dados de 318 imagens do site de estoque gratuito pexels.com, e também incluindo imagens de um arquivo pessoal.

As fotos foram classificadas em oito categorias (Universo, Natureza, Montanhas, Floresta, Flores, Paisagens urbanas, Litoral e Outro), e os testes foram divididos em Registro (onde as imagens foram inicialmente classificadas pelos usuários em uma sessão única de dez minutos), um Jogo de Autenticação e, finalmente, um Jogo Adversário (adivinhando as preferências de imagem dos outros).

Após eliminar os participantes não contribuintes, a amostra de conveniência (ou seja, o grupo de participantes do teste) foi reduzida a 33 jogadores elegíveis, consistindo em 21 mulheres e 12 homens.

Registro

Na fase de Registro, 3722 classificações foram obtidas para 274 imagens, com uma classificação média de 6,07, uma mediana de 6, resultando nos valores mais frequentes 7 e 8. A imagem menos gostada recebeu apenas 2,32, e a mais gostada 8,63.

A distribuição de classificações de imagens entre os principais desempenhos nos testes.

Os autores argumentam que os desvios notáveis para valores altos e baixos nas classificações de imagens, combinados com a variedade desses gradientes na base de usuários, comprova sua afirmação de que os usuários são capazes de aplicar classificações de gostos altamente diferenciáveis às imagens apresentadas, sem a necessidade de incluir imagens obviamente repulsivas ou ‘fora do domínio’. Parece que as predileções e caprichos geralmente variados em uma pequena base de usuários são suficientes para validar o conceito central.

Imagens de amostra com várias classificações de usuários.

Autenticação

Para o Jogo de Autenticação, 264 sessões de jogo foram realizadas, com cada participante completando o jogo duas vezes em uma média de oito sessões. A taxa de sucesso média foi de 76%.

Gráfico de caixa da distribuição de pontuações do jogo entre os 33 membros do teste, com pontuações médias denotadas em linha preta horizontal grossa, exibindo medianas, primeiros e terceiros quartis, com mínimo, máximo e outliers.

Embora houvesse uma ‘lenta declínio’ no desempenho ao longo do tempo, isso foi grandemente reduzido entre os 50% principais de participantes, praticamente desaparecendo nos 11 principais participantes (um terço do grupo final de usuários).

Jogo Adversário

O componente Jogo Adversário apresentou jogo irrestrito (ao contrário do Registro), e ocorreu dez dias após o lançamento da Fase do Jogo. 190 jogos foram contados para os resultados (excluindo jogos onde ocorreram problemas técnicos). O número médio de escolhas adversárias corretas foi de 2,88, uma taxa de sucesso de 36% tecnicamente equivalente ao acaso (particularmente considerando o baixo número de imagens no conjunto de dados). No entanto, em sete jogos, os contribuintes conseguiram adivinhar 75% ou mais das imagens corretas.

Conclusão

A metodologia de teste casual (como o uso de uma amostra de conveniência para testar candidatos) no estudo significa que a abordagem atual representa um amplo conceito; uma indicação nascente de que a ‘captura de domínio’ centrada no ser humano pode um dia fornecer um método fácil e até agradável de autenticação que é difícil de apropriar ou interferir. Está claro que testes muito mais rigorosos, com números mais altos de participantes e um cenário de autenticação adequadamente encenado, seriam necessários para estabelecer o valor do AEbA.

Os autores concluem:

‘Também seria interessante estudar o potencial de usar técnicas de aprendizado de máquina para prever as avaliações individuais dos usuários e para gerar chaves e iscas que o usuário não tenha classificado anteriormente. Fazer isso poderia aumentar o espaço de senha, aumentando os pools de imagens individuais dos usuários e sua variabilidade.’

*Minha conversão das citações inline dos autores em links

Publicado pela primeira vez em 13 de abril de 2022.