Распознавание эстетических предпочтений как потенциальный фактор аутентификации

Новая статья из Израиля предложила схему аутентификации, основанную на эстетических предпочтениях пользователя, при которой пользователь калибрует систему один раз, оценивая изображения, тем самым генерируя частное “область” визуальных и визуально-концептуальных предпочтений этого человека. Позже пользователь будет вызван во время аутентификации для сопоставления своих записанных предпочтений с новыми наборами изображений.

Из испытаний ‘игровой’ реализации AEbA – слева, пользователь оценивает эстетическую качество изображения; справа, счет отображается в конце этапа в активной фазе испытаний. Источник: https://arxiv.org/ftp/arxiv/papers/2204/2204.05623.pdf

Система называется Аутентификация на основе эстетической оценки (AEbA), и она является заявкой на конференцию USENIX Annual Technical Conference в Калифорнии в июле 2022 года.

AEbA была протестирована исследователями в виде серии игр, где участники должны были обучить систему и затем оценить новые изображения, соответствующие их зарегистрированным вкусам. Второй раунд тестов проверил способность пользователя угадать предпочтения других.

Из статьи – образцы изображений, с pexels.com, пригодные для использования в AEbA.

Такой подход может не подходить для всех людей, поскольку не у всех есть хорошо развитое эстетическое чувство, но он может хорошо послужить либо как основная схема аутентификации для низко-средних требований безопасности, либо как один из вариантов дополнительных методов в двухфакторной аутентификации (2FA).

Однако, новая идея системы может стать началом для более сложных систем, основанных на эстетике, поскольку количество изображений, представляемых пользователям во время аутентификации, может быть увеличено по умолчанию при необходимости, аналогично тому, как задачи CAPTCHA могут быть продлены в случае неопределенных первоначальных результатов.

Чем более детализирована и расширена задача, тем выше безопасность такого подхода.

Шкала относительной силы пароля, когда несколько факторов задачи AEbA умножаются: ‘D’ представляет количество изображений, отображаемых во время задачи; Dhr представляет количество изображений, которые пользователь должен выбрать; и ‘S’ — количество экранов (т. е. этапов) в линейном процессе эстетического выбора.

В плане общих конвенций для человеческой аутентификации, AEbA включает в себя элементы Что-то, что вы знаете (SYK) и Что-то, что вы есть (SYA), и основана на трех предпосылках: что вещи, которые нам нравятся (как представлено в визуальной области), легко различимы для нас (в соответствии с общей теорией мнемоник); наши эстетические вкусы остаются относительно постоянными; и что существует достаточная разница в вкусах различных пользователей, чтобы обеспечить неразгадываемое различие в предпочтениях.

Авторы предполагают, что технику можно адаптировать в машинных обучающих рамках, способных предсказывать оценки отдельных пользователей.

Статья названа Красивые секреты: использование эстетических изображений для аутентификации пользователей, и исходит от двух исследователей факультета программного обеспечения и информационных систем в Университете Бен-Гуриона Негева в Беэр-Шеве.

Сила области изображений

AEbA не полагается на запоминание, а rather рассматривает конечного пользователя как обученную систему распознавания изображений, которая развила сильную и очень специфическую гамму реакций удовольствия, и фокусируется на этих очень сильных ассоциациях удовольствия.

По сути, AEbA основана на человеческом эквиваленте абстрактных априорных в компьютерных системах зрения и синтеза изображений, которые могут передавать стиль и особенности области без того, чтобы быть воплощенными в едином и неизменном изображении. Именно через применение таких априорных, что сеть с генеративным соперничеством (GAN) может быть обучена включать область (т. е. ‘Ван Гога’) в генерацию вновь созданных изображений.

Новое исследование представляет доказательства из предыдущей литературы, что изображения легче запомнить, чем слова, что приятные изображения легче запомнить, чем общие изображения, и что активная оценка изображений (например, во время короткого процесса обучения AEbA) улучшает запоминаемость изображений еще больше. Исследования начиная с 1970-х годов установили, что люди обладают ‘массовой емкостью хранения’ для изображений в целом, и для ранее просмотренных изображений, и что наша способность включать изображения в память была демонстрирована как заметно превосходит нашу емкость для вербальной памяти.

Хотя общее мнение предполагает, что эксперты в области, такие как радиологи, будут наиболее чувствительны к изображениям из своей области, исследование 2010 года утверждает, что емкость памяти для повседневных изображений намного больше, чем для изображений конкретной области, даже у тех, кто имеет визуальную ‘специальность’.

Аутентификация на основе предпочтений

Идея использования предпочтений в качестве механизма аутентификации приобрела известность в двух статьях под руководством Маркуса Якобссона из Palo Alto Research Center, начиная с 2008 года. Этот массив исследований вокруг аутентификации на основе предпочтений (PBA) предполагал, что музыка, еда, произведения искусства и другие вещи, которые нам нравятся, глубоко укоренены в наших умах и движимы мощными внутренними мотивациями.

PBA изначально предлагалась как устройство для облегчения сброса паролей, используя вопросы типа ‘Вам нравится музыка кантри?’, и фокусируясь на текстовых предпочтениях по традиционным мнемоническим принципам, а не на визуальном вводе.

Последующее сотрудничество Маркуса Якобссона в 2012 году заменило текст на изображения:

Скриншот из фазы калибровки/регистрации проекта PBA Маркуса Якобссона 2012 года. Источник

Однако, авторы отмечают, что эта схема не учитывает эстетическую оценку изображений, а фактически использует изображения как прокси для слов или концепций. Напротив, AEbA стремится различить пользовательскую ‘область удовольствия’, не связанную напрямую с конкретными вещами или действиями.

Авторы новой статьи также отмечают, что есть практические ограничения на количество элементов, которые можно представить пользователю в подходе 2012 года, тогда как разработка более абстрактной модели пользовательских предпочтений удаляет эти ограничения и делает внешние атаки и имитацию (т. е. на основе фишинга, личных знаний или других методов обмана) намного более сложными.

Идея графических паролей заметно предшествует этой работе, с появлением множества схем в конце 1990-х годов. Современное исследование рассматривает PassFaces, где пользователи должны были запомнить лица (помимо своего собственного) вместо паролей. С таким подходом потенциальный проникновенец теоретически должен иметь необыкновенно интимные знания о предпочтениях лица пользователя. Кроме того, пользователя можно было бы полагаться на выбор одних и тех же лиц во время фазы ориентации.

Из конца 1990-х годов, схема PassFaces, протестированная в Университете Голдсмита в Лондоне, требовала от пользователя выбрать и запомнить четыре лица других людей. Первый выбор основывался на предпочтениях пользователя, и в этом смысле работа связана с AEbA. Источник

Ближайшая связь с AEbA — это Déjà vu, которая представляла зрителям случайные художественные изображения, не обязательно предназначенные для вызова реакции удовольствия, а скорее для использования резких и диссонансных изображений, чтобы помочь пользователям запомнить конкретные изображения, которые они включат в ‘портфолио’ во время первоначальной регистрации, и позже будут обязаны распознавать из нескольких возможных изображений во время аутентификации.

Сборка портфолио ‘предпочитаемых’ изображений для Déjà vu. Источник: https://netsec.ethz.ch/publications/papers/usenix.pdf

Как отмечают авторы новой статьи, этот подход игнорирует выгоды, изложенные в литературе по нейроэстетике (т. е. нет внутренней мотивации связаться с любыми возможными изображениями, которые предлагаются).

Кроме того, такой метод уязвим для ‘плечевого серфинга’, когда близкий (или MiTM) атакующий может иметь возможность стать свидетелем того, какие изображения выбраны. Напротив, полная реализация AEbA не будет повторять изображения, ранее использованные либо в обучении, либо в сессиях аутентификации.

Кроме того, статья отмечает*:

‘Одна из проблем, выявленных в графических паролях, заключается в том, что, как и в обычных паролях, пользователи склонны выбирать простые рисунки, что уменьшает вариативность этих паролей и делает их более уязвимыми для атак. Другая проблема (и, возможно, причина предыдущей) заключается в потенциальном вмешательстве, если такие схемы используются в нескольких системах, т. е. память пользователя о пароле для одной системы нарушает его память о пароле для другой системы. Эти проблемы менее актуальны при реализации AEbA, которая полагается на врожденные предпочтения, не зависящие от конкретных учетных записей или запоминания изображений.’

Авторы также подчеркивают дополнительное преимущество AEbA: контекстное восприятие. Даже если плечевой серфер или атакующий RAT смог бы просмотреть сессию аутентификации, он не будет знать, насколько ‘непонравившиеся’ изображения (т. е. представленные изображения, которые пользователь оценивает низко или отвергает во время аутентификации) отличаются от ‘понравившихся’ изображений – фактор, который будет различаться каждый раз.

‘Следовательно, знание того, что кому-то нравится изображение, не обязательно помогает, если мы не знаем, насколько изображение нравится относительно других изображений в отображаемом наборе.’

Кроме того, невозможно для пользователя хранить пароль в незащищенной форме для удобства, поскольку его область предпочитаемого контента изображений чрезвычайно абстрактна и не сводится.

Тестирование AEbA

Исследователи реализовали систему в виде игры, в контексте доказательства концепции основной идеи проекта, курируя базу данных из 318 изображений с бесплатного сайта pexels.com, и также включая изображения из личного архива.

Фотографии были классифицированы на восемь категорий (Вселенная, Природа, Горы, Лес, Цветы, Городские пейзажи, Морской берег и Прочее), и испытания были разделены на Регистрацию (где изображения были первоначально оценены пользователями в течение одной 10-минутной сессии), Игру аутентификации и, наконец, Игру-антагониста (угадывание предпочтений изображений других).

После исключения неполезных участников, удобная выборка (т. е. группа участников испытаний) была сокращена до 33 подходящих игроков, состоящих из 21 женщины и 12 мужчин.

Регистрация

В фазе регистрации было получено 3722 оценки для 274 изображений, со средней оценкой 6,07, медианной оценкой 6, в результате чего наиболее частые значения были 7 и 8. Наименее любимое изображение набрало всего 2,32, а наиболее любимое — 8,63.

Распределение оценок изображений среди лучших исполнителей в испытаниях.

Авторы утверждают, что заметные отклонения к высоким и низким значениям в оценках изображений, в сочетании с разнообразием таких градиентов по базе пользователей, подтверждает их утверждение, что пользователи могут применять высоко различимые оценки удовольствия к представленным изображениям, без необходимости включать явно неприятные или ‘вне области’ изображения. Похоже, что общая вариативность причуд и предпочтений по всей базе пользователей, даже небольшой, достаточно, чтобы подтвердить центральную концепцию.

Образцы изображений с различными оценками пользователей.

Аутентификация

Для игры аутентификации было проведено 264 игровых сессии, при этом каждый участник завершил игру дважды в среднем за восемь сессий. Средний уровень успеха составил 76%.

График распределения результатов игры среди 33 участников испытаний, со средними результатами, обозначенными жирной черной горизонтальной линией, отображающей медиану, первый и третий квартиль, с минимальными, максимальными и аномальными значениями.

Хотя был ‘слабый спад’ в производительности со временем, он был значительно уменьшен среди лучших 50% участников, практически исчезнув у 11 лучших участников (треть от окончательной группы пользователей).

Игра-антагонист

Компонент игры-антагониста включал неограниченную игру (в отличие от регистрации), и состоялся через десять дней после запуска фазы игры. 190 игр были учтены в результатах (исключая игры, где произошли технические проблемы). Среднее количество правильных выборов в игре-антагонисте составило 2,88, что соответствует 36% успеха, технически эквивалентно случаю (особенно учитывая низкое количество изображений в наборе данных). Однако, в семи играх участники смогли угадать 75% или более правильных изображений.

Вывод

Неформальная методология испытаний (такая как использование удобной выборки для групп участников) в исследовании указывает на то, что подход в настоящее время представляет собой широкую концепцию; зародышевое указание на то, что человеко-ориентированное ‘получение области’ может однажды предоставить легкий и даже приятный метод аутентификации, который трудно подделать или нарушить. Ясно, что для установления ценности AEbA потребуются намного более строгие испытания, с большим количеством участников и правильно поставленной сценой аутентификации.

Авторы заключают:

‘Было бы также интересно изучить потенциал использования методов машинного обучения для предсказания оценок отдельных пользователей и для генерации ключей и ложных изображений, которые пользователь ранее не оценивал. Это могло бы увеличить пространство паролей, увеличивая индивидуальные пулы изображений пользователей и их вариативность.’

*Мое преобразование внутренних цитат авторов в гиперссылки

Опубликовано впервые 13 апреля 2022 года.