美学偏好识别作为潜在的身份验证因素

以色列的一篇新论文提出了一个基于用户美学偏好的身份验证方案，其中用户通过对图像进行评分来校准系统，从而生成该个人的私人“领域”，即他们的视觉和视觉/概念偏好。稍后，用户将在身份验证时被要求将他们记录的偏好与新图像集进行匹配。

来自“游戏化”的AEbA实现试验 – 左侧，用户评估图像的美学质量；右侧，活动应用阶段结束时显示评分。来源：https://arxiv.org/ftp/arxiv/papers/2204/2204.05623.pdf

该系统被称为《美学评估基于身份验证》（AEbA），它是提交到2022年加利福尼亚州七月USENIX年度技术会议的论文。AEbA的研究人员以游戏系列的形式对其进行了试验，参与者需要训练系统，然后评估符合他们注册口味的新图像。第二轮测试检查了用户猜测他人偏好的能力。

来自论文的样本图像，来自pexels.com，适用于AEbA使用。

这种方法可能不适合所有人，因为并不是每个人都具有发达的美学感受力，但它可以作为低至中等安全要求的主要身份验证方案，或者作为两因素身份验证（2FA）中可能的辅助方法之一。

然而，该系统的新颖思想可以成为更复杂的美学挑战系统的起点，因为在身份验证期间呈现给用户的图像数量可以根据需要扩大，就像CAPTCHA挑战可以在不确定的初始结果时延长一样。

挑战的粒度和范围越大，提供的安全性就越高。

AEbA挑战的相对密码强度图：’D’代表挑战期间显示的图像数量；Dhr代表用户必须选择的图像数量；’S’代表美学选择的线性过程中的屏幕（阶段）数量。

在常见的人类身份验证惯例中，AEbA结合了“知道某物”（SYK）和“是某物”（SYA）的元素，并基于三个前提：我们喜欢的东西（在视觉领域中代表）对我们来说很容易区分；我们的美学偏好相对一致；不同用户的口味之间有足够的差异，可以提供不可猜测的区别。

作者建议，该技术可以被改编成机器学习框架，以预测个别用户的评估并生成用户以前未评估过的密钥和诱饵。

该论文的标题为《美丽的秘密：使用美学图像进行用户身份验证》，来自以色列内盖夫的贝尔谢巴本-古里安大学软件和信息系统工程学院的两位研究人员。

图像领域的力量

AEbA不依赖于记忆，而是将最终用户视为一个经过训练的图像识别系统，该系统已发展出强大且非常特定的愉悦反应，并专注于这些强烈的愉悦关联。

从本质上讲，AEbA依赖于计算机视觉和图像合成系统中的抽象先验，这些先验可以在不被单个不可变图像体现的情况下传达样式和特定领域的特征。通过应用这些先验，生成对抗网络（GAN）可以被训练以将领域（例如“梵高”）纳入新图像的生成中。

新研究提出，先前的文献中有证据表明，图像比文字更容易记住，令人愉悦的图像比一般图像更容易记住，图像的主动评估（例如，在AEbA的短暂训练过程中）可以进一步提高图像的可记忆性。自20世纪70年代以来，研究表明，人类具有“巨大的图像存储容量”，并且我们将图像纳入记忆的能力已被证明远远超过我们的言语记忆能力。

虽然常识表明，领域专家（如放射科医生）将对其领域的图像最为敏感，但2010年的研究表明，日常图像的记忆容量远远大于特定领域的图像记忆容量，即使对于具有视觉“专业知识”的人也是如此。

基于偏好的身份验证

作为身份验证机制的偏好概念是在2008年由帕洛阿尔托研究中心的马库斯·雅各布森领导的两篇论文中引入的。这一关于偏好 기반身份验证（PBA）的研究表明，音乐、食物、艺术品和其他我们喜欢的东西深深地刻在我们的脑海中，并由强大的内部动机驱动。

PBA最初被提出仅作为一种设备，以便于密码重置，使用诸如“你喜欢乡村音乐吗？”之类的问题，并专注于基于传统记忆术的文本偏好，而不是视觉输入。

2012年，雅各布森的后续合作将文本替换为图像：

马库斯·雅各布森2012年PBA项目的校准/注册阶段的屏幕截图。 来源

然而，作者指出，这种方案并没有考虑到图像的美学评估，而是使用图片作为词语或概念的代理。相比之下，AEbA试图确定一个与特定事物或活动没有直接关系的用户特定的“愉悦领域”。

新论文的作者还观察到，2012年的方法存在实际限制，限制了可以呈现给查看者的项目数量，而开发一个更抽象的用户偏好模型可以消除这些限制，并使外部攻击和模仿（例如基于钓鱼、个人知识或其他欺骗方法）更加困难。

图形密码的概念早于这项工作，20世纪90年代末期出现了各种方案。 当代研究考虑了PassFaces，其中用户必须记住其他人的面孔（而不是自己的），而不是密码。 使用这种方法，潜在的入侵者将需要对用户的面部偏好具有非凡的亲密知识。 此外，用户可以被信任为在定向阶段选择相同的面孔。

来自20世纪90年代末，伦敦金史密斯大学试验的PassFaces方案，要求用户选择和记住四张其他人的面孔。初始选择基于用户自己的偏好，在这种意义上，这项工作与AEbA相关。 来源

最接近AEbA的是Déjà vu，它向观众展示随机的艺术图像，这些图像不一定是为了引发愉悦反应而设计的，而是为了使用令人震惊和不和谐的图像来帮助用户记住特定的图像，这些图像将被纳入“投资组合”中，并在身份验证时被要求识别。

为Déjà vu组装“首选”图像的投资组合。 来源：https://netsec.ethz.ch/publications/papers/usenix.pdf

作者观察到，这种方法忽略了神经美学文献中概述的好处（即没有内部动机与可能提供的任何图像建立联系）。

此外，这种方法容易受到“肩上窥探”的攻击，即附近的攻击者（或中间人）可能有机会看到哪些图像被选中。相比之下，AEbA的完整实现不会在训练或身份验证会话中重复使用图像。

此外，该论文指出：

“图形密码中存在的一个问题是，用户倾向于选择简单的图形，这降低了这些密码的可变性，使其更容易受到对抗性攻击。另一个问题（也许是前一个问题的原因）是，如果这些方案在多个系统中使用，可能会出现干扰，即用户对一个系统的密码的记忆会损害他们对另一个系统的密码的记忆。这些问题在实施AEbA时不那么令人担忧，因为它依赖于不依赖于特定帐户或记忆图像的固有偏好。”

作者还强调了AEbA的一个额外优势：上下文感知。即使肩上窥探者或远程访问木马攻击者能够查看身份验证会话，他们也不会知道“不喜欢”的图像（即用户在身份验证期间评分较低或拒绝的图像）与“喜欢”的图像相差多少，这个因素每次都会有所不同。

“因此，知道某人喜欢一张图像并不一定有帮助，如果我们不知道这张图像相对于显示集中其他图像被喜欢的程度。”

此外，用户无法以不安全的方式存储他们的密码，例如将其写在纸上，因为他们偏好的图像内容的领域非常抽象和不可还原。

测试AEbA

研究人员将该系统作为一个游戏来实现，作为项目核心前提的概念验证，策划了来自免费股票网站pexels.com的318张图像数据库，并包括来自个人档案的图像。

照片被分类为八个类别（宇宙、自然、山脉、森林、鲜花、城市景观、海滨和其他），试验分为注册（用户最初在一次10分钟的会话中评分图像）、身份验证游戏和最终的对抗游戏（猜测他人的图像偏好）。

在排除非贡献参与者后，方便样本（即试验参与者）被减少到33名合格的玩家，包括21名女性和12名男性。

注册

在注册阶段，获得了274张图像的3722个评分，平均评分为6.07，中位数评分为6，结果最频繁的值为7和8。最不喜欢的图像评分仅为2.32，而最喜欢的图像评分为8.63。

试验中顶级表现者的图像评分分布。

作者认为，图像评分中值和低值的显著偏差，加上这些梯度在用户基础上的多样性，证实了他们的论点，即用户可以在呈现的图像上应用高度可区分的评分，而无需包含明显令人反感或“不在分布之外”的图像。即使在一个小的用户群中，用户的普遍而多样的偏好也足以验证核心概念。

带有各种用户评分的样本图像。

身份验证

对于身份验证游戏，进行了264次游戏会话，每位参与者完成两次游戏，平均八次会话。平均成功率为76%。

试验中33名成员的游戏得分分布箱线图，平均得分用粗黑水平线表示，显示中位数、第一和第三四分位数，具有最小、最大和离群值。

虽然随着时间的推移性能略有下降，但在排名前50%的参与者中，这种下降大大减少，在11名顶级参与者（最终用户群体的三分之一）中几乎消失。

对抗游戏

对抗游戏组件具有无限制的游戏性（与注册不同），并在游戏阶段启动十天后进行。结果统计了190场游戏（不包括发生技术问题的游戏）。正确的对抗选择的平均数量为2.88，成功率为36%，从技术上讲相当于偶然性（尤其考虑到数据集中的图像数量较少）。然而，在七场游戏中，贡献者能够猜出75%或更多的正确图像。

结论

该研究的随意测试方法（例如使用方便样本进行测试）表明，该方法目前代表了一个广泛的概念验证；一个初步的迹象，表明人为中心的“领域捕获”可能有一天会提供一种简单且愉快的身份验证方法，这种方法很难被破坏或干扰。很明显，需要更严格的试验，具有更多的参与者和适当的身份验证场景，以建立AEbA的价值。

作者总结如下：

“这也会很有趣，研究使用机器学习技术来预测个别用户的评估并生成用户以前未评估过的密钥和诱饵。这样做可以通过增加个别用户的图像池和可变性来增加密码空间。”

*作者的内联引用转换为超链接

首次发布于2022年4月13日。