VRSafe: A Secure Virtual Keyboard to Mitigate Keystroke Inference in Virtual Reality

Resumen Técnico: VRSafe

1. El Problema

La autenticación basada en contraseñas sigue siendo el método predominante en las aplicaciones de Realidad Virtual (VR). Sin embargo, esta práctica es vulnerable a ataques de inferencia de pulsaciones de teclas (keystroke inference) y "hombro espía" (shoulder surfing).

• Vulnerabilidad Actual: Los atacantes pueden utilizar sensores no intrusivos (cámaras, datos de giroscopio, señales Wi-Fi, señales acústicas) para reconstruir las pulsaciones de teclas de un usuario en VR con alta precisión (a menudo >95% a nivel de carácter).
• Limitación de las Defensas Existentes: Las soluciones actuales suelen ser poco prácticas, ya sea porque requieren cambios radicales en la disposición del teclado (dificultando la usabilidad), bloquean la línea de visión física (poco viable en VR inmersiva) o no consideran modelos de amenazas avanzados donde el atacante utiliza técnicas de adivinanza de contraseñas sofisticadas (como modelos seq2seq) en lugar de simples correctores ortográficos.
• El Vacío: No existen estrategias de defensa efectivas y rentables que mitiguen la inferencia de pulsaciones en VR sin sacrificar la usabilidad, ni mecanismos para detectar intentos de inicio de sesión maliciosos derivados de estos ataques.

2. Metodología y Diseño de VRSafe

El authors proponen VRSafe, un teclado virtual seguro diseñado para entornos VR que combina dos módulos principales: un Teclado de Inyección de Ruido de Pulsaciones y un Detector de Ataques de Inferencia.

A. Inyección de Ruido (Ghost Characters):
En lugar de pedir al usuario que escriba incorrectamente o usar diseños aleatorios, VRSafe inyecta sistemáticamente caracteres falsos ("fantasmas" o ghost characters) en el proceso de escritura.

• Mecanismo: El sistema genera una contraseña "ruidosa" ($S'$) que contiene la contraseña original ($S$) como una subsecuencia. Los caracteres reales se envían al servidor, mientras que los caracteres fantasma se generan visualmente para el usuario pero no se envían.
• Generación Adaptativa:
  • Se utiliza un modelo RNN (Red Neuronal Recurrente) ligero (GRU) como "medidor de aleatoriedad" para evaluar la entropía de la cadena actual. Si la cadena parece predecible (baja entropía), el sistema aumenta la probabilidad de inyectar un carácter fantasma.
  • Selección de Caracteres: Para evitar que los caracteres fantasma sean obvios (ej. una letra entre números), se utiliza un modelo de Markov de orden 3 entrenado en bases de datos de contraseñas filtradas. Esto permite seleccionar caracteres que mantengan coherencia lingüística y contextual con la cadena actual, engañando al atacante.
  • Optimización de Usabilidad: Se implementan restricciones de "distancia" (hard/soft constraints) para seleccionar caracteres fantasma que estén físicamente cerca en el teclado QWERTY, minimizando el movimiento del controlador y reduciendo el tiempo de escritura.

B. Detector de Inicio de Sesión Malicioso:
VRSafe introduce un mecanismo de detección en el servidor basado en el concepto de Honeywords (contraseñas cebada).

• Lógica: Dado que un atacante que realiza inferencia de pulsaciones solo podrá recuperar la contraseña "ruidosa" (con caracteres fantasma), el sistema trata esta contraseña recuperada como una contraseña "honeyword".
• Implementación: Se utiliza un Filtro de Bloom en el servidor para almacenar las contraseñas "ruidosas" (honeywords) derivadas de las sesiones de inicio de sesión legítimas.
• Detección: Si un atacante intenta iniciar sesión con una contraseña inferida (que coincide con una de las contraseñas ruidosas almacenadas), el sistema detecta inmediatamente que se trata de un ataque de inferencia y alerta al usuario/administrador, sin permitir el acceso.

3. Contribuciones Clave

1. Primera defensa integral: Es la primera solución que combina la mitigación de inferencia mediante inyección de ruido adaptativo con un mecanismo de detección proactiva de intentos de inicio de sesión maliciosos en VR.
2. Modelo de Amenaza Realista: Evalúa la defensa contra atacantes que utilizan modelos avanzados de adivinanza de contraseñas (Pass2Edit, modelos seq2seq) en lugar de herramientas de corrección simples, ofreciendo una evaluación de seguridad más robusta.
3. Equilibrio Seguridad-Usabilidad: Logra reducir drásticamente la precisión de los ataques manteniendo una sobrecarga de usabilidad moderada, evitando cambios drásticos en la interfaz de usuario (mantiene el diseño QWERTY estándar).
4. Validación Empírica: El sistema ha sido evaluado mediante simulaciones con grandes conjuntos de datos de contraseñas filtradas (COMB) y un estudio de usuarios en el mundo real aprobado por el IRB.

4. Resultados de la Evaluación

Simulaciones y Análisis de Seguridad:

• Reducción de Precisión: La inyección de caracteres fantasma reduce significativamente la precisión de adivinanza de contraseñas. Para contraseñas largas y complejas, la precisión del atacante cayó de ~60% (sin defensa) a menos del 15% con inyección de ruido moderada.
• Efectividad del Detector: El detector basado en Filtro de Bloom logra identificar intentos de inicio de sesión maliciosos con alta tasa de éxito:
  • 52.04% de los intentos maliciosos se detectan en el primer intento.
  • 83.97% se detectan dentro de los primeros 10 intentos.
  • Al aumentar el número de contraseñas "honeyword", la tasa de detección supera el 96% en 10 intentos.
• Costo Computacional: El uso del Filtro de Bloom y los modelos ligeros (Markov, GRU) tiene un costo mínimo. En dispositivos Meta Quest 2, el uso de CPU promedio se mantuvo en ~48% (sin diferencia significativa respecto al teclado normal) y el uso de memoria fue de ~1.77 GB (marginalmente superior al teclado normal).

Estudio de Usuarios (15 participantes):

• Tiempo de Entrada: Aunque la inyección de caracteres fantasma aumenta el número de pulsaciones, el tiempo total de entrada no aumentó drásticamente. La diferencia estadística fue significativa pero pequeña, atribuida principalmente a una curva de aprendizaje inicial (los usuarios dudan al primer contacto con el mecanismo).
• Usabilidad Percibida: La puntuación SUS (System Usability Scale) fue de 58.6 (promedio), indicando una usabilidad aceptable. Los usuarios valoraron positivamente la seguridad, aunque algunos expresaron preocupación por la complejidad añadida en entornos VR ya desafiantes.
• Adopción: Los participantes mostraron disposición a usar la herramienta si la seguridad era prioritaria, sugiriendo que VRSafe es viable para usuarios con necesidades de privacidad elevadas.

5. Significado e Impacto

El trabajo de VRSafe es significativo porque cierra una brecha crítica en la seguridad de la Realidad Virtual. Demuestra que es posible proteger contra ataques de inferencia de pulsaciones sin sacrificar la experiencia de usuario ni requerir hardware especializado.

• Práctico: Se integra en teclados QWERTY estándar, facilitando su adopción.
• Proactivo: Cambia el paradigma de solo "dificultar" el ataque a "detectar" el ataque en tiempo real mediante el inicio de sesión.
• Futuro: El marco propuesto es extensible a otros vectores de ataque (acústico, Wi-Fi) y a entornos de Realidad Extendida (XR) donde los avatares virtuales también pueden ser vulnerables.

En conclusión, VRSafe ofrece una solución equilibrada, segura y usable para proteger la autenticación en VR, estableciendo un nuevo estándar para la defensa contra la inferencia de pulsaciones de teclas.