Resumen Técnico: Conjunto de Datos BEACON para Huellas Dactilares Conductuales

Declaración del Problema

La autenticación continua en entornos digitales de alto riesgo, particularmente en los deportes electrónicos competitivos, enfrenta un cuello de botella crítico: la falta de conjuntos de datos multimodales y exhaustivos que capturen señales conductuales de alta granularidad bajo demandas cognitivas y motoras realistas. Las referencias existentes a menudo se ven limitadas por una escala reducida, una detección unimodal (por ejemplo, solo pulsaciones de teclas o dinámicas del mouse) o la falta de un contexto ambiental sincronizado. Además, los conjuntos de datos actuales dependen frecuentemente de tareas de escritorio de baja frecuencia o sesiones artificialmente breves que no capturan el inicio de la fatiga del jugador ni las entradas sensoriomotoras a nivel de microsegundo inherentes a los juegos de ritmo acelerado. Esta brecha obstaculiza el entrenamiento y la evaluación de modelos fundamentales de IA de próxima generación para la autenticación continua, el perfilado conductual y la detección de anomalías.

Metodología

Para abordar estas limitaciones, los autores presentan BEACON (Motor Conductual para Autenticación y Monitoreo Continuo), un conjunto de datos multimodal a gran escala derivado de partidas competitivas de Valorant.

Arquitectura de Recolección de Datos

Los autores desarrollaron un marco de registro personalizado de baja latencia diseñado para capturar telemetría sin interferir con el juego ni degradar la tasa de cuadros. El sistema opera mediante cuatro hilos concurrentes:

1. Telemetría de Teclado: Captura eventos de pulsación y liberación de teclas, marcas de tiempo, tiempos de permanencia y latencias entre teclas utilizando pynput.keyboard.
2. Telemetría de Mouse: Registra coordenadas del cursor, trayectorias de movimiento, eventos de clic, actividad de desplazamiento, velocidad y aceleración utilizando pynput.mouse.
3. Telemetría de Red: Utiliza scapy.sniff para capturar tráfico de red crudo (PCAP), permitiendo la alineación temporal de las entradas físicas locales con la actividad del juego en el lado del servidor.
4. Grabación de Pantalla: Captura sesiones de juego mediante un subproceso FFmpeg a 25 fps utilizando configuraciones de codificador conservadoras para minimizar la contención de la CPU mientras se preserva el contexto visual.

Todas las modalidades se marcan con la hora POSIX del host (epoch Unix) para garantizar una alineación temporal precisa entre modalidades sin marcadores de sincronización explícitos. La recolección de datos involucró a 28 participantes distintos en 79 sesiones del mundo real, realizadas tanto en entornos de laboratorio controlados como en hogares para asegurar la diversidad de hardware.

Composición del Conjunto de Datos

BEACON comprende aproximadamente 430 GB de datos de modalidad sincronizados (461 GB totales en disco, incluyendo capturas de configuración auxiliares). El conjunto de datos incluye:

• Participantes: 28 jugadores distintos (pseudonimizados P001–P028) que abarcan diversos niveles de habilidad competitiva.
• Duración: Aproximadamente 102,51 horas de juego activo.
• Volumen de Eventos: Más de 90 millones de eventos de mouse, ~498.000 pulsaciones de teclas y más de 114 millones de paquetes de red.
• Modalidades: Dinámicas del mouse, dinámicas de pulsación de teclas, capturas de paquetes de red, grabaciones de pantalla y metadatos de hardware (CPU, RAM, periféricos).

Evaluación de Línea Base

Para caracterizar la utilidad del conjunto de datos, los autores establecieron un rendimiento de línea base utilizando seis arquitecturas de última generación desarrolladas originalmente para la Huella Digital de Sitios Web (ARES, BAPM, NetCLR, TCN, TMWF y Var-CNN). Estos modelos se adaptaron para realizar una tarea de identificación de usuarios de 28 clases utilizando las modalidades de mouse y teclado. La evaluación utilizó ventanas temporales de 10s, 30s, 45s y 60s, con datos divididos cronológicamente (80% entrenamiento, 10% validación, 20% prueba).

Contribuciones Clave

1. El Conjunto de Datos BEACON: Un conjunto de datos multimodal a gran escala de acceso público diseñado específicamente para biometría conductual en entornos FPS de alto riesgo. Aísla de manera única la intersección de dinámicas sensoriomotoras crudas, configuraciones de hardware y telemetría de red.
2. Sincronización Multimodal: El conjunto de datos proporciona datos sincronizados a través de las modalidades de mouse, teclado, red y video, permitiendo el estudio de la autenticación continua y la deriva del usuario en un entorno de alta fidelidad.
3. Referencias de Línea Base: El artículo proporciona métricas de rendimiento iniciales para la identificación de usuarios utilizando arquitecturas de aprendizaje profundo, demostrando la viabilidad de la autenticación continua en este dominio.
4. Acceso Abierto: El conjunto de datos y el código de registro personalizado se publicaron en Hugging Face y Zenodo, respectivamente, para crear una referencia reproducible para la comunidad.

Resultados

Los experimentos de línea base arrojaron los siguientes hallazgos clave:

• Rendimiento por Modalidad: Las dinámicas unimodales del mouse superaron consistentemente a las dinámicas unimodales del teclado. Los modelos solo de mouse lograron precisiones de identificación de hasta 63,16% (Var-CNN a 10s de resolución), mientras que los modelos solo de teclado alcanzaron un máximo de 36,23% (TMWF a 45s).
• Rendimiento de Fusión: La fusión temprana de las modalidades de mouse y teclado produjo el rendimiento general más alto. La arquitectura Var-CNN alcanzó una precisión máxima global de identificación del 70,82% con una Tasa de Error Igual (EER) del 4,31% en la configuración de fusión de 60 segundos.
• Varianza Arquitectónica: Las arquitecturas Var-CNN y NetCLR demostraron una convergencia y rendimiento superiores, lo que sugiere que las convoluciones causales dilatadas y el aprendizaje de representaciones contrastivas son adecuados para la telemetría de deportes electrónicos. Por el contrario, la arquitectura ARES no logró converger en ninguna configuración, destacando una brecha de dominio entre los modelos optimizados para tráfico de red explosivo y la salida sensoriomotora humana continua.
• Resolución Temporal: El rendimiento mejoró generalmente con ventanas de observación más largas (hasta 60s), lo que indica que, aunque los microreflejos proporcionan señales distintivas, los macrocomportamientos (por ejemplo, el ritmo rotacional) proporcionan la estabilidad contextual necesaria para minimizar las Tasas de Rechazo Falso.

Significado y Afirmaciones

El artículo posiciona a BEACON como un activo fundamental para la investigación en ciberseguridad, específicamente para poner a prueba sistemas de autenticación continua y agentes de IA autónomos bajo condiciones realistas de alta fatiga. Los autores afirman que el conjunto de datos permite:

• Perfilado Conductual Robusto: La alta variabilidad interusuario y la baja variabilidad intrausuario observadas en los datos confirman que el juego competitivo genera señales biométricas genuinas y estables.
• Seguridad Sin Contraseñas: Al aprovechar hábitos sensoriomotores subconscientes, el conjunto de datos respalda el desarrollo de mecanismos de autenticación fluidos y no intrusivos adecuados para aplicaciones de juego sensibles a la latencia.
• Direcciones de Investigación Futura: Los autores enmarcan explícitamente el conjunto de datos como un punto de partida para direcciones de investigación abierta, incluida la robustez adversaria (detección de imitación y bots), la fusión de datos PCAP a nivel de red con cuadros de video, y el desarrollo de modelos fundamentales conductuales auto-supervisados para la evaluación de habilidades y la detección de fatiga.

Los autores mantienen modestia respecto al alcance del conjunto de datos, reconociendo limitaciones como el tamaño específico de la cohorte (28 participantes), la naturaleza de un solo juego/una sola plataforma de los datos (Valorant en Windows) y la falta de datos longitudinales para modelar la deriva conductual a lo largo del tiempo. Enfatizan que el conjunto de datos está destinado a apoyar la investigación defensiva (autenticación, anti-trampas) en lugar de la vigilancia encubierta.