Riepilogo Tecnico: Dataset BEACON per l'Impronta Comportamentale

Enunciato del Problema

L'autenticazione continua in ambienti digitali ad alto rischio, in particolare nell'esports competitivo, affronta un collo di bottiglia critico: la mancanza di dataset multimodali completi che catturino segnali comportamentali fini sotto reali richieste cognitive e motorie. I benchmark esistenti sono spesso limitati da una scala ridotta, da un rilevamento unimodale (ad esempio, solo battiture o dinamiche del mouse) o dalla mancanza di un contesto ambientale sincronizzato. Inoltre, i dataset attuali fanno frequentemente affidamento su attività desktop a bassa frequenza o sessioni artificialmente brevi che non riescono a catturare l'insorgenza della fatica del giocatore o gli input sensorimotori a livello di microsecondi intrinseci ai giochi frenetici. Questo divario ostacola l'addestramento e la valutazione dei modelli fondazionali di nuova generazione per l'autenticazione continua, il profilo comportamentale e il rilevamento di anomalie.

Metodologia

Per affrontare queste limitazioni, gli autori introducono BEACON (Motore Comportamentale per Autenticazione e Monitoraggio Continuo), un dataset multimodale su larga scala derivato dal gameplay competitivo di Valorant.

Architettura di Raccolta Dati

Gli autori hanno sviluppato un framework di registrazione personalizzato a bassa latenza, progettato per catturare la telemetria senza interferire con il gameplay o degradare i frame rate. Il sistema opera tramite quattro thread concorrenti:

1. Telemetria da Tastiera: Cattura eventi di pressione/rilascio dei tasti, timestamp, tempi di permanenza e latenze inter-tasto utilizzando pynput.keyboard.
2. Telemetria da Mouse: Registra coordinate del cursore, traiettorie di movimento, eventi di clic, attività di scorrimento, velocità e accelerazione utilizzando pynput.mouse.
3. Telemetria di Rete: Utilizza scapy.sniff per catturare il traffico di rete grezzo (PCAP), consentendo l'allineamento temporale degli input fisici locali con l'attività di gioco lato server.
4. Registrazione Schermo: Cattura le sessioni di gameplay tramite un sottoprocesso FFmpeg a 25 fps utilizzando impostazioni di codifica conservative per minimizzare la contesa della CPU preservando al contempo il contesto visivo.

Tutte le modalità sono timbrate con l'ora POSIX dell'host (epoch Unix) per garantire un allineamento temporale preciso tra modalità diverse senza marcatori di sincronizzazione espliciti. La raccolta dati ha coinvolto 28 partecipanti distinti in 79 sessioni reali, condotte sia in ambienti di laboratorio controllati che in ambienti domestici per garantire la diversità dell'hardware.

Composizione del Dataset

BEACON comprende circa 430 GB di dati multimodali sincronizzati (461 GB totali su disco, inclusi acquisizioni di configurazione ausiliaria). Il dataset include:

• Partecipanti: 28 giocatori distinti (pseudonimizzati da P001 a P028) che coprono vari livelli di abilità competitiva.
• Durata: Circa 102,51 ore di gameplay attivo.
• Volume Eventi: Oltre 90 milioni di eventi del mouse, ~498.000 battiture e oltre 114 milioni di pacchetti di rete.
• Modalità: Dinamiche del mouse, dinamiche delle battiture, acquisizioni di pacchetti di rete, registrazioni video e metadati hardware (CPU, RAM, periferiche).

Valutazione di Base

Per caratterizzare l'utilità del dataset, gli autori hanno stabilito le prestazioni di base utilizzando sei architetture all'avanguardia originariamente sviluppate per l'Impronta Digitale dei Siti Web (ARES, BAPM, NetCLR, TCN, TMWF e Var-CNN). Questi modelli sono stati adattati per eseguire un compito di identificazione dell'utente a 28 classi utilizzando le modalità mouse e tastiera. La valutazione ha utilizzato finestre temporali di 10s, 30s, 45s e 60s, con i dati partizionati cronologicamente (80% addestramento, 10% validazione, 20% test).

Contributi Chiave

1. Il Dataset BEACON: Un dataset multimodale su larga scala rilasciato pubblicamente, specificamente progettato per le biometrie comportamentali in ambienti FPS ad alto rischio. Isola in modo unico l'intersezione tra dinamiche sensorimotorie grezze, configurazioni hardware e telemetria di rete.
2. Sincronizzazione Multimodale: Il dataset fornisce dati sincronizzati tra le modalità mouse, tastiera, rete e video, consentendo lo studio dell'autenticazione continua e della deriva dell'utente in un ambiente ad alta fedeltà.
3. Benchmark di Base: Il documento fornisce metriche di prestazioni iniziali per l'identificazione dell'utente utilizzando architetture di deep learning, dimostrando la fattibilità dell'autenticazione continua in questo dominio.
4. Accesso Aperto: Il dataset e il codice di registrazione personalizzato sono rilasciati rispettivamente su Hugging Face e Zenodo, per creare un benchmark riproducibile per la comunità.

Risultati

Gli esperimenti di base hanno prodotto le seguenti scoperte chiave:

• Prestazioni per Modalità: Le dinamiche unimodali del mouse hanno costantemente superato le dinamiche unimodali della tastiera. I modelli basati solo sul mouse hanno raggiunto accuratezze di identificazione fino al 63,16% (Var-CNN a risoluzione 10s), mentre i modelli basati solo sulla tastiera hanno raggiunto un picco del 36,23% (TMWF a 45s).
• Prestazioni di Fusione: La fusione precoce delle modalità mouse e tastiera ha prodotto le prestazioni complessive più elevate. L'architettura Var-CNN ha raggiunto un'accuratezza massima globale di identificazione del 70,82% con un Tasso di Errore Uguale (EER) del 4,31% nella configurazione di fusione a 60 secondi.
• Varianza Architettonica: Le architetture Var-CNN e NetCLR hanno dimostrato una convergenza e prestazioni superiori, suggerendo che le convoluzioni causali dilatate e l'apprendimento rappresentazionale contrastivo sono ben adatti alla telemetria degli esports. Al contrario, l'architettura ARES non ha convergito in nessuna configurazione, evidenziando un divario di dominio tra modelli ottimizzati per il traffico di rete a scoppio e l'output sensorimotorio umano continuo.
• Risoluzione Temporale: Le prestazioni sono generalmente migliorate con finestre di osservazione più lunghe (fino a 60s), indicando che, sebbene i micro-riflessi forniscano segnali distinti, i macro-comportamenti (ad esempio, il ritmo rotatorio) forniscono la stabilità contestuale necessaria per minimizzare i Tassi di Falso Rifiuto.

Significato e Affermazioni

Il documento posiziona BEACON come un asset fondamentale per la ricerca sulla cybersecurity, specificamente per stress-testare sistemi di autenticazione continua e agenti AI autonomi in condizioni realistiche ad alta fatica. Gli autori affermano che il dataset consente:

• Profilazione Comportamentale Robusta: L'alta varianza inter-utente e la bassa varianza intra-utente osservate nei dati confermano che il gameplay competitivo genera segnali biometrici genuini e stabili.
• Sicurezza Senza Password: Sfruttando abitudini sensorimotorie subconsce, il dataset supporta lo sviluppo di meccanismi di autenticazione fluidi e non intrusivi adatti ad applicazioni di gaming sensibili alla latenza.
• Direzioni di Ricerca Future: Gli autori inquadrano esplicitamente il dataset come punto di partenza per direzioni di ricerca aperte, inclusa la robustezza avversaria (rilevamento di imitazioni e bot), la fusione di dati PCAP a livello di rete con fotogrammi video e lo sviluppo di modelli fondazionali comportamentali auto-supervisionati per la valutazione delle abilità e il rilevamento della fatica.

Gli autori mantengono un tono modesto riguardo alla portata del dataset, riconoscendo limitazioni come la dimensione specifica della coorte (28 partecipanti), la natura di un singolo gioco/unica piattaforma dei dati (Valorant su Windows) e la mancanza di dati longitudinali per modellare la deriva comportamentale nel tempo. Sottolineano che il dataset è destinato a supportare la ricerca difensiva (autenticazione, anti-cheat) piuttosto che la sorveglianza occulta.