Technische Samenvatting: BEACON Dataset voor Gedragsvingerafdrukken

Probleemstelling

Continue authenticatie in digitale omgevingen met hoge risico's, met name in competitieve esports, stuit op een kritieke knelpunt: het ontbreken van uitgebreide, multimodale datasets die fijnmazige gedragsignalen vastleggen onder realistische cognitieve en motorische eisen. Bestaande benchmarks worden vaak beperkt door een kleine schaal, unimodale sensing (bijvoorbeeld alleen toetsaanslagen of muisdynamiek), of een gebrek aan gesynchroniseerde omgevingscontext. Bovendien vertrouwen huidige datasets vaak op低频 desktop-taken of kunstmatig korte sessies die het begin van spelervermoeidheid of de sensorimotorische input op microseconde-niveau die inherent is aan snelle games, niet vastleggen. Deze kloof belemmert de training en evaluatie van fundamentele AI-modellen van de volgende generatie voor continue authenticatie, gedragsprofielering en anomaliedetectie.

Methodologie

Om deze beperkingen aan te pakken, introduceren de auteurs BEACON (Behavioral Engine for Authentication & Continuous Monitoring), een grootschalige multimodale dataset afgeleid van competitieve Valorant-gameplay.

Architectuur voor Dataverzameling

De auteurs ontwikkelden een aangepast, low-latency loggingframework dat is ontworpen om telemetrie vast te leggen zonder de gameplay te verstoren of het frame-rate te degraderen. Het systeem werkt via vier gelijktijdige threads:

1. Toetsenbordtelemetrie: Legt toetsaanslag-/loslaatgebeurtenissen, tijdstempels, verblijftijden en inter-toets latenties vast met pynput.keyboard.
2. Muis Telemetrie: Registreert cursorcoördinaten, bewegingstrajecten, klikgebeurtenissen, scrollactiviteit, snelheid en versnelling met pynput.mouse.
3. Netwerk Telemetrie: Gebruikt scapy.sniff om ruwe netwerkverkeer (PCAP's) vast te leggen, waardoor temporale uitlijning van lokale fysieke input met serverzijdige game-activiteit mogelijk wordt.
4. Schermopname: Legt gamesessies vast via een FFmpeg-subproces met 25 fps, met conservatieve encoderinstellingen om CPU-concurrentie te minimaliseren terwijl de visuele context behouden blijft.

Alle modaliteiten zijn voorzien van de POSIX-tijd van de host (Unix-epoch) om nauwkeurige temporale uitlijning tussen modaliteiten te garanderen zonder expliciete synchronisatiemarkeringen. De dataverzameling omvatte 28 verschillende deelnemers over 79 real-world sessies, uitgevoerd in zowel gecontroleerde labomgevingen als thuisomgevingen om hardware-diversiteit te waarborgen.

Samenstelling Dataset

BEACON bestaat uit ongeveer 430 GB aan gesynchroniseerde modale data (461 GB totaal op schijf, inclusief aanvullende configuratie-opnames). De dataset omvat:

• Deelnemers: 28 verschillende spelers (gepseudonimiseerd P001–P028) die verschillende competitieve vaardigheidsniveaus omvatten.
• Duur: Ongeveer 102,51 uur actieve gameplay.
• Gebeurtenisvolume: Meer dan 90 miljoen muishandelingen, ongeveer 498.000 toetsaanslagen en meer dan 114 miljoen netwerkpakketten.
• Modaliteiten: Muisdynamiek, toetsaanslagdynamiek, netwerkpakketopnames, schermopnames en hardwaremetadata (CPU, RAM, randapparatuur).

Baseline Evaluatie

Om het nut van de dataset te karakteriseren, stelden de auteurs baseline-prestaties vast met behulp van zes state-of-the-art architecturen die oorspronkelijk zijn ontwikkeld voor Website Fingerprinting (ARES, BAPM, NetCLR, TCN, TMWF en Var-CNN). Deze modellen werden aangepast om een 28-klasse gebruikersidentificatietaken uit te voeren met behulp van muis- en toetsenbordmodaliteiten. De evaluatie gebruikte temporale vensters van 10s, 30s, 45s en 60s, waarbij de data chronologisch was gepartitioneerd (80% training, 10% validatie, 20% test).

Belangrijkste Bijdragen

1. Het BEACON Dataset: Een publiek vrijgegeven, grootschalige multimodale dataset die specifiek is ontworpen voor gedragsbiometrie in FPS-omgevingen met hoge risico's. Het isoleert uniek de intersectie van ruwe sensorimotorische dynamiek, hardwareconfiguraties en netwerktelemetrie.
2. Multimodale Synchronisatie: De dataset biedt gesynchroniseerde data over muis-, toetsenbord-, netwerk- en videomodaliteiten, waardoor onderzoek naar continue authenticatie en gebruikersdrift in een setting met hoge fideliteit mogelijk is.
3. Baseline Benchmarks: Het artikel levert initiële prestatie-indicatoren voor gebruikersidentificatie met diepe leerarchitecturen, wat de haalbaarheid van continue authenticatie in dit domein aantoont.
4. Open Toegang: De dataset en de aangepaste loggingcode worden respectievelijk vrijgegeven op Hugging Face en Zenodo om een reproduceerbare benchmark voor de gemeenschap te creëren.

Resultaten

De baseline-experimenten leverden de volgende belangrijkste bevindingen op:

• Modale Prestaties: Unimodale muisdynamiek presteerde consistent beter dan unimodale toetsenborddynamiek. Modellen die alleen gebruik maakten van de muis bereikten identificatie-nauwkeurigheden tot 63,16% (Var-CNN bij 10s-resolutie), terwijl modellen die alleen gebruik maakten van het toetsenbord piekten op 36,23% (TMWF bij 45s).
• Fusieprestaties: Vroege fusie van muis- en toetsenbordmodaliteiten leverde de hoogste algehele prestaties op. De Var-CNN-architectuur bereikte een globale maximale identificatienauwkeurigheid van 70,82% met een Equal Error Rate (EER) van 4,31% in de 60-seconde fusieopstelling.
• Architecturale Variatie: De Var-CNN- en NetCLR-architecturen toonden superieure convergentie en prestaties, wat suggereert dat gedilateerde causale convoluties en contrastief representatieleren goed geschikt zijn voor esports-telemetrie. Omgekeerd faalde de ARES-architectuur om te convergeren in alle configuraties, wat een domeinkloof benadrukt tussen modellen die zijn geoptimaliseerd voor bursty netwerkverkeer en continue menselijke sensorimotorische output.
• Temporale Resolutie: De prestaties verbeterden over het algemeen met langere observatievensters (tot 60s), wat aangeeft dat hoewel micro-reflexen onderscheidende signalen bieden, macro-gedrag (bijvoorbeeld rotatie-tempo) de contextuele stabiliteit biedt die nodig is om False Rejection Rates te minimaliseren.

Betekenis en Claims

Het artikel positioneert BEACON als een fundamenteel actief voor cybersecurityonderzoek, specifiek voor het stress-testen van continue authenticatiesystemen en autonome AI-agenten onder realistische, hoge-vermoeidheidsomstandigheden. De auteurs beweren dat de dataset het mogelijk maakt:

• Robuuste Gedragsprofielering: De hoge inter-user variatie en lage intra-user variatie die in de data worden waargenomen, bevestigen dat competitieve gameplay echte, stabiele biometrische signalen genereert.
• Wachtwoordloze Beveiliging: Door gebruik te maken van onderbewuste sensorimotorische gewoonten, ondersteunt de dataset de ontwikkeling van naadloze, niet-invasieve authenticatiemechanismen die geschikt zijn voor latency-gevoelige gamingtoepassingen.
• Toekomstige Onderzoeksrichtingen: De auteurs formuleren de dataset expliciet als startpunt voor open onderzoeksrichtingen, waaronder adversariele robuustheid (het detecteren van nabootsing en bots), de fusie van netwerkniveau PCAP-data met videoframes, en de ontwikkeling van zelftoezicht houdende gedragsfundamentele modellen voor vaardigheidsbeoordeling en vermoeidheidsdetectie.

De auteurs blijven bescheiden over de reikwijdte van de dataset en erkennen beperkingen zoals de specifieke cohortgrootte (28 deelnemers), het single-game/single-platform-karakter van de data (Valorant op Windows) en het ontbreken van longitudinale data om gedragsdrift in de tijd te modelleren. Ze benadrukken dat de dataset bedoeld is om defensief onderzoek (authenticatie, anti-cheat) te ondersteunen in plaats van heimelijke surveillance.