Resumo Técnico: Conjunto de Dados BEACON para Impressão Digital Comportamental

Declaração do Problema

A autenticação contínua em ambientes digitais de alto risco, particularmente em esportes eletrônicos competitivos, enfrenta um gargalo crítico: a falta de conjuntos de dados multimodais abrangentes que capturem sinais comportamentais de alta granularidade sob demandas cognitivas e motoras realistas. Os benchmarks existentes são frequentemente limitados por pequena escala, sensoriamento unimodal (por exemplo, apenas digitação ou dinâmica do mouse) ou falta de contexto ambiental sincronizado. Além disso, os conjuntos de dados atuais frequentemente dependem de tarefas de desktop de baixa frequência ou sessões artificialmente breves que não capturam o início da fadiga do jogador ou as entradas sensório-motoras em nível de microssegundo inerentes a jogos de ritmo acelerado. Essa lacuna impede o treinamento e a avaliação de modelos fundamentais de IA de próxima geração para autenticação contínua, perfilamento comportamental e detecção de anomalias.

Metodologia

Para abordar essas limitações, os autores introduzem o BEACON (Motor Comportamental para Autenticação e Monitoramento Contínuo), um conjunto de dados multimodal em grande escala derivado de partidas competitivas de Valorant.

Arquitetura de Coleta de Dados

Os autores desenvolveram um framework de registro personalizado e de baixa latência, projetado para capturar telemetria sem interferir no jogo ou degradar a taxa de quadros. O sistema opera por meio de quatro threads concorrentes:

1. Telemetria de Teclado: Captura eventos de pressionamento/liberação de teclas, carimbos de tempo, tempos de permanência e latências entre teclas usando pynput.keyboard.
2. Telemetria de Mouse: Registra coordenadas do cursor, trajetórias de movimento, eventos de clique, atividade de rolagem, velocidade e aceleração usando pynput.mouse.
3. Telemetria de Rede: Utiliza scapy.sniff para capturar tráfego de rede bruto (PCAPs), permitindo o alinhamento temporal de entradas físicas locais com a atividade do jogo no lado do servidor.
4. Gravação de Tela: Captura sessões de jogo por meio de um subprocesso FFmpeg a 25 fps, usando configurações de codificador conservadoras para minimizar a contenção de CPU, preservando ao mesmo tempo o contexto visual.

Todas as modalidades são carimbadas com o tempo POSIX do host (epoch Unix) para garantir alinhamento temporal preciso entre modalidades sem marcadores de sincronização explícitos. A coleta de dados envolveu 28 participantes distintos em 79 sessões do mundo real, realizadas tanto em ambientes de laboratório controlados quanto em residências, para garantir diversidade de hardware.

Composição do Conjunto de Dados

O BEACON compreende aproximadamente 430 GB de dados de modalidades sincronizadas (461 GB totais em disco, incluindo capturas auxiliares de configuração). O conjunto de dados inclui:

• Participantes: 28 jogadores distintos (pseudonimizados P001–P028) abrangendo vários níveis de habilidade competitiva.
• Duração: Aproximadamente 102,51 horas de jogo ativo.
• Volume de Eventos: Mais de 90 milhões de eventos de mouse, ~498.000 teclas pressionadas e mais de 114 milhões de pacotes de rede.
• Modalidades: Dinâmica do mouse, dinâmica de digitação, capturas de pacotes de rede, gravações de tela e metadados de hardware (CPU, RAM, periféricos).

Avaliação de Linha de Base

Para caracterizar a utilidade do conjunto de dados, os autores estabeleceram desempenho de linha de base usando seis arquiteturas state-of-the-art originalmente desenvolvidas para Impressão Digital de Sites (ARES, BAPM, NetCLR, TCN, TMWF e Var-CNN). Esses modelos foram adaptados para realizar uma tarefa de identificação de usuário de 28 classes usando modalidades de mouse e teclado. A avaliação utilizou janelas temporais de 10s, 30s, 45s e 60s, com dados particionados cronologicamente (80% treinamento, 10% validação, 20% teste).

Contribuições Principais

1. O Conjunto de Dados BEACON: Um conjunto de dados multimodal de grande escala, lançado publicamente, especificamente projetado para biometria comportamental em ambientes FPS de alto risco. Ele isola de forma única a interseção entre dinâmicas sensório-motoras brutas, configurações de hardware e telemetria de rede.
2. Sincronização Multimodal: O conjunto de dados fornece dados sincronizados entre modalidades de mouse, teclado, rede e vídeo, permitindo o estudo da autenticação contínua e do desvio do usuário em um ambiente de alta fidelidade.
3. Benchmarks de Linha de Base: O artigo fornece métricas de desempenho iniciais para identificação de usuário usando arquiteturas de aprendizado profundo, demonstrando a viabilidade da autenticação contínua neste domínio.
4. Acesso Aberto: O conjunto de dados e o código de registro personalizado são lançados no Hugging Face e no Zenodo, respectivamente, para criar um benchmark reproduzível para a comunidade.

Resultados

Os experimentos de linha de base produziram as seguintes descobertas principais:

• Desempenho por Modalidade: A dinâmica unimodal do mouse consistentemente superou a dinâmica unimodal de digitação. Modelos apenas com mouse alcançaram precisões de identificação de até 63,16% (Var-CNN com resolução de 10s), enquanto modelos apenas com teclado atingiram um pico de 36,23% (TMWF com 45s).
• Desempenho de Fusão: A fusão precoce das modalidades de mouse e teclado produziu o desempenho geral mais alto. A arquitetura Var-CNN alcançou uma precisão máxima global de identificação de 70,82% com uma Taxa de Erro Igual (EER) de 4,31% na configuração de fusão de 60 segundos.
• Variância Arquitetural: As arquiteturas Var-CNN e NetCLR demonstraram convergência e desempenho superiores, sugerindo que convoluções causais dilatadas e aprendizado de representação contrastiva são bem adequados para telemetria de esportes eletrônicos. Por outro lado, a arquitetura ARES falhou em convergir em todas as configurações, destacando uma lacuna de domínio entre modelos otimizados para tráfego de rede em rajadas e saída sensório-motora humana contínua.
• Resolução Temporal: O desempenho geralmente melhorou com janelas de observação mais longas (até 60s), indicando que, embora os micro-reflexos forneçam sinais distintos, os macro-comportamentos (por exemplo, ritmo rotacional) fornecem a estabilidade contextual necessária para minimizar as Taxas de Falsa Rejeição.

Significado e Alegações

O artigo posiciona o BEACON como um ativo fundamental para pesquisa em cibersegurança, especificamente para testar sob estresse sistemas de autenticação contínua e agentes de IA autônomos sob condições realistas de alta fadiga. Os autores afirmam que o conjunto de dados permite:

• Perfilamento Comportamental Robusto: A alta variância inter-usuário e a baixa variância intra-usuário observadas nos dados confirmam que o jogo competitivo gera sinais biométricos genuínos e estáveis.
• Segurança Sem Senha: Ao aproveitar hábitos sensório-motores subconscientes, o conjunto de dados apoia o desenvolvimento de mecanismos de autenticação contínuos e não intrusivos, adequados para aplicações de jogos sensíveis à latência.
• Direções Futuras de Pesquisa: Os autores enquadram explicitamente o conjunto de dados como um ponto de partida para direções de pesquisa aberta, incluindo robustez adversarial (detecção de imitação e bots), a fusão de dados PCAP de nível de rede com quadros de vídeo e o desenvolvimento de modelos fundamentais comportamentais auto-supervisionados para avaliação de habilidade e detecção de fadiga.

Os autores permanecem modestos quanto ao escopo do conjunto de dados, reconhecendo limitações como o tamanho específico da coorte (28 participantes), a natureza de jogo único/plataforma única dos dados (Valorant no Windows) e a falta de dados longitudinais para modelar o desvio comportamental ao longo do tempo. Eles enfatizam que o conjunto de dados destina-se a apoiar pesquisa defensiva (autenticação, anti-trapaça) em vez de vigilância encoberta.