BEACON: A Multimodal Dataset for Learning Behavioral Fingerprints from Gameplay Data
本文介绍了 BEACON，这是一个大规模多模态数据集，包含来自 28 名《无畏契约》（Valorant）玩家的同步游戏数据，旨在通过捕捉真实竞技压力下的高保真运动与认知信号，推动持续认证与行为指纹识别研究的发展。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图在拥挤的房间里辨认一位朋友。你可以询问他们的名字（密码），但如果他们戴着面具呢？如果你看不见他们的脸呢？相反，你可能会通过他们的走路方式、声音的节奏或挥手的具体姿态来认出他们。
本文介绍了BEACON，这是一个庞大的全新数字足迹“图书馆”，旨在帮助计算机通过人们如何移动来识别他们，而不是通过他们知道什么（如密码）。
以下是使用简单类比对该论文的拆解：
1. 问题：“一次性”锁
目前，大多数数字安全系统就像一扇前门的锁。你转动钥匙（输入密码）一次进入，然后就可以在屋内自由走动。如果小偷偷走了你的钥匙，或者趁你在屋内时闯入，这把锁无法区分你和入侵者。
在快节奏的电子游戏（如《无畏契约》/Valorant）中，要求玩家每隔几分钟就停下来输入密码会破坏游戏体验。作者认为，我们需要一种能够持续监视你的安全系统，就像一位沉默的保镖，他如此熟悉你独特的走路风格，以至于能瞬间识破冒充者。
2. 解决方案："BEACON"数据集
要构建这位保镖，你需要大量的训练数据。作者创建了BEACON（用于认证与持续监控的行为引擎）。
将 BEACON 想象成一个为电子游戏玩家打造的高清录音棚。他们不仅记录了游戏过程，还同时记录了电脑上发生的一切：
- 鼠标：玩家甩动鼠标的速度、点击的力度以及手部的微小颤动。
- 键盘：打字的节奏以及按键被按住的时长。
- 网络：数据包离开电脑时的数字“足迹”。
- 屏幕：他们所见内容的视频记录。
- 硬件：电脑规格（CPU、内存等）的快照。
规模：
- 28 名玩家：一个由不同技能水平的玩家组成的多样化群体。
- 79 次会话：约 102 小时的激烈游戏过程。
- 430 GB 数据：海量信息，包括超过9000 万次鼠标移动和49.8 万次按键。
3. 为什么选择电子游戏？
作者选择了快节奏射击游戏《无畏契约》（Valorant），因为它是“终极压力测试”。
- 类比：想象让人在走钢丝的同时玩杂耍。这就是玩这款游戏的感觉。它迫使大脑和双手以闪电般的速度协同工作。
- 在这种高压环境下，玩家会形成独特的“肌肉记忆”。正如钢琴家拥有独特的触键方式，玩家也拥有独特的瞄准和移动方式。这些习惯是潜意识的，极难伪造。
4. 实验：AI 能学会“指纹”吗？
研究人员利用这个庞大的数据图书馆，训练了六种不同的 AI 模型充当侦探。他们向 AI 提问：“基于这些鼠标移动和按键，这是 28 名玩家中的哪一位？"
结果：
- 鼠标为王：AI 利用鼠标移动识别玩家的能力远强于利用键盘输入。这很合理，因为在这些游戏中，鼠标持续且快速地移动，创造了丰富且详细的“签名”。
- 组合线索：当 AI 同时观察鼠标和键盘时，效果更佳。这就像同时通过声音和步态来辨认一位朋友。
- 准确率：最佳模型在 60 秒的游戏窗口内，正确识别玩家的准确率约为71%。虽然并非完美，但对于一个从未见过该玩家之前的系统而言，这是一个巨大的进步。
5. 这意味着什么（以及不意味着什么）
该论文声称，BEACON 证明了从电子游戏中创建“行为指纹”是可行的。
- 好消息：它表明我们可以构建在后台运行的安全系统，在不中断游戏的情况下静默地验证你的身份。
- 局限性：
- 小组规模小：该研究仅使用了 28 人。这就像在小型赛道上测试一辆新车；我们还不知道它在大规模高速公路上表现如何。
- 单一游戏：数据仅来自《无畏契约》。我们不知道这些“指纹”是否适用于其他游戏或在不同的电脑上有效。
- 无长期测试：该研究并未在数年内观察这些玩家。我们不知道玩家的“指纹”是否会随着年龄增长或疲劳而改变。
总结
作者构建了一个关于 28 人如何玩电子游戏的巨大且详细的图书馆。他们利用这个图书馆展示了计算机可以学会通过人们独特、潜意识的移动（尤其是使用鼠标的方式）来识别玩家。这是迈向未来数字安全的重要一步，未来的安全将基于你是谁以及你如何行动，而不仅仅是一个你可能会忘记的密码。
该数据集以及用于收集它的代码现已可供其他科学家使用，以便他们尝试构建更出色的“数字保镖”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。