Экспериментальная оценка использования расширенного пространства признаков для детектирования автоматизированных средств подмены пользователя

Н. С. Афанасьева

Аннотация


Ранее автором был предложен подход к формированию расширенного пространства признаков, позволяющих осуществлять детектирование автоматизированных средств подмены пользователя в информационной среде на основании передвижения компьютерной мыши. Рассматривался базовый набор, применяемый в известных работах по поведенческой биометрии мыши, состоящий из 56 параметров, который был дополнен 166 новыми признаками. Результирующее комбинированное пространство образовано 222 признаками. Целью настоящей работы является эмпирическая проверка гипотезы о том, что предложенное расширенное пространство признаков обеспечивает более высокое качество детектирования ботов по сравнению с базовым набором признаков. На данных, включающих датасеты BALABIT, BOGAZICI и внутренние наборы синтетических и браузерных ботов, обучен классификатор Random Forest с оптимизацией гиперпараметров методом GridSearchCV. Получены значения точности (accuracy) 0,99–0,999 и F1-меры по классу «бот» до 0,945–0,983. Дополнительно проведен контролируемый вычислительный эксперимент, в котором сопоставлены базовый набор признаков и комбинированное пространство. Переход к комбинированному пространству признаков сопровождается ростом полноты (recall) по классу «бот» с 0,800 до 0,912 и F1-меры с 0,887 до 0,945. Анализ важности признаков показал, что подавляющее большинство наиболее значимых для классификации характеристик относится к предложенным новым признакам, а не к базовому набору. Проведено сопоставление с результатами известных работ в области поведенческой биометрии. Результаты подтверждают целесообразность расширения признакового пространства для повышения точности детектирования автоматизированных средств подмены пользователя.

Ключевые слова


Бот; вредоносный бот; пространство признаков; детектор ботов; поведенческая биометрия.

Полный текст:

PDF

Литература


Acien A., Morales A., Fierrez J., Vera-Rodriguez R. “BeCAPTCHA-Mouse: Synthetic mouse trajectories and improved bot detection” // Pattern Recognition. 2022. Vol. 127, art. 108643. DOI: 10.1016/j.patcog.2022.108643.

Antal M., Fejer N. “Mouse dynamics based user recognition using deep learning” // Acta Universitatis Sapientiae, Informatica. 2020. Vol. 12, no. 1, pp. 39–50. DOI: 10.2478/ausi-2020-0003.

Breiman L. “Random forests” // Machine Learning. 2001. Vol. 45, no. 1, pp. 5–32. DOI: 10.1023/A:1010933404324.

Chen T., Guestrin C. “XGBoost: A scalable tree boosting system” // Proc. of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016, pp. 785–794. DOI: 10.1145/2939672.2939785.

Chuda D., Kratky P. “Usage of computer mouse characteristics for identification in web browsing” // Proc. of the 15th International Conference on Computer Systems and Technologies (CompSysTech ’14). New York: ACM, 2014, pp. 218–225. DOI: 10.1145/2659532.2659645.

Feher C., Elovici Y., Moskovitch R., Rokach L., Schclar A. “User identity verification via mouse dynamics” // Information Sciences. 2012. Vol. 201, pp. 19–36. DOI: 10.1016/j.ins.2012.02.066.

Flash T., Hogan N. “The coordination of arm movements: an experimentally confirmed mathematical model” // Journal of Neuroscience. 1985. Vol. 5, no. 7, pp. 1688–1703. DOI: 10.1523/JNEUROSCI.05-07-01688.1985.

Gamboa H., Fred A. “A behavioral biometric system based on human-computer interaction” // Proc. SPIE. Vol. 5404: Biometric Technology for Human Identification. Bellingham: SPIE, 2004, pp. 381–392. DOI: 10.1117/12.542625.

Grinsztajn L., Oyallon E., Varoquaux G. “Why do tree-based models still outperform deep learning on typical tabular data?” // Advances in Neural Information Processing Systems (NeurIPS 2022), Datasets and Benchmarks Track. 2022. Vol. 35, pp. 507–520. DOI: 10.48550/arXiv.2207.08815.

Guyon I., Elisseeff A. “An introduction to variable and feature selection” // Journal of Machine Learning Research. 2003. Vol. 3, pp. 1157–1182. DOI: 10.1162/153244303322753616.

Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T.-Y. “LightGBM: A highly efficient gradient boosting decision tree” // Advances in Neural Information Processing Systems (NIPS 2017). 2017. Vol. 30, pp. 3146–3154.

Kılıç A. A., Yıldırım M., Anarım E. “Bogazici mouse dynamics dataset” // Data in Brief. 2021. Vol. 36, art. 107094. DOI: 10.1016/j.dib.2021.107094.

Liu Y., Xu S., Li Y., Yu S. “Evolution of malicious social bot detection: From individual profiling to group analysis and beyond” // Journal of Social Computing. 2025. Vol. 6, no. 3, pp. 258–284. DOI: 10.23919/JSC.2025.0017.

Lundberg S. M., Lee S.-I. “A unified approach to interpreting model predictions” // Advances in Neural Information Processing Systems (NIPS 2017). 2017. Vol. 30, pp. 4765–4774. DOI: 10.48550/arXiv.1705.07874.

Niu H., Zhou Y., Chen J., Cai Z. “Performance evaluation of lightweight network-based bot detection using mouse movements” // Engineering Applications of Artificial Intelligence. 2024. Vol. 135, art. 108801. DOI: 10.1016/j.engappai.2024.108801.

Plamondon R. “A kinematic theory of rapid human movements. Part I. Movement representation and generation” // Biological Cybernetics. 1995. Vol. 72, no. 4, pp. 295–307. DOI: 10.1007/BF00202785.

Shi Y., Wang X., Zheng K., Cao S. “User authentication method based on keystroke dynamics and mouse dynamics using HDA” // Multimedia Systems. 2023. Vol. 29, no. 2, pp. 653–668. DOI: 10.1007/s00530-022-00997-5.

Shwartz-Ziv R., Armon A. “Tabular data: Deep learning is not all you need” // Information Fusion. 2022. Vol. 81, pp. 84–90. DOI: 10.1016/j.inffus.2021.11.011.

Wei A., Zhao Y., Cai Z. “A deep learning approach to web bot detection using mouse behavioral biometrics” // Biometric Recognition (CCBR 2019). Lecture Notes in Computer Science. Vol. 11818. Cham: Springer, 2019, pp. 388–395. DOI: 10.1007/978-3-030-31456-9_43.

Zheng N., Paloski A., Wang H. “An efficient user verification system via mouse movements” // Proc. of the 18th ACM Conference on Computer and Communications Security. New York: ACM, 2011, pp. 139–150. DOI: 10.1145/2046707.2046725.

Афанасьева Н. С., Ложников П. С. Наборы данных, используемые для определения ботов на основании движения компьютерной мыши // Доклады Томского государственного университета систем управления и радиоэлектроники. 2024. Т. 27, № 3. С. 118–124. DOI: 10.21293/1818-0442-2024-27-3-118-124. [Afanaseva N. S., Lozhnikov P. S. “Datasets used to detect bots based on computer mouse movement” // Proceedings of TUSUR University. 2024. Vol. 27, no. 3, pp. 118–124. DOI: 10.21293/1818-0442-2024-27-3-118-124. (In Russian).]

Афанасьева Н. С. Формирование пространства признаков, позволяющих осуществлять детектирование автоматизированных средств подмены пользователя в информационной среде // Безопасность информационных технологий. 2026 (в печати). [Afanaseva N. S. “Formation of a feature space enabling detection of automated user substitution tools in the information environment” // IT Security (Russia). 2026 (in press). (In Russian).]




DOI: https://doi.org/10.54708/SIIT-2026-no5-p113

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2026 Н. С. Афанасьева