Egérdinamika-alapú bot detektálás

Mouse Dynamics-based Bot Detection

Abstract

Nowadays bot detection is gaining more and more attention due to the damage caused by bots besides the fact that they perform automated tasks. Although the presence of bots is being examined from more and more aspects to prevent attacks, it is a complex process as state-of-the-art bots are already aimed at mimicking human behavior. In our research, we examine the human-like behavior of bots in terms of different generated mouse movements. Synthetic data sets were generated based on different parameterized versions of Bézier curves, by convolutional autoencoders and also by a generative adversarial network (TimeGAN) specialized in time series. We used our Sapimouse data set, which contains mouse dynamics data for 120 users. Using this data set and the synthetic data sets, we measured the performance of different anomaly detectors. The best performing detector, which proved to be the most successful in distinguishing between generated and real human mouse movements was the Local Outlier Factor (LOF). Regarding the generated data sets, the mouse movements generated by convolutional autoencoder were the most human-like.

Kivonat

A botok detektálását egyre nagyobb figyelem övezi napjainkban, hiszen a botok az automatizált feladatok elvégzésén túl számos kárt okoznak. Habár a támadások kivédése érdekében egyre több aspektusból vizsgálják a botok jelenlétét, ez egy komplex folyamatnak számít, hiszen a legmodernebb botok már az emberi viselkedés utánzását is megcélozzák. Kutatásunkban a botok emberszerű viselkedését vizsgáljuk különböző módszerekkel generált egérmozgások szempontjából. Bézier görbék különbözően paraméterezett változataival, konvolúciós autoenkóderrel, illetve egy idősorokra szakosodott generatív ellenséges hálózat (TimeGAN) segítségével szintetikus adathalmazokat generáltunk.  A mérésekhez a Sapimouse adathalmazt használtuk, amely 120 felhasználó egérdinamikai adatait tartalmazza. Ezt az adathalmazt, illetve a szintetikus adathalmazokat felhasználva mértük különböző anomália detektorok teljesítményét. A legjobban teljesítő detektor, mely a legsikeresebbnek bizonyult a generált és valós emberi egérmozgások elkülönítésében az LOF lett. A generált adathalmazok tekintetében a konvolúciós autoenkóder által generált egérmozgások voltak a legemberszerűbbek.