基于鼠标动力学的行为入侵检测

与其他行为生物特征相比，鼠标动力学是一个较少被探索的领域。包含无限制鼠标使用数据的通用数据集通常不可用。Balabit 数据集于 2016 年发布用于数据科学竞赛，尽管受试者很少，但它可被视为第一个合适的公开可用数据集。本文针对该数据集进行了冒名者检测的性能评估研究。极短测试会话的存在使该数据集具有挑战性。原始数据被分割为鼠标移动、指向与点击以及拖放类型的鼠标动作，随后提取了若干特征。与击键动力学不同，鼠标数据不敏感，因此有可能收集负向鼠标动力学数据并使用两类分类器进行冒名者检测。我们进行了基于单一动作和基于动作集合的评估。基于动作集合的评估在该数据集的测试部分上取得了 0.92 的 AUC。然而，在同一数据集的训练部分上进行的同类评估仅使用 13 个动作便达到了最大 AUC (1)。拖放鼠标动作被证明是冒名者检测的最佳动作。