ФОРМИРОВАНИЕ ПРОСТРАНСТВА ПРИЗНАКОВ, ПОЗВОЛЯЮЩИХ ОСУЩЕСТВЛЯТЬ ДЕТЕКТИРОВАНИЕ АВТОМАТИЗИРОВАННЫХ СРЕДСТВ ПОДМЕНЫ ПОЛЬЗОВАТЕЛЯ В ИНФОРМАЦИОННОЙ СРЕДЕ

Наталья С. Афанасьева

Аннотация


Перспективным направлением детектирования вредоносных ботов остается анализ биомеханических параметров движения компьютерной мыши, однако существующие работы ограничиваются 10–20 признаками и не учитывают фрактальную природу траектории движения мыши реальным пользователем, что снижает точность классификации. В работе рассматривается подход для создания пространства признаков для последующего выявления автоматизированных средств подмены пользователей (ботов) на основании передвижения компьютерной мыши. Данный подход включает в себя два этапа: формирование временных окон и расчет характеристических признаков для каждого такого окна. Цель работы – сформировать входной характеристический набор признаков, позволяющий описать траекторию реального пользователя как устойчивый биометрический признак, что позволит отличать бота от реального пользователя. Автором проведен анализ работ, описывающих перемещение мыши и определен базовый набор признаков, встречающихся в этих исследованиях. На основании базового набора и в дополнение к нему предложены 166 новых признаков, рассчитанных с использованием порядковых статистик, сравнений распределений параметров с эталонными (датасеты BALABIT, Bogazici, BOT1), параметра
хи-квадрат, энтропийных и угловых характеристик. Расширенный входной вектор позволяет решать задачу детектирования ботов с более высокой точностью. Данный расширенный набор признаков в дальнейшем может использоваться для классификации и кластеризации данных в реальном времени, как основа антибот-систем.

Ключевые слова


бот, вредоносный бот, пространство признаков, детектор ботов, движение курсора компьютерной мыши, наборы данных динамики мыши, классификация

Полный текст:

PDF

Литература


1. Lucz G, Forstner B. Weighted Transformer Classifier for User-Agent Progression Modeling, Bot Contamination Detection, and Traffic Trust Scoring. Mathematics. 2025; 13(19):3153. DOI: https://doi.org/10.3390/math13193153.

2. Stergiou N., Decker L.M. Human movement variability, nonlinear dynamics, and pathology: is there a connection? Human Movement Science. 2011, v. 30, no. 5, pp. 869-888. DOI: https://doi.org/10.1016/j.humov.2011.06.002.

3. Santuz A, Akay T. Fractal analysis of muscle activity patterns during locomotion: pitfalls and how to avoid them. J Neurophysiol 124: 1083-1091, 2020. DOI: https://doi.org/10.1152/jn.00360.2020.

4. Казачук, М.А. Динамическая аутентификация пользователей на основе анализа работы с клавиатурой компьютера: специальность 05.13.11 "Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей" : диссертация на соискание ученой степени кандидата физико-математических наук. 2019. – 155 с. EDN: LVGHQI.
Kazachuk, M. A. Dynamic user authentication based on computer keyboard usage analysis [Doctoral dissertation, Lomonosov Moscow State University]. (Specialty 05.13.11: Mathematical and software support for computing machines, complexes, and computer networks). 2019. 155 p. EDN: LVGHQI (in Russian).

5. Tolpin D. Progressive Temporal Window Widening. arXiv preprint. 2016, arXiv:1604.00997. DOI: https://doi.org/10.48550/arXiv.1604.00997.

6. Murray, G.C., Lin, J. and Chowdhury, A. (2006), Identification of user sessions with hierarchical agglomerative clustering. Proc. Am. Soc. Info. Sci. Tech., 43: 1-9. DOI: https://doi.org/10.1002/meet.14504301312.

7. Jones R., Klinkner K.L. 2008. Beyond the session timeout: automatic hierarchical segmentation of search topics in query logs. In Proceedings of the 17th ACM conference on Information and knowledge management (CIKM '08). Association for Computing Machinery, New York, NY, USA, 699–708. DOI: https://doi.org/10.1145/1458082.1458176.

8. Quigley, B., Donnelly, M., Moore, G., Galway, L. (2018). A Comparative Analysis of Windowing Approaches in Dense Sensing Environments. Proceedings, 2(19), 1245. DOI: https://doi.org/10.3390/proceedings2191245.

9. Jin Y., Okamoto K., Harada K., Shibata A., Karube K. Similarity-Based Supervised User Session Segmentation Method for Behavior Logs. arXiv preprint. 2025, arXiv:2508.16106. DOI: https://doi.org/10.48550/arXiv.2508.16106.

10. Kim K., Kim H. and Lee D. A Correlation-based Real-time Segmentation Scheme for Multi-user Collaborative Activities. 2022 IEEE 46th Annual Computers, Software, and Applications Conference (COMPSAC), Los Alamitos, CA, USA, 2022, pp. 972-981. DOI: https://doi.org/10.1109/COMPSAC54236.2022.00150.

11. Zheng N., Paloski A., Wang H. 2011. An efficient user verification system via mouse movements. In Proceedings of the 18th ACM conference on Computer and communications security (CCS '11). Association for Computing Machinery, New York, NY, USA, 139-150. DOI: https://doi.org/10.1145/2046707.2046725.

12. Chuda D., Kratky P. Usage of computer mouse characteristics for identification in web browsing. In Proceedings of the 15th International Conference on Computer Systems and Technologies (CompSysTech '14). Association for Computing Machinery, New York, NY, USA, 218-225. DOI: https://doi.org/10.1145/2659532.2659645.

13. Feher C., Elovici Y., Moskovitch R., Rokach L., Schclar A. User identity verification via mouse dynamics. Information Sciences. 2012, v. 201, pp. 19-36. DOI: https://doi.org/10.1016/j.ins.2012.02.066.

14. Gamboa H., Fred A. A behavioral biometric system based on human-computer interaction. In: Proceedings of SPIE – Volume 5404, Biometric Technology for Human Identification. 2004, pp. 381-392. DOI: https://doi.org/10.1117/12.542625.

15. Barter H.L. History and role of order statistics. Communications in Statistics – Theory and Methods. 1988, v. 17, no. 7, pp. 2091–2107. DOI: https://doi.org/10.1080/03610928808829735.

16. Manikandan S. Measures of dispersion. Journal of Pharmacology and Pharmacotherapeutics. 2011, v. 2, no. 4, pp. 315-316. DOI: https://doi.org/10.4103/0976-500X.85931.

17. Favero L.P., Belfiore P. Measures of dispersion or variability. In: Data Science for Business and Decision Making. Academic Press, 2019, pp. 85-112. ISBN 9780128112175.

18. Cavus M. ggskewboxplots: Enhanced Boxplots for Skewed Data in R. arXiv preprint. 2025, arXiv:2511.17091. DOI: https://doi.org/10.48550/arXiv.2511.17091.

19. Antal M., Fejer N. Mouse dynamics based user recognition using deep learning. Acta Universitatis Sapientiae, Informatica. 2020, v. 12, no. 1, pp. 39-50. DOI: https://doi.org/10.2478/ausi-2020-0003.

20. Kılıç A.A., Yıldırım M., Anarım E. Bogazici mouse dynamics dataset. Data in Brief. 2021, v. 36, p. 107094. DOI: https://doi.org/10.1016/j.dib.2021.107094.

21. 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: https://doi.org/10.21293/1818-0442-2024-27-3-118-124.
Afanasieva N.S., Lozhnikov P.S. Datasets for bot detection using mouse behavior. Doklady Tomskogo gosudarstvennogo universiteta sistem upravleniya i radioelektroniki, 2024, v. 27, no. 3, pp. 118-124. DOI: https://doi.org/10.21293/1818-0442-2024-27-3-118-124 (in Russian).

22. Jiang J. χ² Test. In: J. Jiang (Ed.). Applied Medical Statistics. Wiley, 2022, pp. 261-287. DOI: https://doi.org/10.1002/9781119716822.ch11.




DOI: http://dx.doi.org/10.26583/bit.2026.5.08

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.