鼠标行为对网络机器人的防御效果如何？一项针对不同复杂程度机器人的研究

《IEEE Women in Engineering Magazine》：How Effective is Mouse Dynamics Against Web Bots? A Study Across Different Sophistication Levels

　　

摘要：

网络机器人对在线安全构成了日益严重的威胁，其中鼠标行为动态已成为检测这些机器人的关键行为生物特征。本文批判性地评估了一种多层次的防御策略，以应对从合成攻击到复杂重放攻击的各种类型。我们从两个定制网站收集了数据集，并评估了三种不同的防御层：一套用于行为分析的机器学习模型、用于历史比较的动态时间规整（DTW）以及用于上下文验证的点击模式分析。我们的研究结果表明，没有一种技术是万能的，最佳防御方法取决于具体的威胁模型。监督学习的随机森林模型在检测合成攻击方面表现出色，并通过利用不同用户界面（UI）环境之间的任务复杂性差异，成功识别了大多数跨域重放攻击。此外，简单的确定性点击模式分析为应对跨域攻击提供了一种可行的解决方案，这突显了基于上下文的规则的力量。相比之下，无监督模型在这种上下文不匹配的重放攻击中表现不佳，而我们的DTW方法在同域重放攻击中则非常有效。这项研究强调了构建一个混合型的深度防御系统的必要性，该系统结合了监督行为模型、历史分析和上下文验证，以保护鼠标行为动态系统免受各种威胁的侵害。