Анализ устойчивости модели адаптивной аутентификации к целевым оптимизационным атакам имитации гибридного цифрового отпечатка

В статье исследуется устойчивость модели адаптивной аутентификации к целевым оптимизационным атакам имитации гибридного цифрового отпечатка. Предложено адверсариальное расширение модели адаптивной аутентификации, основанной на цифровом отпечатке, объединяющем технические и поведенческие атрибуты. Атака формализована как задача условной оптимизации с раздельными величинами допустимых возмущений технических (ε_d) и поведенческих (ε_b) атрибутов в условиях ограниченной обратной связи. Для оценки устойчивости модели введена вероятностная мера устойчивости R, согласованная с классическими метриками FAR/FRR. Экспериментальная проверка проведена на датасете из 1280 сессий (32 пользователя, 30 признаков) с использованием алгоритма CMA-ES. Результаты экспериментов показали, что модели с адаптивным взвешиванием обеспечивают двукратное повышение устойчивости относительно модели с равными весами в зоне реалистичных атак (ε_b≤0.2): R=0.66-0.79 против 0.39–0.53, и снижают вероятность успешной атаки до 0.36 при стратегии оптимизации технических и поведенческих признаков. Экспериментально установлено, что автоматическое снижение весов при росте дисперсии признаков затрудняет целевые оптимизационные атаки злоумышленников. Выявленная уязвимость защиты при ε_d≥0.5 (R≤0.07) определяет границы применимости модели и обосновывает необходимость многофакторной аутентификации при высокой доле возмущений.

1. Вехов В.Б., Смушкин А.Б. Криминалистическое исследование цифровых отпечатков компьютерных устройств // Всероссийский криминологический журнал. – 2024. – Т. 18, № 4. – С. 390-397. – DOI 10.17150/2500-4255.2024.18(4).390-397. – EDN PCRWRC

2. Саломатин А.А., Лукинова О.В. Теоретические основы адаптации легитимизации пользователя на основе динамики вектора атрибутов цифрового отпечатка // Известия Юго-западного государственного университета. – 2026. – (в печати).

3. Bonneau J., Herley C., van Oorschot P. C., Stajano F. Passwords and the Evolution of Imperfect Authentication // Communications of the ACM. – 2015. – Vol. 58, No. 7. – P. 78–87.

4. Bonneau J., Herley C., van Oorschot P. C., Stajano F. The Quest to Replace Passwords: A Framework for Comparative Evaluation of Web Authentication Schemes // IEEE Symposium on Security and Privacy. – San Francisco, CA, USA. – 2012. – P. 553–567. – DOI: 10.1109/SP.2012.44

5. Das A., Bonneau J., Caesar M., Borisov N., Wang X. The Tangled Web of Password Reuse // Proceedings of the Network and Distributed System Security Symposium. – 2014. – DOI: 10.14722/ndss.2014.23357

6. Juels A., Rivest R. Honeywords: Making Password-Cracking Detectable // Proceedings of the 2013 ACM SIGSAC Conference on Computer and Communications Security. – 2013. – P. 145–160. – DOI: 10.1145/2508859.2516671

7. Eberz S., Rasmussen K. B., Lenders V., Martinovic I. Evaluating Behavioral Biometrics for Continuous Authentication: Challenges and Metrics // Proceedings of the 2017 ACM on Asia Conference on Computer and Communications Security. – 2017. – P. 386–399. – DOI: 10.1145/3052973.3053032

8. Viswanath B., Bashir M. A., Crovella M., Guha S., Gummadi K. P., Krishnamurthy B., Mislove A. Towards Detecting Anomalous User Behavior in Online Social Networks // USENIX Security Symposium. – 2014. – P. 223–238.

9. Monrose F., Rubin A. Authentication via Keystroke Dynamics // Proceedings of the 4th ACM Conference on Computer and Communications Security. – 1997. – P. 48–56. – DOI: 10.1145/266420.266434

10. Killourhy K., Maxion R. Comparing Anomaly Detection Algorithms for Keystroke Dynamics // IEEE/IFIP International Conference on Dependable Systems and Networks. – Lisbon, Portugal. – 2009. – P. 125–134. – DOI: 10.1109/DSN.2009.5270346.

11. Shen C., Cai Z., Guan X., Maxion R. Performance Evaluation of Anomaly-Detection Algorithms for Mouse Dynamics // Computers & Security. – 2014. – Vol. 45. – P. 156–171. – DOI: 10.1016/j.cose.2014.05.002

12. Serwadda A., Phoha V. When Kids’ Toys Breach Mobile Phone Security // Proceedings of the 2013 ACM SIGSAC Conference on Computer and Communications Security. – 2013. – P. 599–610. – DOI: 10.1145/2508859.2516659

13. Biggio B., Roli F. Wild Patterns: Ten Years after the Rise of Adversarial Machine Learning // Pattern Recognition. – 2018. – Vol. 84. – P. 317–331. – DOI: 10.1016/j.patcog.2018.07.023.

14. Goodfellow I. J., Shlens J., Szegedy C. Explaining and Harnessing Adversarial Examples // arXiv. – 2015. – DOI: 10.48550/arXiv.1412.6572

15. Papernot N. et al. Practical Black-Box Attacks Against Machine Learning // Proceedings of the 2017 ACM on Asia Conference on Computer and Communications Security. – 2017. – P. 506–519. – DOI: 10.1145/3052973.3053009

16. Sommer R., Paxson V. Outside the Closed World: On Using Machine Learning for Network Intrusion Detection // IEEE Symposium on Security and Privacy. – Oakland, CA, USA. – 2010. – P. 305–316. – DOI: 10.1109/SP.2010.25.

17. Dalvi N. et al. Adversarial Classification // Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2004. – P. 99–108. – DOI: 10.1145/1014052.1014066

18. Li B., Vorobeychik Y. Scalable Optimization of Randomized Operational Decisions in Adversarial Classification Settings // Proceedings of the Eighteenth International Conference on Artificial Intelligence and Statistics. – 2015. – Vol. 38. – P. 599–607.

19. Barreno M. et al. The Security of Machine Learning // Machine Learning. – 2010. – Vol. 81. – P. 121–148. – DOI: 10.1007/s10994-010-5188-5

20. Chandola V. et al. Anomaly Detection: A Survey // ACM Computing Surveys. – 2009. – Vol. 41, No. 3. – Article 15. – P. 1–58. – DOI: 10.1145/1541880.1541882

21. Apify. fingerprint-generator: Realistic browser fingerprint generator [Электронный ресурс]. – 2024. – URL: https://github.com/apify/fingerprint-generator (дата обращения: 06.04.2026).

22. Andriamilanto N., Allard T., Le Guelvouit G., Garel A. A Large-scale Empirical Analysis of Browser Fingerprints Properties for Web Authentication // ACM Transactions on the Web. – 2021. – Vol. 16, No. 1. – Art. 4. – DOI: 10.1145/3478026

23. Barford P., Crovella M. Generating Representative Web Workloads for Network and Server Performance Evaluation // Proceedings of the 1998 ACM SIGMETRICS International Conference on Measurement and Modeling of Computer Systems. – 1998. – P. 151–160.

24. Weinreich H., Obendorf H., Herder E., Mayer H. Not Quite the Average: An Empirical Study of Web Use // ACM Transactions on the Web. – 2008. – Vol. 2, No. 1. – Art. 5. – P. 1–31. – DOI: 10.1145/1326561.1326566

25. Zhang Y., Chen W., Wang D., Yang Q. User-click Modeling for Understanding and Predicting Search-Behavior // KDD '11: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – San Diego, CA, USA, 2011. – P. 1388–1396. – DOI: 10.1145/2020408.2020613

26. Hansen N. The CMA Evolution Strategy: A Tutorial // arXiv preprint arXiv:1604.00772. – 2016.