
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于击键动态的Transformer持续认证在内部会话劫持检测中的评估与贡献界定
《Scientific Reports》:Behavioural biometrics-based continuous authentication using transformer networks for detecting insider-threat session hijacking
【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要内部威胁是指合法用户已通过认证后会话被另一名已注册人员接管的情况,由于会话在接管发生之前已被信任,因此能够绕过一次性登录认证。持续认证通过在会话期间从行为信号重新验证用户身份,是一种自然的防御手段。我们研究了基于击键动态的行为生物特征持续认证,并提出问题:Transfor
内部威胁是指合法用户已通过认证后会话被另一名已注册人员接管的情况,由于会话在接管发生之前已被信任,因此能够绕过一次性登录认证。持续认证通过在会话期间从行为信号重新验证用户身份,是一种自然的防御手段。我们研究了基于击键动态的行为生物特征持续认证,并提出问题:Transformer网络能否比现有检测器更可靠地检测内部会话劫持?利用公开的CMU击键动态基准数据集(51名用户),我们将每次密码重复输入视为一个动作令牌,并在连续动作的滑动窗口上进行认证,训练一个在窗口内进行注意力建模的Transformer编码器。在未公开的后续会话上,Transformer达到了1.3%的等错误率,而强缩放曼哈顿检测器的等错误率为9.3%;该模型还优于卷积神经网络和循环神经网络基线(分别为2.1%和3.1%)。将内部攻击建模为会话中途的突发劫持,Transformer在约五个冒名动作内以1%的合法用户误报率检测出了99.7%的接管事件,而统计检测器的检出率仅为80%至88%。我们进一步表明,认证精度随窗口大小单调提升,可视化了学习到的用户区分性表示,并记录了跨会话的模板老化效应,这一效应促使采用自适应阈值。消融实验表明,性能增益主要来源于学习到的逐动作表示及其池化,而非Transformer特有的序列建模,因此我们将本研究的贡献定位如下:本文的创新在于面向内部劫持的窗口动作令牌化建模及其实际评估,而非新的注意力机制。我们还明确指出本研究未能验证的内容。本评估采用固定文本、闭集设定,并模拟突发接管场景;工作点在留出的流量上事后选择,因此实际上构成了前瞻性校准部署所能达到性能的上界。我们提供并公开了面向部署的自适应阈值与模板刷新流程,并对动作分段、多模态扩展、可用性及系统级成本进行了分析,但我们不声称在自由文本、开集或自适应对抗条件下对其进行了经验验证。