论文学习：Sapiagent-人类鼠标模式生成

1.背景

现代互联网如何反BOT？用户行为就是其关键因素之一。
我们可以列出一些当前比较流行的方案

• reCAPTCHA
• HCAPTCHA
• Akamai bot manager
• …
  这些方案的核心都是通过用户行为来判断是否为BOT，而用户行为的判断则是通过用户的鼠标移动、点击、滚动等行为来判断的。

这是当前应用场景的背景
因此如果我们要做对抗工作，就需要生成一个逼真的用户鼠标轨迹，这是一个序列生成问题

也就是本篇论文的核心内容：鼠标轨迹生成

1.1. 论文工作

1. 提出了一个数据集，包含120个用户的鼠标轨迹数据
2. 提出了基于autoencoder的鼠标轨迹生成模型（其实就是CNN-Autoencoder结构，论文中没直接说）
3. 论文做了几个基于机器学习的判别器，最终实验结果是：对于那几个机器学习的判别器，较bsamizier、传统Autoencoder通过率更高
4. 作者开源了他的模型和数据集（👏👏👏👏👏👏👏）

2.相关工作

2.1 鼠标轨迹分析（Mouse Trajectory Analysis）

防守方视角：
为了检测机器人：

• Suchacka等人提出了一种实时的网络机器人检测方法[2]
• 而Pozzana和Ferrara研究了社交媒体中机器人的行为，并设计了一种基于机器学习的算法来检测Twitter上的机器人[27]
• Pao等人[28]提出了一种基于轨迹的在线游戏场景机器人检测方法。
• Gianvecchio等人[30]是第一个使用鼠标动力学特征来检测游戏机器人的人
• Chu等人[31]将这种方法用于博客中的bot检测。
  生成对抗网络(GANs)[32]越来越多地被用于模仿形状和图像，GANs的变体包括条件GANs[33]和Wasserstein GANs[34]。
• Acien等人[35]提出基于单个鼠标轨迹来检测机器人。作者提出了两种生成类人鼠标轨迹数据的方法:基于启发式函数的方法和基于gan的数据驱动方法。提出了两个版本的bot检测问题:(i)一个异常检测问题，(ii)一个二分类问题。在前者中，使用单类支持向量机(OCSVM)作为异常检测器;对于后者，采用了SVM、k近邻、随机森林、多层感知机、长短期记忆网络(LSTM)和门控循环单元(GRU)等分类算法。

我个人感觉这个相关工作吧，就其实一般，如果要我写的话就把攻方/守方视角都写明白。
他也没写攻击方有什么进展

3.数据与方法

A. 问题描述

有人将BOT判定这个问题判定为单分类问题，有的人判定为二分类问题
作者将该问题定义为了一个单分类问题，输出一个分数，表示偏离人类行为的分数。

B. 数据介绍

论文提出的数据集：

• 包含120名受试者的鼠标移动数据
• 其中92名是男性
• 28名是女性
• 受试者的年龄从18岁到53岁不等
• 平均包含37个点
  S1-S3不等表示1分钟和3分钟的鼠标轨迹数据

C. 轨迹表示

因为Autoencoder是一个编码模型，所以需要将轨迹数据编码成一个向量
也就是说，需要提供一个初始轨迹，作者把点($x$,$y$)到($x_1$,$y_1$)的点用直线连起来，然后让他自己的模型编码

D.E.方法

就是一个CNN-Autoencoder结构，对比方法RNN-Autoencoder，没啥好说的，可以参照原文或者源码，看的会更快点

4. 实验与结果

A. 实验设置

作者用S3中的数据拿来训练，S1中的数据拿来测试
测试的时候，作者把S1的数据拿来，每条轨迹分别分为：

• 使用bsamizier生成的轨迹（假的）
• 使用SapiAgent的轨迹（真的）

然后作者又根据S3的数据训练了一堆机器学习判别器，用来判别轨迹是真的还是假的

…实验结果懒得写了
总之就是CNN-Autoencoder做得好，说得对，他们的方法性能好

但是有个问题就是没做消融实验

4.个人感想

可以看出来哥们确实是做网安的，但是机器学习做得偏少，这篇论文的行文不能说很烂，只能说有点烂
但是代码还有配套、数据集还是非常有诚意的
首先个人提出两个问题：

• 那个CNN-Autoencoder其实根本没什么必要，反正输入全都是线性的，那么直接输入[起点, 终点, 轨迹长度]就可以了，这样的话，这网络前半部分就不需要了，同时他也就不是一个AutoEncoder结构的东西了
• 数据集过少，因此如果想提升的话可以：一方面补充一点

思考：

• 数据量比较少的情况可以做元学习
• 数据量如果能够得到扩充的话，可以补充一些去做GAN，或者加入Attention机制都是可以的，但是我做了一些改进，感觉是因为数据量太少所以做不出来

关于数据源的问题：

• 为什么非要自己建数据源？通过open images去分割鼠标轨迹，站在巨人的肩膀上也是可以的