obscura/research/uncontrollable/behavioral-biometricsobscura/research/uncontrollable/behavioral-biometrics

Kategorie: Benutzerverhalten / Mensch-Computer-Interaktion

---

1. Beschreibung

Verhaltensbiometrie misst, wie ein Benutzer mit seinem Gerät interagiert. Im Gegensatz zu Hardware-Fingerprints sind diese dynamisch – sie variieren mit Stimmung, Kontext, Müdigkeit und Übung. Sie sind jedoch auch hochgradig individuell: Tastendynamik allein kann einen Benutzer in kontrollierten Umgebungen mit >95 % Genauigkeit identifizieren.

---

2. Vektoren

2.1 Tastendynamik

document.addEventListener('keydown', event => {
  console.log({
    key: event.key,
    timestamp: performance.now(),
    code: event.code,
    location: event.location
  })
})
document.addEventListener('keyup', event => {
  console.log({
    key: event.key,
    timestamp: performance.now(),
    holdTime: performance.now() - keydownTime, // Tastenhaltedauer
  })
})

Messbare Charakteristiken:

• Tastenhaltedauer: Zeit zwischen keydown und keyup (typischerweise 50-150ms)
• Inter-Tasten-Intervall: Zeit zwischen aufeinanderfolgenden Tastendrücken
• Tastendruck (bei unterstützten Geräten): Berührungsdruck für jede Taste
• Fehlermuster: Rücktaste-Nutzung, Korrekturverhalten
• Tippgeschwindigkeit: Zeichen pro Minute (variiert je nach Aufgabe)
• Rhythmus: Konsistente Muster von langen/kurzen Intervallen

Entropie: ~15-25 Bits (hochgradig individuell)

Stabilität: Moderat – beeinflusst durch Müdigkeit, Emotion, Gerät, Tastaturtyp

2.2 Mausbewegungsmuster

document.addEventListener('mousemove', event => {
  console.log({
    x: event.clientX,
    y: event.clientY,
    timestamp: performance.now(),
    button: event.buttons,
    movementX: event.movementX,
    movementY: event.movementY
  })
})

Messbare Charakteristiken:

• Bahn: Pfadkrümmung, Geradlinigkeit, Überschwingen
• Geschwindigkeits-Beschleunigungs-Profil: Wie sich die Geschwindigkeit während der Bewegung ändert
• Klickverhalten: Zeit zwischen Maustaste gedrückt und losgelassen, Positionsgenauigkeit
• Hover-Muster: Wo die Maus pausiert
• Scroll-Kopplung: Mausbewegung während des Scrollens

Entropie: ~10-20 Bits (moderat individuell)

Stabilität: Niedrig-Moderat – beeinflusst durch Oberfläche, Gerät, Aufgabe

2.3 Scrollmuster

document.addEventListener('scroll', event => {
  console.log({
    scrollY: window.scrollY,
    timestamp: performance.now(),
    deltaMode: event.deltaMode,
    deltaY: event.deltaY
  })
})

Messbare Charakteristiken:

• Scrollgeschwindigkeit: Pixel pro Scroll-Ereignis
• Beschleunigung: Wie sich die Scrollgeschwindigkeit ändert
• Pausenhäufigkeit: Wie oft das Scrollen stoppt
• Rhythmus: Regelmäßiges vs. stoßweises Scrollen
• Lesen-dann-Scrollen-Muster: Zeit zwischen Scrollstopp und nächstem Scrollen

Entropie: ~8-12 Bits

Stabilität: Niedrig – aufgabenabhängig (Artikel vs. Suchergebnisse vs. soziale Medien)

2.4 Touch-Gesten (Mobil)

element.addEventListener('touchstart', e => { /* Berührungsbeginn */ })
element.addEventListener('touchmove', e => { /* Berührungsbahn */ })
element.addEventListener('touchend', e => { /* Berührungsende, Geschwindigkeit */ })

Messbar:

• Wischwinkel, -geschwindigkeit, -beschleunigung
• Tippdruck (bei unterstützten Geräten)
• Pinch-Zoom-Muster
• Mehrfinger-Koordination
• Berührungsgröße (Finger-Kontaktfläche)

Entropie: ~12-18 Bits

Stabilität: Moderat – beeinflusst durch Gerät, Griff, Haltung

---

3. Stärken des Angreifers

---

4. Schwächen des Angreifers

---

5. Erkennung von Manipulation

---

6. Abschwächungen für Obscura

6.1 Was Obscura tun kann

6.2 Was Obscura nicht tun kann

6.3 Empfohlener Ansatz

1. Ereignis-Zeitstempel auf 50ms-Granularität runden  (reduziert Timing-Präzision)
2. Akzeptieren – Verhaltensbiometrie erfordert ML-Infrastruktur (die meisten Angreifer haben dies nicht)
3. Tor Browser für hochsensible Browsing-Sitzungen verwenden (Tor deaktiviert viele Ereignisse)

Hinweis: Verhaltensbiometrie ist hauptsächlich ein Problem für hochwertige Ziele (Banking, soziale Medien) mit erheblichen ML-Investitionen. Für typisches Surfen wird dieser Vektor selten ausgenutzt.

---

7. Forschungsreferenzen

• Monaco, J. et al. (2018). "Behavioral Biometrics: A Survey." ACM Computing Surveys.
• Teh, P. et al. (2014). "A Survey on Keystroke Dynamics." ACM Computing Surveys.
• Yampolskiy, R. et al. (2011). "Behavioral Biometrics: A Survey and Classification." International Journal of Biometrics.
• Acar, G. et al. (2014). "The Web Never Forgets" – erwähnt Verhaltens-Tracking im Kontext von Cross-Site-Korrelation.