IdentifiantMot de passe
Loading...
Mot de passe oublié ?Je m'inscris ! (gratuit)

Vous êtes nouveau sur Developpez.com ? Créez votre compte ou connectez-vous afin de pouvoir participer !

Vous devez avoir un compte Developpez.com et être connecté pour pouvoir participer aux discussions.

Vous n'avez pas encore de compte Developpez.com ? Créez-en un en quelques instants, c'est entièrement gratuit !

Si vous disposez déjà d'un compte et qu'il est bien activé, connectez-vous à l'aide du formulaire ci-dessous.

Identifiez-vous
Identifiant
Mot de passe
Mot de passe oublié ?
Créer un compte

L'inscription est gratuite et ne vous prendra que quelques instants !

Je m'inscris !

Étude : le machine learning peut permettre de détecter les vols d'identité en ligne dans 95 % des cas
En analysant les mouvements de la souris

Le , par Michael Guilloux

165PARTAGES

8  0 
Les menaces dans le cyberespace se présentent sous bien d’autres formes que l’utilisation d’un logiciel malveillant, et c’est le cas des usurpations d’identité en ligne. Un acteur malveillant qui a pu avoir certaines informations sur un individu peut tenter le coup d'accéder aux comptes de ce dernier. Il existe des techniques de détection des vols d’identité lorsqu’un utilisateur essaie de se connecter au compte d’une autre personne. Mais ces techniques, en général, vont sur la base que si l’utilisateur qui essaie de se connecter à un compte est le propriétaire légitime du compte, alors on peut faire appel à sa mémoire pour vérifier son identité. Cela peut se faire en lui demandant des informations qu’il a renseignées auparavant, par exemple un ancien mot de passe qu’il a utilisé. Cela signifie donc que le fournisseur du compte doit avoir ces informations.

Face à ce problème, des chercheurs italiens proposent une nouvelle approche pour détecter des vols d’identité en ligne, en utilisant le machine learning et sans avoir d’informations antérieures sur l’utilisateur légitime du compte.

Dans l'étude, les chercheurs ont interrogé 40 personnes sur leurs informations personnelles. La moitié des répondants a été invitée à répondre avec sincérité aux questions. À l’autre moitié, il a été donné des détails sur de fausses identités qu'ils devaient mémoriser et utiliser dans un quiz en ligne. Le quiz comprenait à la fois des questions attendues et questions inattendues. Les questions inattendues sont toutefois des questions auxquelles les participants peuvent répondre facilement à partir des informations dont ils disposent. Par exemple, s’ils s’attendent à ce qu’on leur demande leur date de naissance, on peut plutôt leur demander leur âge. À cette question, le propriétaire légitime d’un compte pourra répondre sans réfléchir, alors que le voleur d’identité va d’abord calculer l’âge à partir de la date de naissance qu’il connait déjà. Il y avait aussi des questions dites de contrôle. Ce sont également des questions pour lesquelles aussi bien les utilisateurs légitimes que les usurpateurs ont les réponses.


Exemples de questions attendues, inattendues et de contrôle

Les chercheurs ont également suivi la manière dont les répondants déplaçaient le curseur du bas de l'écran vers les réponses en haut. Dans la suite, vous pouvez apprécier la trajectoire de la souris à la fois pour les répondants légitimes et les « voleurs d’identité ». La figure suivante donne la trajectoire moyenne de la souris lorsqu’un utilisateur légitime répond aux questions de contrôle (rouge) et aux questions inattendues (vert). Les trajectoires se réfèrent à des questions uniques.


Réponses d'un utilisateur légitime aux questions de contrôle (rouge) et questions inattendues (vert).

La prochaine figure donne la trajectoire moyenne de la souris lorsqu’un usurpateur répond aux questions de contrôle (rouge) et aux questions inattendues (vert)


Réponses d'un usurpateur aux questions de contrôle (rouge) et questions inattendues (vert)

Les chercheurs ont aussi procédé à une désagrégation des réponses aux questions de contrôle, aux questions attendues et aux questions inattendues. « Nous avons analysé séparément les performances des sujets pour les questions de contrôle, attendues et inattendues », écrivent-ils dans leur rapport. Dans la figure suivante, les trajectoires pour les questions de contrôle, attendues et inattendues sont indiquées successivement de gauche à droite. La trajectoire des usurpateurs et celle des utilisateurs légitimes pour les questions de contrôle se chevauchent presque. La différence entre les deux trajectoires est maximale quand il s’agit des questions inattendues. « Alors que les [utilisateurs légitimes] répondent automatiquement à des questions inattendues, les menteurs doivent "construire" et vérifier leurs réponses. Ce manque d'automatisme se reflète dans les mouvements de la souris pour enregistrer les réponses ainsi que dans le nombre d'erreurs », ont-ils expliqué.

Trajectoires de la souris pour des questions de contrôle (à gauche), des questions attendues (au centre) et des questions inattendues (à droite) pour les utilisateurs légitimes (vert) et les usurpateurs d’identité (rouge).

« Les paramètres qui encodent le mouvement de la souris ont été analysés à l'aide de classificateurs de machine learning et les résultats indiquent que les trajectoires de la souris et les erreurs sur des questions inattendues distinguent efficacement les voleurs d'identité et des répondants légitimes », expliquent les chercheurs. Il faut noter que leur classificateur a atteint une précision de 95 % (38/40 participants correctement classés). « En outre, nous avons montré que les [usurpateurs] peuvent également être identifiés lorsqu'ils répondent correctement. Les questions inattendues combinées à l'analyse du mouvement de la souris peuvent identifier efficacement les participants avec des identités fausses sans avoir besoin d'informations préalables [sur le propriétaire du compte examiné] », concluent les chercheurs.

Source : Rapport de l’étude

Et vous ?

Que pensez-vous des résultats de cette recherche ?
D’après vous, quelles sont ses limites ?

Une erreur dans cette actualité ? Signalez-nous-la !