Minecraft Mouse Dynamics Dataset
Informacje podstawowe
- Nazwa: Minecraft Dataset
- Alias: Siddiqui et al. Minecraft mouse dynamics dataset
- Dziedzina: Behavioral Biometrics, Gamified Authentication, Cybersecurity
- Typ: Mouse movement data collected during Minecraft gameplay
Źródło
- Paper: Siddiqui, Dave and Saliya [122, 123] - “Continuous Authentication Using Mouse Movements, Machine Learning, and Minecraft”
- Organizacja: Research team
- Rok: 2021-2022
- Dostęp: Na żądanie (possibly on GitHub)
Charakterystyka
- Rozmiar: 20 minutes of raw data per user
- Liczba Uczestników: 10 (expanded to 40 in later work)
- Typ Zbioru: Fixed static sequence of actions (within game environment)
- Format: Mouse movement data from Minecraft game interactions
- Gra: Minecraft (open-world game)
- Licencja: Na żądanie
Opis
Minecraft dataset został opracowany poprzez zbieranie danych dynamiki myszy podczas gdy użytkownicy grają w Minecrafta. Jest to przykład innowacyjnego podejścia do zbierania behawioralnych danych biometrycznych - zamiast wymuszać sztuczne zadania, autorzy uzyskali naturalne ruch myszy z gry, którą ludzie lubią grać.
Dataset zawiera dane myszy zbierane z 10 użytkowników (rozszerzony do 40 w późniejszej pracy) grających przez 20 minut każdy. Gra zapewnia bogate, naturalne interakcje z myszą, podczas gdy jednocześnie pozostaje stosunkowo kontrolowana (gra ma określone cele i mechanikę).
Autorzy zbadali wydajność kilku klasyfikatorów (1D-CNN, LSTM-RNN, ANN, KNN, SVM, Random Forest) na tym dataset’ie, stwierdzając, że głębokie modele uczenia (deep learning) znacznie przewyższały tradycyjne podejścia machine learning’u.
Zastosowania
- Continuous user authentication during gaming
- Deep learning model evaluation for mouse dynamics
- Gamified authentication approaches
- Development of authentication systems using natural user activities
- Behavioral modeling in interactive environments
Używany w publikacjach
- Mouse Dynamics Behavioral Biometrics: A Survey - Discussed as fixed static sequence dataset collected in natural game environment; notable for deep learning comparisons
Benchmarki
| Model | Metric | Performance | Rok | Publikacja |
|---|---|---|---|---|
| 1D-CNN | Mean ACC | 0.8573 | 2022 | Siddiqui et al. [123] |
| 1D-CNN | Mean FPR | 0.1546 | 2022 | Siddiqui et al. [123] |
| 1D-CNN | Mean F1 | 0.9099 | 2022 | Siddiqui et al. [123] |
| LSTM-RNN | Performance | Lower than 1D-CNN | 2022 | Siddiqui et al. [123] |
| ANN | Performance | Best overall | 2021 | Siddiqui et al. [122] |
Uwagi
- Innowacyjne podejście do zbierania danych behawioralnych
- Naturalne interakcje w grze - bardziej realistyczne niż sztucze zadania
- Gamifikacja może poprawiać motywację uczestników
- Rozszerzony dataset: z 10 na 40 uczestników
- Deep learning modele wyraźnie lepsze niż tradycyjne ML
- Gra zapewnia strukturę (cele) ale elastyczność (sposób ich osiągnięcia)
- Możliwy do powtórzenia i modyfikacji dla innych gier
Tagi
dataset behavioral-biometrics mouse-dynamics gamified-authentication deep-learning continuous-authentication