BEACON : un ensemble de données multimodal pour l'apprentissage d'empreintes comportementales à partir de données de jeu

Résumé

L'authentification continue dans les environnements numériques à enjeux élevés nécessite des jeux de données comportant des signaux comportementaux fins sous des demandes cognitives et motrices réalistes. Cependant, les références actuelles sont souvent limitées par une échelle réduite, une détection unimodale ou l’absence de contexte environnemental synchronisé. Pour combler cette lacune, cet article présente BEACON (Behavioral Engine for Authentication & Continuous Monitoring), un ensemble de données multimodal à grande échelle qui capture divers niveaux de compétence dans le gameplay compétitif de Valorant. BEACON contient environ 430 Go de données de modalités synchronisées (461 Go au total sur disque, y compris les captures auxiliaires de configuration de Valorant) provenant de 79 sessions réparties sur 28 joueurs distincts, estimées à 102,51 heures de jeu actif, incluant des dynamiques de souris à haute fréquence, des événements de frappe, des captures de paquets réseau, des enregistrements d’écran, des métadonnées matérielles et un contexte de configuration en jeu. BEACON exploite les compétences motrices de haute précision et la charge cognitive élevée inhérentes aux jeux de tir tactiques, ce qui en fait un test de résistance rigoureux pour la robustesse de la biométrie comportementale. L’ensemble de données permet d’étudier l’authentification continue, le profilage comportemental, la dérive de l’utilisateur et l’apprentissage de représentations multimodales dans un cadre esportif haute fidélité. Les auteurs publient l’ensemble de données et le code sur Hugging Face et GitHub afin de créer une référence reproductible pour évaluer les modèles de sécurité et d’empreinte comportementale de nouvelle génération.

English

Continuous authentication in high-stakes digital environments requires datasets with fine-grained behavioral signals under realistic cognitive and motor demands. But current benchmarks are often limited by small scale, unimodal sensing or lack of synchronised environmental context. To address this gap, this paper introduces BEACON ( Behavioral Engine for Authentication \& Continuous Monitoring), a large-scale multimodal dataset that captures diverse skill tiers in competitive Valorant gameplay. BEACON contains approximately 430 GB of synchronised modality data (461 GB total on-disk including auxiliary Valorant configuration captures) from 79 sessions across 28 distinct players, estimated at 102.51 hours of active gameplay, including high-frequency mouse dynamics, keystroke events, network packet captures, screen recordings, hardware metadata, and in-game configuration context. BEACON leverages the high precision motor skills and high cognitive load that are inherent to tactical shooters, making it a rigorous stress test for the robustness of behavioral biometrics. The dataset allows for the study of continuous authentication, behavioral profiling, user drift and multimodal representation learning in a high-fidelity esports setting. The authors release the dataset and code on Hugging Face and GitHub to create a reproducible benchmark for evaluating next-generation behavioral fingerprinting and security models