BEACON: Een multimodale dataset voor het leren van gedragsvingerafdrukken uit gameplay-data

Samenvatting

Continue authenticatie in digitale omgevingen met hoge inzet vereist datasets met fijnmazige gedragssignalen onder realistische cognitieve en motorische eisen. Maar huidige benchmarks worden vaak beperkt door kleine schaal, unimodale sensing of gebrek aan gesynchroniseerde omgevingscontext. Om deze leemte aan te pakken, introduceert dit artikel BEACON (Behavioral Engine for Authentication & Continuous Monitoring), een grootschalige multimodale dataset die diverse vaardigheidsniveaus in competitief Valorant-gameplay vastlegt. BEACON bevat ongeveer 430 GB aan gesynchroniseerde modaliteitsgegevens (in totaal 461 GB op schijf, inclusief hulpconfiguratie-opnames van Valorant) van 79 sessies van 28 verschillende spelers, geschat op 102,51 uur actieve speeltijd, waaronder hoogfrequente muisdynamiek, toetsaanslagevents, netwerkpakketopnames, schermopnames, hardwaremetadata en configuratiecontext binnen het spel. BEACON benut de hoge precisie motorische vaardigheden en hoge cognitieve belasting die inherent zijn aan tactische shooters, wat het een rigoureuze stresstest maakt voor de robuustheid van gedragsbiometrie. De dataset maakt de studie mogelijk van continue authenticatie, gedragsprofilering, gebruikersdrift en multimodaal representatieleren in een high-fidelity esports-omgeving. De auteurs stellen de dataset en code beschikbaar op Hugging Face en GitHub om een reproduceerbare benchmark te creëren voor het evalueren van next-generation gedragsvingerafdrukken en beveiligingsmodellen.

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