有些認證系統在研發時最主要的考量是安全性上的問題，但有時夠安
27
全的系統在其他方面或許會存在問題，例如對使用者的便利與否，或是人 類對於圖片選擇上的習慣性造成的安全問題，因此接下來將介紹一些對這 類因素進行討論的相關研究。
3.3.1 分析 PassFaces™中使用者的選擇偏好
對於 PassFaces™系統，有人對它作了一些關於使用者行為的統計[15]，
發現使用者在選擇人臉圖作為密碼時，有一些可預測的習慣性，例如習慣 選擇膚色與自身人種相同的，或是在男性方面，偏向選擇女模特兒類的臉 部圖形，他們統計出來的結果如圖 21。
圖 21：各種使用者對臉部選取的偏好
由上面可以發現，男性在選擇做為密碼的臉部圖片時，的確有超過一 半的受測者傾向挑選女模的照片，這將影響設定密碼時的隨機性，而變得 可預估，而對於人種方面所做的測試也呈現了明顯的結果，大部分受測者 都傾向選擇跟自身人種膚色有關的圖片，而受測者中黑人女性方面更是高 達九成都有這種傾向，這也顯示了這套認證方式最好要考量到使用者的性 別與人種，來提供適合的人臉圖片集合，而不是只要隨機從資料庫挑出即 可，否則使用者可能只會去選擇特定的圖片來當作密碼使用。
最後他們得到的結論是，使用者在使用這套認證方法時，所設定的密 碼跟使用者的人種或是性別有一些明顯可預測的關連性，因此它的密碼空 間可能不如預期來的高，這也是一個非傳統密碼較傳統密碼不容易分析實 際密碼空間的例子。
28
3.3.2 歸納 PassPoints 中使用者對於認證點的選擇
後來也有人對 PassPoints 作類似的研究[16]，看看有是否能從一張圖片 來歸納出使用者最可能點選的地方，進而計算某張圖所代表的密碼空間。
他們首先推測，一般人會比較去注意圖片中的物件，例如一朵雲，而較不 會去注意它的背景，例如天空，再來它們也推測一般人對圖片中顏色對比 度較高的部分會較關注，於是他們就用以上兩種特性，去模擬使用者會選 擇的圖片中之認證點，再與實際的結果作比較。最後他們選用了兩種比較 具有代表性的結果，如下圖所示：
圖 22：使用者的實際選取位置與預測位置大至相同的情況
例如在圖 22 的情況，他們的預測跟使用者實際的選取情況非常吻合，
這是由於這張圖片的物件明顯（鳥類），而且與背景天空的對比度高。因 此這張圖片的密碼空間就不如理論上來的大，在作這類型的認證機制時就 該避免使用這種圖片。至於較不會影響理論密碼空間的圖就如圖 23 所示，
此圖是一張群眾的圖，由於裡面的前後景與物件較為混雜，預測出來的點 選點和實際的點選點就不會非常吻合，像這類的圖用於認證程序，密碼空 間就會比前一張來得大，因此較適合選為系統使用。這又是一個非傳統密 碼需要仔細的分析後才能判斷實際密碼空間的例子。
29
圖 23：使用者的實際選取位置與預測位置出現差異
3.3.3 使用者登入所需時間的評測
由於在 Convex hull 方法中，相較於傳統文字密碼的精確輸入，認證時 輸入的資訊是以不精確的方式表達，在這種情況下要登入通常就必須經過 連續數回合成功的認證，才能完整確定使用者的身分，而為了使螢幕側錄 後可能產生的分析行為變得更加困難，畫面上會有許多用來掩護關鍵物件 的其它圖形，也就是說使用者需要經過多回在上百個物件裡作搜尋的動作，
才能完成登入程序，這似乎會大大影響使用者登入所需要的時間，於是他 們便測試了使用者成功登入所花的時間[17]，結果如圖 24 所示：
圖 24：使用者各次登入成功所花平均時間
30
最終的結果顯示，在登入上平均要花上七十四秒左右的時間，在物件 不易搜尋的情況下，更有受測者出現長達一百秒以上的情況，可以說是為 了增強安全性而犧牲了登入過程的便利性，對於使用者來說，不需要如此 高安全性的人可能就無法接受這種登入所費時間。
31