Методи первинної обробки даних у системах ідентифікації користувачів на основі клавіатурного почерка
DOI:
https://doi.org/10.25140/2411-5363-2025-2(40)-294-302Ключові слова:
клавіатурний почерк; біометрична автентифікація; ідентифікація користувачів; динамічний аналіз затримок; статистичні моделі розпізнавання; нейромережеві алгоритми; поведінкова автентифікація; машинне навчання; інформаційна безпека; первинна обробка данихАнотація
Запропонована стаття є оглядовою, її присвячено дослідженню існуючих методів ідентифікації користувачів на основі клавіатурного почерку, зокрема таких, як методи динамічного аналізу тривалості натискання клавіш, статистичні моделі розпізнавання шаблонів набору тексту та нейромережеві підходи до класифікації користувачів.
Методи динамічного аналізу тривалості натискання клавіш базуються на вимірюванні часових характеристик набору тексту, таких як середній інтервал між натисканнями та утриманням клавіш. Ці параметри є унікальними для кожного користувача та можуть використовуватися для автентифікації.
Статистичні моделі розпізнавання шаблонів набору тексту дозволяють аналізувати комбінації символів, які вводяться з певною швидкістю та послідовністю. Використання таких моделей дає змогу виявляти закономірності у введенні тексту, що допомагає у верифікації користувача.
Нейромережеві підходи до класифікації користувачів використовують глибоке навчання для обробки великих обсягів даних про клавіатурний почерк. Ці методи дозволяють створювати складні багаторівневі моделі для аналізу поведінкових характеристик набору тексту, що підвищує точність ідентифікації.
Використання методів динамічного аналізу, статистичних моделей і нейромережевих алгоритмів може значно підвищити рівень безпеки користувачів, знизити ризики несанкціонованого доступу та забезпечити надійну ідентифікацію в інформаційних системах.
Посилання
Shadman, R., Wahab, A. A., Manno, M., Lukaszewski, M., Hou, D., & Hussain, F. (2025). Key-stroke dynamics: Concepts, techniques, and applications. ACM Computing Surveys. https://www.seman-ticscholar.org/reader/826113b73fa96eb1d6be90e66ae688c06d086109.
Shanmugapriya, D., & Padmavathi, G. (2010). A Survey of Biometric Keystroke Dynamics: Ap-proaches, International Journal of Computer Science and Information Security, 5(1) https://www.re-searchgate.net/publication/41171720_A_Survey_of_Biometric_keystroke_Dynamics_Approaches_Se-curity_and_Challenges.
Rashik Shadman Ahmed Anu Wahab Michael Manno Matthew Lukaszewski Daqing Hou Faraz Hussain (2024). Keystroke Dynamics: Concepts, Techniques, and Applications https://arxiv.org/ pdf/2303.04605.
Teh, P. S., Teoh, A. B. J., & Yue, S. (2013). A survey of keystroke dynamics biometrics. The Scientific World Journal, 2013, 1–24. https://doi.org/10.1155/2013/408280.
Puvirajasingam, K., & Sangeetha, D. (2013). Biometric Authentication using Keystroke Dynam-ics: A Survey. IJREAT International Journal of Research in Engineering & Advanced Technology, 1(5). http://ijreat.org/Papers%202013/Issue5/IJREATV1I5079.pdf.
Gaines, R. & Lisowski, William & Press, S. & Shapiro, Norman. (1980). Authentication by Key-stroke Timing: Some Preliminary Results. 52.
Migdal, D., & Rosenberger, C. (2019). Statistical modeling of keystroke dynamics samples for the generation of synthetic datasets. Future Generation Computer Systems, 100, 907–920. https://doi.org/10.1016/j.future.2019.03.056.
Revett, K., Gorunescu, F., Gorunescu, M., Ene, M., Tenreiro de Magalhães, S., & Santos, H. (2007). A machine learning approach to keystroke dynamics based user authentication. International Jour-nal of Electronic Security and Digital Forensics, 1(1), 55–70. https://www.researchgate.net/publica-tion/216864662_A_machine_learning_approach_to_keystroke_dynamics_based_user_authentication.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. https://www.deeplearningbook.org.
Lu Xiaofeng, Zhang Shengfei, Yi Shengwei: Continuous authentication by free-text key-stroke based on CNN plus RNN (2018). https://www.sciencedirect.com/science/arti-cle/pii/S1877050919302935.
Elgallad, E. A., Ouarda, W., & M., A. (2019). Dense hand-cnn: A novel CNN architecture based on later fusion of neural and wavelet features for identity recognition. International Journal of Advanced Computer Science and Applications, 10(6). https://doi.org/10.14569/ijacsa.2019.0100647
Harun, N., Dlay, S. S., & Woo, W. L. (2010). Performance of keystroke biometrics authentica-tion system using Multilayer Perceptron neural network (MLP NN). У 2010 7th international sympo-sium on communication systems, networks & digital signal processing (CSNDSP 2010). IEEE. https://doi.org/10.1109/csndsp16145.2010.5580334.
Monrose, F., & Rubin, A. D. (2000). Keystroke dynamics as a biometric for authentication. Fu-ture Generation Computer Systems, 16(4), 351–359. https://doi.org/10.1016/s0167-739x(99)00059-x.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
