ИССЛЕДОВАНИЕ ПРИМЕНИМОСТИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ВЕРИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ ПО ДИНАМИКЕ ПОЧЕРКА

Рассмотрены особенности применения искусственных нейронных сетей для решения задачи верификации пользователей информационных систем по динамике их рукописного почерка. Задача актуальна в связи с развитием облачных вычислений и методов машинного обучения, которые все чаще применяются для распознавания образов. На основании обзора наиболее известных методов цифровой предобработки данных пользователей предложено применение искусственных нейронных сетей для верификации пользователей по динамике их почерка. На примере дискретного преобразования Фурье проведен эксперимент с различными структурами и алгоритмами обучения искусственных нейронных сетей. Исследование выполнено на основе базы данных SVC2004 международного чемпионата по биометрической аутентификации. При этом из базы данных заимствованы декартовы координаты траектории и временные отсечки. Показано, что искусственные нейронные сети способны решить поставленную задачу верификации, но с увеличением образцов, предъявляемых при обучении, растет вероятность успешного прохождения верификации как у легальных пользователей, так и злоумышленников. Для повышения эффективности работы искусственных нейронных сетей предложено применение метода корреляционного анализа данных, поступающих на вход нейронной сети. Предложенный подход позволил достичь ошибки первого рода (FRR) 12,6% и ошибки второго рода (FAR) 2,26%. При этом пока нерешенной остается задача различения легального пользователя и злоумышленника, знающего, как выглядит подпись или пароль. Решение проблемы авторы видят в использовании дополнительных параметров динамики почерка (давление, угол наклона).

1. Holtmanns S., Rao S.P., Oliver I. User location tracking attacks for LTE networks using the interworking functionality // Proc. IFIP Networking conference (IFIP Networking) and workshops. Vienna, Austria, 2016. P. 315–322. doi: 10.1109/IFIPNetworking.2016.7497239
2. Padma P., Srinivasan S. A survey on biometric based authentication in cloud computing // Proc. Int. Conf. on Inventive Computation Technologies (ICICT). Coimbatore, India, 2016. V. 1. P. 275–279. doi: 10.1109/INVENTIVE.2016.7823273
3. Yadav D., Tyagi R. Comparative analysis of offline signature verification system // International Journal of Security and its Applications. 2015. V. 9. N 9. P. 141–150. doi: 10.14257/ijsia.2015.9.9.13
4. Boriev Z., Sokolov S., Nyrkov A., Nekrasova A. Mathematical and information maintenance of biometric systems // Proc. Int. Conf. on Mechanical Engineering, Automation and Control Systems (MEACS2015). Tomsk, Russia, 2015. V. 124. Art. 012046. doi: 10.1088/1757-899X/124/1/012046
5. Omri F., Foufou S., Hamila R., Jarraya M. Cloud-based mobile system for biometrics authentication // Proc. 13th Int. Conf. on ITS Telecommunications (ITST). Tampere, Finland, 2013. P. 325–330. doi: 10.1109/ITST.2013.6685567
6. Fahmy M.M.M. Online handwritten signature verification system based on DWT features extraction and neural network classification // Ain Shams Engineering Journal. 2010. V. 1. P. 59–70. doi: 10.1016/j.asej.2010.09.007
7. Petrovska-Delacretaz D., Chollet G., Dorizzi B. Guide to Biometric Reference Systems and Performance Evaluation. Springer, 2009. 414 p. doi: 10.1007/978-1-84800-292-0
8. Putz-Leszczynska J. Signature verification: a comprehensive study of the hidden signature method // International Journal of Applied Mathematics and Computer Science. 2015. V. 25. P. 659–674. doi: 10.1515/amcs-2015-0048
9. Прэтт У. Цифровая обработка изображений. Т. 2. М.: Мир, 1982. 480 с.
10. Люггер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. 4-е изд. М.: Вильямс, 2003. 864 с.
11. Kashi R.S., Turin W., Nelson W. On-line handwritten signature verification using stroke direction coding // Optical Engineering. 1996. V. 35. N 9. P. 2526–2533.
12. Thumwarin P., Pernwong J., Matsuura T. FIR signature verification system characterizing dynamics of handwriting features // EURASIP Journal on Advances in Signal Processing. 2013. N 183. P. 1–15. doi: 10.1186/1687-6180-2013-183
13. Kashi R.S., Hu J., Nelson W.L., Turin W. On-line handwritten signature verification using hidden Markov model features // Proc. 4th Int. Conf. on Document Analysis and Recognition. Ulm, Germany, 1997. V. 1. P. 253–257.
14. Talebinejad M., Miri A., Chan A.D.C. A computationally efficient HMM-based handwriting verification system // Proc. IEEE International Instrumentation and Measurement Technology Conference. Victoria, Canada, 2008. P. 1868–1872. doi: 10.1109/IMTC.2008.4547350
15. Колядин Д.В., Петров И.Б. Алгоритм выделения экстре-мальных точек применительно к задаче биометрической верификации рукописной подписи // Исследовано в России. 2005. С. 532–540.
16. Смит С. Цифровая обработка сигналов. Практическое руководство для инженеров и научных работников. М.: Додэка-ХХI, 2012. 720 с.
17. Лебеденко Ю.И. Биометрические системы безопасности: Учебное пособие. Тула: ТулГу, 2012. 158 с.
18. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain // Psychological Review. 1958. V. 65. N 6. P. 386–408. doi: 10.1037/h0042519
19. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representation by error propagation / In: Parallel Distributed Processing. V. I Foundations. Eds. D.E. Rumelhart, J.L. McClelland. Cambridge: MIT Press, 1988. P. 399–421. doi: 10.1016/b978-1-4832-1446-7.50035-2
20. Alabbas M., Jaf S. Abdullah A.H.M. Optimize BpNN using new breeder genetic algorithm // Proc. Int. Conf. on Advanced Intelligent Systems and Informatics. 2016. N 533. P. 373–382. doi: 10.1007/978-3-319-48308-5_36

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License