Анализ применимости метода реконструкции динамических систем в системах биометрической идентификации по клавиатурному почерку

В статье рассматриваются особенности применения биометрических методов идентификации пользователей. Выполнен анализ существующих методов идентификации пользователей по клавиатурному почерку, выявлены их недостатки. Предложена разработка нового подхода к идентификации пользователей по клавиатурному почерку на основе метода реконструкции динамических систем.

В начале XXI века в сфере информационнокоммуникационных технологий обозначились новые проблемы. Специальная литература наполнена прогнозами о сроках, когда все дееспособные члены общества столкнутся с необходимостью широкого применения технологий криптографической защиты информации [1]. Оппоненты такого направления развития тотальной информатизации общества доказывают отсутствие надежд на переход общества в состояние, когда каждый его член будет корректно выполнять все усложняющиеся операции по защите информации в процессе обеспечения своей жизнедеятельности. Последняя точка зрения послужила катализатором развития технологий по автоматическому распознаванию (идентификации) дееспособных субъектов на основе анализа их биометрических признаков (отпечатков пальцев, структуры ладони и т.д.).

Таким образом, существуют актуальные задачи как повышения надежности автоматической идентификации зарегистрированных пользователей, так и обнаружения незарегистрированных лиц. В рамках новых технологий идентификации лиц по отпечаткам пальцев, изображению сетчатки глаза и др. не решается проблема скрытности процесса идентификации. Выход из подобной ситуации просматривается в использовании для идентификации динамических характеристик человека, к которым относят особенности произношения и написания паролей, ввод их с клавиатуры.

Ориентация на массовое применение систем автоматической идентификации личности (человека) приводит к необходимости решать задачу по минимизации их стоимости. В обобщающих публикациях российских ученых по «биометрической идентификации» предлагается вообще отказаться от специализированной аппаратной поддержки и ориентироваться на стандартные устройства ввода информации, придаваемые к ПЭВМ: клавиатуру, звуковую карту, сканер, графический планшет, мышь, используя при этом для распознавания пользователей дополнительное программное обеспечение [2].

Достоинство таких методов заключается в том, что они не требуют денежных затрат на приобретение дополнительного оборудования и могут быть реализованы на программном уровне. В настоящее время наибольший интерес представляет классификация психофизических параметров пользователя, к которым относятся: клавиатурный почерк, подпись мышью, психологический личностный профиль.

Системы, основанные на клавиатурных методах идентификации занимают особое место в классе динамических систем. Технология клавиатурной аутентификация является, вероятно, наиболее простой для внедрения и администрирования, поскольку при ее использовании никакой дополнительной аппаратуры, кроме компьютерной клавиатуры, не требуется.

При этом возникает вопрос, достаточную ли информацию дают динамические характеристики, чтобы выйти на приемлемые уровни надежности идентификации лиц.

Число независимых динамических признаков взаимодействующего с ПЭВМ оператора ограничено. Печатание текста с использованием клавиатуры характеризуется работой 20 мышц плечевого пояса на каждой руке. Человек не может сразу выполнить сложные движения. По современным представлениям, в процессе обучения он подбирает удачные решения поставленной задачи и запоминает их путем неоднократных повторений (тренировок). Программы управления мышцами запоминаются в подсознательной сфере, запускаются сознанием и реализуются автоматически. Каждый индивид находит свое решение задачи управления — вот идеологическая основа методов распознавания личности по динамике воспроизведения быстрых подсознательных движений.

Алгоритм распознавания личности предусматривает фиксацию времени нажатия каждой клавиши и интервалов времени между нажатием очередной клавиши и отпусканием предыдущей. Масштабное исследование данного направления распознавания, проведенное Национальным бюро стандартов, позволило сделать предельные оценки: вероятность правильного распознавания пользователей с установившимися навыками ра- боты с клавиатурой составила 98%, что вполне достаточно для того, чтобы говорить об успешной практической применимости подобных систем. В таблице 1 приведены значения ошибок первого и второго рода для различных методов идентификации. Общей характеристикой, используемой для сравнения различных методов и способов биометрической идентификации, являются статистические показатели: ошибка первого рода FAR (отвергнуть «своего») и ошибка второго рода FRR (пропустить «чужого»).

Таблица 1. Сравнение различных биометрических технологий

Технология	FAR ,%	FRR ,%
Отпечатки пальцев	~0.1	~1.0
Клавиатурный почерк	~0.1	~3.0
Распознавание голоса	~1.6	~8.1

На рис. 1 приведена диаграмма, демонстрирующая преимущество идентификации на основе клавиатурного почерка перед биометрическими методами, основанными на использовании статических признаков, как имеющего наименьшие показатели ошибок первого и второго рода (кроме метода, основанного на использовании отпечатков пальцев) [2].

Speech:

, . ,          FAR=1.6%, FRR=8.1%

Facial:

varies according to compression, distance, illumination, . media, pose, resolution.

Keystroke:

FAR=0.01%, FRR=3.0% о Fingerprint:

S ’ FAR=0.0%, FRR-1.0% _________________________ More Secure                            Less Secure

False Acceptance Rate

Рис. 1. Соотношение ошибок первого и второго рода для различных биометрических методов идентификации

В литературе описано два основных математи ческих подхода к решению задачи распознавания клавиатурного почерка пользователя ЭВМ [3]:

• -    вероятностно – статистический;

• -    на основе нейросетевых алгоритмов.

Классические статистические подходы распознавания пользователей по клавиатурному почерку обладают существенными недостатками, которые заключаются в том, что ни один из известных подходов не обеспечивает достоверного распознавания пользователей в любое время суток. Кроме того, применение статистических методов обработки данных базируется на утверждении, что входные величины подчинены нормальному закону распределения, хотя в ряде случаев это утверждение неверно. Например, проведенные исследования [4] показывают, что время удержания клавиш – при малом шаге дискретизации – описывается пересечением двух нормальных распределений, что приводит к большим погрешностям при расчете эталонных характеристик пользователя.

Применение нейросетевого подхода к данной задаче позволяет решить ряд проблем, возникающих при использовании стандартных методов статистической обработки входного потока данных. Кроме того, нейронная сеть обладает свойством фильтрации случайных помех, присутствующих во входных данных, что позволяет отказаться от алгоритмов сглаживания экспериментальных зависимостей, необходимых при статистической обработке данных. Таким образом, методы, основанные на применении обучаемых нейронных сетей, потенциально обладают большей точностью, но им присущи две группы принципиальных проблем: собственные проблемы искусственных нейронных сетей, связанные возможностью возникновения неопределенно долгого процесса обучения, тупиков, состояния «паралича», а также проблемы, определяемые биометрической природой распознаваемых образов, главная из которых обучение – на всех возможных «чужих» пользователей (невозможность формирования представительной обучающей выборки для всех возможных «чужих»).

Одним из главных недостатков является также то, что при помощи нейронных сетей не может быть получено решение с гарантированной точностью при обучении в течение заданного промежутка времени. Также при обучении нейронных сетей возникают проблемы возможности «соскальзывания» в локальные минимумы, паралича сети и т.д. Кроме того, точность идентификации пользователя во многом зависит от стабильности почерка, скорости набора и количества используемых пальцев, а также от числа примеров в обучающей выборке.

В основе предлагаемого подхода лежит построение нелинейных динамических моделей, которое во многом опирается на идеи и методы нелинейной динамики. Поэтому оно получило название «реконструкция динамических систем».

Задача моделирования не представляет проблем, когда есть достаточное количество априорной информации о реальной системе, позволяющей записать основополагающие отношения и получить необходимые уравнения. Однако часто приходится сталкиваться с ситуацией, когда детальные сведения о реальной системе либо отсутствуют, либо недостаточны для моделирования изучаемого процесса, например, в случае получения данных о пользователе по клавиатурному почерку. Указанные проблемы (неопределенность числа степеней свободы и неравноценность измерений) можно преодолеть методом, сущность которого заключается в том, что исследования таких динамических систем проводится на базе анализа какого-либо сигнала, сопровождающего исследуемый процесс. Единственной информацией о свойствах изучаемого явления является экспериментальная зависимость одной из координат состояния системы во времени - v( t ). Такие сигналы можно рассматривать как временные ряды. Причем даже для многомерной динамической системы временной ряд единственной переменной оказывается достаточным для определения многих свойств системы. В том случае, когда наблюдению и измерению в каждый момент времени доступны несколько величин, ряд называют векторным, если исходная величина одна, то при дискретизации с шагом Д ? значения последовательности наблюдаемых величин носят название скалярного временного ряда:

где i – порядковый номер времени или порядковый номер значения наблюдаемой, зависящей от времени, N – длина ряда, объем выборки. Другими словами, одним из путей получения математических моделей в таких ситуациях является конструирование уравнений по экспериментальным временным рядам.

Представляется, что индивидуальные биометрические особенности (осознание передаваемого слова, сравнения с правилами правописания, реакция, координация мышечно-двигательного аппарата пальцев, выработанная манера печати, особенности расположения клавиш на клавиатуре) являются индивидуальными и пригодными для статистической обработки в целях решения задачи. Поэтому в качестве параметров, являющихся функциями выше перечисленных биомет- рических особенностей, выбираются длительность нажатия на клавиши и длительность паузы между нажатиями каждой возможной пары букв текста. Таким образом, для идентификации информационного почерка пользователя необходимо отслеживать значения как минимум двухмерного вектора:

P = k ,T k ) . (2)

Существенным достоинством динамического моделирования является возможность наглядного представления информации, особенно в случаях малой размерности системы и малого числа параметров.

Предложенный подход к распознаванию пользователей по клавиатурному почерку на основе метода реконструкции динамической системы потенциально избавлен от недостатков классических статистических методов и способен обеспечить приемлемые показатели распознавания в любое время суток.

Задача разработки методов скрытного клавиатурного мониторинга требует проведения интенсивных исследований и является актуальной. Однако, как показал анализ, существующие системы аутентификации и идентификации по клавиатурному почерку обладают рядом недостатков. В работе предлагается новый подход к распознаванию пользователя на основе метода реконструкции динамической системы. Относительная легкость выбора показателей для анализа (временного ряда), широкие возможности наглядного представления информации и существование математического аппарата для реконструкции и прогнозирования дальнейшего поведения модели позволяют сделать вывод о целесообразности дальнейшей разработки предложенного в работе подхода к распознаванию пользователя по клавиатурному почерку.