Моделювання клавіатурного почерку користувачів за допомогою нейронної мережі
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Анотація
Ідентифікація користувачів в наш час є одною з головних задач сучасної кібербезпеки. Безпечний вхід дозволяє користувачам отримати доступ до чутливих даних: банківських рахунків, податкової служби, соціальних мереж. Втрата паролів або отримання їх зловмисниками можуть завдати непоправної шкоди не тільки окремим громадянам, але й приватним та державним організаціям. В деяких випадках ця шкода може бути непоправною. Найбільш популярним методом є ідентифікація по логіну та паролю. Але з розвитком соціальної інженерії, збільшення кількості зломів та витоку паролів, цей метод перестає бути безпечним. Щороку кількість кібератак направлених на викрадення паролів тільки зростає. Тому в останні роки набувають популярності біометричні методи. Такі методи дозволяють доволі точно ідентифікувати людину по відбитках пальців, біометрії обличчя. Але такі методи вимагають специфічних датчиків. Як правило, частина таких датчиків вже вбудовуються в сучасні мобільні пристрої, але зовсім відсутні в стандартних десктопних комп’ютерах. Доля таких комп’ютерів все ще складає більшу половину всіх пристроїв. Тому доцільно скористатися поведінковою біометрією – клавіатурним почерком, який відображає індивідуальну особливість кожної людини. Важливо, що для отримання технічних характеристик клавіатурного почерку не потрібно ніяких додаткових сенсорів та приладів. У статті розглянуті основні характеристики клавіатурного почерку, які дозволять в майбутньому побудувати нейронну мережу з розпізнавання користувачів за клавіатурним почерком. Отримання декількох технічних характеристик допоможе використати більше параметрів для нейромережі.
##plugins.themes.bootstrap3.article.details##
Посилання
2. Shaffer L.H. Reading and Typing ‒ https://www.researchgate.net/publication/233266615_Reading_and_Typing
3. Chalaya L.E. User identification model based on keyboard handwriting. «Artificial Intelligence», No. 4. 2004, Р. 811-817.
4. Saket Maheshwary, Soumyajit Ganguly, Vikram Pudi. Deep Secure: A Fast and Simple Neural Network based approach for User Authentication and Identification via Keystroke Dynamics. https://www.researchgate.net/publication/322952671_Deep_Secure_A_Fast_and_Simple_Neural_Network_based_approach_for_User_Authentication_and_Identification_via_Keystroke_Dynamics
5. Daus, Y., Samoilov, S., Daus, M., & Larin, D. (2025). User identification by keyboard handwriting using neural networks. Bulletin of the Odessa National Maritime University, (75), P. 212-227. https://doi.org/10.47049/2226-1893-2025-1-212-227.
6. Bishop C.M., Pattern Recognition and Machine Learning. – Springer New York, 2016 – 778 p.
7. The influence of the sigmoid function parameters on the speed of back- propagation learning / Han J., Moraga C. // Springer Berlin Heidelberg: materials Conference Computational Models of Neurons and Neural Nets. ‒ Berlin, 1995. ‒ Р. 195-201.