Модель та метод оцінювання надійності зразка клавіатурного почерку для поведінкової автентифікації користувача

Автор(и)

  • Д.П. Курніцький Вінницький національний технічний університет https://orcid.org/0009-0000-3190-9514

DOI:

https://doi.org/10.31649/1681-7893-2026-51-1-24-32

Ключові слова:

динаміка натискань клавіш, поведінкова біометрія, якість біометричного зразка, надійність зразка, калібрування ймовірностей, Platt scaling, ізотонічна регресія, ROC, EER

Анотація

Розглянуто задачу оцінювання надійності (якості) поточного зразка клавіатурного почерку (keystroke dynamics) у поведінкової автентифікації під час входу користувача. На відміну від робіт, що оптимізують рішення поведінкової автентифікації або злиття контексту й поведінки, у центрі дослідження — питання: «чи можна довіряти саме цьому зразку введення, щоб застосовувати поведінковий канал?» Запропоновано формальне означення надійності зразка як імовірнісної оцінки його придатності/корисності для біометричного зіставлення та наведено модель ознак деградації: повнота подій, ефективна довжина послідовності, варіативність таймінгів, індикатори автозаповнення/вставки, ознаки зміни пристрою й квантування часових міток. Розроблено метод інтегрального оцінювання надійності на основі логістичної моделі якості та показано, як надійність пов’язана зі зростанням помилок поведінкового верифікатора. Додатково розглянуто калібрування ймовірностей (Platt scaling, ізотонічна регресія, Bayesian binning) для перетворення «сирих» скорів у добре інтерпретовані ймовірності. Експериментальну перевірку виконано на відкритому еталонному датасеті DSL-StrongPassword (51 користувач, 400 введень пароля на користувача)  із синтетичним моделюванням деградацій (втрата подій, укорочення послідовності, джиттер/квантування). Отримано, що відбір зразків за високими значеннями показника надійності підвищує якість поведінкового зіставлення (AUC зростає з 0.856 до 0.890 для підмножини зразків із q≥0.8 за покриття ≈53%), а також суттєво змінює профіль помилок, зменшуючи відмови для легітимних користувачів у «якісних» зразках. Наведено практичні рекомендації щодо порогів придатності та політик «використати/не використовувати» поведінковий канал у продакшн-системах.

Біографія автора

Д.П. Курніцький, Вінницький національний технічний університет

Аспірант групи 126-23а, факультету інтелектуальних інформаційні технологій та автоматизації

Посилання

Killourhy K. S., Maxion R. A. Keystroke Dynamics – Benchmark Data Set [Електронний ресурс]. Carnegie Mellon University, 2009. URL: https://www.cs.cmu.edu/~keystroke/

Giot R., El-Abed M., Rosenberger C. GREYC Keystroke: A Benchmark for Keystroke Dynamics Biometric Systems. In: 2009 IEEE 3rd International Conference on Biometrics: Theory, Applications and Systems. 2009. P. 1–6. DOI: 10.1109/BTAS.2009.5339051.

ISO/IEC 29794-1:2024. Information technology – Biometric sample quality – Part 1: Framework. Geneva : International Organization for Standardization, 2024.

ISO/IEC 19795-1:2021. Information technology – Biometric performance testing and reporting – Part 1: Principles and framework. Geneva : International Organization for Standardization, 2021.

Kuzminykh I., Ghita B., Silonosov A. On Keystroke Pattern Variability in Virtual Desktop Infrastructure. Computer Modeling and Intelligent Systems. 2021. Vol. 2864. P. 238–248. DOI: 10.32782/cmis/2864-21.

Wahab A. A., Hou D., Banavar M., Schuckers S., Eaton K., Baldwin J., Wright R. Shared Multi-Keyboard and Bilingual Datasets to Support Keystroke Dynamics Research. In: CODASPY ’22: Proceedings of the Twelfth ACM Conference on Data and Application Security and Privacy. 2022. P. 236–241. DOI: 10.1145/3508398.3511516.

Dhakal V., Feit A. M., Kristensson P. O., Oulasvirta A. Observations on Typing from 136 Million Keystrokes. In: CHI ’18 Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. 2018. DOI: 10.1145/3173574.3174220.

Guo C., Pleiss G., Sun Y., Weinberger K. Q. On Calibration of Modern Neural Networks. In: Proceedings of the 34th International Conference on Machine Learning. Proceedings of Machine Learning Research. 2017. Vol. 70. P. 1321–1330.

Platt J. C. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods. In: Advances in Large Margin Classifiers. Cambridge, MA : MIT Press, 1999. P. 61–74.

Zadrozny B., Elkan C. Transforming Classifier Scores into Accurate Multiclass Probability Estimates. In: Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2002. P. 694–699. DOI: 10.1145/775047.775151.

Naeini M. P., Cooper G., Hauskrecht M. Obtaining Well Calibrated Probabilities Using Bayesian Binning. In: Proceedings of the AAAI Conference on Artificial Intelligence. 2015. Vol. 29, No. 1. P. 2901–2907. DOI: 10.1609/aaai.v29i1.9602.

Brier G. W. Verification of Forecasts Expressed in Terms of Probability. Monthly Weather Review. 1950. Vol. 78. P. 1–3. DOI: 10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2.

DeLong E. R., DeLong D. M., Clarke-Pearson D. L. Comparing the Areas under Two or More Correlated Receiver Operating Characteristic Curves: A Nonparametric Approach. Biometrics. 1988. Vol. 44, No. 3. P. 837–845. DOI: 10.2307/2531595.

Demšar J. Statistical Comparisons of Classifiers over Multiple Data Sets. Journal of Machine Learning Research. 2006. Vol. 7. P. 1–30.

Bisikalo, O.; Kharchenko, V.; Kovtun, V.; Krak, I.; Pavlov, S. Parameterization of the Stochastic Model for Evaluating Variable Small Data in the Shannon Entropy Basis. Entropy 2023, 25, 184.

Intellectual technologies in medical diagnostics, treatment and rehabilitation: monograph / [S.V. Pavlov, O.G. Avrunin, S.M. Zlepko, E.V. Bodianskyi and others]; edited by S. Pavlov, O. Avrunin. – Vinnytsia: PP “TD “Edelweiss and K”, 2019. – 260 p.

##submission.downloads##

  • pdf
    Завантажень: 1
Переглядів анотації: 10

Опубліковано

2026-06-18

Як цитувати

[1]
Д. Курніцький, «Модель та метод оцінювання надійності зразка клавіатурного почерку для поведінкової автентифікації користувача», Опт-ел. інф-енерг. техн., вип. 51, вип. 1, с. 24–32, Чер 2026.

Номер

Том 51 № 1 (2026)

Розділ

Методи та системи оптико-електронної і цифрової обробки зображень та сигналів

Метрики

Завантаження

Дані завантаження ще не доступні.

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).