МОДЕЛІ БЕЗПЕРЕРВНОЇ БІОМЕТРИЧНОЇ АВТЕНТИФІКАЦІЇ КОРИСТУВАЧА ДЛЯ ПІДВИЩЕННЯ РІВНЯ ЗАХИСТУ ІНФОРМАЦІЙНИХ СИСТЕМ

Богдан Лісовський; Ігор Журавель

doi:10.28925/2663-4023.2026.34.1306

Автор(и)

Богдан Лісовський Національний університет «Львівська політехніка» https://orcid.org/0009-0002-3475-4989
Ігор Журавель Національний університет «Львівська політехніка» https://orcid.org/0000-0003-1114-0124

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1306

Ключові слова:

біометрична автентифікація, автентифікація користувачів, носимі пристрої, мультимодальний аналіз, адаптивна кібербезпека

Анотація

У статті розглянуто задачу підвищення рівня захисту автентифікації користувача інформаційних систем на основі біометричних даних, що формуються з носимих пристроїв. Обґрунтовано доцільність переходу від одноразової (статичної) перевірки особи до безперервної автентифікації, за якої легітимність користувача підтверджується протягом усього сеансу роботи. Показано обмеженість одноразової перевірки особи, за якої відкритий сеанс залишається вразливим до перехоплення та несанкціонованого використання після успішного входу. Як спільний набір факторів використано відбиток пальця, частоту серцевих скорочень, варіабельність серцевого ритму, насиченість крові киснем та температуру шкіри, що доступні на сучасних смарт-годинниках. Запропоновано та формалізовано чотири моделі автентифікації: адаптивну модель з урахуванням контекстного ризику, інтелектуальну модель на основі машинного навчання, модель багатомодальної автентифікації з ваговими коефіцієнтами та контекстно-залежну модель, що додатково враховує поведінкові фактори. Для кожної моделі наведено математичний опис, схему прийняття рішення та визначено переваги й недоліки з погляду точності, стійкості до підробки, обчислювальної складності й енергоспоживання носимого пристрою. Наведено ілюстративний числовий приклад і виконано аналіз стійкості моделей до основних типів атак. Запропоновано практично відтворюваний спосіб підбору вагових коефіцієнтів на основі індивідуальних показників похибки факторів. Виконано порівняльний аналіз моделей за дев’ятьма критеріями, що дає змогу обґрунтовано обирати модель залежно від вимог до безпеки, ресурсів пристрою та умов експлуатації.

Завантаження

Дані завантаження ще не доступні.

Посилання

Lisovskyi, B. V., & Zhuravel, I. M. (2025). User authentication in information systems based on biometric signals from mobile devices. Modern Information Security, 64(4), 116-122. https://doi.org/10.31673/2409-7292.2025.041211

Lisovskyi, B. V., & Zhuravel, I. M. (2025). Principles of collecting physiological biometric data from wearable devices for authentication systems. Modern Information Security, 62(2). https://doi.org/10.31673/2409-7292.2025.022701

Liu, S., et al. (2021). Recent advances in biometrics-based user authentication for wearable devices: A contemporary survey. Digital Signal Processing, 103120. https://doi.org/10.1016/j.dsp.2021.103120

Khan, S., et al. (2020). Biometric systems utilising health data from wearable devices. ACM Computing Surveys, 53(4), 1-29. https://doi.org/10.1145/3400030

Jain, A. K., Ross, A., & Prabhakar, S. (2004). An introduction to biometric recognition. IEEE Transactions on Circuits and Systems for Video Technology, 14(1), 4-20. https://doi.org/10.1109/TCSVT.2003.818349

Biswas, D., et al. (2019). CorNET: Deep learning framework for PPG-based heart rate estimation and biometric identification in ambulant environment. IEEE Transactions on Biomedical Circuits and Systems, 13(2), 282-291. https://doi.org/10.1109/TBCAS.2019.2892297

Tsai, Y.-Y., et al. (2025). Photoplethysmography-based HRV analysis and machine learning for real-time stress quantification in mental health applications. APL Bioengineering, 9(2). https://doi.org/10.1063/5.0256590

Bıçakcı, H. S., Santopietro, M., & Guest, R. (2022). Activity-based electrocardiogram biometric verification using wearable devices. IET Biometrics. https://doi.org/10.1049/bme2.12105

Ross, A., & Jain, A. (2003). Information fusion in biometrics. Pattern Recognition Letters, 24(13), 2115-2125. https://doi.org/10.1016/S0167-8655(03)00079-5

Jain, A., Nandakumar, K., & Ross, A. (2005). Score normalization in multimodal biometric systems. Pattern Recognition, 38(12), 2270-2285. https://doi.org/10.1016/j.patcog.2005.01.012

Dass, S. C., Nandakumar, K., & Jain, A. K. (2005). A principled approach to score level fusion in multimodal biometric systems. Lecture Notes in Computer Science, 1049-1058. https://doi.org/10.1007/11527923_109

Vhaduri, S., & Poellabauer, C. (2019). Multi-modal biometric-based implicit authentication of wearable device users. IEEE Transactions on Information Forensics and Security, 14(12), 3116-3125. https://doi.org/10.1109/TIFS.2019.2911170

Sepczuk, M., & Kotulski, Z. (2018). A new risk-based authentication management model oriented on user's experience. Computers & Security, 73, 17-33. https://doi.org/10.1016/j.cose.2017.10.002

Wiefling, S., Lo Iacono, L., & Dürmuth, M. (2019). Is this really you? An empirical study on risk-based authentication applied in the wild. In ICT systems security and privacy protection (pp. 134-148). Springer. https://doi.org/10.1007/978-3-030-22312-0_10

Han, A. H., & Lee, D. H. (2023). Detecting risky authentication using the OpenID Connect token exchange time. Sensors, 23(19), 8256. https://doi.org/10.3390/s23198256

Pourbemany, J., Zhu, Y., & Bettati, R. (2023). A survey of wearable devices pairing based on biometric signals. IEEE Access, 1. https://doi.org/10.1109/ACCESS.2023.3254499

Bours, P. (2012). Continuous keystroke dynamics: A different perspective towards biometric evaluation. Information Security Technical Report, 17(1-2), 36-43. https://doi.org/10.1016/j.istr.2012.02.001

Mondal, S., & Bours, P. (2017). A study on continuous authentication using a combination of keystroke and mouse biometrics. Neurocomputing, 230, 1-22. https://doi.org/10.1016/j.neucom.2016.11.031