МОДЕЛЬ ФОРМУВАННЯ НАВЧАЛЬНИХ ПРИКЛАДІВ НЕЙРОННОЇ МЕРЕЖІ, ЩО ПРИЗНАЧЕНА ДЛЯ АНАЛІЗУ КЛАВІАТУРНОГО ПОЧЕРКУ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2020.9.104114

Ключові слова:

нейронна мережа; вхідне поле; розпізнавання емоцій; аутентифікація; клавіатурний почерк.

Анотація

Стаття присвячена підвищенню ефективності технологій прихованого моніторингу діяльності операторів інформаційно-управляючими системами різного призначення для розпізнавання особи та емоційного стану. Показано, що з позицій можливості застосування стандартного периферійного обладнання комп'ютера в якості сенсора зчитування біометричних параметрів, невідчужуваності від особи користувача, широкого використання в інформаційно-управляючих системах символьних парольних і технологічних даних, складності підробки біометричної інформації, а також можливості проведення прихованого моніторингу широкі перспективи мають засоби аналізу клавіатурного почерку. Обґрунтовано необхідність вдосконалення методології нейромережевого аналізу клавіатурного почерку для аутентифікації та розпізнавання емоційного стану операторів інформаційних комп’ютерних систем. Визначено перспективність застосування згорткових нейронних мереж, що призводить до необхідності вдосконалення технології визначення параметрів навчальних прикладів в розрізі формування вхідного поля згорткової нейронної мережі та формування множини параметрів клавіатурного почерку, які мають бути проаналізовані. Розроблено модель формування навчальних прикладів, яка за рахунок застосування обґрунтованого набору вхідних параметрів та використання прямокутного вхідного поля згорткової нейронної мережі дозволяє зменшити ресурсоємність нейромережевих засобів розпізнавання та забезпечує точність нейромережевого аналізу клавіатурного почерку на рівні 75%, що відповідає точності кращих систем подібного призначення. Запропоновані теоретичні рішення верифіковано шляхом комп’ютерних експериментів. Показано доцільність співвіднесення шляхів подальших досліджень з розробкою репрезентативних баз даних клавіатурного почерку.

Завантаження

Дані завантаження ще не доступні.

Посилання

Ivanov A. I. Neyrosetevyye algoritmy biometricheskoy identifikatsii lichnosti. Moskva. 144 s., 2004. (In Russian).

Campbell W., Sturim D., Reynolds D. (2006). Support vector machines using GMM supervectors for speaker verification. IEEE Signal Process. Lett., v.13, N5, pp. 308–311. doi: 10.1109/LSP.2006.870086.

Nazarkevych M., Buriachok V., Lotoshynska N., Dmytryk S. Research of Ateb-Gabor filter in biometric protection systems. 2018 IEEE 13th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT). V.1. Pp. 310-313. doi: 10.1109/STC-CSIT.2018.8526607.

Buriachok V., Sokolov V., TajDini M. Research of Caller ID Spoofing Launch, Detection, and Defense. - arXiv preprint arXiv:2004.00318, 2020. doi 10.28925/2663-4023.2020.7.616.

Kanimozhi M., Puvirajasingam K., Avitha M. (2014). Survey on keystroke dynamics for a better biometric authentication system. International Journal of Emerging Technologies and Engineering (IJETE), 1(9), 116-139.

Xiaofeng L., Shengfei Z., Shengwei Y. Continuous authentication by free-text keystroke based on CNN plus RNN. Procedia Computer Science 147, pp. 314-318, 2019. doi: 10.1016/j.cose.2020.101861.

Tereykovskaya L., Petrov O., Aleksander M. Prospects of neural networks in business models. TransComp 2015. 30 November – 3 December, 2015, Zakopanem, Poland. – P. 1539–1545..

Tereikovskyi I. Neyronni merezhi v zasobakh zakhystu kompyuternoyi informatsiyi. - K.: PolihrafKonsaltynh.-2007.–209 s, 2007. (In Ukrainian).

Korchenko A., Tereikovskyi I., Karpinskiy N., Tynymbayev S. Neyrosetevyye modeli, metody i sredstva otsenki parametrov bezopasnosti internet-oriyentirovannykh informatsionnykh sistem. [Monografiya]- K.: TOV «Nash Format», 2016. (In Russian).

Mikhaylenko V. M. Neyromerezhevi modeli ta metody rozpiznavannya fonem v holosovomu syhnali v systemi dystantsiynoho navchannya : [Monohrafiya] / V. M. Mikhaylenko, L. O. Tereykovska, I. A . Tereykovskyy., B. B. Akhmetov. – K. : TSP «Komprynt», 2017.– 252 s. (In Ukrainian).

Tereikovska L., Tereikovskyi I., Mussiraliyeva S., Akhmed G. Recognition of emotions by facial Geometry using a capsule neural network. International Journal of Civil Engineering and Technology (IJCIET). Vol. 10, Issue 04, April 2019, pp. 270-279.

Tereikovskyi I., Tereikovska L., Korystin O., Mussiraliyeva S., Sambetbayeva A. (2020) User Keystroke Authentication and Recognition of Emotions Based on Convolutional Neural Network. In: Hu Z., Petoukhov S., He M. (eds) Advances in Artificial Systems for Medicine and Education III. AIMEE 2019. Advances in Intelligent Systems and Computing, vol 1126, pp 283-292. Springer, Cham, doi: 10.1007/978-3-030-39162-1_26.

Toliupa S., Tereikovskyi I., Tereikovskyi O., Tereikovska L., Nakonechnyi V., Kulakov Y. (2020) Keyboard Dynamic Analysis by Alexnet Type Neural Network. IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 2020, pp. 416-420, doi: 10.1109/TCSET49122.2020.235466.

Tereykovska L. Metod neyromerezhevoho analizu klaviaturnoho pocherku. Kompyuterno-intehrovani tekhnolohiyi: osvita, nauka, vyrobnytstvo, 2019, №37, ss. 53-59. doi: 10.36910/6775-2524-0560-2019-37-8. (In Ukrainian).

Hayreddin Ç., Shambhu U. Sensitivity analysis in keystroke dynamics using convolutional neural networks 2017 IEEE Workshop on Information Forensics and Security (WIFS) 4-7 Dec. 2017 Page(s): 1 – 6. doi: 10.1109/WIFS.2017.8267642.

Liu, M., Guan, J. User keystroke authentication based on convolutional neural network. Communications in Computer and Information Science. 2019, 971, pp. 157-168.

Mykhaylenko V. M., Tereykovskaya L.A. Paradyhmy neyrosetevoho raspoznavanyya émotsyy. Upravlinnya rozvytkom skladnykh system. 2019. №39. ss. 179-186. (In Russian).

Akhmetov B., Tereykovsky I., Doszhanova A., Tereykovskaya L. Determination of input parameters of the neural network model, intended for phoneme recognition of a voice signal in the systems of distance learning. International Journal of Electronics and Telecommunications. Vol 64, No 4 (2018), 425-432. doi: 10.24425/123541.

Tereykovska L., Tereykovskiy I., Aytkhozhaeva E., Tynymbayev S., Imanbayev A. Encoding of neural network model exit signal, that is devoted for distinction of graphical images in biometric authenticate systems (2017). // News of the national academy of sciences of the republic of kazakhstan series of geology and technical sciences. Volume 6, Number 426 (2017), pp. 217 – 224.

Akhmetov, B., Tereikovskyi, I., Tereikovska, L., Adranova, A. Neural Network User Authentication by Geometry of the Auricle // Recent Developments in Data Science and Intelligent Analysis of Information Proceedings of the XVIII International Conference on Data Science and Intelligent Analysis of Information, June 4–7, 2018, Kyiv, Ukraine, pp.11-19. doi: 10.1007/978-3-319-97885-7_2.

Tereikovskyi I, Chernyshev D., Tereikovska L.A., Mussiraliyeva S, Akhmed G. The Procedure for the Determination of Structural Parameters of a Convolutional Neural Network to Fingerprint Recognition. Journal of Theoretical and Applied Information Technology, No 8, Volume 97, 2019, pp. 2381-2392.

Oksiiuk O., Tereikovska L. and Tereikovskiy I. Determination of Expected Output Signals of the Neural Network Model Intended for Image Recognition. 4th International Scientific-Practical Conference Problems of Infocommunications Science and Technology (PIC S&T) 2017, pp. 596-599. doi: 10.1109/INFOCOMMST.2017.8246471.

Tereikovskyi, I., Mussiraliyeva, S., Kosyuk, Y., Bolatbek, M., Tereikovska, L. An experimental investigation of infrasound influence hard drives of a computer system // International Journal of Civil Engineering and Technology. 2018. Volume 9, Issue 6, June 2018, pp. 1558–1566.

Dychka I., Chernyshev D., Tereikovskyi I., Tereikovska L., Pogorelov V. (2020) Malware Detection Using Artificial Neural Networks. Advances in Computer Science for Engineering and Education II. ICCSEEA 2019. Advances in Intelligent Systems and Computing, vol 938. Springer, pp. 3-12. doi:10.1007/978-3-030-16621-2_1.

Downloads


Переглядів анотації: 272

Опубліковано

2020-09-24

Як цитувати

Tereikovska, L. . (2020). МОДЕЛЬ ФОРМУВАННЯ НАВЧАЛЬНИХ ПРИКЛАДІВ НЕЙРОННОЇ МЕРЕЖІ, ЩО ПРИЗНАЧЕНА ДЛЯ АНАЛІЗУ КЛАВІАТУРНОГО ПОЧЕРКУ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 1(9), 104–114. https://doi.org/10.28925/2663-4023.2020.9.104114