METHOD OF PROTECTING FINGERPRINTS IN AN INTELLIGENT DECISION-MAKING SYSTEM BASED ON CONVULSIVE NEURAL NETWORKS

Юрій Мишковський; Марія Назаркевич

doi:10.28925/2663-4023.2026.33.1239

Автор(и)

Юрій Мишковський Національний університет «Львівська Політехніка» https://orcid.org/0009-0004-0051-026X
Марія Назаркевич Національний університет "Львівська політехніка", Львівський національний університет імені Івана Франка https://orcid.org/0000-0002-6528-9867

DOI:

https://doi.org/10.28925/2663-4023.2026.33.1239

Ключові слова:

кібербезпека, біометрична автентифікація, виявлення «живучості» відбитків пальців, згорткові нейронні мережі, виявлення атаки презентації, атаки підміни, контроль доступу, FAR, FRR.

Анотація

У статті досліджується проблема ідентифікації відбитків пальців як важливого елемента забезпечення кібербезпеки сучасних систем біометричної автентифікації. Обґрунтовано, що широке використання біометрії у фінансових послугах, корпоративних мережах, мобільних додатках та системах електронного урядування супроводжується зростанням ризиків спуфінг-атак, під час яких зловмисники використовують штучні або модифіковані відбитки пальців для обходу механізмів ідентифікації. Запропоновано підхід до вирішення цієї проблеми на основі згорткових нейронних мереж, здатних автоматично ідентифікувати розпізнавальні ознаки зображень, зокрема текстурні особливості, порушення структури папілярних ліній та артефакти, характерні для підроблених зразків.

Експериментальні дослідження проводилися з використанням набору даних SocoFing з постійною конфігурацією моделі та параметрами навчання. Отримані результати демонструють високу ефективність підходу: точність класифікації становить 98,964%, коефіцієнт помилкових прийняття (FAR) – 0,215%, а коефіцієнт помилкових відхилень (FRR) – 7,251%. Низьке значення FAR вказує на здатність моделі мінімізувати ризик несанкціонованого доступу, що критично важливо для систем з підвищеними вимогами безпеки. Водночас, підвищений рівень FRR вказує на необхідність подальшої оптимізації для забезпечення балансу між безпекою та зручністю використання.

Зроблено висновок, що моделі на основі глибокого навчання можуть бути ефективно використані як додатковий рівень захисту в біометричних системах, особливо в контексті багатофакторної автентифікації та концепції нульової довіри. Окреслено напрямки подальших досліджень, зокрема, використання більш різноманітних наборів даних, підвищення стійкості до нових типів атак та інтеграція з іншими механізмами кіберзахисту.

Завантаження

Дані завантаження ще не доступні.

Посилання

Iwuoha, V. C., & Doevenspeck, M. (2023). Dilemmas of “biometric nationality”: Migration control, biometric ID technology, and political mobilisation of migrants in West Africa. Territory, Politics, Governance, 1-26.

Marani, M., Soltani, M., Bahadori, M., Soleimani, M., & Moshayedi, A. (2023). The role of biometrics in banking: A review. EAI Endorsed Transactions on AI and Robotics, 2(1).

El-Afifi, M. I., & El Kelany, M. M. (2023). Trends in biometric authentication: A review. Nile Journal of Communication and Computer Science.

Helmy, M., El-Rabaie, E. S. M., El-Dokany, I., & Abd El-Samie, F. E. (2023). A novel cancellable biometric recognition system based on Rubik’s cube technique for cybersecurity applications. Optik, 285, 170475.

Das, S., De Ghosh, I., & Chattopadhyay, A. (2023). A liveness detection system for sclera biometric applications. International Journal of Biometrics, 15(6), 645-664.

Micheletto, M., Orrù, G., Casula, R., Yambay, D., Marcialis, G. L., & Schuckers, S. (2023). Review of the Fingerprint Liveness Detection (LivDet) competition series: From 2009 to 2021. In Handbook of Biometric Anti-Spoofing: Presentation Attack Detection and Vulnerability Assessment (pp. 57-76).

Krichen, M. (2023). Convolutional neural networks: A survey. Computers, 12(8), 151.

Micheletto, M., Orrù, G., Casula, R., Yambay, D., Marcialis, G. L., & Schuckers, S. (2023). Review of the Fingerprint Liveness Detection (LivDet) competition series: From 2009 to 2021. In Handbook of Biometric Anti-Spoofing: Presentation Attack Detection and Vulnerability Assessment (pp. 57-76).

Chicco, D., & Jurman, G. (2023). The Matthews correlation coefficient (MCC) should replace the ROC AUC as the standard metric for assessing binary classification. BioData Mining, 16(1), 1-23.

Shehu, Y. I., Ruiz-Garcia, A., Palade, V., & James, A. (2018). Sokoto Coventry fingerprint dataset. arXiv. https://arxiv.org/abs/1807.10609

Sun, H., Shen, L., Zhong, Q., Ding, L., Chen, S., Sun, J., et al. (2023). AdaSAM: Boosting sharpness-aware minimization with adaptive learning rate and momentum for training deep neural networks. arXiv. https://arxiv.org/abs/2303.00565

Logoyda, M., Nazarkevych, M., Voznyi, Y., Dmytruk, S., & Smotr, O. (2019). Identification of biometric images using latent elements. In CEUR Workshop Proceedings.

Dronyuk, I., Nazarkevych, M., & Poplavska, Z. (2017). Gabor filters generalization based on ateb-functions for information security. In International Conference on Man-Machine Interactions (pp. 195-206). Springer.

Nazarkevych, M., Dmytruk, S., Hrytsyk, V., Vozna, O., Kuza, A., Shevchuk, O., et al. (2021). Evaluation of the effectiveness of different image skeletonization methods in biometric security systems. International Journal of Sensors, Wireless Communications and Control, 11(5), 542-552. https://doi.org/10.2174/2210327910666201210151809

Sheketa, V., Romanyshyn, Y., Vovk, R., Pikh, V., & Pasyeka, M. (2019). Formal methods for solving technological problems in the infocommunications routines of intelligent decision-making for drilling control. In 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T) (pp. 29-34). IEEE.

Sheketa, V., Zorin, V., Chupakhina, S., Kyrsta, N., Pasyeka, M., & Pasieka, N. (2020). Empirical method of evaluating the numerical values of metrics in the process of medical software quality determination. In 2020 International Conference on Decision Aid Sciences and Application (DASA) (pp. 22-26). IEEE.

Shakhovska, N., Boyko, N., & Pukach, P. (2018). The information model of cloud data warehouses. In Conference on Computer Science and Information Technologies (pp. 182-191).

Nazarkevych, M., Vysotska, V., Yurynets, R., & Nakonechny, N. (2025). Methods of implementing disinformation detection in social networks based on artificial intelligence. Cybersecurity: Education, Science, Technique, 2(30), 209-223. https://doi.org/10.28925/2663-4023.2025.30.965

Myshkovskyi, Y., Nazarkevych, M., & Klyujnyk, I. (2025). Research on the performance of a neural network for recognizing combat vehicles. In 2025 IEEE 13th International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS) (pp. 1-4). IEEE.