Статья

Название статьи ТЕКСТОНЕЗАВИСИМАЯ ИДЕНТИФИКАЦИЯ ЛИЧНОСТИ ПО ДИНАМИЧЕСКИМ БИОМЕТРИЧЕСКИМ ПАРАМЕТРАМ НА ОСНОВЕ ИММУННОЙ МОДЕЛИ КЛОНАЛЬНОЙ СЕЛЕКЦИИ
Автор Ю. А. Брюхомицкий
Рубрика РАЗДЕЛ II. МОДЕЛИРОВАНИЕ СЛОЖНЫХ СИСТЕМ И ПРОЦЕССОВ
Месяц, год 05, 2018
Индекс УДК 004.067
DOI
Аннотация Предлагается иммунологический подход к решению задачи распознавания сигналов динамической биометрии, базирующийся на принципах массово-параллельной децентрализованной обработки данных, использующихся в искусственных иммунных системах. Особенностью подхода является представление сигналов динамической биометрии последовательностями информационных единиц определенного формата, с последующей обработкой в темпе их поступления на основе иммунологической модели клональной селекции с положительным отбором. В качестве информационных единиц выступают синтаксически связанные фрагменты текста соответствующей модальности, которые представлены многомерными векторами в рабочем пространстве признаков. В фазе обучения создается начальная популяция детекторов в метрике векторов исследуемой последовательности биометрических данных. Затем по принципу положительного отбора выявляются детекторы начальной популяции, которые в пространстве признаков наиболее близки к областям распределения соответствующих биометрических данных. Близость векторов в пространстве признаков моделирует свойство аффинности клеток иммунной системы. Выявленные детекторы на основе итерационной процедуры подвергаются клонированию, гипермутации и отбора и в конечном итоге образуют популяцию детекторов иммунной памяти. Останов процедуры обучения осуществляется при достижении заданного максимального размера популяции детекторов иммунной памяти. В фазе распознавания элементы анализируемой биометрической последовательности данных сопоставляются с детекторами популяции памяти c использованием меры близости Евклида. Критический уровень близости определяет границу для принятия системой решения «свой/чужой» и задается, исходя из допустимых ошибок первого рода. Для принятия системой решения «свой» – «чужой» используется статистический подход, при котором контролируется частота выполнения условия критической близости, определяющая статистическую вероятность принадлежности анализируемой биометрии «чужому». Предлагаемый подход в рамках иммунологического представления позволяет обобщить существенно различные методы идентификации личности по динамическим биометрическим параметрам разной модальности. Положительными отличиями предлагаемого подхода являются: возможность текстонезависимого анализа динамической биометрии любой модальности, произвольного объема и содержания; непрерывная оценка принадлежности биометрических данных в темпе их поступления, с возможностью своевременного принятия решения о присутствии «чужого»; применение иммунологической модели, которая хорошо согласуется с большинством задач динамической идентификации личности, что позволяет существенно уменьшить число детекторов, необходимых для эффективной идентификации личности.

Скачать в PDF

Ключевые слова Текстонезависимая идентификация личности; динамическая биометрия; искусственные иммунные системы; векторное представление данных; иммунная модель клональной селекции.
Библиографический список 1. Ахмад Х.М., Жирков В.Ф. Введение в цифровую обработку речевых сигналов. – Владимир: Изд-во Владим. гос. ун-та, 2007. – 192 с.
2. Матвеев Ю.Н. Технологии биометрической идентификации личности по голосу и другим модальностям // Вестник МГТУ им. Н.Э. Баумана. Cерия «Приборостроение».
– 2012. – № 2. – С. 46-61.
3. Campbell W., Assaleh K., Broun C. Speaker recognition with polynomial classifiers // IEEE Trans. Speech Audio Process. – 2002. – Vol. 10, No. 4. – P. 205-212.
4. Анисимова Э.С. Идентификация онлайн-подписи с помощью оконного преобразования Фурье и радиального базиса // Компьютерные исследования и моделирование. – 2014.
– Т. 6, № 3. – С. 357-364.
5. Jain A.K., Friederike D.G., Connel S.D. On-line signature verification // Pattern Recognition. – 2002. – Vol. 35 (12). – P. 2963-2972.
6. Plamondon R., Srihari S. On-line and Off-line Handwriting Recognition: A Comprehensive Survey // IEEE Trans. PAMI. – 2000. – Vol. 22 (1). – P. 63-84.
7. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений: монография. – Пенза: Изд-во Пенз. гос. ун-та, 2000. – 188 с.
8. Брюхомицкий Ю.А., Казарин М.Н. Система аутентификации личности по почерку // Сб. трудов научно-практической конференции с международным участием «Информационная безопасность». – Таганрог: Изд-во ТРТУ, 2002. – С. 22-29.
9. Мазниченко Н.И. Гвозденко М.В. Анализ возможностей систем автоматической идентификации клавиатурного почерка // Вестник Национального технического университета «Харьковский политехнический институт». Серия «Информатика и моделирование». – 2008. – Вып. № 24. – С. 77-82.
10. Скубицкий А.В. Анализ применимости метода реконструкции динамических систем в системах биометрической идентификации по клавиатурному почерку // Инфокоммуникационные технологии. – 2008. – Т. 6, № 1. – С. 51-53.
11. Брюхомицкий Ю.А., Казарин М.Н. Метод биометрической идентификации пользователя по клавиатурному почерку на основе разложения Хаара и меры близости Хэмминга // Известия ТРТУ. – 2003. – № 4 (33). – С. 141-149.
12. Брюхомицкий Ю.А. Цепочный метод клавиатурного мониторинга // Известия ЮФУ. Технические науки. – 2009. – № 11 (100). – С. 135-145.
13. Dasgupta D. Artificial Immune Systems and Their Applications, Ed., Springer-Verlag, 1999.
14. De Castro L.N., Timmis, J.I. Artificial Immune Systems: A New Computational Intelligence Approach, London: Springer-Verlag, 2000. – 357 p.
15. Hofmeyr S. and Forrest S. Architecture for an Artificial Immune System // Evolutionary Computation. – 2000. – No. 8 (4). – P. 443-473.
16. Forrest S., Perelson A.S., Allen L., Cherukuri R. Self-nonself discrimination in a computer // Research in Security and Privacy: Proceedings of IEEE Computer Society Symposium. – Los Alamitos: IEEE Computer Society Press, 1994. – P. 202-212.
17. Ji Z., Dasgupta D. Real-valued negative selection algorithm with variable-sized Detectors // Proceedings of the Genetic and Evolutionary Computation, Seattle. – 2004, Springer. – Verlag: Seattle, WA, USA, 2004. – P. 287-298.
18. Ji Z., Dasgupta D. Revisiting negative selection algorithm // Evolutionary Computation.
– 2007. – Vol. 15. – № 2 (Summer). – P. 223-251.
19. De Castro L.N., Von Zuben F.J. The Clonal Selection Algorithm with Engineering Applications, submitted to GECCO’00. – 2000. – P. 36-37.
20. De Castro L.N., Von Zuben F.J. Learning and optimization using the clonal se-lection principle // IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems. – 2002. – Vol. 6. – No. 3. – P. 239-251.
21. Брюхомицкий Ю.А., Казарин М.Н. Методы многосвязного представления клавиатурного почерка // Материалы III Международной конференции «Нелокальные краевые задачи и родственные проблемы математической биологии, информатики и физики. – Нальчик, 5-8 декабря 2006 г. – С. 68-69.
22. Брюхомицкий Ю.А. Иммунологичекий метод верификации рукописи с использованием векторного представления данных // Известия ЮФУ. Технические науки. – 2016. – № 9 (182). – С. 50-57.
23. Брюхомицкий Ю.А. Клавиатурный мониторинг на основе иммунологического клонирования // Безопасность информационных технологий. – 2016. – № 4 (40). – С. 5-11.

Comments are closed.