НЕЙРОСЕТЕВОЙ МЕТОД ПОВЕДЕНЧЕСКОГО АНАЛИЗА ПОЛЬЗОВАТЕЛЕЙ НА ОСНОВЕ ДИНАМИКИ НАЖАТИЯ КЛАВИШ
Аннотация
На сегодняшний день причиной большого количества утечек информации является
компрометация данных учетных записей. В связи с этим все более актуальной задачей
становится внедрение дополнительных средств идентификации и аутентификации.
В данной работе на основе методов машинного обучения предложена технология исполь-
зования динамики нажатия клавиш для идентификации авторизированных пользователей.
Для анализа динамики нажатия применяется аппарат глубоких нейронных сетей. В рабо-
те проанализированы такие поведенческие характеристики, как время нажатия клавиши,
время между нажатиями клавиш, время между отпусканием первой клавиши и нажатием
второй. В процессе исследований было предложено использовать следующие архитектуры
глубоких нейронных сетей: сверточные и рекуррентные нейронные сети. Первичную обработку входных данных осуществляет скользящее окно, которое формирует блоки данных
определенного размера. Для дальнейшего анализа уже структурированного массива данных
была выбрана одномерная сверточная нейронная сеть, так как она хорошо справляется с
задачами обработки данных, представленных в виде последовательности. Для анализа вре-
менных зависимостей используется рекуррентная нейронная сеть, а именно архитектура
LSTM, лучше всего показавшая себя при обработке последовательностей переменной длины и
меньше других подверженная затуханию и взрыву градиента. В процессе экспериментальной
проверки эффективности предложенной в работе методики поведенческого анализа пользо-
вателей на основе динамики нажатия клавиш были реализованы следующие архитектуры:
2xLSTM, 1D СНС + LSTM, 1D СНС + 2xLSTM. По результатам обучения моделей было выяв-
лено, что лучшей точностью обладает система, основанная на архитектуре 1D СНС +
2xLSTM с размером скользящего окна равном 50. Валидационная точность данной архитек-
туры составила 98,29%. Были построены ROC-кривые, которые подтвердили эффектив-
ность данной архитектуры, а также рассчитана F-мера, показавшая, что наибольшая про-
изводительность бинарной классификации достигается при использовании архитектуры
1D СНС + 2xLSTM с размером скользящего окна равном 50 и равна 99,39%.
Литература
neyronnykh setey [Deep learning. Dive into the world of neural networks], 2018, 481 p.
2. When Simple Statistical Algorithms Outperform Deep Learning: A Case of Keystroke Dynamics
// Ahmed Anu Wahab, Daqing Hou. Available at: https://www.scitepress.org/Papers/
2023/116841/116841.pdf (accessed 1 June 2023).
3. Chastikova V.A., Vasil'ev E.D., Babich D.V. Neyrosetevaya metodika identifikatsii lits v
videopotoke v usloviyakh ogranichennosti dannykh [Neural network technique for identifying
faces in a video stream in conditions of limited data], Vestnik Adygeyskogo gosudarstvennogo
universiteta. Seriya 4: Estestvenno-matematicheskie i tekhnicheskie nauki [Bulletin of the
Adygea State University. Series 4: Natural, mathematical and technical sciences], 2019, No. 3
(246), pp. 85-90.
4. Chastikova V.A., Titova A.A., Voylova D.O. Analiticheskiy obzor metodov identifikatsii
lichnosti na osnove biometricheskikh kharakteristik [Analytical review of personal identification
methods based on biometric characteristics], Vestnik Adygeyskogo gosudarstvennogo
universiteta. Seriya 4: Estestvenno-matematicheskie i tekhnicheskie nauki [Bulletin of the
Adygea State University. Series 4: Natural, mathematical and technical sciences], 2022, No. 1
(296), pp. 92-112.
5. Dannye [Data]. Available at: https://www.tadviser.ru/index.php/Stat'ya:Dannye (accessed
20 April 2023).
6. Understanding LSTM Networks. Available at: http://colah.github.io/posts/2015-08-
Understanding-LSTMs/ (accessed 1 June 2023).
7. Chastikova V.A., Zherlitsyn S.A., Volya Ya.I., Sotnikov V.V. Neyrosetevaya tekhnologiya
obnaruzheniya anomal'nogo setevogo trafika [Neural network technology for detecting anomalous
network traffic], Prikaspiyskiy zhurnal: upravlenie i vysokie tekhnologii [Caspian Journal:
management and high technologies], 2020, No. 1 (49), pp. 20-32.
8. Basic CNN Architecture: Explaining 5 Layers of Convolutional Neural Network Available at:
https://www.upgrad.com/blog/basic-cnn-architecture/ (accessed 1 June 2023).
9. Gelig A.Kh., Matveev A.S. Vvedenie v matematicheskuyu teoriyu obuchaemykh
raspoznayushchikh sistem i neyronnykh setey: ucheb. posobie: monografiya [Introduction to
the mathematical theory of learning recognition systems and neural networks: textbook. manual:
monograph]. Moscow: Izd-vo SPbGU, 2014, 224 p.
10. Kruglov V.V., Borisov V.V. Iskusstvennye neyronnye seti. Teoriya i praktika: monografiya
[Artificial neural networks. Theory and practice: monograph]. 2nd ed. Moscow: Goryachaya
liniya – Telekom, 2002, 382 p.
11. Fransua Sholle. Glubokoe obuchenie na Python [Deep learning in Python]. St. Petersburg:
Izd-vo «P ter», 2020, 576 p.
12. Gudfellou Yan, Bendzhio Ioshua. Glubokoe obuchenie [Deep learning]. Moscow: Izd-vo
«DMK Press», 2017, 654 p.
13. Vorona V.A. Biometricheskaya identifikatsiya lichnosti [Biometric personal identification].
Moscow: Izd-vo «Goryachaya L n ya – Teleko », 2021, 228 p.
14. Khaykin S. Neyronnye seti. Polnyy kurs [Neural networks. Full course]. 2nd ed. Moscow:
Vil'yams, 2018, 1104 p.
15. Ryshard T. Elementarnoe vvedenie v tekhnologiyu neyronnykh setey s primerami program
[An elementary introduction to neural network technology with example programs], Moscow,
2011, 408 p.
16. Pal S., Dzhulli A. Biblioteka Keras – instrument glubokogo obucheniya [The Keras library is a
deep learning tool]. Moscow: DMK Press, 2018, 294 p.
17. Vasil'ev A.N., Tarkhov D.A. Printsipy i tekhnika neyrosetevogo modelirovaniya [Principles and
techniques of neural network modeling]. Moscow: Vysshaya shkola, 2014, 218 p.
18. Chastikova V.A., Sotnikov V.V. Method of analyzing computer traffic based on recurrent neural
networks, Journal of Physics: Conference Series. International Conference "High-Tech and
Innovations in Research and Manufacturing," HIRM 2019, 2019, pp. 012133.
19. Chastikova V.A., Zherlitsyn S.A. Neyrosetevaya metodika identifikatsii lichnosti po risunku
ven ladoni [Neural network technique for identifying a person by the pattern of the veins of the
palm], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2022,
No. 4 (228), pp. 192-200.
20. Chastikova V.A., Zherlitsyn S.A., Voylova D.O. Neyrosetevaya sistema biometricheskoy
identifikatsii lichnosti po golosu [Neural network system for biometric identification of a person
by voice], Vestnik Adygeyskogo gosudarstvennogo universiteta. Seriya 4: Estestvennomatematicheskie
i tekhnicheskie nauki [Bulletin of the Adygea State University. Series 4:
Natural, mathematical and technical sciences], 2023, No. 1 (316), pp. 70-79.
21. Artyushina L.A., Troitskaya E.A. Nekotorye podkhody k otsenke informativnosti parametrov
identifikatsii pol'zovateley po klaviaturnomu pocherku na osnove povedencheskoy biometrii
[Some approaches to assessing the information content of user identification parameters based
on keyboard handwriting based on behavioral biometrics], Vestnik Yuzhno-Ural'skogo
gosudarstvennogo universiteta. Seriya: Komp'yuternye tekhnologii, upravlenie,
radioelektronika [Bulletin of the South Ural State University. Series: Computer technologies,
control, radio electronics], 2022, No. 22, pp. 30-38.
22. Sharipov R.R., Sitnikov A.N. Problemy pri razrabotke sistem raspoznavaniya pol'zovateley po
klaviaturnomu pocherku [Problems in developing user recognition systems based on keyboard
handwriting], Vestnik tekhnologicheskogo universiteta [Bulletin of the Technological University],
2019, Vol. 22, No. 10, pp. 143-147.
23. Eremenko Yu.I., Olyunina Yu.S. Ob opredelenii naibolee znachimykh parametrov
klaviaturnogo pocherka s pomoshch'yu regressionnogo analiza [On determining the most significant
parameters of keyboard handwriting using regression analysis], Sistemy upravleniya i
informatsionnye tekhnologii [Control systems and information technologies], 2018, No. 2 (72),
pp. 28-31.
