Найти

Результаты поиска

• НЕЙРОСЕТЕВОЙ МЕТОД ПОВЕДЕНЧЕСКОГО АНАЛИЗА ПОЛЬЗОВАТЕЛЕЙ НА ОСНОВЕ ДИНАМИКИ НАЖАТИЯ КЛАВИШ

  В.А. Частикова , Д. А. Любич

  2023-10-23

  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%.