Найти

Результаты поиска

• МЕТОДЫ УСИЛЕНИЯ ПРОЦЕДУРЫ ИДЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ НА ОСНОВЕ ТЕХНОЛОГИИ LIVENESS DETECTION

  В.В. Золотарев , А. О. Поважнюк, Е.А. Маро

  2022-05-26

  Аннотация ▼

  Биометрические системы идентификации и контроля доступа содержат методы
  распознавания личности субъекта на основе уникальных физиологических и поведенческих
  характеристик. Целью данной работы является разработка системы безопасного взаимо-
  действия (аутентификации) участников геймифицированных образовательных проектов,
  включающая в себя противодействие угрозам безопасности, возникающим при использовании биометрических характеристик пользователей. Выполнен сравнительный анализ эф-
  фективности распознавания поддельных биометрических образцов методами liveness detection
  на основе выявления подмены образца с помощью фото, видео на дисплее,
  3D-модели, маски. В ходе исследования предложен способ применения метода liveness detection
  для внедрения в системы геймифицированной образовательной среды. Предложена
  модификация метода liveness detection (гибридный метод) и спроектирована система био-
  метрической идентификации в реальном времени с использованием предложенного мето-
  да. Разработан двухэтапный гибридный метод биометрической идентификации на основе
  совместного использования пассивных и активных программных методов выявления под-
  дельных биометрических образцов. Метод адаптирован для использования с минимальным
  количеством дополнительных используемых устройств, единственным сканером биомет-
  рических признаков является 2D-камера. Проведено тестирования работы сети видов дву-
  слойный персептрон, трехслойный персептрон и сверточная нейронная сеть. Обучение
  сети проводилось на собственных обучающих примерах. Положение диктора при записи
  обучающих примеров: расстояние лица от камеры – 60см, режимы записи при повороте
  головы на 0 (взгляд прямо в камеру), 30 (голова немного повернута в сторону) и 45 (голова
  сильно повернута в сторону) градусов. По итогам тестирования лучшие показатели рас-
  познавания были выявлены у сверточной нейронной сети с 3 сверточными слоями и 1 пол-
  носвязным. Получена точность распознавания произнесенного слова до 100% при повороте
  головы пользователя до 30° и до 70% - при повороте головы пользователя до 45°. При тес-
  тировании на выборке, состоящей из 1000 примеров, значение FAR данной системы соста-
  вило 1%, значение FRR составило 0%.

• ИССЛЕДОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ СПУФИНГ-АТАК В ДЕЦЕНТРАЛИЗОВАННЫХ СЕТЯХ

  М.А. Лапина , Р.А. Дымуха , Н.Н. Кучеров , Е.С. Басан

  16-31

  2025-07-24

  Аннотация ▼

  Беспилотные летательные аппараты всё больше и больше появляются в нашей жизни и используются для различных целей, таких как доставка грузов, мониторинг, управление хозяйством, мониторинг и развлечения. Но вместе с ростом их популярности, увеличивается и число людей, которые намеренно хотят помешать работе БВС (беспилотным воздушным судам) и использовать в своих интересах и целях. Они используют различные виды атак, чтобы любыми способами устранить или перехватить автономный летательный аппарат. Спуфинг-атаки являются одним из наиболее распространенных и опасных видов атак, так как позволяют злоумышленникам действовать незаметно, подделывая идентификаторы автономных летательных аппаратов или операторов, выдавая себя за легитимных участников системы. Целью таких атак может быть перехват управления, кража данных, саботаж или использование БВС для выполнения вредоносных действий, таких как шпионаж, нанесение ущерба или сбой в операциях. Но с каждым годом всё сложнее предотвращать атаки, так как они сложны в обнаружении и могут привести к серьезным последствиям, именно поэтому обнаружение спуфинг-атак на беспилотный аппарат при помощи машинного обучения активно исследуется и применяется. В статье рассматриваются спуфинг-атаки на БВС, проведен анализ спуфинга на автономные летательные аппараты, на основе открытого набора данных с помощью платформы Knime проведено исследование методов машинного обучения обнаружения спуфинг-атак. Результаты исследования демонстрируют, что способ обнаружения атак с помощью машинного обучения на основе ансамблевого метода, модели Tree Ensemble Learner и Random Forest Learner,, показавшие результаты 97.110% и 97.039% соответственно, является лучшим среди других методов, что позволит улучшить безопасность беспилотных летательных аппаратов, снижает нагрузку на операторов и повышает надежность системы в целом. В дальнейшем предложенный подход может быть расширен для обнаружения других видов кибератак, что сделает его универсальным методом защиты от воздействий злоумышленников