АЛГОРИТМ ФОРМИРОВАНИЯ СПИСКА СЛОВ С ЗАДАННЫМ РАСПРЕДЕЛЕНИЕМ БИГРАММ ДЛЯ РЕГИСТРАЦИИ БИОМЕТРИЧЕСКИХ КОНТРОЛЬНЫХ ШАБЛОНОВ КЛАВИАТУРНОГО ПОЧЕРКА

Евгений В. Шкляр

Аннотация


В статье предложено решение задачи обеспечения возможности получения одного и того же состава биграмм, содержащихся в разных наборах слов. В основу решения заложен алгоритм генерирования текстовых данных, обеспечивающих устойчивые характеристики биометрических параметров при вводе свободного текста. Решение представляет собой трехэтапный процесс: отбор словоформ современного русского языка, построение распределений биграмм и формирование словарных списков. Предлагаемое решение подтверждено экспериментально; определены и эмпирически подтверждены оптимальные параметры регистрации образцов клавиатурного почерка: количество слов – 32, длина каждого слова – от 5 до 7 символов, общая длина последовательности – 204 символа. Эти значения обеспечивают время ввода регистрационного текста менее одной минуты при средней скорости печати 220 символов в минуту. Достоверность результатов обоснована высокой степенью соответствия распределений биграмм между тестируемыми и эталонными наборами – до 94,18%. Это обеспечивает значения вероятностей ошибок первого и второго рода, соответствующие нормативным требованиям, и подтверждает возможность применения предложенного алгоритма в системах биометрической аутентификации и идентификации пользователей, в том числе в условиях работы со свободным текстом.

Ключевые слова


клавиатурный почерк; биометрическая аутентификация; биграммы; регистрация шаблонов; свободный текст; поведенческая биометрия; генерация данных.

Полный текст:

PDF

Литература


1. Dimaratos A., Pöhn D. (2023). Evaluation scheme to analyze keystroke dynamics methods. In: Proceedings of the 9th International Conference on Information Systems Security and Privacy. SCITEPRESS – Science and Technology Publications, p. 357–365. DOI: http://dx.doi.org/10.5220/0011626100003405.

2. Arsh A., Kar N., Das S., Deb S. (2024). Multiple approaches towards authentication using keystroke dynamics. Procedia Computer Science, v. 235, p. 2609–2618. International Conference on Machine Learning and Data Engineering (ICMLDE 2023).
DOI: https://doi.org/10.1016/j.procs.2024.04.246.

3. Kim Y., Kwon N., Shin D. (2024). KDPrint: Passive authentication using keystroke dynamics-to-image encoding via standardization. arXiv. DOI: https://doi.org/10.48550/arXiv.2405.01080.

4. Stragapede G., Vera-Rodriguez R., Tolosana R. et al. (2024). KVC-onGoing: Keystroke verification challenge. arXiv.
DOI: 10.48550/arXiv.2412.20530.

5. Simão M., Prado F., Wahab O.A., Avila A. (2024). TempCharBERT: Keystroke dynamics for continuous access control based on pre-trained language models. arXiv.
DOI: https://doi.org/10.48550/arXiv.2411.07224.

6. González N., Stragapede G., Vera-Rodriguez R., Tolosana R. (2025). Type2Branch: Keystroke biometrics based on a dual-branch architecture with attention mechanisms and set2set loss. arXiv.
DOI: https://doi.org/10.48550/arXiv.2405.01088.

7. Stragapede G., Vera-Rodriguez R., Tolosana R. et al. (2024). IEEE BigData 2023 keystroke verification challenge (KVC). arXiv.
DOI: https://doi.org/10.48550/arXiv.2401.16559.

8. Ismail M.G., Salem M.A., Abd El Ghany M.A., Aldakheel E.A., Abbas S. (2024). Outlier detection for keystroke biometric user authentication. PeerJ Computer Science, v. 10, article e2086.
DOI: 10.7717/peerj-cs.2086.

9. Kaluarachchi N., Kandanaarachchi S., Moore K., Arakala A. (2023). DEFT: A new distance-based feature set for keystroke dynamics. arXiv. DOI: https://doi.org/10.48550/arXiv.2310.04059.

10. Wahab A.A., Hou D., Cheng N. et al. (2025). Impact of data breadth and depth on performance of Siamese neural network model: Experiments with three keystroke dynamic datasets. arXiv.
DOI: https://doi.org/10.48550/arXiv.2501.07600.

11. Senarath D., Sanuja T., Maduka V., Rasnayaka S., Wickramanayake S., Meedeniya D. (2023). BehaveFormer: A framework with spatio-temporal dual attention transformers for IMU-enhanced keystroke dynamics. In: Proceedings of the International Joint Conference on Biometrics (IJCB), p. 1–9.
DOI: 10.1109/IJCB57857.2023.10448997.

12. Sharma A., Jureček M., Stamp M. (2023). Keystroke dynamics for user identification. arXiv.
DOI: 10.48550/arXiv.2307.05529.

13. Wyciślik Ł., Wylężek P., Momot A. (2024). The improved biometric identification of keystroke dynamics based on deep learning approaches. Sensors, v. 24, no. 12, article 3763.
DOI: 10.3390/s24123763.




DOI: http://dx.doi.org/10.26583/bit.2025.3.06

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.