Формирование клавиатурного почерка при аутентификации на мобильных устройствах

Цели. В статье рассматривается новый способ формирования клавиатурного почерка при использовании сенсорной клавиатуры для аутентификации в существующих на данный момент мобильных системах.

Методы. В силу недостаточной надежности отдельно взятой парольной аутентификации предлагается использовать ее комбинацию с характеристиками, которые соответствуют почерку на мобильных устройствах. В статье продемонстрирована возможность использования индивидуальных характеристик пользователя при формировании клавиатурного почерка на устройствах с сенсорной клавиатурой. Показано, что тип используемой клавиатуры влияет на характеристики клавиатурного почерка, поэтому данный аспект можно использовать для повышения надежности парольной аутентификации. Предлагается дополнить процесс аутентификации в информационной среде данными о характере воздействия на сенсорную клавиатуру. Интерес представляет использование встроенной функции 3D Touch, которая доступна при работе на мобильных устройствах и технике, оснащенной сенсорной клавиатурой. В статье продемонстрировано, что использования только одного параметра недостаточно для точной аутентификации. Предложен способ определения допустимого диапазона погрешности, в который должны укладываться как сила нажатия, так и промежуточный интервал при проведении аутентификации. Для этого используется функция Лапласа, позволяющая сформировать интервал каждой характеристики в зависимости от требуемой вероятности распознавания пользователя.

Результаты. Показано, что силы нажатия и промежуточного интервала достаточно для получения необходимых характеристик, позволяющих сформировать уточненный портрет пользователя по его клавиатурному почерку. Приведены экспериментальные статистические данные отдельно среднего выборки для трех различных пользователей согласно силе нажатия, а также результаты аутентификации при использовании одновременно среднеквадратичных отклонений силы нажатий и интервалов между ними при использовании сенсорной клавиатуры для платформы iOSXcode.

Выводы. Сделан вывод о возможности применения способа аутентификации пользователей по клавиатурному почерку, сформированному на основе одновременно силы нажатий на символы клавиатуры и интервалов между нажатиями. Использование значений среднего выборки и среднеквадратичных отклонений позволяет проводить аутентификацию согласно требуемой вероятности распознавания. 

1. Ilyichenkova Z.V., Ivanova S.M. Identification of Dynamic Object Parameters. Nuclear Instruments and Methods in Physics Research. Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2003;502(2–3):535–536. http://doi.org/10.1016/S0168-9002(03)00493-5

2. Кхант К.З., Сосенушкин С.Е. Модель анализа больших данных для внедрения умных университетов. Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2021;8: 72–75. http://doi.org/10.37882/2223-2966.2021.08.17

3. Ilyichenkova Z.V., Ivanova S.M. Cluster keyboard handwriting. Procedia Computer Science. 2021;186: 395–402. https://doi.org/10.1016/j.procs.2021.04.162

4. Горбухов Н.Н., Магомедов Ш.Г. Сравнение конструкторов мобильных приложений. В сб.: ХРОНИКИ ЦИФРОВЫХ ТРАНСФОРМАЦИЙ: материалы межкафедрального круглого стола. Выпуск 4. Волгоград. 2022. С. 44–49.

5. Никольский С.Н. Задача автоматизации и эволюционное моделирование. Школа Науки. 2022;1(50):3–7. https://doi.org/10.5281/zenodo.5914537

6. Antonova I.I., Antonova A.A., Shmeleva A.N., Novikov A.A., Nazarenko M.A. System Analysis of Transport-Information Infrastructure Transformation in Modern Cities. In: 2020 International Conference Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS). Yaroslavl, Russia. 2020. P. 154–156. http://dx.doi.org/10.1109/ITQMIS51053.2020.9322902

7. Ермакова А.Ю., Лось А.Б. Об оценке рисков при анализе эффективности алгоритмов защиты информации. Математическое и компьютерное моделирование в экономике, страховании и управлении рисками. 2022;7:64–70. URL: https://www.sgu.ru/sites/default/files/textdocsfiles/2022/12/21/013.pdf

8. Kuronen T., Eerola T., Lensu L., Kälviäinen H., Häkkinen J. 3D hand movement measurement framework for studying human-computer interaction. In: Arseniev D., Overmeyer L. Kälviäine H., Katalini B. (Eds.). Cyber-Physical Systems and Control (CPS&C 2019). Lecture Notes in Networks and Systems. V. 95. Springer, Cham.; 2019. P. 513–524. http://doi.org/10.1007/978-3-030-34983-7_50

9. Kuronen T., Eerola T., Lensu L., Kälviäinen H. Two-Camera Synchronization and Trajectory Reconstruction for a Touch Screen Usability Experiment. In: Blanc-Talon J., Helbert D., Philips W., Popescu D., Scheunders P. (Eds.). Advanced Concepts for Intelligent Vision Systems. ACIVS 2018. Lecture Notes in Computer Science. V. 11182. Springer, Cham.; 2018. P. 125–136. https://doi.org/10.1007/978-3-030-01449-0_11

10. Stroganov D.V., Sakun B.V., Yartsev M.I. General Principles of Assessment of Staff Skills Building Specialties. Int. J. Adv. Studies. 2016;6(4):63–76. https://doi.org/10.12731/2227-930X-2016-4-63-76

11. Volkov A.I., Semin V.G., Semin V.V. Fuzzy sets in the problems of assessing the quality of mobile applications. In: 2021 International Conference on Quality Management, Transport and Information Security, Information Technologies (IT&QM&IS). Yaroslavl, Russia. 2021. P. 355–358. https://doi.org/10.1109/ITQMIS53292.2021.9642873

12. Иванова С.М., Ильиченкова З.В., Антонова А.А. Анализ клавиатурного почерка в обучающих системах. Вестник компьютерных и информационных технологий. 2020;17;6(192):22–30. https://doi.org/10.14489/vkit.2020.06.pp.022-030

13. Алешникова Е.А., Чадина Ю.А. Аксиологизация работы с текстом на уроках русского языка в старшей школе. Русский язык в школе. 2019;80(1):46–49. https://doi.org/10.30515/0131-6141-2019-80-1-46-49

14. Саркисова И.О., Лаверычев М.А. Анализ влияния расположения NFC меток на приоритет чтения. Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2022;8: 119–124. URL: https://elibrary.ru/item.asp?id=49623257

15. Pronin C.B., Maksimychev O.I., Ostroukh A.V., Volosova A.V., Matukhina E.N. Creating quantum circuits for training perceptron neural networks on the principles of Grover’s algorithm. In: 2022 Systems of Signals Generating and Processing in the Field of on Board Communications. Moscow, Russia. 2022. 5 p. https://doi.org/10.1109/IEEECONF53456.2022.9744279

16. Иванова С.М., Ильиченкова З.В., Антонова А.А. Проверка подлинности пользователя при работе в обучающих системах. Информационные технологии. 2020;26(11): 648–654. https://doi.org/10.17587/it.26.648-654

17. Матюхин Б.Н., Матюхина Е.Н., Чистякова М.А., Морозов Е.А. Математические модели объектов диагноза. Промышленные АСУ и контроллеры. 2021;5:29–32. https://doi.org/10.25791/asu.5.2021.1280

18. Каримов М.Т., Никонов В.В. Сравнение производительности моделей сверточных нейронных сетей на графическом процессоре. Информационные и телекоммуникационные технологии. 2021;52:42–48.

19. Савиных В.П., Господинов С.Г., Кудж С.А., Цветков В.Я., Дешко И.П. Семантика визуальных моделей в космических исследованиях. Russian Technological Journal. 2022;10;2(46):51–58. https://doi.org/10.32362/2500-316X-2022-10-2-51-58

20. Чекушин А.В., Котилевец И.Д., Иванова И.А., Чистякова М.А. Обработка аппаратных прерываний на примере микроконтроллера ATMEGA16. Промышленные АСУ и контроллеры. 2022;1:33–39. http://doi.org/10.25791/asu.1.2022.1341