Аутентификация пользователей на основе трехступенчатой модели клавиатурного почерка

Цель. В статье предложена трехступенчатая модель, которая позволяет увеличить эффективность аутентификации при реализации систем дистанционного обучения, не только в системах автоматического прокторинга, но и в сложных информационных системах критически важных объектов. Метод. Увеличение эффективности аутентификации пользователей происходит за счёт увеличения точности аутентификации по клавиатурному почерку. Результат. Предложенная модель поможет осуществить процесс разграничения доступа для мошенников и легальных пользователей, путём приспосабливания к малейшим изменениям параметров клавиатурного почерка, что позволяет увеличить точность аутентификации. Во время тестирования один из тестируемых пользователей был аутентифицирован при помощи сравнения Девиаций, в то время как Другие три пользователя были аутентифицированы при помощи критерия χ². Оставшиеся пользователи не смогли пройти процедуру аутентификацию на всех этапах системы. Вывод. Проведено экспериментальное исследование, результаты которого показали высокую способность предложенной модели разграничения доступа для легальных пользователей и злоумышленников с учетом незначительных изменений параметров динамики нажатия клавиш, и повысить точность аутентификации пользователей. Достоверность аутентификации пользователей на практике составила 97,5%.

1. Глова В.И., Катасев А.С., Абзалов А.Р. Модель локализации искажений и подтверждения авторства исходных текстов программ // Вестник Казанского государственного технического университета им. А.Н. Туполева. 2008. № 3. С. 84-87.

2. Добровинский Д.С., Ловецкий И.В., Попов М.А. Прокторинг как инструмент развития дистанционного образования // Научно-техническое и экономическое сотрудничество стран АТР в XXI веке. 2018. С. 2732.

3. Тумбинская М.В. Поддержка принятия решений и моделирование обеспечения защиты информации в информационных системах интернет-банкинга // Вестник компьютерных и информационных технологий. 2015. №7 (133). С. 33-39.

4. Тумбинская М.В., Баянов Б.И., Рахимов Р.Ж., Кормильцев Н.В., Уваров А.Д. Анализ и прогнозирование вредоносного сетевого трафика в облачных сервисах // Бизнес-информатика. 2019. № 1. С. 71-81.

5. R.R. Sharipov, M.V. Tumbinskaya, A.R. Abzalov Analysis of users keyboard handwriting based on Gaussian reference signals // International Russian Automation Conference. RusAutoCon. 2019.

6. Тумбинская М.В. Системный подход к обеспечению защиты от нежелательной информации в социальных сетях // Вопросы кибербезопасности. 2017. №2 (20). С. 30-44.

7. Тумбинская М.В. Модель защищенной информационной системы интернет-банкинга // Прикладная информатика. 2015. № 5 (59). С. 62-72.

8. Шарипов Р.Р., Сафиуллин Н.З. Аппаратурный анализ клавиатурного почерка с использование эталонных гауссовских сигналлов // Вестник Казанского государственного технического университета им. А.Н. Туполева, 2006. № 2. С. 21-23.

9. Шарипов Р.Р., Катасёв А.С. Система распознавания клавиатурного почерка пользователей на основе по-лигауссового алгоритма // Вестник Казанского государственного энергетического университета. 2016. № 4 (32). С. 45-59.

10. Тумбинская М.В. Обеспечение защиты от нежелательной информации в социальных сетях // Вестник Мордовского университета. 2017. Т. 27. № 2. С. 264-288.

11. Мухаматханов Р.М., Михайлов А.А., Баянов Б.И., Тумбинская М.В. Классификация DDos-атак на основе нейросетевой модели // Прикладная информатика. 2019. № 1 (79). С. 96-103.

12. Берман Г.Н. Сборник задач по курсу математического анализа. Москва: Наука, 1977 416 c.