(44-1) 11 * << * >> * Русский * English * Содержание * Все выпуски

Высоконадёжная двухфакторная биометрическая аутентификация по рукописным и голосовым паролям на основе гибких нейронных сетей

А.Е. Сулавко 1

1 ФГБОУ ВО «Омский государственный технический университет» (ОмГТУ),
644050, г. Омск, проспект Мира, д. 11

 PDF, 899 kB

DOI: 10.18287/2412-6179-CO-567

Страницы: 82-91.

Аннотация:
В работе рассматривается проблема высоконадежной биометрической аутентификации на основе преобразователей тайных биометрических образов в длинный ключ или пароль, а также их тестирования на сравнительно малых выборках (тысячи образов). Статические образы являются открытыми, поэтому при удаленной аутентификации доверие к ним ограничено. Описан процесс вычисления биометрических параметров голосового и рукописного паролей, предложен метод автоматического формирования гибкой гибридной сети, состоящей из нейронов различного типа, и абсолютно устойчивый алгоритм ее обучения на малых выборках «Свой» (7–15 примеров). Предложен метод обученного гибридного преобразователя «биометрия-код» от извлечения знаний. Достигнуты низкие показатели FAR.

Ключевые слова:
гибридные сети, квадратичные формы, функционалы Байеса, особенности воспроизведения рукописных образов, параметры голоса, широкие нейронные сети, преобразователи «биометрия-код», защищенные нейросетевые контейнеры.

Цитирование:
Сулавко, А.Е. Высоконадежная двухфакторная биометрическая аутентификация по рукописным и голосовым паролям на основе гибких нейронных сетей // Компьютерная оптика. – 2020. – Т. 44, № 1. – С. 82-91. – DOI: 10.18287/2412-6179-CO-567.

Благодарности:
Исследование выполнено за счёт гранта Российского научного фонда (проект №17-71-10094).

Литература:
  1. Иванов, А.И. Оценка надёжности верификации автографа на основе искусственных нейронных сетей, сетей многомерных функционалов Байеса и сетей квадратичных форм / А.И. Иванов, П.С. Ложников, А.Е. Сулавко // Компьютерная оптика. – 2017. – Т. 41, № 5. – С. 765-774.
  2. Hafemann, L.G. Writer-independent feature learning for offline signature verification using deep convolutional neural networks / L.G. Hafemann, R. Sabourin, L.S. Oliveira. // 2016 International Joint Conference on Neural Networks (IJCNN). – 2016. – P. 2576-2583.
  3. Souza, V.L.F. A writer-independent approach for offline signature verification using deep convolutional neural networks features / V.L.F. Souza, A.L.I. Oliveira, R. Sabourin // 2018 7th Brazilian Conference on Intelligent Systems (BRACIS). – 2018. – P. 212-217.
  4. Tachibana, H. Efficiently trainable text-to-speech system based on deep convolutional networks with guided attention / H. Tachibana, K. Uenoyama, Sh. Aihara // 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). – 2018. – P. 4784-4788.
  5. Mai, G. On the reconstruction of face images from deep face templates / G. Mai, K. Cao, P.C. Yuen, A.K. Jain // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2019. – Vol. 41, Issue 5. – P. 1188-1202.
  6. Hafemann, L.G. Characterizing and evaluating adversarial examples for offline handwritten signature verification / L.G Hafemann, R. Sabourin, L.S. Oliveira // IEEE Transactions on Information Forensics and Security. – 2019. – Vol. 14, Issue 8. – P. 2153-2166. – DOI: 10.1109/TIFS.2019.2894031.
  7. Гулов, В.П. Перспектива нейросетевой защиты облачных сервисов через биометрическое обезличивание персональной информации на примере медицинских электронных историй болезни (краткий обзор литературы) / В.П. Гулов, А.И. Иванов, Ю.К. Язов, О.В. Корнеев // Вестник новых медицинских технологий – 2017. – Т. 24, № 2 – С. 220-225.
  8. Ахметов, Б.С. Алгоритмы тестирования биометрико-нейросетевых механизмов защиты информации / Б.С. Ахметов, В.И. Волчихин, А.И. Иванов, А.Ю. Малыгин. – Алматы: КазНТУ имени К.И. Сатпаева, 2013. – 152 с.: ил.
  9. Ложников, П.С. Биометрическая защита гибридного документооборота / П.С. Ложников. – Новосибирск: Изд-во СО РАН, 2017. – 130 с.
  10. Torfi, A. Text-independent speaker verification using 3D convolutional neural networks / A. Torfi, J. Dawson, N.M. Nasrabadi // 2018 IEEE International Conference on Multimedia and Expo (ICME). – 2018. – P. 1-6.
  11. Akhmetov, B.S. Training of neural network biometry-code converters / B.S. Akhmetov, A.I. Ivanov, Z.K. Alimseitova // News of the National Academy of Sciences of the Republic of Kazakhstan, Series of Geology and Technical Sciences. – 2018. – p. 61-68.
  12. Malygin, A. Application of artificial neural networks forhandwritten biometric images recognition / A. Malygin, N. Seilova, K. Boskebeev, Zh. Alimseitova // Computer Modelling and New Technologies. – 2017. – Vol. 21, Issue 1. – P. 31-38.
  13. Горшков, Ю.Г. Обработка речевых и акустических биомедицинских сигналов на основе вейвлетов / Ю.Г. Горшков. – М.: Радиотехника, 2017. – 240 с.
  14. Lukic, Y. Speaker identification and clustering using convolutional neural networks / Y. Lukic, C. Vogt, O. Dürr, T. Stadelmann // IEEE 26th International Workshop on Machine Learning for Signal Processing (MLSP). – 2016. – P. 1-6.
  15. Жиляков, Е.Г. Алгоритмы обнаружения основного тона речевых сигналов / Жиляков Е.Г., Фирсова А.А., Чеканов Н.А. // Научные ведомости БелГУ. Сер. Экономика. Информатика. – 2012. – № 1(120), вып. 21. – С. 135-143.
  16. Vasilyev, V.I. Identification of the psychophysiological state of the user based on hidden monitoring in computer systems / V.I. Vasilyev, A.E. Sulavko, S.S. Zhumazhanova, R.V. Borisov // Scientific and Technical Information Processing. – 2018. – Vol. 45, Issue 6. – P. 398-410.
  17. Sulavko, A.E. Subjects authentication based on secret biometric patterns using wavelet analysis and flexible neural networks / A.E. Sulavko, D.A. Volkov, S.S. Zhumazhanova, R.V. Borisov // XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering (APEIE). – 2018. – P. 218-227.
  18. Sulavko, A.E. Perspective neural network algorithms for dynamic biometric pattern recognition in the space of interdependent features / A.E. Sulavko, S.S. Zhumazhanova, G.А. Fofanov // Dynamics of Systems, Mechanisms and Machines. – 2018. – P. 1-12.
  19. Ivanov, A.I. Comparable estimation of network power for chi-squared Pearson functional networks and Bayes hyperbolic functional networks while processing biometric data / A.I. Ivanov, P.S. Lozhnikov, S.E. Vyatchanin. // Control and Communications. – 2017. – P. 1-3.
  20. Sulavko, A.E. Biometric pattern recognition using wide networks of gravity proximity measures / A.E. Sulavko, S.S. Zhumazhanova // Journal of Physics: Conference Series. – 2018. – Vol. 1050. – 012082.
  21. Vasilyev, V.I. Flexible fast learning neural networks and their application for building highly reliable biometric cryptosystems based on dynamic features / V.I. Vasilyev, P.S. Lozhnikov, A.E. Sulavko, G.А. Fofanov, S.S. Zhumazhanova // IFAC-PapersOnLine. – 2018. – Vol. 51, Issue 30. – P. 527-532.
  22. Larcher, A. Text-dependent speaker verification: Classifiers, databases and RSR2015 / A. Larcher, K.A. Lee, B. Ma, H. Li // Speech Communication. – 2014. – Vol. 60. – P. 56-77.
  23. Diaz, M. A perspective analysis of handwritten signature technology / M. Diaz, M.A. Ferrer, D. Impedovo, M.I. Malik, G. Pirlo, R. Plamondon // ACM Computing Surveys. – 2019. – Vol. 51, Issue 6. – 117.
  24. Lozhnikov, P. Cloud biometrical system identification through handwriting dynamics “SignToLogin” / P. Lozh­nikov, A. Sulavko. – Certificate of registration No. TX 7-640-429. – Date of registration 18.12.2012.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20