(44-5) 18 * << * >> * Русский * English * Содержание * Все выпуски

Абстрактная модель искусственной иммунной сети на основе комитета классификаторов и её использование для распознавания образов клавиатурного почерка
А.Е. Сулавко 1

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

 PDF, 1393 kB

DOI: 10.18287/2412-6179-CO-717

Страницы: 830-842.

Аннотация:
Предложены абстрактная модель искусственной иммунной сети на базе комитета классификаторов и два алгоритма ее обучения (с учителем и с подкреплением) для задач классификации, которые характеризуются малыми объемами и низкой репрезентативностью обучающих выборок. Оценка эффективности модели и алгоритмов выполнена на примере задачи аутентификации по клавиатурному почерку с использованием 3 баз данных биометрических образов. Разработанная искусственная иммунная сеть обладает эмерджентностью, памятью, двойной пластичностью, устойчивостью обучения. Эксперименты показали, что искусственная иммунная сеть дает меньший или сопоставимый процент ошибок по сравнению с некоторыми архитектурами нейронных сетей при гораздо меньшем объеме обучающей выборки.

Ключевые слова:
биометрическая аутентификация, бэггинг, бустинг, подпространства признаков, машинное обучение на малых выборках, ансамбли моделей.

Благодарности
Работа выполнена при финансовой поддержке РФФИ (грант № 18-37-00399).

Цитирование:
Сулавко, А.Е. Абстрактная модель искусственной иммунной сети на основе комитета классификаторов и ее использование для распознавания образов клавиатурного почерка // Компьютерная оптика. – 2020. – Т. 44, № 5. – С. 830-842. – DOI: 10.18287/2412-6179-CO-717.

Citation:
Sulavko AE. An abstract model of an artificial immune network based on a classifiers committee for biometric pattern recognition by the example of keystroke dynamics. Computer Optics 2020; 44(5): 830-842. DOI: 10.18287/2412-6179-CO-717.

Литература:

  1. Иванов, А.И. Оценка надежности 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. – DOI: 10.18287/2412-6179-2017-41-5-765-774.
  2. Timmis, J. Challenges for artificial immune systems / J. Timmis. – In: Neural Nets. WIRN 2005, NAIS 2005 / ed. by B. Apolloni, M. Marinaro, G. Nicosia, R. Tagliaferri. – Berlin, Heidelberg: Springer, 2005. – P. 335-367. – DOI: 10.1007/11731177_42.
  3. Mishra, P.K. Artificial immune system: State of the art approach / P.K. Mishra, M. Bhusry // International Journal of Computer and Applications. – 2015. – Vol. 120, Issue 20. – P. 25-32. – DOI: 10.5120/21344-4357.
  4. Сулавко А.Е Иммунные алгоритмы распознавания образов и их применение в биометрических системах (Обзор) / А.Е. Сулавко, Е.В. Шалина, Д.Г. Стадников, А.Г. Чобан // Вопросы защиты информации. – 2019. – № 1. – С. 38-46.
  5. Corus, D. Fast artificial immune systems / D. Corus, P.S. Oliveto, D. Yazdani. – In: Parallel Problem Solving from Nature – PPSN XV. PPSN 2018 / ed. by A. Auger, C. Fonseca, N. Lourenço, P. Machado, L. Paquete, D. Whitley. – Cham: Springer, 2018. – P. 67-78. – DOI: 10.1007/978-3-319-99259-4_6.
  6. Zhang, C. Ensemble machine learning. Methods and applications / C. Zhang, Y. Ma. – Boston, MA: Springer, 2012. – 329 p. – DOI: 10.1007/978-1-4419-9326-7.
  7. Сулавко, А.Е. Влияние функционального состояния оператора на параметры его клавиатурного почерка в системах биометрической аутентификации / А.Е. Сулавко // Датчики и системы. – 2017. – № 11. – С. 19-30.
  8. Kobojek, P. Application of recurrent neural networks for user verification based on keystroke dynamics / P. Kobojek, K. Saeed // Journal of Telecommunications and Information Technology. – 2016. – Vol. 3. – Р. 80-90.
  9. Hellström, E. Feature learning with deep neural networks for keystroke biometrics: A study of supervised pre-training and autoencoders. Computer Science and Engineering, master's level / E. Hellström. – Luleå: Luleå University of Technology, 2018. – 75 p.
  10. Killourhy, K.S. Comparing anomaly detectors for keystroke dynamics / K.S. Killourhy, R.A. Maxion // Proceedings of the 39th Annual International Conference on Dependable Systems and Networks (DSN-2009). – 2009. –Р. 125-134.
  11. Mulionoa, Y. Keystroke dynamic classification using machine learning for password authorization / Y. Mulionoa, H. Hamb, D. Darmawan// Procedia Computer Science. – 2018. – Vol. 135. – Р. 564-569.
  12. Antal, M. Keystroke dynamics on Android platform / M. Antal, L.Z. Szabó, I. Laszlo // Proceedings of the 8th International Conference Interdisciplinarity in Engineering. – 2014. – Р. 820-826.
  13. Сулавко, А.Е. Высоконадежная двухфакторная биометрическая аутентификация по рукописным и голосовым паролям на основе гибких нейронных сетей / А.Е. Сулавко // Компьютерная оптика. – 2020. – Т. 44, № 1. – С. 82-91. – DOI: 10.18287/2412-6179-CO-567.
  14. 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. – DOI: 10.1109/APEIE.2018.8545676.
  15. Иванов, А.И. Нейросетевое обобщение классических статистических критериев для обработки малых выборок биометрических данных / А.И. Иванов, Е.Н. Куприянов, С.В. Туреев // Надежность. – 2019. – Т. 19, № 2. – P. 22-27. – DOI: 10.21683/1729-2646-2019-19-2-22-27.
  16. Сулавко, А.Е. Тестирование нейронов для распознавания биометрических образов при различной информативности признаков / А.Е. Сулавко // Прикладная информатика. – 2018. – № 1. – С. 128-143.
  17. Protasov, V. A method for evolutionary decision reconciliation, and expert theorems / V. Protasov, Z. Potapova, E. Melnikov // The Third International Conference on Intelligent Systems and Applications (INTELLI 2014). – 2014. – P. 43-47.
  18. Сулавко, А.Е. Биометрическая аутентификация пользователей информационных систем по клавиатурному почерку на основе иммунных сетевых алгоритмов / А.Е. Сулавко, Е.В. Шалина // Прикладная информатика. – 2019. – № 3(81). – С. 39-53.
  19. Ivanov, A.I. Reducing the size of a sample sufficient for learning due to the symmetrization of correlation relationships between biometric data / A.I. Ivanov, P.S. Lozhnikov, Y.I. Serikova // Cybernetics and Systems Analysis. – 2016. – Vol. 52, Issue 3 – P. 379-385. – DOI: 10.1007/s10559-016-9838-x.
  20. Schapire, R.E. Boosting the margin: A new explanation for the effectiveness of voting methods / R.E. Schapire, Y. Freund, P. Bartlett, W.S. Lee // The Annals of Statistics. – 1998. – Vol. 26, Issue 5. – P. 1651-1686,
  21. Bersini, H. The immune learning mechansims: Recruitment, reinforcement and their applications / H. Bersini, F. Varela. – In: Computing with biological metaphors / ed. by R. Patton. – Chapman and Hall, 1994. – ISBN: 978-0-412-54470-5.

© 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