بخشی از مقاله
چکیده
امروزه با گسترش سیستمهای کامپیوتری و توسعه اینترنت، مدیریت امنیت و تشخیص هویت افراد نیازمند روشهای نوینی است که بالاترین دقت عمل را در حفظ هویت افراد داشته باشند. در کنار روشهای بیومتریک شناخته شده مانند اثر انگشت، ضربات صفحه کلید نیز از ویژگیهایی است که برای هر شخصی یکتا و منحصر به فرد است. در این مقاله، سیستمی برای شناسایی هویت افراد ارائه شده است. در این سیستم، شبکه عصبی نگاشت خودسازمانده میتواند افراد را با داشتن الگوی ضربات صفحه کلید، به درستی شناسایی کند. این شبکه، برخلاف شبکههای نگاشت خودسازمانده معمول، عمل مقایسه را به جای فاصله اقلیدسی با معیار شباهت انجام میدهد. روش پیشنهادی، قادر به شناسایی هویت 25 کاربر با دقت %99,97 و نرخ خطای تساوی 0,04 است که برتری روش پیشنهادی را در مقایسه با سایر روشهای موجود تشخیص هویت بر اساس ضربات صفحه کلید نشان میدهد.
واژگان کلیدی: ضربات صفحه کلید، شبکه عصبی، نگاشت خودسازمانده، تشخیص هویت.
مقدمه
امروزه استفاده از سیستمهای کامپیوتری با یک نرخ غیرمنتظره درحال گسترش است. به خصوص، سرویسهای آنلاین به بخش مهمی از زندگی افراد در بسیاری از فعالیتها تبدیل شدهاند. برای برقراری امنیت و حفاظت هویت افراد در این سرویسها، میتوان از روشهای بیومتریک برای شناسایی افراد استفاده کرد. تکنیکهای بیومتریک به دو دسته روشهای فیزیولوژیکی مانند اثرانگشت، صورت، عنبیه چشم و روشهای رفتاری مانند امضا و ضربات صفحه کلید تقسیم میشوند. بیومتریکهای رفتاری به دلیل سادگی کاربرد، وضوح و پتانسیل بالا، به طور گستردهای موردعلاقه محققان قرار گرفتهاند - . - Morales et al, 2016 ویژگیهای فیزیکی در حالت کلی نرخ خطای کمتری از ویژگیهای رفتاری دارند؛ چون مانند ویژگیهای رفتاری در طول زمان تغییر نمیکنند. هرچند ابزار خاصی مانند اسکنر یا دوربینهای ویدیویی برای استخراج ویژگیهای فیزیکی موردنیاز است.
این موارد کاربرد چنین تکینیکهایی را محدود میکنند درحالی که ضربات صفحه کلید به سادگی با یک صفحه کلید استاندارد به دست میآیند Bhatt and Santhanam, - - Banerjee and Woodard, 2012 - . - Wu et al, 2016 - - 2013سیستمهای شناسایی بیومتریک، هویت افراد را با مقایسه الگوی فرد - ذخیره شده در پایگاه داده - و نمونه بیومتریک اخذ شده ارزیابی میکنند. ضربات صفحه کلید، یک بیومتریک رفتاری برای تشخیص هویت بر اساس کلاسبندی الگوهای نوشتن است - Prabhakar et al, 2003 - کهمعمولاً به صورت یک مساله دوکلاسه - کاربر مجاز و کاربر غیرمجاز - بررسی میشود؛ هرچند که تحقیقات اندکی برای شناسایی کاربران مختلف - مساله N کلاسه - صورت گرفته است . - Mondal and Bours, 2017 - ضربات صفحه کلید کاربردهای فراوانی در صنعت، برقراری امنیت در سرویسهای آنلاین وب، محتواهای دیجیتال یا دستگاههای جدید موبایلهای هوشمند دارد. به همین دلیل، تاکنون تحقیقات ناهمگون متنوعی که به جنبههای گوناگون ضربات صفحه کلید میپردازند، ارائه شدهاند .
در مقالات مروری - Shanmugapriya and - - Zhong and Deng, 2015 - Ali et la, 2016 - - Padmavathi, 2009 این روش را از نظر عملکرد، پایگاه داده، محرمانگی و امنیت بررسی کردهاند. تکنیکهای استفاده شده در ضربات صفحه کلیدمعمولاً به دو دسته تقسیم میشوند - - Mondal and Bours, 2017 - : - Morales et al, 2016 متن ثابت: در این تکنیک، متن مدلسازی رفتار نوشتن کاربر و متن تشخیص هویت با یکدیگر یکسان هستند.این روش معمولاً متون کوتاهتری را برای سرویسهای تشخیص هویت کلمه عبور به کار میبرند. متن آزاد: متن مدلسازی رفتار کاربر و متن تشخیص هویت، الزاماً با یکدیگر یکسان نیستند.عملکرد یک سیستم بیومتریک ضربات صفحه کلید تا حد زیادی به ثابت یا آزاد بودن متن و پایگاه داده مورداستفاده دارد. تاکنون چندین پایگاه داده، با تعداد کاربران متفاوت و متن ثابت یا آزاد معرفی شدهاند که گیوت و همکاران به مروری بر این پایگاه دادهها و بیان نقاط ضعف و قوت هریک برای ضربات صفحه کلید پرداختهاند . - Giot et al., 2015 -
الگوریتمهای کلاسبندی مختلفی برای تحلیل دادههای ضربات صفحه کلید نیز به کار برده شدهاند از جمله: معیارهای فاصله - Bergadano et al., 2002 - ، ماشین بردار پشتیبان خطی - - Shen et al., 2013، شبکههای عصبی - Obaidat and - Alpar, 2017 - - Macchiarolo, 1993 و دیگر روشهای آماری - . - Shen et al., 2012 در کار Sheng و همکاران، با به کارگیری روش مونت کارلو یک نرخ خطای 9,62 FRRدرصد و 0,88 FAR درصد برای شناسایی 43 کاربر که کلمه عبور را 9 بار تکرار کردهاند به دست آمده است Hosseinzdeh . - Sheng et al., 2005 - و Krishnan ویژگیهای ضربات صفحه کلید را با مدل گوسی برای تشخیص هویت افراد ترکیب کردند که درنهایت، 41 کاربر با نرخ خطای تساوی 4,4 درصد به درستی شناسایی شدند Tappert . - Hosseinzadeh and Krishnan, 2008 - و همکاران یک کلاسهبند نزدیکترین همسایه بر اساس فاصله اقلیدسی برای تشخیص هویت با دقت 99,3 درصد برای 36 کاربر پیشنهاد دادهاند - . - Tappert et al., 2010 Killourhy و Maxion
علاوه بر ایجاد یک پایگاه داده از ضربات صفحه کلید، عملکرد کلاسهبندهای مختلف بر روی ایندادهها را که از 51 کاربر بودند، بررسی کردند. نتایج نرخ خطای تساوی بین %9,6 تا %10,2 را نشان داد - Killourhy and . - Maxion, 2009در سالهای اخیر نیز پژوهشهای فراوانی در این حوزه انجام شده است. روش جدیدی مبتنی بر فرکانس و الگوی تایپ صفحه کلید برای شناسایی افراد توسط Alpar پیشنهاد شده است . - Alpar, 2017 - پس از گسسته کردن دادههای فرکانسی و میانگینگیری با الگوی تایپ، شبکه عصبی مبتنی بر گوسین-نیوتن توانسته است کاربران را با 4,1 درصد نرخ خطای تساوی - EER - شناسایی کند. یک روش آماری برای شناسایی افراد با الگوهای ضربات صفحه کلید در گوشیهای همراه توسط Al-Obaidi معرفی شده است Al-Obaidi . - Al-Obaidi and Al-Jarrah, 2016 -
توانست با به کارگیری روش آماری فاصله و میانه، 56 کاربر با الگوی تایپ 71 تایی، با نرخ خطای تساوی - 5,4 - EER درصد را شناسایی کند. یک الگوریتم یادگیری رگرسیون هستهای سریع با کمترین پیچیدگی برای شناسایی افراد با الگوهای ضربات صفحه کلید توسط Wu و همکاران ارائه شده است . - Wu et al ., 2016 - این مدل قادر است با نرخ خطای تساوی 1,39 - EER - درصد و پیچیدگی O - N - ، افراد را شناسایی کند. Mondal از یک تکنیک دو به دو به همراه ساختار درختی بالا به پایین استفاده میکند که بهترین عملکرد را در دقت و زمان دارد . - Mondal, 2017 - در این روش، شناسایی کاربر زمانی که تنها از یک دست خود برای تایپ کردن استفاده میکند، نیز صورت میگیرد.
در این مقاله، با استفاده از پایگاه داده معرفی شده در کار - Killourhy and Maxion, 2009 - ، یک سیستم تشخیص هویت بر اساس ضربات صفحه کلید ارائه شده است. در این سیستم، برای تشخیص کاربر مجاز و غیرمجاز، از شبکه عصبی نگاشت خودسازمانده با معیار شباهت استفاده میشود. برخلاف شبکههای نگاشت خودسازمانده معمول که از فاصله اقلیدسی برای مقایسه بین الگوی ورودی و وزن برنده استفاده میکند، شبکه پیشنهادی با سنجش میزان شباهت بین الگوها، به دستهبندی الگوهای نوشتن افراد میپردازد. این شبکه قادر است با آموزش تعداد کمی از الگوهای نوشتن در شبکه، به درستی هویت افراد زیادی را با دقت بالایی تشخیص دهد.در ادامه، در بخش روش تحقیق، پایگاه داده، شبکه عصبی و معیار شباهت مورداستفاده معرفی میشوند. نتایج حاصل از تست روش پیشنهادی در بخش یافتهها بیان میگردند. بحث و نتیجهگیری پایانبخش مطالب این مقاله خواهند بود.
