1. SISN
  2. Всі випуски
  3. Випуск 18 (Частина 2), 2025
  4. Адаптивна система безперервної автентифікації на основі емоційного та контекстуального стану користувача

Адаптивна система безперервної автентифікації на основі емоційного та контекстуального стану користувача

SISN.
2025;
Випуск 18
: cc. 15 - 29
Автори:
  1. Назар Олексів
  2. Марія Назаркевич
1
Національний університет «Львівська політехніка» Кафедра інформаційних систем та мереж, Україна
2
Національний університет «Львівська політехніка» Кафедра інформаційних систем та мереж, Україна

У статті розглянуто вирішення проблеми низької точності систем безперервної автентифікації, що спричинені природною варіативністю поведінки користувача. Проведено аналіз існуючих біометричних підходів та обґрунтовано вибір адаптивної двоступеневої моделі, як ефективного способу врахування психоемоційного стану. Авторами статті спроектовано систему AURA (акронім від англ. Automatic User Recognition Agent) з використанням компонентного підходу, що дозволило чітко розділити завдання ідентифікації стану та автентифікації. Розроблено архітектуру системи на базі ансамблю моделей машинного навчання, яка включає оцінювач ймовірностей стану (SPE) та ядро автентифікації (CA), що забезпечують контекстно-залежну перевірку. Запропонована система продемонструвала високі показники ефективності навчання (91 %) та низький усереднений показник EER для всіх користувачів та їх станів (5.7 %). Такі результати дослідження демонструють значний потенціал адаптивної системи до зміни поведінки та стану користувачів в залежності від зовнішніх та внутрішніх факторів.

безперервна автентифікація
поведінкова біометрія
контекстно-залежна безпека
AURA
Adaptive User Recognition Agent
глибоке навчання
  1. Ackerson, J. M., Dave, R., & Seliya, N. (2021). Applications of Recurrent Neural Network for Biometric Authentication & Anomaly Detection. Information, 12(7), 272. https://doi.org/10.3390/info12070272.
  2. Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2020). A Comparative Analysis of Gradient Boosting Algorithms. Artificial Intelligence Review, 54(3). https://doi.org/10.1007/s10462-020-09896-5.
  3. EDO, O. C., Tenebe, T., Etu, E., Ayuwu, A., Emakhu, J., & Adebiyi, S. (2022). Zero Trust Architecture: Trend and Impact on Information Security. International Journal of Emerging Technology and Advanced Engineering, 12(7), 140–147. https://doi.org/10.46338/ijetae0722_15.
  4. Gao, B., & Pavel, L. (2018). On the Properties of the Softmax Function with Application in Game Theory and Reinforcement Learning. https://doi.org/10.48550/arXiv.1704.00805.
  5. Kai, H., An, X., Enhua, W., Jianyuan, G., Chunjing, X., & Yunhe, W. (2021). Transformer in Transformer. Advances in Neural Information Processing Systems, 34. https://proceedings.neurips.cc/paper/2021/hash/ 854d9fca60b4bd07f9bb215d59ef5561-Abstract.html.
  6. Kozma, L., & Voderholzer, J. (2024). Theoretical Analysis of Byte-Pair Encoding. https://arxiv.org/abs/2411.08671.
  7. Kyurkchiev, N., & Markov, S. (2015). Sigmoid functions: some approximation and modelling aspects. LAP LAMBERT Academic Publishing, Saarbrucken, 4, 34.
  8. Nakano, M., Takahashi, A., & Takahashi, S. (2017). Generalized exponential moving average (EMA) model with particle filtering and anomaly detection. Expert Systems with Applications, 73, 187–200. https://doi.org/10.1016/j.eswa.2016.12.034.
  9. Qiao, M., Zhai, Y., & Wang, Y. (2025). Contrastive Learning for Continuous Touch-Based Authentication. https://doi.org/10.48550/arXiv.2504.17271.
  10. Senerath, D., Tharinda, S., Vishwajith, M., Rasnayaka, S., Wickramanayake, S., & Meedeniya, D. (2023). BehaveFormer: A Framework with Spatio-Temporal Dual Attention Transformers for IMU enhanced Keystroke Dynamics. https://doi.org/10.48550/arXiv.2307.11000.
  11. Stragapede, G., Delgado-Santos, P., Tolosana, R., Vera-Rodriguez, R., Guest, R., & Morales, A. (2024). TypeFormer: transformers for mobile keystroke biometrics. Neural Computing and Applications, 36(29), 18531– 18545. https://doi.org/10.1007/s00521-024-10140-2.
  12. Swimpy Pahuja, & Goel, N. (2024). Multimodal biometric authentication: A review. AI Communications, 1–23. https://doi.org/10.3233/aic-220247.
  13. Wang, C., Xiao, Y., Gao, X., Li, L., & Wang, J. (2023). A Framework for Behavioral Biometric Authentication Using Deep Metric Learning on Mobile Devices. IEEE Transactions on Mobile Computing, 22(1), 19–36. https://doi.org/10.1109/tmc.2021.3072608.
  14. Xue, J., Huang, Q., Wu, S., & Nagao, T. (2022). LSTM-Autoencoder Network for the Detection of Seismic Electric Signals. IEEE Transactions on Geoscience and Remote Sensing, 60, 1–12. https://doi.org/10.1109/tgrs.2022.3183389.
  15. Yang, K., Kpotufe, S., & Feamster, N. (2021). An Efficient One-Class SVM for Anomaly Detection in the Internet of Things. https://doi.org/10.48550/arXiv.2104.11146.
  16. Zhang, G., Bortoletto, M., Hu, Z., Shi, L., Bâce, M., & Bulling, A. (2023). Exploring Natural Language Processing Methods for Interactive Behaviour Modelling. https://doi.org/10.48550/arXiv.2303.16039.
  17. Zhang, G., Hu, Z., Bâce, M., & Bulling, A. (2024). Mouse2Vec: Learning Reusable Semantic Representations of Mouse Behaviour. Proceedings of the CHI Conference on Human Factors in Computing Systems, 1–17. https://doi.org/10.1145/3613904.3642141.