ІНЖЕНЕРІЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ТА КІБЕРБЕЗПЕКА

ЯКІСНО КЕРОВАНЕ ЗЛИТТЯ КОНТЕКСТНОГО ТА ПОВЕДІНКОВОГО СКОРИНГУ ДЛЯ Risk-Based АВТЕНТИФІКАЦІЇ

Автор(и)

Д. П. Курніцький ORCID 0009-0000-3190-9514
Вінницький національний технічний університет ROR
DOI https://doi.org/10.31649/1997-9266-2026-186-3-61-69

Ключові слова

автентифікація на основі ризику контекстні ознаки входу поведінкові біометричні ознаки динаміка натискань клавіш оцінювання якості поведінкового зразка злиття оцінок ризику порогове прийняття рішень додаткова перевірка контроль доступу інформаційна безпека

Анотація

Розглянуто підвищення ефективності автентифікації на основі ризику під час входу в систему шляхом поєднання двох джерел даних: контекстних ознак спроби входу та поведінкових біометричних ознак, сформованих на основі динаміки натискань клавіш. Показано, що традиційні підходи до об’єднання контекстного та поведінкового скорингу часто не враховують якість поведінкового зразка, хоча саме вона істотно впливає на надійність підсумкового рішення. Це особливо важливо для практичного застосування RBA, де навіть незначне зміщення оцінки ризику може призвести або до необґрунтованого ускладнення входу для легітимного користувача, або до зниження здатності системи своєчасно виявляти підозрілі спроби доступу. Автозаповнення полів, короткі паролі, пропуски подій, відмінності між пристроями введення, зміна клавіатурної розкладки, особливості браузера та інші чинники можуть знижувати достовірність поведінкового каналу й підвищувати частоту хибних спрацювань. У зв’язку з цим запропоновано підхід, у якому внесок поведінкових ознак у фінальну оцінку ризику визначається з урахуванням якості отриманого зразка. Розроблено формальну модель злиття контекстної та поведінкової оцінок ризику, а також алгоритм налаштування порогів прийняття рішень для режимів дозволу входу, додаткової перевірки та відмови в доступі. Експериментальну перевірку виконано на синтетичних даних і відкритому наборі CMU Keystroke Dynamics Benchmark. Порівняння з базовими схемами злиття показало, що врахування якості зразка дає змогу адаптивніше використовувати поведінковий канал залежно від ступеня його інформативності. Отримані результати засвідчили, що запропонований підхід дає змогу зменшити кількість зайвих додаткових перевірок без погіршення контрольованого рівня безпеки, а в умовах низької якості поведінкових даних забезпечує ще відчутніший виграш. Запропоноване рішення орієнтоване на підвищення стійкості автентифікації без надмірного зростання навантаження на користувача. Це підтверджує доцільність явного врахування якості поведінкового зразка під час побудови систем автентифікації на основі ризику та налаштування їхніх правил ухвалення рішень.

74 29

Як цитувати

[1]
«ЯКІСНО КЕРОВАНЕ ЗЛИТТЯ КОНТЕКСТНОГО ТА ПОВЕДІНКОВОГО СКОРИНГУ ДЛЯ Risk-Based АВТЕНТИФІКАЦІЇ», Вісник ВПІ, вип. 3, с. 61–69, Лип 2026, doi: 10.31649/1997-9266-2026-186-3-61-69.

Біографія автора

автор Д. П. Курніцький, афіліація Вінницький національний технічний університет

аспірант кафедри автоматизації та інтелектуальних інформаційних технологій

Посилання

ISO/IEC 29794-1:2016, Information technology – Biometric sample quality - Part 1: Framework. Geneva: International Organization for Standardization, 2016. [Electronic resource]. Available: https://www.iso.org/standard/66632.html .
C. Guo, G. Pleiss, Y. Sun, and K. Q. Weinberger, “On Calibration of Modern Neural Networks,” in Proceedings of the 34th International Conference on Machine Learning, Proceedings of Machine Learning Research, vol. 70, 2017, pp. 1321-1330. [Electronic resource]. Available: http://proceedings.mlr.press/v70/guo17a.html .
X. Tong, Y. Feng, and J. J. Li, “Neyman-Pearson classification algorithms and NP receiver operating characteristics,” Science Advances, vol. 4, no. 2, Art. pp. 1659, 2018. https://doi.org/10.1126/sciadv.aao1659 .
H. Khan, U. Hengartner, and D. Vogel, “Mimicry Attacks on Smartphone Keystroke Authentication,” ACM Transactions on Privacy and Security, vol. 23, no. 1, Art. 2, pp. 1-34, 2020. https://doi.org/10.1145/3372420 .
K. S. Killourhy, and R. A. Maxion, “Keystroke Dynamics - Benchmark Data Set.” [Online]. Carnegie Mellon University, 2009. [Electronic resource]. Available: https://www.cs.cmu.edu/~keystroke/ .
I. Traore, I. Woungang, M. S. Obaidat, Y. Nakkabi, and I. Lai, “Combining Mouse and Keystroke Dynamics Biometrics for Risk-Based Authentication in Web Environments,” in 2012 Fourth International Conference on Digital Home, Guangzhou, 2012, pp. 138-145. https://doi.org/10.1109/ICDH.2012.59 .
J. Solano, L. D. Camacho, A. Correa, C. Deiro, J. Vargas, and M. Ochoa, “Risk-Based Static Authentication in Web Applications with Behavioral Biometrics and Session Context Analytics,” in Applied Cryptography and Network Security Workshops: ACNS 2019 Satellite Workshops, SiMLA, Cloud S&P, AIBlock, and AIoTS, J. Zhou et al., Eds. Bogota, Colombia, 2019, vol. 11605, pp. 3-23. https://doi.org/10.1007/978-3-030-29729-9_1 .
F. Monrose, and A. D. Rubin, “Keystroke dynamics as a biometric for authentication,” Future Generation Computer Systems, vol. 16, no. 4, pp. 351-359, 2000. https://doi.org/10.1016/S0167-739X(99)00059-X .
K. S. Killourhy, and R. A. Maxion, “Comparing Anomaly-Detection Algorithms for Keystroke Dynamics,” in 2009 IEEE/IFIP International Conference on Dependable Systems & Networks, 2009, pp. 125-134. https://doi.org/10.1109/DSN.2009.5270346 .
R. Giot, C. Rosenberger, and B. Dorizzi, “Hybrid Template Update System for Unimodal Biometric Systems,” in 2012 IEEE Fifth International Conference on Biometrics: Theory, Applications and Systems, 2012, pp. 1-7. https://doi.org/10.1109/BTAS.2012.6374551 .
J. C. Platt, “Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods,” in Advances in Large Margin Classifiers. Cambridge, MA: MIT Press, 1999, pp. 61-74. [Electronic resource]. Available: https://www.microsoft.com/en-us/research/publication/probabilistic-outputs-for-support-vector-machines-and-comparisons-to-regularized-likelihood-methods/ .
Y. Geifman, and R. El-Yaniv, “Selective Classification for Deep Neural Networks,” CoRR, Abs/1705.08500, 2017. [Electronic resource]. Available: https://arxiv.org/abs/1705.08500 .
T. M. Mitchell, “Generative and Discriminative Classifiers: Naive Bayes and Logistic Regression.” Draft chapter for the second edition of Machine Learning. Carnegie Mellon University, 2020. [Electronic resource]. Available: https://www.cs.cmu.edu/~tom/mlbook/NBayesLogReg.pdf
R. A. Jacobs, M. I. Jordan, S. J. Nowlan, and G. E. Hinton, “Adaptive Mixtures of Local Experts,” Neural Computation, vol. 3, pp. 79-87, 1991. https://doi.org/10.1162/neco.1991.3.1.79 .
B. Efron, and R. J. Tibshirani, An Introduction to the Bootstrap. Boca Raton, FL: Chapman & Hall, 1994, 456 p. [Electronic resource]. Available: https://www.routledge.com/An-Introduction-to-the-Bootstrap/Efron-Tibshirani/p/book/9780412042317 .
C. J. Clopper, and E. S. Pearson, “The Use of Confidence or Fiducial Limits Illustrated in the Case of the Binomial,” Biometrika, vol. 26, no. 4, pp. 404-413, 1934. https://doi.org/10.1093/biomet/26.4.404 .
A. N. Angelopoulos, S. Bates, A. Fisch, L. Lei, and T. Schuster, “Conformal Risk Control,” CoRR, Abs/2208.02814, 2022. https://doi.org/10.48550/arXiv.2208.02814 .
P. H. Pisani, R. Giot, A. C. P. L. F. Carvalho, and A. C. Lorena, “Enhanced template update: Application to keystroke dynamics,” Computers & Security, vol. 60, pp. 134-153, 2016. https://doi.org/10.1016/j.cose.2016.04.004 .
R. Giot, M. El-Abed, and C. Rosenberger, “GREYC Keystroke: A Benchmark for Keystroke Dynamics Biometric Systems,” in 2009 IEEE 3rd International Conference on Biometrics: Theory, Applications, and Systems, Washington, DC, 2009, pp. 1-6. https://doi.org/10.1109/BTAS.2009.5339051 .
B. Bhana, and S. Flowerday, “Passphrase and keystroke dynamics authentication: Usable security,” Computers & Security, vol. 96, Art. 101925, 2020. https://doi.org/10.1016/j.cose.2020.101925 .
J. Kim, and P. Kang, “Freely typed keystroke dynamics-based user authentication for mobile devices based on heterogeneous features,” Pattern Recognition, vol. 108, Art. 107556, 2020. https://doi.org/10.1016/j.patcog.2020.107556 .
Y. Liang, S. Samtani, B. Guo, and Z. Yu, “Behavioral biometrics for continuous authentication in the internet-of-things era: an artificial intelligence perspective,” IEEE Internet of Things Journal, vol. 7, no. 9, pp. 9128-9143, 2020. https://doi.org/10.1109/JIOT.2020.3004077 .
L. S. Dasu, M. Dhamija, G. Dishitha, A. Vivekanandan, and V. Sarasvathi, “Defending Against Identity Threats Using Risk-Based Authentication,” Cybernetics and Information Technologies, vol. 23, no. 2, pp. 105-123, 2023. https://doi.org/10.2478/cait-2023-0016 .
Y. Yang, B. Guo, Y. Liang, K. Zhao, and Z. Yu, “Cross-device free-text keystroke dynamics authentication using federated learning,” Personal and Ubiquitous Computing, vol. 28, no. 3-4, pp. 491-505, 2024. https://doi.org/10.1007/s00779-024-01832-6 .