Безошибочность

Рисунок 3.4 - Характеристика безошибочности в зависимости от темпа простейших сигналов

В зависимости от размещения источника информации на информационном поле изменяется продолжительность выполнения операций, а при фиксированной продолжительности – безошибочность их выполнения.

При вводе некоторой парольной фразы биометрическая система фиксирует время нажатия каждой клавиши и интервал времени между нажатием очередной клавиши и отпусканием предыдущей клавиши .

Времена нажатий клавиш различны и соответственно, значения этих параметров будут использованы для выявления характерных особенностей индивидуального клавиатурного почерка пользователя. Кроме того, будут выбраны в качестве контролируемых параметров интервалы времени между переходами от нажатия одной клавиши до нажатия следующей.

Контролируемые параметры и существенно зависят от того, сколько пальцев использует при наборе пользователь, от характерных для пользователя сочетаний движений различных пальцев руки и от характерных движений рук при наборе. С ростом навыков работы с клавиатурой и по мере перехода к слепому набору существенно растет индивидуальность клавиатурного почерка любого из пользователей.

Таким образом, по мере увеличения наработки пользователя на клавиатуре растет база статистических данных о временах нажатия клавиш, а также о продолжительности удержания клавиш и продолжительности переходов между нажатием клавиш конкретным пользователем, позволяя сформировать индивидуальный клавиатурный почерк. На основе полученный данных и зная скорость моторной реакции человека, скорость его движений, возможно, составить модель деятельности, которая будет оптимальной для обеспечения правильной идентификации пользователя и допуска к вычислительным сетям по индивидуальному клавиатурному почерку, способная учитывать эмоционально-психологическое состояние пользователя и осуществлять скрытую идентификацию.

3.2 Разработка модели операторской деятельности, пригодной для сбора психометрической информации о человеке-операторе в реальном масштабе времени

Для реализации автоматической идентификации личности на основе психомоторных данных, была разработана сетевая модель деятельности оператора, пригодная для сбора психометрической информации о человеке-операторе в реальном масштабе времени, представленная на рисунка 3.5 и 3.6

Рисунок 3.5 - Сетевая модель ввода цифрового кода

где S₁,…,S₆ – состояния клавиш для ввода цифрового кода;

- продолжительности удержания органов управления;

- продолжительности переходов между органами управления.

Рисунок 3.6 - Сетевая модель ввода цифрового кода, с учетом времени нажатия и отпускания клавиши

где t₁ – момент времени нажатия клавиши 1;

– момент времени отпускания клавиши 1.

Так как ПЭВМ может учитывать времена нажатия и отпускания клавиш, то не представляется сложным произвести следующие расчеты психомоторных данных – времени продолжительности удержания клавиши и времени продолжительности между нажатиями клавиш, которые заложены в основу программы.

Так как в настоящее время во всем мире происходит повсеместная компьютеризация практически любой деятельности человека, было принято решение произвести моделирование на ПЭВМ в программной среде Delphi6. По своим функциональным возможностям Delphi6 является наиболее удобным и знакомым языком программирования, а возможности ПЭВМ позволяют без труда фиксировать необходимые в способе автоматической аутентификации личности на основе психомоторных данных параметры: время продолжительности удержания клавиши и времяпродолжительности между нажатиями клавиш, кроме величины усилия нажатия клавиши (давление), так как это требует дополнительной реализации на клавиатуре необходимых устройств. Благодаря запрограммированному в компьютере таймеру, время нажатия и время отпускания клавиши можно учитывать и регистрировать, что и было заложено в основу программы Delphi6.

3.3 Разработка способа идентификации личности

Рассмотрим более подробно работу испытуемого при наборе кода.

Испытуемый проводит набор кода σ={k₁, k₂,…, k_ν, … k_n} состоящего из n элементов. Порядок ввода элементов k устанавливается однократно и справедлив для всего последующего времени его действия. Основным информационным параметром гарантирующим индивидуальность работы каждого испытуемого являются временные параметры его работы (времена нажатия и отпускания клавиш). Временная последовательность работы испытуемого при вводе кода представлена на рисунке 3.7:

Рисунок 3.7 - Временная последовательность работы испытуемого

, (3.1)

где t₁, t₂,…t_i, t_j,…t_N - моменты времени начала воздействия на клавишу;

t₁^*, t₂^*,…t_i^*, t_j^*,…t^*_N - моменты времени окончания воздействия на клавишу;

τ₁,τ₂,…τ_i,τ_j,…τ_N - интервал времени удержания клавиши в нажатом состоянии;

τ₁₂,…τ_ji - интервал времени перехода между i-ой и j-ой клавишей.

Ввиду того, что испытуемый при наборе кода демонстрирует различные продолжительности удержания и переходов, то для отдельного перехода или удержания формируется интервал его выполнения на рисунке 3.8 и 3.9.

Рисунок 3.8 - Интервал перехода между органами управления

t_jmin - наименьшее время перехода между i-ой и j-ой клавишей;

t_jmax - наибольшее время перехода между i-ой и j-ой клавишей;

- фактическое время перехода между i-ой и j-ой клавишей.

Стоит отметить, что в некоторых случаях это обуславливается изменением режима работы испытуемого.

Рисунок 3.9 – Интервал удержания органов управления

В эксперименте изучается случайная величина, закон распределения которой в точности неизвестен, и требуется определить этот закон из опыта. С этой целью над случайной величиной производится ряд независимых опытов (наблюдений). В каждом из этих опытов случайная величина принимает определенное значение. Совокупность наблюдений значений величины и представляет собой первичный статистический материал, подлежащий обработке, осмыслению и научному анализу. Такая совокупность называется «простой статистической совокупностью» или «простым статистическим рядом». Простая статистическая совокупность представлена в таблице 3.2 с одним входом, в первом столбце которой стоит номер опыта i, а во втором – наблюденное значение случайной величины.

Таблица 3.2 – Простая статистическая совокупность

Простой статистический ряд представляет собой первичную форму записи статистического материала и может быть обработан различными способами.

В нашем случае мы имеем большое число наблюдений (порядка двухсот) и простая статистическая совокупность перестает быть удобной формой записи статистического материала – она становится слишком громоздкой и мало наглядной. Для придания ей большей компактности и наглядности статистический материал подвергнем дополнительной обработке – построим так называемый «статистический ряд».

Для формирования статистического ряда разделим весь диапазон наблюденных значений на интервалы или «разряды» и подсчитаем количество значений m_i, приходящихся на каждый i-й разряд. Это число разделим на общее число наблюдений n и найдем частоту, соответствующую данному разряду:

(3.2)

где - число значений, приходящихся на i-й разряд;

- общее число наблюдений.

Сумма частот всех разрядов, очевидно, должна быть равна единице. Число разрядов, на которые следует группировать статистический материал, не должно быть слишком большим (тогда ряд распределения становится невыразительным, и частоты в нем обнаруживают незакономерные колебания); с другой стороны, оно не должно быть слишком малым (при малом числе разрядов свойства распределения описываются статистическим рядом слишком грубо). Исходя из этих соображений, выберем 10 разрядов одинаковой длины.

Представим таблицу 3.3, в которой приведены разряды в порядке их расположения вдоль оси абсцисс, число наблюдений в разрядах и соответствующие частоты. Эта таблица и будет нашим статистическим рядом.

Таблица 3.3 – Статистический ряд

Оформим полученный статистический ряд графически в виде так называемой гистограммы. Гистограмму построим следующим образом. По оси абсцисс откладываются разряды, и на каждом из разрядов как их строится прямоугольник, площадь которого равна частоте данного разряда. Для построения гистограммы необходимо частоту каждого разряда разделить на его длину и полученное число взять в качестве высоты прямоугольника. В случае равных по длине разрядов высоты прямоугольников пропорциональны соответствующим частотам. Полня площадь гистограммы равна единице. Полученная гистограмма представлена на рисунке 3.10.

Рисунок 3.10 – Гистограмма

Во всяком статистическом распределении неизбежно присутствуют элементы случайности, связанные с тем, что число наблюдений ограничено, что произведены именно те, а не другие опыты, давшие именно те, а не другие результаты. Поэтому при обработке статистического материала придется решить вопрос о том, как подобрать для данного статистического ряда теоретическую кривую распределения, выражающую лишь существенные черты статистического материала, но не случайности, связанные с недостаточным объемом экспериментальных данных. Такая задача называется задачей выравнивания (сглаживания) статистических рядов.

Задача выравнивания заключается в том, чтобы подобрать теоретическую плавную кривую распределения, с той или иной точки зрения наилучшим образом описывающую данное статистическое распределение.

Необходимо выровнять это распределение с помощью нормального закона:

(3.3)

Нормальный закон зависит от двух параметров: m и σ. Подберем эти параметры так чтобы, сохранить первые два момента – математическое ожидание и дисперсию – статистического распределения.

Вычислим приближенно статистическое среднее по формуле:

(3.4)

где - среднее арифметическое наблюденных значений;

- «представитель» i-ого разряда;

=(260·0,0208)+(312·0,0208)+ +(365·0,0416)+(417·0,1458)+(470·0,125)+(522·0,1875)+(574·0,2083)+(627·0,125)+ +(679·0,1041)+(732·0,0208)=528,355

Для определения дисперсии вычислим сначала второй начальный момент по формуле:

(3.5)

=(67600·0,0208)+(97344·0,0208)+ (132496·0,0416)+(173889·0,1458)+(220900·0,125)+(272484·0,1875)+

+(329476·0,2083)+(393129·0,125)+(461041·0,1041)+(535824·0,0208)= 289900

Пользуясь выражением дисперсии через второй начальный момент, получим:

(3.6)

=289900-279159=10780

Выберем параметры m и σ нормального закона, таким образом, так чтобы выполнялись условия:

= 528,355 = 103,837

Построим на одном графике гистограмму и выравнивающую ее кривую распределения.

Рисунок 3.11- График гистограммы и выравнивающей кривой распределения

Из графика видно, что теоретическая кривая распределения, сохраняя в основном существенные особенности статистического распределения, свободна от случайных неправильностей хода гистограммы, которые, по-видимому, могут быть отнесены за счет случайных причин.

Стоит отметить, что знание законов распределения рассмотренных параметров для отдельного пользователя ещё не позволяет приступить к определению личности. Это связанно с тем, что при наборе парольной фразы другим пользователем могут быть продемонстрированы близкие значения продолжительностей воздействия на органы управления и переходов между ними. Этот факт требует выработки ряда правил, которые будут определять ограничения налагаемые на интервал идентификации для снижения вероятности допуска постороннего, но они так же должны обеспечить возможность допуска пользователя к сети. Так же требуется разработка правил направленных на принятие решения о допуске пользователя. Рассмотрим поочерёдно данные вопросы.

Разработка правила определения ограничения на интервал идентификации.

Как уже отмечалось ранее, по статистической выборке определяются минимальное и максимальное времена окончания воздействия на клавишу или перехода между клавишами. Анализ аппроксимированной зависимости представленной на рисунке 3.11 позволяет сделать вывод о том, что области интервала вблизи моментов времени t_jmin и t_jmax являются не информативными в виду того, что фактические продолжительности попадают в них значительно реже, чем при рассмотрении середины интервала рисунок 3.12. Это обуславливает возможность сократить рассматриваемый интервал. Это может являться средством для сокращения возможности повторения временных параметров набора злоумышленником, однако, величина этого сокращения не может быть достаточно большой, так как это не позволит пользователю войти в систему.

Рисунок 3.12 – Формирование интервала идентификации

В общем виде правило определения ограничения на интервал идентификации может быть представлено в следующем виде.

Для минимального значения времени воздействия на клавишу:

. (3.7)

Для максимального значения времени воздействия на клавишу:

. (3.8)

где - коэффициент сужения области параметра идентификации.

В данном случае

. (3.9)

Данный коэффициент может быть назначен экспертом или определён на основании проведения экспериментальных исследований. В работе значение данного коэффициента принято равным . Это означает, что интервал сокращается на 15 процентов с обеих сторон.

Разработка правила принятие решения о допуске пользователя.

Результаты предварительных испытаний показали, что даже применение ограничения на интервал идентификации не позволяет добиться ста процентной гарантии отсутствия попаданий временных параметров в выделенные интервалы при наборе парольной фразы посторонним. В связи с чем возникает необходимость формирования правила принятия решения о допуске пользователя которое будет основываться на допущении того что злоумышленником не может быть выполнен набор с такими параметрами которые совпадут со всеми выделенными интервалами. В тоже время стоит учитывать факт влияния функционального состояния пользователя при наборе пароля. Такие пограничные случаи, как излишняя возбуждённость или наличие явной фазы торможения, могут привести к тому, что пользователь при наборе пароля выйдет за установленные пределы некоторых интервалов. Это обуславливает невозможность требований к 100 процентному количеству попаданий в указанные интервалы. Вместе с тем снижение количества попаданий в интервалы не должно позволить проникнуть в систему постороннему.

С учётом изложенного правило принятие решения о допуске пользователя в общем виде может быть представлено в следующем виде.

(3.10)

Для пропуска назначается процент соответствия временных параметров установленным интервалом. Данное значение, как и в предыдущем случае, может быть определенно экспериментально или путём экспертного опроса. В работе установлено достаточность 60% соответствия для допуска пользователя при невозможности других пользователей, получить доступ к системе под этим паролем.

Необходимо отметить, что при дальнейшем проведении исследований в данной области целесообразно разработать алгоритмическое обеспечение, позволяющее на основе обновляемых значений временных параметрах производить перестройку коэффициента , а так же уровня соответствия для правила допуска. Исходя из вышеизложенного, можно представить алгоритмическое обеспечение повышения достоверности идентификации личности в следующем виде рисунок 3.13.

Рисунок 3.13 - Алгоритм повышения достоверности допуска

Как видно из представленного алгоритма предусмотрен не только процесс допуска персонала, но и обучения системы, которая заключается в постоянном накоплении статистики временных параметров набора парольной фразы и последующей её интерпретации в установленном виде.

Блокировка действий предусматривается при трёхкратном несоответствии либо набранного кода, либо временных параметров с которыми этот код был набран.

При непосредственной работе пользователя в сети появляется возможность повторной скрытой проверки того кто работает на рабочем месте. Это возможно при допуске пользователя к определённым ресурсам сети для получения им необходимой информации. Очевидное преимущество такой идентификации заключается в её скрытности от пользователя или злоумышленника, каким либо образом уже проникшего в закрытую сеть.

4 Экспериментальные исследования эффективности разработанного алгоритмического обеспечения

Для определения эффективности разработанного алгоритмического обеспечения был проведен натурный эксперимент. Для его реализации сформирована экспериментальная группа из 20 человек. В рамках эксперимента каждый из этой группы набирал парольную фразу 5 раз. Парольная фраза состояла из шести элементов и представляла собой совокупность цифр «162849». Большее количество наборов нецелесообразно, так как любая система, в том числе и разработанное программное обеспечение, блокируется после третьего раза неправильного набора парольной фразы. Для проведения эксперимента в среде Delphi6 было разработано специальное программное обеспечение, реализующее предложенный в работе алгоритмический аппарат, которое представлено на рисунке 4.1.

Рисунок 4.1 – Вид программы для набора парольной фразы

Участник эксперимента набирал парольную фразу, программа учитывала продолжительность удержания каждого органа управления и продолжительности перехода между органами управления. Учет этих продолжительностей велся в микросекундах. Результаты наборов парольной фразы сводились в таблицу с использованием программной среды Excel. Затем результаты набора сравнивались со статистикой набора курсанта Иванова, и определялась их совместимость. Результаты набора парольной фразы Ивановым представлены в приложении 1, а полученные интервалы идентификации для каждого удержания и перехода между клавишами представлены в таблице 4.1.

Результаты набора парольной фразы всеми 20 участниками эксперимента приведены в таблице 4.1

Таблица 4.1 – Результаты эксперимента

Таким образом, общее число набора парольной фразы составило 100 раз. Для полученных данных произведён расчёт частоты попадания посторонними в интервалы идентификации характеризующие курсанта Иванова. Расчёт производился по выражению 4.1.

(4.1)

где n – число попаданий в интервалы идентификации, характеризующие пользователя;

N – общее число наборов.

По результатам расчета были получены следующие значения частот попаданий:

Из полученных результатов видно, что максимальное число попаданий в интервалы идентификации оставило 4 раза, таких случаев зарегистрировано 2. Три попадания в указанные интервалы наблюдались в семи случаях. Два попадания в 10 случаях. Одно попадание в 36 случаях. Ноль попаданий в 45 случаях.

Как видно из полученных результатов, с учётом разработанного правила допуска пользователя, программа не допустила ни одного из участников эксперимента, тем самым доказав свою работоспособность и достаточно высокую эффективность применения разработанного алгоритмического обеспечения в системах допуска.

Стоит отметить, что в случае получения злоумышленником информации о значениях интервалов идентификации, вероятность попадания в них может возрасти, что теоретически может привести к неправильной идентификации, однако визуальными способами наблюдения получения такой информации не представляется возможным в силу физиологических особенностей человека.

Так же необходимо отметить, что в разработанной системе допуск пользователя осуществляется не только на основе правильного набора парольной фразы, но и по установленным интервалам идентификации, которые скрыты от злоумышленника в специальном программном обеспечении. Этот факт накладывает на программное обеспечение дополнительные требования по его устойчивости к вскрытию.

Заключение

Исследованные в дипломной работе вопросы повышения достоверности идентификации пользователя являются развитием динамических методов определения личности. Безусловно, решить все вопросы, связанные с достоверной идентификацией в рамках работы представляется, невозможны в виду, достаточно большого количества факторов влияющих на динамические характеристики набора пароля. Однако, не смотря на это, при проведении экспериментальных исследований показано, что применение разработанного алгоритмического аппарата позволяет получить достаточно высокий уровень достоверности идентификации пользователя. Это подтверждает проведённые в работе теоретические предположения и проведённые теоретические выкладки.

В качестве дальнейших направлений развития проведённого исследования целесообразно рассматривать алгоритмическое обеспечение, позволяющее на основе обновляемых значений временных параметрах производить перестройку коэффициента сокращения интервала идентификации, а так же уровня соответствия для правила допуска.

Список использованных источников

1. Тутубалин Г.Д., Наконечный В.Н., Середа П.О. Тактика частей и подразделений РВСН. Оперативно-тактическое обоснование проектируемых систем и устройств: Учебно-методическое пособие по выполнению дипломных проектов. Вып. 5. 2009.–100с.

2. Васильков А.В., Васильков И.А. Безопасность и управление доступом в информационных системах: учебное пособие / А.В. Васильков, И.А. Васильков – М.: ФОРУМ, 2010. – 368 с.

3. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений.: Монография/ А.И. Иванов - Пенза.: Изд-во Пензенского государственного ун-та, 2000.-188 с.

4. Андрианов В.В., Бабенко Л.К. Нейрокомпьютеры в биометрических системах: Книга 26/ В.В. Андрианов, Л.К. Бабенко-М.: «Радиотехника», 2007.-192с.

5. Гладких А.А., Дементьев В.Е. Базовые принципы информационной безопасности вычислительных сетей: учебное пособие для студентов/ А.А. Гладких, В.Е. Дементьев- Ульяновск: УлГТУ, 2009.- 156 с.

6. Анисимов Б.В. Курганов В.Д. Распознавание и цифровая обработка изображений: Учебное пособие для студентов вузов-М.: Высш. школа, 1983-295с.

7. Венцель Е.С. Теория вероятностей: Учеб. для вузов.-5-е изд. стер.-М.: Высш. шк., 1998.-576с.

8. Применение нейрокомпьютеров в ракетно-космической технике. Кн.21. Сб. статей-М.: Радиотехника, 2006.-104с.

9. Поспелов Д.А. Искусственный интеллект – В 3-х кн. Кн.2 Модели и методы: Справочник. М.: Радио и связь, 1990.-304с.

10. Нейронные сети. Модели и алгоритмы. Кн.-18-М.: Радиотехника, 2005.-256с.