Система ідентифікації користувача комп’ютерної системи за динамічними біометричними параметрами

Abstract

Сучасні біометричні системи ідентифікації та авторизації характеризуються значним різноманіттям, але мають різну ефективність та рівень захищеності. Традиційні методи, такі як сканування відбитків пальців чи розпізнавання обличчя, демонструють вразливості до сучасних атак з використанням технологій глибоких фейків та 3D-моделювання. У цій роботі досліджуються перспективні методи на основі аналізу судинної мережі ока, які поєднують високу унікальність, складність підробки та зручність безконтактного використання. Поставлені дослідницькі задачі безпосередньо пов'язані з галуззю комп'ютерного зору та штучного інтелекту (ШІ), які є складовими частинами сучасної інформатики. Для їх вирішення необхідно застосовувати комплексний підхід, що включає: застосування методів цифрової обробки зображень та pattern recognition; використання сучасних інструментів машинного навчання, зокрема згорткових нейронних мереж; розробку алгоритмів перевірки, чи використовуються дані живої людини (надалі – живості, англ. Liveness Detection) для запобігання спуфінг-атакам; оптимізацію обчислювальних алгоритмів для роботи в режимі реального часу; інтеграцію апаратних та програмних рішень у єдину функціональну систему. 3 Зазначений комплексний підхід вимагає поєднання досліджень з питань кібербезпеки, біометрії, обробки зображень та машинного навчання. Сучасний ринок технологій безпеки демонструє зростаючий попит на надійні біометричні рішення, що підтверджує актуальність та практичну значущість даного дослідження. У вступі обґрунтовано актуальність проблематики безпеки ідентифікації та авторизації та недоліки існуючих методів (паролі, статична біометрика), наведено зв’язок дисертації з науково-дослідними роботами, сформовано та представлено мету і задачі дослідження, розглянуто об’єкт, предмет та методи дослідження, наведено наукову новизну та практичне значення отриманих результатів. Також надано інформацію щодо особистого внеску здобувача та публікацій за темою дисертаційного дослідження. Перший розділ дисертації містить огляд сучасних традиційних методів ідентифікації та авторизації. Аналіз статичних біометричних методів (відбитки, обличчя, райдужка) та їх вразливостей (спуфінг, відтворення). Аналіз динамічних/поведінкових біометричних методів (динаміка клавіатури, руху миші, хода, голос). Існуючі методи сканування судин очей (склеральна біометрика) – їх переваги (унікальність, складність підробки) та недоліки (вимоги до якості зображення). Висновок про необхідність гібридних або мультимодальних підходів для підвищення надійності. Другий розділ дисертації детально висвітлює практичну реалізацію системи сканування, зосереджуючись на створенні апаратного макету та розробці відповідного програмного забезпечення для обробки зображень. Апаратна платформа системи базується на одноплатному мікрокомп'ютері Raspberry Pi, який виконує функцію центрального обчислювального блоку. Як основний сенсор використана високоякісна камера Raspberry Pi HQ Camera з сенсором OmniVision OV5647, що забезпечує необхідну роздільну здатність для детальної фіксації дрібних капілярів. Для отримання чіткого збільшеного зображення застосовано макрооб'єктив з фіксованою фокусною відстанню. Критично важливим елементом є інфрачервоний діод (англ. Near-Infrared, NIR) з довжиною хвилі 880 нм, призначений для підсвічування судинної мережі в умовах недостатнього зовнішнього освітлення та підвищення контрастності зображення. Для підвищення ергономіки та збереження поля зору користувача запропоновано інноваційне використання оптичного «гарячого дзеркала» (англ. Hot Mirror), яке дозволяє відокремити шлях камери від прямої лінії зору. Додатково система інтегрує гіроскоп/акселерометр GY-521 (MPU-6050) для корекції положення голови та літій-полімерну акумуляторну батарею з контролером заряду TP4056 для забезпечення автономної роботи. Програмна складова реалізована на мові Python з активним використанням бібліотек комп'ютерного зору OpenCV та наукових обчислень NumPy. Алгоритмічна частина представляє собою послідовний конвеєр обробки зображень. Він починається із захоплення вихідного кадру та його перетворення в одноканальне зображення у відтінках сірого для зменшення обсягу даних. Наступним кроком є визначення чітко окресленої області інтересу (англ. Region of Interest, ROI) у внутрішньому кутку ока, що дозволяє значно скоротити обчислювальні витрати шляхом фокусування на інформативній ділянці. Для підсилення видимості капілярів застосовано метод адаптивного обмеженого підвищення контрасту (англ. Contrast Limited Adaptive Histogram Equalization, CLAHE), який ефективно виділяє судини на тлі склери. Фінальні етапи обробки включають бінаризацію, виділення чітких контурів за допомогою детектора країв Кенні та морфологічну обробку для очищення зображення від шуму та усунення розривів у контурах судин. Для забезпечення зв'язку із зовнішніми пристроями реалізовано мережеву взаємодію через вбудований WiFi-модуль Raspberry Pi. Таким чином, у другому розділі представлено повноцінний апаратно програмний комплекс, який готовий до експериментальних досліджень та реалізує повний цикл отримання та високоякісної попередньої обробки зображень капілярної мережі кон'юнктиви в режимі реального часу. Третій розділ присвячений реалізації математичного і алгоритмічного апарату, що перетворює попередньо оброблене зображення на цифровий біометричний шаблон. Основна увага приділяється завершальним етапам конвеєру обробки, які безпосередньо відповідають за точність ідентифікації. Розділ відкривається описом етапу виділення та фільтрації контурів. Алгоритм аналізує бінарне зображення, знаходить усі контури та фільтрує їх за розміром, відсіюючі дрібний шум і великі артефакти, залишаючи лише структури, що відповідають капілярам. Наступна частина розділу повністю присвячена методам порівняння. Детально описується архітектура та принцип роботи сіамської нейронної мережі (англ. Siamese Neural Network, SNN), яка використовується для порівняння двох зображень капілярної мережі. Пояснюється, як мережа навчається перетворювати зображення в числові вектори-дескриптори та обчислювати відстань між ними, визначаючи ступінь схожості. Ключову роль у цьому процесі відіграє контрастна функція втрат (англ. Contrastive Loss), яка керує навчанням мережі. Крім того, у розділі порівнюються різні підходи до вирівнювання зображень, такі як фазова кореляція (Phase-Only Correlation) та оптичний потік (Optical Flow), необхідні для точного суміщення знімків, зроблених під різними кутами. Третій розділ представляє завершену алгоритмічну модель, яка перетворює відеопотік ока на надійний біометричний ідентифікатор, обґрунтовуючи вибір методів їхньою ефективністю та стійкістю до несанкціонованого доступу. Четвертий розділ дисертації є практичною демонстрацією ефективності розроблених апаратних та алгоритмічних рішень. Він присвячений експериментальному тестуванню системи, аналізу отриманих результатів та порівнянню з існуючими аналогами. Метою розділу є об'єктивна оцінка точності, швидкодії та надійності запропонованого методу ідентифікації в різних умовах експлуатації. Розділ починається з опису методології проведення експериментів, включаючи формування тестової вибірки даних, вибір критеріїв оцінки (таких як FAR – False Acceptance Rate, FRR – False Rejection Rate, EER – Equal Error Rate та середній час обробки) та опис умов тестування. 6 Основну частину розділу складає детальний аналіз результатів. Досліджується вплив якості освітлення на точність ідентифікації, демонструючи, як продуктивність системи змінюється від 84.8% при стандартному освітленні до 63,2 % в умовах низької освітленості, що обґрунтовує необхідність використання NIR-підсвітки. Аналізується часові характеристики кожного етапу алгоритму, що підтверджує можливість роботи в реальному часі із середньою швидкістю обробки 0,32 секунди на кадр. Важливе місце займає тестування стійкості системи до спуфінг-атак, зокрема з використанням фотографій. Наводяться дані, що підтверджують високу ефективність методу Pulse Transit Time (PTT) для виявлення «живості», що дозволяє досягти дуже низького рівня помилок (EER 0,01 %). Завершується розділ порівняльним аналізом із традиційними біометричними методами, такими як розпізнавання обличчя, відбитків пальців та райдужки. Наводяться таблиці з порівнянням ключових метрик (FAR, FRR, час авторизації, вартість впровадження), які наочно демонструють конкурентні переваги запропонованого рішення, зокрема його високу стійкість до підробки та зручність безконтактного використання. У висновках узагальнено основні результати дослідження та встановлено перспективні напрями вдосконалення методів біометричної ідентифікації. Запропонований метод ідентифікації на основі аналізу капілярної мережі кон'юнктиви ока продемонстрував високу ефективність, що підтверджує його практичну цінність для застосування в сучасних системах безпеки та медичного моніторингу. Розроблені алгоритми та апаратні рішення забезпечують значне підвищення надійності ідентифікації порівняно з традиційними біометричними методами на основі статичних параметрів, здатність протидіяти спуфінг-атакам та можливість безконтактної роботи. Використання запропонованого підходу дозволяє забезпечити безперервну аутентифікацію, зменшити ймовірність несанкціонованого доступу та автоматизувати процес ідентифікації користувачів. Запропонований підхід забезпечує не лише високоточну ідентифікацію користувача, але й формує підґрунтя для його подальшої авторизації в комп'ютерній системі шляхом зіставлення отриманого ідентифікатора з відповідними правами доступу.