الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 88000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شناسایی بیومتریک بر مبنای دینامیک ضربه کلید متن باز
نام انگلیسی
Biometric Recognition Based on Free-Text Keystroke Dynamics
تعداد صفحه به فارسی
۷۶
تعداد صفحه به انگلیسی
۱۵
کلمات کلیدی به فارسی
بیومتریک, زیست سنجی, احراز هویت به صورت پیوسته, شناسایی متن باز, تحلیل ضربه کلید, شبکه های عصبی
کلمات کلیدی به انگلیسی
Biometrics, continuous authentication, free text
recognition, keystroke analysis, neural networks
مرجع به فارسی
مقالات IEEE در زمینه سایبرنتیک، دپارتمان مهندسی برق و کامپیوتر، دانشگاه ویکتوریا، کانادا
مرجع به انگلیسی
IEEE TRANSACTIONS ON CYBERNETICS; Electrical and Computer Engineering Department, University of Victoria, Victoria, BC, Canada
کشور
کانادا
شناسایی بیومتریک بر مبنای دینامیک ضربه کلید متن باز
چکیده
تشخیص دقیق دینامیک ضربه کلید در متن باز به عنوان یک مولفه چالش برانگیز به واسطه طبیعت غیر ساختاری و پراکنده داده ها و تنوع پذیری بنیادین آن به شمار می آید. در نتیجه، غالب رویکردها که در مباحث مرتبط با شناسایی متن باز منتشر یافته اند، به جز یک مورد در خلال سالیان اخیر، نرخ های بسیار بالای خطا را گزارش نموده اند. در این مقاله، ما یک رویکرد جدید را برای تحلیل متن باز ضربات کلید ارائه می نمائیم که متشکل از تحلیل مونوگراف و دیاگراف می باشد و از یک شبکه عصبی جهت پیش بینی دیاگراف های مفقوده بر مبنای ارتباط بین ضربات کلید مشخص شده استفاده می نماید. رویکرد پیشنهادی ما از یک سطح دقت مطلوب و قابل قیاس با بهترین نتایج حاصله، از طریق تکنیک های مرتبط ارائه شده در این مباحث، برخوردار است، و در عین حال از نقطه نظر زمان پردازش نیز بسیار وقت کمتری را طلب می نماید. ارزیابی تجربی شامل ۵۴ کاربر در یک محیط ناهمگن می باشد که در بردارنده یک ضریب پذیرش نادرست (FAR) به میزان ۰۱۵۲/۰% و یک ضریب رد کاذب (FRR) 82/4%، با یک نرخ خطای مساوی (EER) 46/2% می باشد. آزمایشات پیگیری ما در یک محیط همگن با ۱۷ کاربر در نهایت سبب حاصل آوردن موارد ذیل شده است: FAR= 0%، و FRR= 5.01%، با EER= 2.13%.
کلمات کلیدی:بیومتریک یا زیست سنجی، احراز هویت به صورت پیوسته، شناسایی متن باز، تحلیل ضربه کلید، شبکه های عصبی.
شناسایی بیومتریک دینامیک ضربه کلید
۱- مقدمه
فرآیند موفق راهکار احراز هویت در شروع یک نشست محاسباتی، که همچنین تحت عنوان احراز هویت یا شناسایی استاتیک شناخته می شود، از قابلیت فراهم آوردن هیچ گونه رویه بازیافتی مناسب، در برابر نشستی که متعاقباً به وسیله برخی از کاربران مهاجم دزدیده یا هایجک شده است، برخوردار نمی باشد. نشست دزدیده شده شامل شخص مهاجمی می باشد که اقدام به بدست گیری کنترل یک نشست قانونی یا مشروع متعلق به کاربر می نماید آن هم پس از آن که به طور موفقیت آمیزی قابلیت حاصل آوردن یک شناسه نشست موثق و معتبر در ارتباط با احراز هویت کاربر را به دست آورده و این موضوع در حالی می باشد که همچنان چنین نشستی در حال تداوم است. یک ویژگی بازیافتی یا احیای محتمل در برابر چنین سناریویی تحت عنوان احراز هویت پیوسته (CA) شناخته می شود که متشکل از فرایند احراز هویت مجدد کاربر به صورت مکرر و بدون منقطع در خلال طول عمر یک نشست می باشد.
بیومتریک یا علم زیست سنجی دینامیکی ضربه کلید را می توان به عنوان یک راهکار مناسب برای احراز هویت پیوسته یا CA مد نظر قرار داد، چرا که ضربات کلید را می توان به صورت لاینقطع با استفاده از یک کیبرد یا صفحه کلید استاندارد در خلال یک نشست بدون دانستن کاربر کنترل نمود. دینامیک ضربه کلید در حقیقت به عنوان یک ویژگی بیومتریک رفتاری تلقی می شود که هدف آن شناسایی انسان ها بر مبنای تحلیل ریتم تایپ نمودن آن ها بر روی یک صفحه کلید [۱] – [۵]، [۸] و [۱۰] می باشد. چنین دینامیکی از طریق برآورد زمان ماندگاری (طول زمانی که یک کلید فشرده می شود) و زمان اجرا (طول زمانی که یک کلید رها شده است تا فشردن کلید بعدی) برای هر عملکرد صفحه کلید استخراج می گردد. شکل ۱ نشان دهنده زمان های ماندگاری و زمان اجرا می باشد. متعاقباً داده ها به یک مجموعه ای از ساختارها یا سازه های مرتبط (مونوگراف، دیگراف، تریگراف یا n– گراف) منتقل می شوند که هر کدام از آن ها تشریح کننده رفتار انسانی در ارتباط با انجام عملکرد مطلوب است. یک مونوگراف معرف فشردن یک کلید بر روی صفحه کلید می باشد. این عملکرد را می توان به وسیله کد کلید و همچنین زمان اقامت یا ماندگاری توصیف نمود. یک دیگراف معرف عملیات تایپ است که به وسیله کاربران از یک کلید خاص به کلید دیگر بر روی صفحه کلید انجام می شود. عملکرد دیاگراف به وسیله دو کد کلید تحت عناوین کلیدهای از / به و زمان اجرا بین این کلیدها توصیف می شود.
…
ادامه این مقاله به شرح ذیل سازماندهی شده است. در بخش دو، ما نسبت به خلاصه سازی و بحث پیرامون تحقیقات مرتبط در خصوص تحلیل متن باز اقدام می نماییم. در بخش سه، ما مدلسازی هویت کاربر بر مبنای متن باز را توصیف نموده و مشخص می سازیم که چگونه امضاهای متناظر برای ثبت نام کاربر بکار گرفته می شوند. ما همچنین مؤلفه های کلیدی امضای دینامیک ضربه کلید پیشنهادی با استفاده از نشست های کاربران نمونه را ارائه می نماییم. در بخش چهار، ما رویکرد خود جهت کنترل هویت کاربر بر مبنای روش متن باز پیشنهادی را ارائه خواهیم نمود. در بخش پنج، ما نتایج حاصله در یک آزمایش باز سازماندهی شده جهت ارزیابی رویکرد پیشنهادی را ارائه می نماییم. در بخش شش، ما یک آزمایش کنترل شده که به عنوان یک رویه پیگیری آزمایشات قبلی (باز) مدنظر است، جهت بررسی تأثیر عوامل محدودکننده را پیگیری می نماییم. در نهایت، در بخش هفت، ما به نتیجه گیری و مشخص سازی تحقیقات آتی خواهیم پرداخت.
شناسایی بیومتریک دینامیک ضربه کلید
۲- تحقیقات مرتبط
الف. خلاصه
از اوایل دهه ۱۹۸۰، مجموعه غنی از تحقیقات مرتبط در زمینه شناسایی دینامیک ضربه کلید ارائه گردیده اند [۱] ـ [۵]. غالب این تحقیقات در ارتباط با تشخیص متن ثابت بوده و بر روی استفاده از فناوری برای تعیین هویت به صورت استاتیک (تعیین هویت کاربران) یا کنترل دسترسی تمرکز داشته اند [۱]، [۲] و [۱۰]. برای کنترل دینامیکی و پاسیو چنین مواردی، همانگونه که به وسیله CA مشخص شده است، ما می بایست قابلیت تشخیص کاربر بدون الزام وی به ورود یک پیام از قبل مشخص شده یا متن را داشته باشیم. بنابراین، تشخیص متن باز برای چنین هدفی الزامی می باشد. تشخیص متن باز ارائه دهنده چالش های بزرگی است که نسبتاً تشریح کننده مقادیر محدودی از تحقیقات مرتبط موجود در این مباحث می باشد.
ب. مباحث
از خلاصه فوق به نظر می رسد که به استثنای تحقیقات انجام شده به وسیله Gunetti و Picardi [4]، کلیه طرح های تحلیل متن باز پیشنهادی به وسیله این مباحث (تا آنجایی که از آن اطلاع داریم) محدود به نرخ های بالای خطای خود می باشند [۳]، [۵] و [۸]. با این وجود، یک محدودیت کلیدی رویکرد Gunetti و Picardi داشتن اتکا به کاربران دیگر برای ایجاد یک پروفایل کاربر در ارتباط با مرحله تصدیق هویت برای یک نمونه خاص می باشد. در این رویکرد، آنها اقدام به کنترل هویت نمونه دریافتی در برابر پروفایل های کلیه کاربران مشروع، قبل از اتخاذ تصمیم نهایی نمودند. چنین موردی سبب ایجاد برخی از مشکلات کارایی و مقیاس پذیری جدی خواهد شد. به طور ایده آل، احراز هویت شامل کنترل یک نمونه دریافتی در برابر صرف هویت ادعا شده می باشد. شامل نمودن دیگر کاربران مشروع در فرآیند تصدیق ممکن است به طور منفی بر روی عملکرد و مقیاس پذیری در شبکه های بزرگ تأثیرگذار باشد. چنین موردی ممکن است سبب ایجاد مشکلاتی در ارتباط با احراز هویت پیوسته گردد که در آن به محاسبات زمان واقعی نیاز خواهد بود. در آزمایشات انجام شده به وسیله Gunetti و Picardi، مقایسه یک نمونه جدید در برابر ۴۰ پروفایل حاوی ۱۴ نمونه هر کدام در حدود ۱۴۰ ثانیه با استفاده از یک کامپیوتر پنتیوم چهار و با سرعت ۵/۲ گیگاهرتز به طول انجامید.
شناسایی بیومتریک دینامیک ضربه کلید
۳- مدل سازی رفتاری
همانند کلیه دیگر سیستم های بیومتریک، سیستم پیشنهادی ما در دو مود عمل می نماید: مود ثبت نام و مود تصدیق. در این بخش، ما بر روی مود ثبت نام تمرکز می نماییم و در عین حال بخش بعدی به شناسایی مود تصدیق تخصیص داده شده است. علی الخصوص، ما کار خود را از طریق بحث پیرامون چالش های بنیادین ثبت نام متن باز آغاز نموده و متعاقباً یک بررسی کلی در ارتباط با فرآیند ثبت نام و معماری وابسته را ارائه داشته و پس از آن جزئیات بیشتری در خصوص رویکرد پیشنهادی را ارائه خواهیم نمود که متشکل از مقادیر مفقوده تقریبی از طریق ترکیب یک تکنیک نگاشت کلیدی با استفاده از تحلیل شبکه عصبی می باشد. این رویکرد به وسیله ارائه مدل سازی امضای دیاگراف متوالی تشریح خواهد شد که همچنین شامل مدلسازی امضای مونوگراف و معماری های شبکه عصبی متناظر نیز می باشد.
الف. چالش ها و فرآیند ثبت نام
فرآیند ثبت نام در هر تحلیل دینامیک ضربه کلید نیازمند وجود یک نمونه ثبت نام دارد، که جهت تکمیل پروفایل رفتاری کاربر مورد استفاده قرار می گیرد. این نمونه می بایست حاوی کلیه ترکیبات احتمالی کلید به منظور شناسایی کارآمد کاربر بر مبنای یک مجموعه مورد انتظار یا غیرقابل انتظار ورودی های کاربر باشد. اولین چالش مرتبط با سیستم تحلیل متن باز قابلیت ثبت نام یک کاربر با استفاده از یک مجموعه غیرمشخص داده ها می باشد. چنین موردی اجازه نظارت یا کنترل غیرتهاجمی کاربر به صورت لامنقطع یا در حال اجرا بدون قطع نموده و برای این کار به طور کامل اقدام به مخفی سازی فرآیند شناسایی از کاربر نمود. چالش دیگر قابلیت فراهم آوردن اطلاعات در خصوص هویت یک کاربر بر مبنای مقدار حداقلی ورودی غیرقطعی می باشد. چنین موردی در عمل بسیار مهم است چرا که در غالب موارد قابلیت فشار آوردن بر یک مهاجم جهت فراهم آوردن داده ها وجود نداشته و تصمیم می بایست بر مبنای صرف داده های موجود اتخاذ شود. …
ب. امضای دیاگراف
فرآیند نگاشت دیاگراف شامل دسته بندی کدهای کلیدی بر مبنای میانگین زمان اجرا برای دیاگراف های مرتبط می باشد که منجر به آن چیزی می شود که ما آن را در این مقاله تحت عنوان جدول نگاشت دیاگراف می خوانیم. حال اجازه دهید تا Ke و +Z معرف مجموعه ای از کلیه کدهای کلیدی در نمونه ثبت نام و مجموعه ای از اعداد صحیح غیرمنفی به ترتیب باشند. فرآیند نگاشت دیاگراف به عنوان تابع DKO: Ke →Z+ تعریف می گردد، که برای یک کد کلیدی با توجه به رتبه مبتنی بر میانگین زمان اجرا برای کلیه ورودی های دیاگرافی که حاوی آن کلید در فیلدهای خود می باشند مدنظر خواهد بود. در جدول نگاشت دیاگراف، کدهای کلیدی (بدون دیاگراف ها) در یک ترتیب نزولی بر مبنای میانگین زمان اجرا برای آن کلیدها رده بندی و سورت می گردند. با توجه به یک کلید، میانگین زمان اجرای آن کلید (تبدیل شده به ترتیب کلید) معرف میزان دسترس پذیری آن کلید برای کاربران در مقایسه با دیگر کلیدها بر روی صفحه کلید می باشد. بر مبنای این ملاحظه، ما از ترتیب کلید دیاگراف به عنوان یک ویژگی ذاتی کلیدی استفاده می نماییم که جهت تقریب کلیه دیاگراف های حاوی آن کلید، صرف نظر از موقعیت آن کلید در دیاگراف ها (به یا از آن) استفاده می شود.
ج. امضاهای مونوگراف
همانگونه که در بالا ذکر شد، رویکرد تحلیل مونوگراف ما تنها کلیدهای موجود در نمونه ثبت نام را در نظر می گیرد. برخلاف تحلیل دیاگراف، کلیه مونوگراف های مفقوده در طی این تحلیل نادیده انگاشته می شوند (همراه با هر گونه دیاگراف که حاوی چنین کلیدهایی باشد). در این مقاله، ما از یک شاخص برای مونوگراف هایی استفاده می نماییم که بازتاب دهنده رویکرد استفاده شده برای دیاگراف ها می باشند.
این امر به ما اجازه فراهم آوردن یک امضای مونوگراف / دیاگراف کلی همگن برای کاربر را خواهد داد. ایده اصلی در ورای این رویکرد مدل سازی رفتار کاربر از طریق بررسی یک ارتباط بنیادین بین کلیدها می باشد که در مورد مونوگراف ها به عنوان رتبه بندی آنها بر مبنای میانگین زمان های اقامت یا ماندگاری تلقی خواهد شد.
د. شبکه های عصبی و ثبت نام
ما از شبکه های عصبی جهت مدل سازی رفتار کاربران بر مبنای مجموعه های کدگذاری شده مونوگراف ها و دیاگراف ها استفاده نمودیم. با وجود آنکه معماری شبکه عصبی برای کلیه کاربران به صورت یکسان در نظر گرفته شده است، وزن ها خاص کاربران مشخص می گردند. بر این مبنا ما در بخش ذیل معماری شبکه عصبی پیشنهادی خود را تشریح نموده و یک نماد بصری در ارتباط با امضاهای مونوگراف و دیاگراف را ارائه می نماییم که به منظور نشان دادن مشابهت یا عدم مشابهت در رفتار برای نشست های مختلف کاربران بکار گرفته شده اند.
شناسایی بیومتریک دینامیک ضربه کلید
۴- تصدیق هویت
امضای کاربر حاصل آمده از مود ثبت نام متشکل از جداول نگاشت و وزن های شبکه های عصبی آموزش دیده می باشند. این امضا برای فرآیند تصدیق هویت ذخیره شده و متعاقباً مورد پردازش قرار می گیرد که مقتضیات آن در شکل ۸ نشان داده شده است. در این مود، دو شبکه عصبی (مود آموزش دیده و ثبت نام) با وزن های ذخیره شده در امضای قانونی کاربران بارگذاری می شوند. هر مونوگراف و دیاگراف در نشست نظارت شده در امتداد ماژول نگاشت متناظر عبور داده می شوند، که متعاقباً سبب استفاده از جدول نگاشت فراهم آمده به وسیله امضای کاربر خواهد شد. خروجی هر ماژول به عنوان ورودی های به شبکه عصبی آموزش دیده Mono/Di متناظر مدنظر خواهد بود، که اقدام به ارسال زمان اقامت یا زمان اجرای مورد نیاز برای کاربر مشروع جهت انجام عملکرد مونوگراف یا دیاگراف مورد نظر به خروجی می نماید. تفاوت های بین این اوقات و زمان های اقامت یا اجرای اولیه مونوگراف ها و دیاگراف های نظارت شده مشخص کننده انحراف هایی از رفتار مشروع کاربران می باشد. انحراف های محاسبه شده به واحد تصمیم گیری ارجاع داده می شوند که مسئول تصمیم گیری نهایی در خصوص هویت یک کاربر می باشد. این واحد اقدام به محاسبه میانگین مطلق انحراف (δmono، δdi) از مجموعه های مونوگراف و دیاگراف می نماید که بر مبنای معادلات ذیل توصیف می شوند:
شناسایی بیومتریک دینامیک ضربه کلید
۵- آزمایش باز
به منظور ارزیابی سیستم شناسایی پیشنهادی، ما اقدام به انجام یک آزمایش متشکل از چندین شرکت کننده نمودیم. ما در این بخش راهکارهای آزمایشی را مورد بررسی قرار داده، داده های جمع آوری شده را تحلیل نموده و نتایج حاصله را مورد بحث قرار می دهیم.
الف. مجموعه آزمایشی
روش: ما آزمایش خود را در یک مجموعه کاملاً بدون کنترل اعمال نمودیم، که در آن از کلیه شرکت کنندگان درخواست شد تا اقدام به پیاده سازی داده های کلاینت ما بر روی ماشین های خود نموده و از کامپیوتر خود برای فعالیت های روتینی روزمره استفاده نمایند. با توجه به حاصل آوردن رضایت آنها فرایند جمع آوری داده ها به صورت شفاف انجام شد و داده های جمع آوری شده به سرور ما در لابراتوار مشخص شده ارسال شد. هیچ گونه محدودیتی با توجه به محیط یا نوع برنامه کاربردی اعمال نشده است. بر خلاف مرجع [۴] که در آن شرکت کنندگان مجبور به تایپ نمودن یک متن با استفاده از رابط وبی بودند، شرکت کنندگان در آزمایش ما اقدام به انجام برنامه های کاربردی مختلف شامل پردازشگر کلمه، بازی های ویدیویی، مرورگری وب و غیره نموده اند. شرکت کنندگان از خانه، دفتر کار، یا از آژانس های مسافرتی (با استفاده از لپ تاپ های خود) به سرور مشخص شده ما متصل بودند. شرکت کنندگان در این آزمایش متشکل از ۵۳ نفر می باشند ـ دو سوم مرد و یک سوم زن ـ و سن آنها نیز در محدوده از ۱۳ الی ۴۸ سال می باشد و هر کدام از مهارت های متغیری در ارتباط با تایپ برخوردار هستند که مشخص کننده محدوده ای از افراد حرفه ای و بکارگیری روزمره کامپیوتر در فعالیت های روزمره خود تا افرادی که صرفاً از کامپیوتر به صورت گاه و بیگاه استفاده می نمایند.
ب. اندازه نمونه ثبت نام
از طریق نگاه گسترده ای به طبیعت داده های جمع آوری شده در این آزمایش، تعداد کلیدهای منحصر به فرد یافته شده برابر با ۱۰۷ مورد (مجموعه K در بخش III-A) می باشد. کلید “فاصله” بالاترین احتمال رخداد را حاصل آورده است (۶/۹%) و پس از آن کلید “A” (3/9%) می باشد. از بین این ۱۰۷ کلید، ۶۰ کلید از احتمال رخداد بزرگتر از ۱/۰% برخوردار بوده و ۸۳ کلید از احتمال رخداد بیشتر از ۱/۰% بهره مند می باشند. تعداد دیاگراف های واحد (مجموعه D در زیر بخش IIIA) برابر با ۳۹۵۹ مورد می باشد که معرف کمتر از ۳۵% مجموعه کلیه ترکیب های محتمل دیاگرام است. از بین ۳۹۵۹ دیاگراف منحصر به فرد ۴۰۰ دیاگراف دارای احتمال رخداد بیشتر از ۱/۰% و ۹۰۰ دیاگراف دارای احتمال رخداد بزرگتر از ۰۱/۰% هستند.
ج. نتایج ارزیابی
۱) ارزیابی اصلی: جهت ارزیابی سیستم شناسایی پیشنهادی، ما اقدام به انجام آزمایش اعتبارسنجی – متقابل نمودیم. این آزمایش ۵۳ بار تکرار گردیده و هر بار با توجه به یک شرکت کننده در سطح آزمایشی مورد بررسی قرار گرفته است. فرآیند ثبت نام با استفاده از اولین ۱۵۰۰ دیاگراف برای هر کاربر اعمال شد. دیاگراف های باقیمانده به مجموعه ۵۰۰ مورد تقسیم گردیده و جهت شبیه سازی بخش ها یا نشست های مرتبط بکار گرفته شدند که مشخص کننده پروفایل کاربر P متشکل از ۱۵۰۰ دیاگراف اول خود و همچنین S به عنوان مجموعه ای از نشست های حاصله از دیاگراف های باقیمانده می باشند، که هر نشست s ∈ S (به عنوان یک نمونه جدید) قابلیت مقایسه با P را داشته و جهت حمله به پروفایل های باقیمانده کاربران در مجموعه اطلاعاتی بکار گرفته شده است. این ویژگی نیز انتظار می رود که در اولین مورد سیستم قابلیت شناسایی نشست مربوطه متعلق به کاربر را داشته باشد، در حالی که در مورد دوم چنین نشستی رد خواهد شد. این فرآیند برای ۵۳ کاربر تکرار خواهد شد. شکل ۱۰ الف نشان دهنده منحنی ویژگی های عملیات گیرنده (ROC) برای این آزمایش است. این منحنی نشان دهنده ارتباط بین نرخ پذیرش کاذب و نرخ رد کاذب است،..
شناسایی بیومتریک دینامیک ضربه کلید
۶- آزمایش کنترل شده
کاربرد برنامه های مختلف از طریق شرکت کنندگان متفاوت در آزمایش قبلی معرف یک عامل تعارض برانگیز می باشد که می بایست آن را مورد بررسی قرار داد. به منظور مخاطب قرار دادن تأثیر این عامل، ما یک آزمایش کنترل شده را انجام دادیم که در آن از کلیه شرکت کنندگان درخواست شد تا وظایف یکسانی را با استفاده از برنامه های اجرایی مشابه که در یک محیط خاص اجرا می گردند یا بر روی یک ماشین مشخصی اجرا می شوند را انجام دهند. در این بخش، ما نتایج آزمایشات و تحلیل مربوطه را ارائه خواهیم نمود.
الف. ویژگی های مشخصه
در این آزمایش، کلیه شرکت کنندگان می بایست وظیفه یکسانی را که متشکل از خواندن و ارسال ایمیل ها با استفاده از وبمیل را انجام دهند. کلیه شرکت کنندگان از برنامه کاربردی وبمیلی یکسانی تحت عنوان SquirrelMail نگارش ۱٫۴٫۸-۵٫el4.centos.3 که به وسیله تیم پروژه SquirrelMail ارائه شده است استفاده نمودند. شرکت کنندگان همگی از یک دانشگاه بوده و متشکل از افراد شاغل و فراغ التحصیلان دانشگاهی و همچنین اساتید دانشگاهی می باشند که همگی آنها قابلیت تایپ مناسب بر روی کیبوردهای استاندارد کامپیوتری را دارند. کلیه شرکت کنندگان از دستگاه یکسانی استفاده نمودند که شامل سیستم لپ تاپ IBMThinkpad (پنتیوم ۳ گیگاهرتز با ۴ پردازنده و ۱ گیگابایت رم و ویندوز XP می باشند)، در این سیستم ها برنامه کلاینت جمع آوری داده ها نصب شده است. داده های جمع آوری شده از طریق شبکه به ماشین سرور ارسال شده و با استفاده از آن اقدام به توصیف آزمایشات قبلی شده است. با وجود آنکه برنامه کلاینت یکسانی همانند آزمایش قبلی بکار گرفته شده است، تعداد اندکی از رابط های کاربر متشکل از دکمه های “آغاز” و “انتها” اضافه شد. جهت آغاز جمع آوری اطلاعات، شرکت کنندگان بر روی دکمه “آغاز” رابط کاربر کلاینت کلیک نموده و با این کار یک پنجره مرورگر باز شده و به وبمیل پس از ورود رمز دسترسی می یابند.
ب. نتایج
روش ارزیابی مشابهی که در بخش پنج ذکر شد نیز برای داده های جمع آوری شده بکار گرفته شد. یک آزمون ارزیابی متقاطع نیز در این راستا اجرا گردید. مقدار برابر داده های ثبت نام (۱۵۰۰ مورد) جهت ثبت نام هر کاربر استفاده شد. داده های باقیمانده (۸ جلسه، ۵۰۰ عملکرد) نیز جهت شبیه سازی خود نشست ها و موارد شبیه سازی شده آن یا موارد بدون مجوز اعمال شد. مشابه با شکل ۱۰ الف عامل وابستگی برای این آزمایش به میزان ۵/۰ تعیین شده و حد آستانه ای نیز از ۱% الی ۱۰۰% متغیر مشخص شد. شکل ۱۴ الف نشان دهنده منحنی ویژگی عملیاتی گیرنده حاصل آمده از آزمایش کنترل شده می باشد. ما یک EER به میزان ۱۳/۲% را حاصل آوردیم.
شناسایی بیومتریک دینامیک ضربه کلید
۷- نتیجه گیری
در این مقاله، ما یک تکنیک تشخیص جدید را برای دینامیک ضربه کلید متنی باز ارائه نمودیم که ترکیب کننده تحلیل مونوگراف و دیاگراف و همچنین شبکه های عصبی می باشد. نتایج حاصله از ارزیابی تجربی ما کاملاً قابل توجه می باشند، با این حال ذکر این نکته ضروری است که در عین آنکه آزمایش ناهمگن ما شامل ۵۳ کاربر بوده است، برنامه پیگیری در یک محیط همگن محدود به صرفاً ۱۷ داوطلب شده است. مقیاس پذیری تحت این نوع سناریو همچنان به عنوان یک مبحث باز مدنظر خواهد بود. جهت افزایش اطمینان به نتایج ما، اندازه نمونه بزرگتری را می بایست در نظر گرفت. ما سعی در مخاطب قرار دادن این مسئله در تحقیقات آتی خود از طریق ثبت نام شرکت کنندگان بیشتر خواهیم نمود. تعیین اندازه نمونه برای ارزیابی سیستم های بیومتریک همچنان به عنوان یک مبحث تحقیقاتی فعال مدنظر می باشد [۱۲]، [۱۴]. قواعدی نظیر “قاعده سه” و “قاعده سی” را می توان جهت تعیین کرانه های پایین تر برای تعدادی از نمونه های مورد نیاز جهت یک سطح مشخصی از دقت بکار گرفت. با این وجود، این قوانین بیش از حد خوش بینانه هستند چرا که بر مبنای فرضیه اصلی خطاهای بیومتریک به واسطه یک منبع واحد تغییرپذیری می باشند که ممکن است همیشه این حالت مدنظر نباشد. بر مبنای نظر Wayman، علی الخصوص، “زمان و بودجه های مالی، و نه بازه های یا فواصل اطمینان مطلوب، غالباً قابلیت کنترل مقدار داده هایی را که برای آزمایش جمع آوری شده اند را دارند” [۱۴]. …
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
