Сравнительный анализ подходов к проектированию архитектуры сверточных нейронных сетей для анализа клавиатурного почерка
Ключевые слова:
аутентификация, поведенческая биометрия, клавиатурный почерк, разреженные данные, сверточные нейронные сетиАннотация
В условиях повсеместной цифровизации и учащения случаев компрометации конфиденциальной информации актуальность разработки надежных систем аутентификации, выступающих в качестве первоочередного защитного рубежа, становится критически важной. Перспективным решением проблем, связанных с утратой, кражей или несанкционированным использованием статических идентификаторов, представляются биометрические системы поведенческого типа. В частности, методы, основанные на анализе клавиатурного почерка (динамики работы с клавиатурой), позволяют осуществлять непрерывную и скрытую аутентификацию пользователя на протяжении всего сеанса работы, анализируя его уникальные и трудно подделываемые поведенческие паттерны. Данное направление характеризуется сочетанием высокого уровня безопасности с относительно умеренными затратами на внедрение и высоким удобством для конечного пользователя. Целью настоящего исследования является проведение сравнительного анализа различных подходов к проектированию и построению архитектур сверточных нейронных сетей, оптимизированных для обработки разреженных данных, описывающих динамику нажатий клавиш. В ходе экспериментальной работы было установлено, что сверточные нейронные сети демонстрируют исключительно высокую точность верификации, достигающую 99%, несмотря на то, что входные данные, сформированные в результате предобработки, обладают сильной разреженностью. Наилучшие результаты в рамках исследования были достигнуты при использовании архитектуры, основанной на механизме разделенной свертки, которая показала свою эффективность для работы с указанным специфическим типом данных.
Литература
2. Shadman R., Wahab A.A., Manno M., Lukaszewski M., Hou D., Hussain F. Keystroke Dynamics: Concepts, Techniques, and Applications // ACM Computing Surveys. 2025. vol. 57. no. 11. pp. 1–35. DOI: 10.1145/3733103.
3. Shelupanov A., Evsyutin O., Konev A., Kostyuchenko E., Kruchinin D., Nikiforov D. Information Security Methods – Modern Research Directions // Symmetry. 2019. vol. 11. no. 2. 150 p. DOI: 10.3390/sym11020150.
4. Давыденко С.А., Костюченко Е.Ю., Новиков С.Н. Оценивание информативности признаков в наборах данных для проведения продлённой аутентификации // Информатика и автоматизация. 2024. Т. 23. №1. C. 65–100. DOI: 10.15622/ia.23.1.3.
5. Zateev S., Shelupanov A. Keyboard Handwriting as a Factor of User Authentication // Lecture Notes in Networks and Systems. Springer. 2024. vol. 942. pp. 155–167. DOI: 10.1007/978-3-031-55349-3_13.
6. Затеев С.В. Продленная аутентификация на основе анализа клавиатурного почерка // Теория и практика обеспечения информационной безопасности: Сб. научн. тр. XX Международной конференции студентов, аспирантов и молодых ученых. 2023. Т. 7. С. 116–123.
7. Monaco J.V., Bakelman N., Cha S.-H. Tappert C.C. Developing a keystroke biometric system for continual authentication of computer users // Proceedings of European Intelligence and Security Informatics Conference (EISIC). 2012. pp. 210–216. DOI: 10.1109/EISIC.2012.58.
8. Altwaijry N. Authentication by Keystroke Dynamics: The Influence of Typing Language // Applied Sciences. 2023. vol. 13. no. 20. 11478 p. DOI: 10.3390/app132011478.
9. Bailey K.O., Okolica J.S., Peterson G.L. User identification and authentication using multi-modal behavioral biometrics // Computers & Security. 2014. vol. 43. pp. 77–89. DOI: 10.1016/j.cose.2014.03.005.
10. Sharma A., Jurecek M., Stamp M. Keystroke Dynamics for User Identification // Machine Learning, Deep Learning and AI for Cybersecurity. Springer. 2025. pp. 601–622. DOI: 10.1007/978-3-031-83157-7_21.
11. Wycislik L., Wylezek P., Momot A. The Improved Biometric Identification of Keystroke Dynamics Based on Deep Learning Approaches // Sensors. 2024. vol. 24. no. 12. 3763 p. DOI: 10.3390/s24123763.
12. Spata M.O., Russo V.M., Ortis A., Battiato S. A New Pipeline for Snooping Keystroke Based on Deep Learning Algorithm // IEEE Access. 2025. vol. 13. pp. 24498–24514. DOI: 10.1109/ACCESS.2025.3536877.
13. Kaur D., De Carvalho G.H.S, Dividino R., Woungang I., Anpalagan A. Novel Explainable CNN-LightGBM Model for Smartphone Continuous Authentication // IEEE Access. 2026. vol. 14. pp. 45826–45843. DOI: 10.1109/ACCESS.2026.3672372.
14. Chang H.-C., Li J., Wu C.-S., Stamp M. Machine Learning and Deep Learning for Fixed-Text Keystroke Dynamics // Advances in Information Security. Springer. 2022. vol. 54. pp. 309–329. DOI: 10.1007/978-3-030-97087-1_13.
15. Muralidharan A., Eaman A., Hassan E. A Comparative Analysis of Machine Learning Models for Behavioral Biometric Authentication using Keystroke Dynamics // Proceedings of the 20th International Conference on Future Networks and Communications. Procedia Computer Science. 2025. vol. 265. pp. 116–123. DOI: 10.1016/j.procs.2025.07.163.
16. Krishnamoorthy S., Rueda L., Saad S., Elmiligi H. Identification of User Behavioral Biometrics for Authentication Using Keystroke Dynamics and Machine Learning // Proceedings of 2nd International Conference on Biometric Engineering and Applications (ICBEA '18). 2018. pp. 50–57. DOI: 10.1145/3230820.3230829.
17. Bleha S.A., Knopp J., Obaidat M.S. Performance of the Perceptron algorithm for the classification of computer users // Proceedings of ACM/SIGAPP Symposium on Applied Computing: Technological Challenges of the 1990s. 1992. pp. 863–866.
18. Stylios I., Skalkos A., Kokolakis S., Karyda M. BioPrivacy: Development of a Keystroke Dynamics Continuous Authentication System // Lecture Notes in Computer Science. Springer. 2021. vol. 13106. pp. 158–170. DOI: 10.1007/978-3-030-95484-0_10.
19. Wahab A., Hou D., Schuckers S., Barbir, A. Utilizing Keystroke Dynamics as Additional Security Measure to Protect Account Recovery Mechanism // Proceedings of the 7th International Conference on Information Systems Security and Privacy (ICISSP). 2021. vol. 1. pp. 33–42. DOI: 10.5220/0010191200330042.
20. Acien A., Morales A., Monaco J.V., Vera-Rodriguez R., Fierrez J. TypeNet: Deep learning keystroke biometrics // IEEE Transactions on Biometrics, Behavior, and Identity Science. 2021. vol. 4. no. 1. pp. 57–70. DOI: 10.1109/TBIOM.2021.3112540.
21. Li J., Chang H.-C., Stamp M. Free-Text Keystroke Dynamics for User Authentication // Advances in Information Security. Springer. 2022. vol. 54. pp. 357–380. DOI: 10.1007/978-3-030-97087-1_15.
22. Gonzalez N., Stragapede G., Vera-Rodriguez R., Tolosana R. Type2Branch: Keystroke Biometrics Based on a Dual-Branch Architecture With Attention Mechanisms and Set2set Loss // IEEE Transactions on Information Forensics and Security. 2025. vol. 20. pp. 5859–5871. DOI: 10.1109/TIFS.2025.3574992.
23. Stragapede G., Delgado-Santos P., Tolosana R., Vera-Rodriguez R., Guest R., Morales A. TypeFormer: Transformers for mobile keystroke biometrics // Neural Computing and Applications. 2024. vol. 36. pp. 18531–18545. DOI: 10.1007/s00521-024-10140-2.
24. Neacsu T., Poncu T., Ruseti S., Dascalu M. DoubleStrokeNet: Bigram-level keystroke authentication // Electronics. 2023. vol. 12. no. 20. 4309 p. DOI: 10.3390/electronics12204309.
25. Kasprowski P., Borowska Z., Harezlak K. Biometric Identification Based on Keystroke Dynamics // Sensors. 2022. vol. 22. no. 9. 3158 p. DOI: 10.3390/s22093158.
26. Chang H.-C., Li J., Stamp M. Machine Learning-Based Analysis of Free-Text Keystroke Dynamics // Advances in Information Security. Springer. 2022. vol. 54. pp. 331–356. DOI: 10.1007/978-3-030-97087-1_14.
27. AbdelRaouf H., Chelloug S.A., Muthanna A., Semary N., Amin K., Ibrahim M. Efficient Convolutional Neural Network-Based Keystroke Dynamics for Boosting User Authentication // Sensors. 2023. vol. 23. no. 10. 4898 p. DOI: 10.3390/s23104898.
Comparative Analysis Of Approaches To Convolutional Neural Network Architecture Design For Keystroke Dynamics Analysis
Abstract
In the context of widespread digitalization and the increasing frequency of confidential information compromise incidents, the relevance of developing reliable authentication systems serving as the primary line of defense becomes critically important. Behavioral biometric systems present a promising solution to the problems associated with loss, theft, or unauthorized use of static identifiers. In particular, methods based on keystroke dynamics analysis enable continuous and transparent user authentication throughout an entire work session by analyzing unique and difficult-to-forge behavioral patterns. This research direction is characterized by a combination of a high level of security with relatively moderate implementation costs and high user convenience. The aim of this study is to conduct a comparative analysis of various approaches to the design and construction of convolutional neural network architectures optimized for processing sparse data describing keystroke dynamics. The experimental work revealed that convolutional neural networks demonstrate exceptionally high verification accuracy, reaching 99%, despite the fact that the input data generated during preprocessing exhibit significant sparsity. The best results within the framework of this study were achieved using an architecture based on a depthwise separable convolution mechanism, which proved to be effective for handling this specific data type.
Опубликован
Как цитировать
Раздел
Copyright (c) Станислав Вадимович Затеев, Евгений Юрьевич Костюченко, Александр Александрович Шелупанов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).