Статья 'Динамическая аутентификация пользователя в системе управления обучением' - журнал 'Кибернетика и программирование' - NotaBene.ru
по
Меню журнала
> Архив номеров > Рубрики > О журнале > Авторы > О журнале > Требования к статьям > Редакция и редакционный совет > Порядок рецензирования статей > Политика издания > Ретракция статей > Этические принципы > Политика открытого доступа > Оплата за публикации в открытом доступе > Online First Pre-Publication > Политика авторских прав и лицензий > Политика цифрового хранения публикации > Политика идентификации статей > Политика проверки на плагиат
Журналы индексируются
Реквизиты журнала

ГЛАВНАЯ > Вернуться к содержанию
Кибернетика и программирование
Правильная ссылка на статью:

Динамическая аутентификация пользователя в системе управления обучением

Горбунова Елена Сергеевна

студент, кафедра компьютерных систем, Новосибирский государственный университет

630090, Россия, Новосибирская область, г. Новосибирск, ул. Пирогова, 2

Gorbunova Elena Sergeevna

student of the Department of Computer Systems at Novosibirsk State University

630090, Russia, Novosibirsk Region, Novosibirsk, Pirogov's str., 2

el.melamory@gmail.com

DOI:

10.7256/2306-4196.2016.4.19517

Дата направления статьи в редакцию:

19-06-2016


Дата публикации:

26-08-2016


Аннотация: Объектом исследования является механизм динамической аутентификации по клавиатурному почерку. Автором подробно рассматривается усиленная аутентификации пользователей в системе управления обучением, поскольку электронное обучение постепенно занимает все большую нишу в образовательной среде. Целью работы является построение системы динамической аутентификации и ее верификация. Особое внимание уделяется анализу биометрических методов аутентификации, построению архитектуры требуемой системы, алгоритму классификации пользователей на основе параметрического обучения классификатора, а также результатам тестирования полученной системы. Автором был проведен анализ существующих методов и алгоритмов в области динамической аутентификации и предложено альтернативное решение. Основными результатами проведенного исследования являются архитектура механизма аутентификации пользователей в системе управления обучением; описание алгоритма разделения пользователей на два класса. В соответствии с полученными требованиями к системе, был реализован данный механизм на практике и проведено его тестирование, продемонстрировавшее достижение необходимого результата по ошибкам первого и второго рода. Предложенный механизм аутентификации по клавиатурному почерку может использоваться не только в системах управления обучением, но и в других системах, со схожей моделью нарушителя.


Ключевые слова: динамическая аутентификация, безопасность, клавиатурный почерк, биометрическая аутентификация, усиленная аутентификация, система управления обучением, биометрия, параметрический классификатор, конфиденциальность, поведенческая аутентификация

Abstract: The object of the research is the mechanism of dynamic authentification via keystroke dynamics. The author examines reinforced authentification of users in Learning Management Systems whereas e-learning gradually occupying a niche in the education environment. The purpose of the present research is to develop and verify the system of dynamic authentification. Special attention is paid to analyzing biometric authentification and developing architectures of the required system and algorithm for classifying users based on the classifier's parameter learning as well as testing results. The author of the article carried out analysis of methods and algorithms that are used in the field of dynamic authentification and offers his alternative solution of the problem. The main results of the research include: architecture of the user authentification mechanism in Learning Management Systems; and description of the algorithm for dividing users into two classes. In accordance with the obtained requirements for the system, the author implemented the aforesaid mechanism in practice and conducted testing of the mechanism. The test shows that the desired result was obtained for the first- and second-order errors. The mechanism of keystroke dynamic authentification can be used not only in Learning Management Systems but also in other systems similar to the violator's model. 



Keywords:

parametric classifier, biometrics, Learning Management System, strong authentication, biometric authentication, keystroke dynamics, security, dynamic authentication, confidentiality, behavioral authentication

Введение

Системы управления обучением представляют собой программное обеспечение по организации дистанционного обучения. Включают в себя такие элементы, как набор учебных материалов, организационные компоненты, позволяющие автоматизировать процесс создания курсов и проверки знаний обучающимися. Основной задачей таких систем является систематизация учебных программ и методик оценивания для повышения эффективности обучения и удобства контроля успеваемости.

Система управления обучением позволяет выполнять как индивидуальные задания, так и работать в группах, соответственно направленность получаемых компетенций не ограничивается содержательным компонентом, а может включать в себя и коммуникационный. Существует возможность обучения как в режиме реального времени, при помощи вебинаров и других инструментов, так и в собственном ритме, определяемым обучающимся самостоятельно, в зависимости от его возможности и наличия свободного времени. Обучающийся выбирает некоторый курс и, в соответствии с заданной программой направления, изучает лекционный материал, выполняет задания и проходит проверку знаний.

Одной из главных частей обучения является оценка знаний и компетенций обучающегося. Система предоставляет широкий функционал для различных методик проверки знаний.

По окончании определенного курса в данной системе может выдаваться сертификат: или о том, что обучающийся его прослушал, или он подтверждает некую компетенцию этим сертификатом. Во втором случае сертификационный центр выступает посредником между обучающимся и заказчиком соответствующих навыков и умений. Соответственно, центр несет ответственность за компетенции человека, получившего сертификат. Поэтому помимо оценки приобретенных знаний, необходимо удостовериться в личности человека, проходящего итоговую проверку знаний. Многие значимые курсы, к примеру на инженера Cisco, требуют личного присутствия при проверке компетенций для выдачи подтверждающего документа. Зачастую это не совсем удобно. Значит при прохождении итогового теста в дистанционной системе возникает необходимо, чтобы его проходил именно тот пользователь, который был зарегистрирован в системе. Отсюда возникает проблема аутентификации пользователя в системе управления обучением.

Также, одним из важных свойств системы управления обучением является масштабируемость и доступность для обучающегося. Поэтому проблему аутентификации необходимо решить, не привлекая дополнительного специфического оборудования, такого как сканер сетчатки глаза, со стороны обучающегося.

Типы аутентификации

На основе индивидуальной информации, характеризующей определенного пользователя, в системе защиты происходит аутентификация. Можно выделить несколько типов аутентификации, основывающихся на различных видах данной информации, применяющихся на сегодняшний день: парольная, имущественная и биометрическая. Наиболее распространенными являются методы, основывающиеся на предъявлении уникальной информации, заведомо известной конкретному пользователю - так называемая парольная система аутентификации.

У таких систем существует значительный недостаток. При утрате конфиденциальности пароля, нарушитель может получить доступ ко всей системе. Однако у данного метода существуют и свои преимущества, такие как простота в реализации и удобство в использовании.

Биометрические системы аутентификации можно поделить на две группы:

- анализирующие статический образ пользователя(в том числе сетчатка глаза, отпечатки пальцев);

- анализирующие динамические образы, относящиеся к поведению пользователя, такие как произношение речи, рукописный и клавиатурный почерк.

В тех случаях, когда сам пользователь заинтересован в нарушении правил безопасности, все данные типы аутентификации, кроме биометрической поведенческой неэффективны, поскольку для получения прав для совершения действий в системе нарушителю достаточно знания ключевой информации или владения переданным аутентификаторам.

В случае применения поведенческой аутентификации сам пользователь не владеет информацией о необходимом аутентификаторе, поскольку тот является изменяемым компонентом.

Архитектура

На этапе обучения программы пользователь выполняет различные действия в системе Moodle. Происходит сбор информации о пользователе, на основании которой рассчитываются и запоминаются эталонные характеристики данного пользователя.

Эталонные характеристики пользователя, полученные на этапе обучения системы, позволяют сделать выводы о степени стабильности клавиатурного почерка пользователя и определить доверительный интервал разброса параметров для последующей аутентификации пользователя.

На этапе аутентификации рассчитанные оценки сравниваются с эталонными, на основании чего делается вывод о совпадении или несовпадении параметров клавиатурного почерка. Вследствие чего принимается решение об аутентичности пользователя.

.png

Рисунок 1 - временная линия прохождения курса пользователем

timel

Рисунок 2 - система динамической аутентификации

Сложность динамической аутентификации

В динамических системах аутентификации, использующих в качестве входных данных клавиатурный или рукописный почерк, набор характеристик пользователя представляется в виде вектора V биометрических параметров в ортогональной системе координат. Компоненты данного вектора определяются путем измерения соответствующих характеристик. Между компонентами вектора имеется корреляция. [1]

Сложность решения задачи динамической аутентификации определяется сложностью моделирования движений человека. Формально это может быть представлено в виде модели со множеством входом и тремя выходами, где входами являются мышцы человека, при помощи которых он выполняет определенные действия.

Сложность задачи можно оценить по количеству ее входов, соответственно, по количеству мышц, вовлеченных в определенный тип движений. При письме рукой у человека задействуются около 50 мышц одной руки: мышцы пальцев, кисти и предплечья. Однако в таком случает основную роль играют всего примерно 10 мышц. Соответственно, получаем минимум десятимерную задачу управления движениями.

При печати двумя руками в работу включаются мышцы плечевого пояса и второй руки. В итоге оказывается задействованы порядка 140 мышц. Если взять за основу то, что наибольшее влияние оказывают порядка 20% мышц, то получаем задачу с количеством входов равным 28 или двадцати восьми мерную задачу управления.

Для сравнения, в произношении речи задействованы мышцы груди, живота, брюшой полости, лицевые и челюстные мышцы, мышцы речевого аппарата. В сумме количество вовлеченных мышц около 110, значит задача воспроизведения речи является двадцати двух мерной.[2]

Важным моментом является то, что в вышеперечисленных моделях управления задача является многомерной, а также количество входов значительно превышает количество выходов.

Поскольку в основе управления движениями руки лежат одинаковые принципы, а задача классификации пользователя по клавиатурному почерку оказывается сравнима по сложности с рукописной, можно сделать вывод об уникальности клавиатурного почерка. Соответственно применение методов динамической аутентификации по клавиатурному почерку является оправданным и эффективным.

Характеристики клавиатурного почерка

При аутентификации по клавиатурному почерку собирается полная информация о действиях пользователя в системе. Далее нам необходимо выделить основные признаки, характеризующие поведение пользователя. В дальнейшем эти признаки, подвергаясь обработке, позволяют получить ряд эталонных характеристик пользователя.

Основные признаки, используемые в полученной модели

- Динамика ввода - время удержания клавиш и время между нажатиями клавиш;

- Скорость ввода - количество нажатий клавиш за единицу времени;

- Использование функциональных клавиш;

- Частота ошибок ввода.

Алгоритм классификации пользователей

Для работы соответствующей системы динамической аутентификации авторизованный пользователь должен пройти этап обучения, в процессе которого L раз в различные моменты времени считываются его биометрические параметры. Эти L векторов V={V1, V2, … VL } соответствуют L подписям пользователя и состоят из N компонентов.

Распределение векторов Vi, состоящих из N параметров в данном случае является схожим с нормальным [3]. Соответственно, векторы биометрических параметров Vi представимы в виде функции плотности нормального распределения Vi, при L → ∞ в ортогональной системе координат представляет собой гиперэллипсоид рассеивания. Между компонентами векторов Vi , i = 1..L имеется корреляция. Значит, построив формулу данного гиперэллипсоида, задача аутентификации будет представлять собой определение принадлежности предъявляемого вектора в область пространства, отделяемую представленной гиперповерхностью [4].

Значит для параметрического обучения классификатора необходимо выполнить следующие действия:

- Определить зависимость дискриминантных функций g (V) от коэффициентов сдвига и масштаба функции плотности распределения;

- На основе обучающей выборки векторов Vi произвести оценку значений данных параметров;

- Сделать предположение об истинности указанных оценок значений параметров и выполнить подстановку в представленную на начальном этапе дискриминантную функцию g (V).

Поскольку при аутентификации нам необходимо разделить пользователей только на два класса - «свой» и «чужой», классификацию можно выполнить при помощи единственной дискриминантной функции g (V). Знак данной функции будет отвечать за вхождение предъявленного вектора V в соответствующий класс.

form1

Соответствующая дискриминантная функция задается формулой:

form2

Результаты тестирования

Для тестирования данного приложения в системе аутентификации было зарегистрировано 31 пользователей, которых можно условно разделить на четыре группы по количеству пройденных курсов в системе управления обучением. Итоговый тест по каждому курсу было предложено пройти 3 раза. Первая группа состоит из 16 человек, которые проходили только один курс. Вероятность ошибки первого рода для этой группы составила 14,5%, а второго 6,2%. Вторая состоит из 7 человек, проходивших два курса. Вероятность ошибки первого рода для них составила 14,2%, а второго 5,9%. Третья группа состоит из 5 человек, проходивших три курса. Вероятность ошибки первого рода для этой группы составила 12,4%, а второго 5,1%. И четвертая группа состоит из 3 человек, прошедших пять курсов. Вероятность ошибки первого рода для них составила 12,1%, а второго 4,9%.

Количество пройденных курсов

Количество человек в группе

Вероятность ошибки первого рода

Вероятность ошибки второго рода

1

16

14,5%

6,2%

2

7

14,2%

5,9%

3

5

12,4%

5,1%

5

3

12,1%

4,9%

Таблица 1 - результаты тестирования

ver1

Рисунок 4 - Вероятность ошибки первого рода

ver2

Рисунок 5 - Вероятность ошибки второго рода

Исходя из графиков, представленных на рисунках 4 и 5, следует, что вероятность ошибки резко падает при переходе с двух курсов на три курса, а при переходе с трех до пяти - изменяется незначительно, что позволяет сделать вывод о стабильности результата при увеличении собранной статистики по пользователю.

Заключение

В ходе исследования был проведен анализ биометрических методов аутентификации и выбран наиболее целесообразный в использовании - по особенностям клавиатурного почерка. Построена архитектуры механизма аутентификации пользователей в системе управления обучением; описан алгоритм разделения пользователей на два класса. В соответствии с полученными требованиями к системе, был реализован данный механизм на практике и проведено его тестирование.

Полученные результаты тестирования удовлетворяют поставленным требованиям, поскольку при ошибочном итоге аутентификации не происходит необратимых последствий. Существуют различные методики расследования инцидентов, которые позволяют при необходимости пересмотреть результат. Данный механизм необходимо использовать для автоматизации процесса проверки аутентичности пользователей в частности, для крупных систем управления обучением.

Область применения данного исследования не ограничивается электронным обучением и подходит для всех типов систем со схожей моделью нарушителя.

Таким образом, использование предложенного механизма динамической аутентификации по клавиатурному почерку в системе управления обучением является оправданным и эффективным.

Библиография
1.
Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений. Пенза: Изд-во Пенз. гос. ун-та, 2000. 188 с.
2.
Ходашинский И.А. и др. Технология усиленной аутентификации пользователей информационных процессов // Доклады Томского государственного университета систем управления и радиоэлектроники. 2011. № 2-3. С. 236-248.
3.
Чалая Л.Э. Модель идентификации пользователей по клавиатурному почерку // Искусственный интеллект. 2004. № 4. С. 811-817.
4.
Брюхомицкий Ю.А. Метод обучения нейросетевых биометрических систем на основе копирования областей / Ю.А. Брюхомицкий, М.Н. Казарин // Перспективные информационные технологии и интеллектуальные системы (Электронный журнал). 2003. № 3(15). С. 17–23.
References (transliterated)
1.
Ivanov A.I. Biometricheskaya identifikatsiya lichnosti po dinamike podsoznatel'nykh dvizhenii. Penza: Izd-vo Penz. gos. un-ta, 2000. 188 s.
2.
Khodashinskii I.A. i dr. Tekhnologiya usilennoi autentifikatsii pol'zovatelei informatsionnykh protsessov // Doklady Tomskogo gosudarstvennogo universiteta sistem upravleniya i radioelektroniki. 2011. № 2-3. S. 236-248.
3.
Chalaya L.E. Model' identifikatsii pol'zovatelei po klaviaturnomu pocherku // Iskusstvennyi intellekt. 2004. № 4. S. 811-817.
4.
Bryukhomitskii Yu.A. Metod obucheniya neirosetevykh biometricheskikh sistem na osnove kopirovaniya oblastei / Yu.A. Bryukhomitskii, M.N. Kazarin // Perspektivnye informatsionnye tekhnologii i intellektual'nye sistemy (Elektronnyi zhurnal). 2003. № 3(15). S. 17–23.
Ссылка на эту статью

Просто выделите и скопируйте ссылку на эту статью в буфер обмена. Вы можете также попробовать найти похожие статьи


Другие сайты издательства:
Официальный сайт издательства NotaBene / Aurora Group s.r.o.
Сайт исторического журнала "History Illustrated"