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
1. Risto H.N., Graven O.H. Fixed-text keystroke dynamics authentication data set – collection and analysis // Annals of Telecommunications. 2024. vol. 79. pp. 731–743. DOI: 10.1007/s12243-024-01039-z.
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.
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.
Опубликован
2026-10-02
Как цитировать
Затеев, С. В., Костюченко, Е. Ю., & Шелупанов, А. А. (2026). Сравнительный анализ подходов к проектированию архитектуры сверточных нейронных сетей для анализа клавиатурного почерка. Информатика и автоматизация, 25(5), 1385-1411. https://doi.org/10.15622/ia.25.5.3
Раздел
Искусственный интеллект, инженерия данных и знаний
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).