Гаврилович М. П. Верифікація користувача методами глибокого навчання на основі поведінкових та біометричних характеристик

Дисертація розглядає питання створення систем верифікації користувачів на основі біометричних та поведінкових даних за допомогою нейронних мереж глибокого навчання. Потреба у надійних та високоефективних системах верифікації є надзвичайно актуальною в сферах безпеки, кібербезпеки, захисту персональних даних, медицини та управління ризиками. Неперервні біометричні та поведінкові сигнали дозволяють реалізовувати неперервні та неявні системи автентифікації. Оскільки біометричні сигнали за своєю природою дуже складні, розробка високоточної системи верифікації вимагає створення нових моделей з високою прогностичною здатністю, які можуть знаходити глибокі закономірності в даних зі складною та глибокою структурою. Метою дослідження є розробка та аналіз методів машинного навчання, зокрема нейронних мереж глибокого навчання, для верифікації користувачів на основі біометричних та поведінкових характеристик. У дисертації вперше були отримані такі нові наукові результати: 1. Розроблені нові гібридні архітектури на основі компресійних та варіаційних автоенкодерів з використанням трансформерів для вирішення завдань верифікації користувачів на основі поведінкових та біометричних характеристик, що дозволило значно покращити критерії ефективності у порівнянні з існуючими методами. 2. На основі розроблених нових гібридних архітектур створена система підтримки прийняття рішень щодо верифікації користувачів. 3. Розроблено новий підхід до підвищення точності біометричних систем верифікації на основі використання фрактальної розмірності. 4. Визначено та подальше розроблено прикладні сценарії та компоненти системи верифікації на основі удосконаленої практичної методології створення систем глибокого навчання на запропонованих архітектурах. Теоретична значущість отриманих результатів полягає у вдосконаленні та подальшому розвитку методології створення систем верифікації на основі нейронних мереж глибокого навчання. Створені гібридні нейронні мережі дозволяють значно підвищити ефективність біометричних систем верифікації завдяки поєднанню переваг компонентів з різних архітектур у одній нейронній мережі. На основі нових розроблених архітектур нейронних мереж було виявлено та кількісно оцінено вплив фрактальної розмірності на якісні показники систем верифікації. Практична цінність дисертаційної роботи: 1. Розроблена оригінальна система підтримки користувачів для неперервної біометричної верифікації на основі нових гібридних архітектур нейронних мереж з використанням фрактальної розмірності; 2. Розроблені архітектури та удосконалена методологія були впроваджені у навчальний процес у вигляді відповідної навчальної програми, лекційних матеріалів та навчально-практичного посібника. Запропонована нова гібридна архітектура на основі компресійних автоенкодерів з використанням трансформерів демонструє на 31% швидший час висновку і в середньому на 11% нижчі значення показника рівної помилки. Було проведено аналіз впливу фрактальної розмірності на системи верифікації на основі автоенкодерів. Доведено позитивний вплив фрактальної розмірності на основні якісні показники, а саме середнє зниження показника рівної помилки на 13% і підвищення площі під кривою на 2,2% у порівнянні з методом без використання фрактальної розмірності. Запропоновано автоматизовану систему неперервної біометричної верифікації користувачів на основі розроблених гібридних архітектур з урахуванням фрактальної розмірності даних. Система отримує вхідні дані з різних датчиків, які характеризують відповідні біометричні або поведінкові показники особи. Під час фази ініціалізації збирається початкова необхідна кількість даних для навчання нових гібридних архітектур. На основі вдосконаленої практичної методології налаштування параметрів системи верифікації вибираються відповідні значення розмірів вхідних даних залежно від характеристик датчиків перед навчанням; коригуються гіперпараметри архітектури нейронної мережі глибокого навчання; і обчислюється фрактальна розмірність даних для кожного типу датчика. Після навчання кожна модель надає значення для відповідних критеріїв (час висновку, порогове значення верифікації). Залежно від наявності сигналів для висновку система вибирає модель, яка охоплює найширший контекст і не перевищує встановлене допустиме значення часу висновку. Також система включає елемент моніторингу розподілу даних, який у разі змін у даних може ініціювати перенавчання моделей за потреби. Було проведено порівняльний аналіз різних типів автоенкодерів з класичними методами машинного навчання, такими як одно-класові підтримуючі векторні машини та isolation forest. Виявлено значну перевагу автоенкодерів у порівнянні з класичними методами машинного навчання, наприклад, на 7% вищу згадку, ніж у isolation forest, і майже на 75% вищу згадку, ніж у одно-класових підтримуючих векторних машин. Було проведено глибокий аналіз впливу різних компонентів біометричного сигналу та їх кількісного впливу на ефективність системи біометричної верифікації користувачів.