Keystroke dynamics recognition using nine-variate prediction ellipsoid for normalized data

Abstract

Актуальність. Розпізнавання клавіатурного почерку є важливим елементом у підвищенні безпеки, що дозволяє реалізувати персоналізовану автентифікацію користувачів та підтримує різні системи перевірки особистості. Це дослідження вивчає вплив розподілу даних на ефективність моделей однокласової класифікації в задачах розпізнавання клавіатурного почерку, зосереджуючи увагу на застосуванні дев’ятивимірного еліпсоїда прогнозування. Об’єктом дослідження є процес розпізнавання клавіатурного почерку. Предметом дослідження є математичні моделі для розпізнавання клавіатурного почерку. На відміну від типових підходів, що передбачають багатовимірний нормальний розподіл даних, реальні набори даних часто відхилається від нього, що ускладнює побудову точних і надійних моделей. Для вирішення цієї проблеми дані були нормалізовані за допомогою багатовимірного перетворення Бокса-Кокса, що дозволило покращити вірогідність розпізнавання клавіатурного почерку за допомогою застосування еліпсоїда прогнозування для нормалізованих даних. Метою роботи є підвищення ймовірності розпізнавання клавіатурного почерку шляхом побудови дев’ятивимірного еліпсоїда прогнозування для нормалізованих даних із використанням багатовимірного перетворення Бокса-Кокса. Метод. Дослідження включає побудову дев’ятивимірного еліпсоїда прогнозування для даних, нормалізованих за допомогою перетворення Бокса-Кокса. Квадрат відстані Махаланобіса застосовується для виявлення та видалення викидів, а тест Мардіа оцінює відхилення багатовимірного розподілу від нормального. Оцінки параметрів багатовимірного перетворення Бокса-Кокса отримані методом максимальної правдоподібності. Результати. Результати показують значне підвищення вірогідності розпізнавання після нормалізації, що полягає у збільшені точності та надійності порівняно з моделями, побудованими для ненормалізованих даних. Застосування дев’ятивимірного перетворення Бокса-Кокса дозволило краще врахувати кореляції між ознаками, що дозволило еліпсоїду прогнозування краще захоплювати складні закономірності даних. Висновки. Для розпізнавання клавіатурного почерку була розроблена математична модель у формі дев’ятивимірного еліпсоїда прогнозування для даних, нормалізованих із використанням багатовимірного перетворення Бокса-Кокса, що підвищує ймовірність розпізнавання в порівнянні з моделями, побудованими для ненормалізованих даних. Однак залишаються труднощі у визначенні оптимального методу нормалізації та виборі рівня значущості для побудови еліпсоїда прогнозування. Ці висновки підкреслюють важливість ретельного вибору ознак та застосування вдосконалених методів нормалізації даних для подальших досліджень у сфері розпізнавання клавіатурного почерку.