54«Инновационные аспекты развития науки и техники»
Михайлова Анна Аркадьевна Мороз Алексей Романович Уманский Сергей Александрович Шустрова Анна Николаевна Mikhailova Anna Arkadevna Moroz Alexey Romanovich Umanskiy Sergey Aleksandrovich Shustrova Anna Nikolaevna Студент Student
Московский государственный технический университет им. Баумана
Bauman Moscow State Technical University
ДВУХФАКТОРНАЯ АУТЕНТИФИКАЦИЯ
TWO-FACTOR AUTHENTICATION
Аннотация, в данной работе будут рассмотрены такие виды аутентификации, как биометрический по изображению лица и биометрический по отпечатку пальца. Мы произведем подбор данных для распознавания по отпечатку пальца, составим программу, производящую расчет точности работы системы при слиянии двух биометрических методов, и проанализируем результат работы программы.
Abstract: in this article, we will consider such types of authentication as biometric by face image and biometric by fingerprint. We will select the data for fingerprint recognition, create a program that calculates the accuracy of the system when merging two biometric methods,and analyze the result of the program.
Ключевые слова, аутентификация, двухфакторная аутентификация, биометрия, изображение лица, отпечаток пальца, точность.
Key words: authentication, two-factor authentication, biometrics, face image, fingerprint, accuracy.
На конференции RSA инженеры компании Microsoft представили статистику, в соответствии с которой 99,9% взломанных учетных записей не использовали многофакторную аутентификацию, которая, по их мнению, способна остановить большинство автоматических атак на учетные записи [1, с. 1].
УДК 004
XМеждународная научно-практическая конференция
Как мы видим, в сфере информационной безопасности использование
двухфакторной аутентификации приобрело большую популярность. В то время как в СКУД это решение только начало приобретать свою аудиторию. В этом заключается актуальность наших исследований.
Точность работы биометрической системы определяется такими параметрами, как ошибки первого (FRR) и второго (FAR) рода. Можно понять, что речь идет об ошибке первого рода, если система не может опознать пользователя, уполномоченного на проход, и об ошибке второго рода, если система принимает постороннего человека за человека, имеющего права на проход.
Наиболее объективным показателем точности работы биометрической системы является коэффициент равной ошибки (EER), при котором обе ошибки (FRR, FAR) эквивалентны. Соответственно, чем ниже коэффициент EER, тем выше точность биометрической системы.
Целью практической части исследования является анализ влияния слияния нескольких биометрических характеристик унимодальных систем на точность идентификации. В качестве модальностей системы были выбраны алгоритм распознавания лиц по двумерным изображениям и метод идентификации по особым точкам отпечатков пальцев. Оба алгоритма выделяют ключевые признаки лиц и отпечатков пальцев, а также проводят идентификацию пользователей независимо друг от друга после чего происходит слияние результатов работы алгоритмов для вынесения окончательного вердикта: «допущен» или «не допущен».
Поскольку точность идентификации у каждого алгоритма индивидуальна и зависит от выбранного порогового значения, поэтому в ходе исследования будут построены кривые ошибок первого и второго рода для каждого алгоритма и для их слияний соответственно.
Алгоритм распознавания лиц по двумерным изображениям EigenFace воплощает в себе реализацию метода главных компонент применительно к решению задачи распознавания лиц.
«Инновационные аспекты развития науки и техники» Рассмотрим поэтапное выполнение алгоритма распознавания лиц по
двумерным изображениям. На подготовительном этапе необходимо найти и
отредактировать базу данных фотографий. В нашем случае мы сделали подборку
из 50 папок, в каждой по 15 фотографий одного человека с различным
освещением и поворотом головы. На первом этапе происходит разделение базы
данных на обучающую и тестируемую выборки в заданном соотношении. На
втором этапе обработки происходит векторизация фотографий путем
представления их в виде вектора контрастности со значениями типа double.
Нормализация изображений происходит в два этапа: вычисление «Среднего
лица» как среднего арифметического из всех фотографий обучающей выборки и
вычитание полученного «среднего лица» из каждого изображения, тем самым
мы получаем информацию об уникальных чертах каждого изображения в наборе.
На третьем этапе происходит вычисление ковариационной матрицы. Ковариация
показывает, как переменные зависят друг от друга. После предыдущего шага у
нас имеется набор изображений, с различными отличительными особенностями.
Теперь же мы хотим увидеть, как эти особенности для каждого отдельного
изображения изменяются по отношению к остальной выборке. Для этого мы
производим умножение матрицы тестовой выборки саму на себя
транспонированную. Для полученной матрицы ковариации решается задача
определения собственных значений и соответствующих им собственных
векторов. На четвертом этапе происходит вычисление «собственных лиц» как
произведение обучающей выборки на оставшиеся собственные вектора. На
пятом этапе мы производим расчет весовых коэффициентов. Далее мы
случайным образом выбираем фотографию из тестового набора, производим
нормализацию, вычисляем весовые коэффициенты, решаем задачу
классификации, в нашем случае, определяем минимальное евклидово расстояние
между векторами обучающей и тестовой выборки и сравниваем их с пороговым
значением. Финальным действием определим коэффициент равной ошибки
(EER), в нашем случае он получился равным EER = 26.5% (Рис. 1).
XМеждународная научно-практическая конференция Рассмотрим сразу реализацию алгоритма идентификации по особым точкам отпечатков пальцев. По одному или нескольким изображениям отпечатков пальцев со сканера формируется шаблон, представляющий собой двухмерную поверхность, на которой выделены конечные точки, точки ветвления, а также «ядро» - центр изображения отпечатка пальца. Процедура сравнения состоит в том, что на отсканированном изображении отпечатка также выделяются особые точки, составляется карта этих точек, которая сравнивается с шаблоном и по количеству совпавших точек принимается решение по идентичности отпечатков. Результатом сопоставления, как правило, является набор ключевых точек. Затем используется порог, определяющий, насколько большим должно быть это число, чтобы было возможно сопоставить отпечаток пальца с шаблоном. Последним шагом рассчитаем коэффициент равной ошибки, который равен EER = 12.5%(Рис. 1).
Рис. 1. Определение коэффициента равной ошибки - EER (красная точка).
На Рис. 1 кривые FAR и FRR - красная и синяя соответственно.
Произведем объединение алгоритмов на уровне биометрических образцов и уровне принятия решения. Поскольку уровень биометрических образцов реализуется аппаратно, в данной работе мы рассмотрим объединение двух унимодальных систем на уровне принятия решений. Для реализации данного метода нам пришлось сопоставить датасеты фотографий лиц и изображений отпечатков пальцев.
«Инновационные аспекты развития науки и техники»
В качестве комбинирующего алгоритма были рассмотрены логические функции «И» и «ИЛИ». По результатам объединения построим кривые ошибок первого и второго рода для каждой из заданных функций (Рис. 2).
Рис. 2. Кривые ошибок первого и второго рода для логической функции «И» (слева), EER = 26.675%, для логической функции «ИЛИ» (справа),
ЕЕЯ = 11.224% .
Таким образом, при реализации алгоритма распознавания лиц по двумерным изображениям коэффициент равной ошибки получился равным 26,5%, при использовании алгоритма идентификации по особым точкам отпечатков пальцев коэффициент равной ошибки равен 12,5%. В случае реализации мультимодальной биометрии мы приходим к двум вариантам: совмещать результаты посредством логического «И», либо логического «ИЛИ». В первом случае коэффициент равной ошибки равняется 26,7%, во втором -11,2%. Как выходит из результатов, нам получилось достичь чуть лучшей точности, чем при уномодальной биометрии.
Однако, так как соотнесение выборок производилось случайным образом, то результаты могут незначительно меняться каждый раз. Это является причиной большого коэффициента равной ошибки при мультимодальной биометрии посредством логического «И», так как один и второй алгоритм должны
XМеждународная научно-практическая конференция
утвердить, что данные относятся к конкретному человеку, то есть очень большую роль имеет то, как мы сопоставим базы данных.
Библиографический список:
1. Статистика использования многофакторной аутентификации [Электронный ресурс] - 2020. - Режим доступа: https://xakep.ru/2020/03/06/microsoft-mfa-stats/ (дата обращения: 02.05.2021 г.).
УДК 004
Несвоева Анна Алексаднровна Nesvoeva Anna Aleksandrovna
Студент Student
Федоров Вячеслав Игоревич Fedorov Vyacheslav Igorevich
Научный руководитель, кандидат технических наук, доцент кафедры
информационных и робототехнических систем Scientific Supervisor, Candidate of Technical Sciences, Associate Professor of the
Department of Information and Robotic Systems Белгородский государственный национальный исследовательский университет
Belgorod State National Research University
АНАЛИЗ ДЕЯТЕЛЬНОСТИ РЕГИСТРАТУРЫ ПОЛИКЛИНИКИ
ANALYSIS OF THE ACTIVITY OF THE POLYCLINIC REGISTRY
Аннотация, данная статья посвящена анализу деятельности регистратуры поликлиники, выполнено моделирование процессов «как есть» и «как будет» в нотации IDEF3 с помощью инструментария ERwin Process Modeler.
Abstract: this article is devoted to the analysis of the activity of the polyclinic registry, modeling of the processes "as is" and "as will be" in the IDEF3 notation using the ERwin Process Modeler toolkit.
