Алгоритм функционирования программно-аппаратной подсистемы биометрической идентификации на основе анализа клавиатурного почерка

В настоящей работе представлен алгоритм функционирования программно-аппаратной подсистемы биометрической идентификации на основе анализа клавиатурного почерка. Система поддерживает режим идентификации (1:N) и режим верификации (1:1) в соответствии с ГОСТ Р 54412–2019. Обзор современной научной литературы по теме исследования показал, что биометрические системы могут использовать различные характеристики, такие как скорость печати или время набора пар клавиш. Выявлено, что аппаратные средства позволяют повысить точность захвата временных интервалов между нажатиями последовательных пар клавиш (биграмм), однако отсутствуют решения, соответствующие ГОСТ Р 54412–2019. Алгоритм обеспечивает полный цикл обработки в распределенной архитектуре, включающей клиент, сервер и аппаратный модуль на базе Arduino. Проведена оценка модели на соответствие требованиям стандарта, доказана устойчивость работы на платформе ATmega32U4. Показана эффективность интеграции в биометрические системы за счет поддержки онлайн и офлайн режимов работы. Время сравнения составляет ≤ 190 мс, а потребление памяти ~1,9 Кб. Описана возможность использования модели в подсистеме обработки сигнала и принятия решений с применением метрик сходства распределений. Результаты исследования могут быть использованы при разработке систем биометрической идентификации, соответствующих ГОСТ, обеспечивающих защиту доступа без модификации клиентских операционных систем.

1. Шкляр Е.В., Шульженко А.Д. Математическая модель биометрического контрольного шаблона клавиатурного почерка. Моделирование, оптимизация и информационные технологии. 2026;14(1). https://doi.org/10.26102/2310-6018/2026.52.1.001

2. Довгаль В.А. Особенности захвата параметров клавиатурного почерка. Вестник Адыгейского государственного университета. Серия: Естественно-математические и технические науки. 2017;(2):102–108.

3. Иванов Д.А., Никитин А.П. Противодействие анализу клавиатурного почерка. Вестник РГГУ. Серия: Документоведение и архивоведение. Информатика. Защита информации и информационная безопасность. 2014;(11):178–183.

4. Шарипов Р.Р., Катасев А.С., Кирпичников А.П. Методы анализа клавиатурного почерка пользователей с использованием эталонных гауссовских сигналов. Вестник Технологического университета. 2016;19(13):157–160.

5. Ulinskas M., Woźniak M., Damaševičius R. Analysis of Keystroke Dynamics for Fatigue Recognition. In: Computational Science and Its Applications – ICCSA 2017: Proceedings: Part V: 17th International Conference, 03–06 July 2017, Trieste, Italy. Cham: Springer; 2017. P. 235–247. https://doi.org/10.1007/978-3-319-62404-4_18

6. Monaco J.V., Tappert Ch.C. The partially observable hidden Markov model and its application to keystroke dynamics. Pattern Recognition. 2018;76:449–462. https://doi.org/10.1016/j.patcog.2017.11.021

7. Shadman R., Wahab A.A., Manno M., et al. Keystroke Dynamics: Concepts, Techniques, and Applications. ACM Computing Surveys. 2025;57(11). https://doi.org/10.1145/3733103

8. Senerath D., Tharinda S., Vishvajith M., et al. BehaveFormer: A Framework with Spatio-Temporal Dual Attention Transformers for IMU-Enhanced Keystroke Dynamics. In: 2023 IEEE International Joint Conference on Biometrics (IJCB), 25–28 September 2023, Ljubljana, Slovenia. IEEE; 2023. P. 1–9. https://doi.org/10.1109/IJCB57857.2023.10448997

9. Шкляр Е.В. Алгоритм формирования списка слов с заданным распределением биграмм для регистрации биометрических контрольных шаблонов клавиатурного почерка. Безопасность информационных технологий. 2025;32(3):74–89.

10. Roy S., Pradhan J., Kumar A., et al. A Systematic Literature Review on Latest Keystroke Dynamics Based Models. IEEE Access. 2022;10:92192–92236. https://doi.org/10.1109/ACCESS.2022.3197756