moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.52.1.001 2067 Математическая модель биометрического контрольного шаблона клавиатурного почерка The mathematical model of keystroke dynamics biometric reference 0000-0002-1894-8065 Шкляр Евгений Вадимович Shklyar Evgeniy Vadimovich evgeniy.shklyar@yandex.ru aff-1 0000-0002-5950-7039 Шульженко Анастасия Дмитриевна Shulzhenko Anastasia Dmitrievna anastasija_dmitrievna@mail.ru aff-2 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им В.И. Ульянова-Ленина Saint Petersburg Electrotechnical University "LETI" named after V.I. Ulyanov (Lenin) Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им В.И. Ульянова-Ленина Saint Petersburg Electrotechnical University "LETI" named after V.I. Ulyanov (Lenin) 01 01 2026 1 1 10.26102/2310-6018/2026.52.1.001 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В настоящей работе представлена математическая модель биометрического контрольного шаблона клавиатурного почерка, позволяющая проводить биометрическую идентификацию пользователей на основе ввода свободного текста. Обзор современной научной литературы по теме исследования показал, что биометрические контрольные шаблоны могут быть представлены в подсистемах сбора и хранения с помощью различных характеристик, таких как скорость печати, время между нажатиями клавиш или время набора биграмм. Выявлено, что основной характеристикой, позволяющей проводить биометрическую идентификацию, является временной интервал между последовательными нажатиями пар клавиш (биграмм). Биометрический контрольный шаблон клавиатурного почерка определен как совокупность непрерывных вероятностных характеристик, каждая из которых отражает распределение временных задержек между нажатиями конкретных пар символов. Проведена оценка модели на соответствие требованиям ГОСТ, доказана устойчивость к вариативности вводимых текстов, показана эффективность интеграции в биометрические системы за счет меньшего использования памяти, чем в существующих решениях, а также описана возможность использования модели в подсистеме обработки сигнала в схеме биометрической системы общего вида. Результаты исследования могут быть использованы при разработке систем биометрической идентификации, соответствующих ГОСТ.

This paper presents a mathematical model of a biometric reference template for keystroke dynamics, enabling biometric user identification based on free-text input. A review of contemporary scientific literature on the topic revealed that biometric reference templates can be represented using various features, such as typing speed, keystroke latency (time between keystrokes), or digraph (bigram) duration. It was identified that the primary feature enabling biometric identification is the time interval between consecutive keystrokes of character pairs (bigrams). The biometric reference template for keystroke dynamics is defined as a set of continuous probabilistic characteristics, each representing the distribution of time latencies between the keystrokes of specific character pairs. The model was evaluated for compliance with GOST (Russian State Standard) requirements. Its robustness to text variability was demonstrated, and integration efficiency was shown through lower memory usage compared to existing solutions. The possibility of using the model within a signal processing subsystem in a general-purpose biometric system architecture is described. The research results can be applied in the development of biometric identification systems compliant with GOST standards.

 клавиатурный почерк идентификация биометрия математическая модель биометрический контрольный шаблон keystroke dynamics identification biometrics mathematical model biometric reference Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Артюшина Л.А., Троицкая Е.А. Некоторые подходы к оценке информативности параметров идентификации пользователя по клавиатурному почерку на основе поведенческой биометрии. Вестник Вестник Южно-Уральского государственного университета. Серия «Компьютерные технологии, управление, радиоэлектроника». 2022;22(3):30–38. https://doi.org/10.14529/ctcr220303 Чекмарев Д.Ю., Борзенкова С.Ю. Оценка и сравнительный анализ эффективности систем распознавания клавиатурного почерка. Известия Тульского государственного университета. Технические науки. 2023;(12):490–492. Dimaratos A., Pöhn D. Evaluation Scheme to Analyze Keystroke Dynamics Methods. In: Proceedings of the 9th International Conference on Information Systems Security and Privacy, ICISSP 2023: Volume 1, 22–24 February 2023, Lisbon, Portugal. SciTePress; 2023. P. 357–365. https://doi.org/10.5220/0011626100003405 Kaluarachchi N., Kandanaarachchi S., Moore K., Arakala A. DEFT: A New Distance-Based Feature Set for Keystroke Dynamics. arXiv. URL: https://arxiv.org/abs/2310.04059 [Accessed 12th August 2025]. 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 Smeaton A.F., Krishnamurthy N.G., Suryanarayana A.H. Keystroke Dynamics as Part of Lifelogging. In: MultiMedia Modeling: 27th International Conference, MMM 2021: Proceedings: Part II, 22–24 June 2021, Prague, Czech Republic. Cham: Springer; 2021. P. 183–195. https://doi.org/10.1007/978-3-030-67835-7_16 Unni S., Gowda S.S., Smeaton A.F. An Investigation into Keystroke Dynamics and Heart Rate Variability as Indicators of Stress. In: MultiMedia Modeling: 28th International Conference, MMM 2022: Proceedings: Part I, 06–10 June 2022, Phu Quoc, Vietnam. Cham: Springer; 2022. P. 379–391. https://doi.org/10.1007/978-3-030-98358-1_30 Ismail M.G., Salem M.A., Abd El Ghany M.A., Aldakheel E.A., Abbas S. Outlier Detection for Keystroke Biometric User Authentication. PeerJ Computer Science. 2024;10. https://doi.org/10.7717/peerj-cs.2086 Саитов И.А., Саитов А.И., Шарапов М.М. Аутентификация оператора АРМ критически важного объекта на основе компьютерного почерка. Известия высших учебных заведений. Приборостроение. 2023;66(6):449–456. https://doi.org/10.17586/0021-3454-2023-66-6-449-456 Shadman R., Wahab A.A., Manno M., Lukaszewski M., Hou D., Hussain F. Keystroke Dynamics: Concepts, Techniques, and Applications. ACM Computing Surveys. 2025;57(11). https://doi.org/10.1145/3733103 Simão M., Prado F.O.C., Wahab O.A., Avila A.R. TempCharBERT: Keystroke Dynamics for Continuous Access Control Based on Pre-Trained Language Models. In: 2024 IEEE International Workshop on Information Forensics and Security (WIFS), 02–05 December 2024, Rome, Italy. IEEE; 2024. P. 1–6. https://doi.org/10.1109/WIFS61860.2024.10810697 Putra S.R., Chowanda A. Keystroke Dynamics on Multi-Session and Uncontrolled Settings Using CNN Bi-LSTM. Journal of Theoretical and Applied Information Technology. 2025;103(2):506–516. https://doi.org/10.5281/zenodo.15762286 Ермишева Ю.Д., Омельченко Т.А. Отдельные результаты применения программного средства аутентификации по клавиатурному почерку. НБИ технологии. 2023;17(1):11–16. https://doi.org/10.15688/NBIT.jvolsu.2023.1.2 Кауров А.В. Метод идентификации субъектов путем использования алгоритма клавиатурного подчерка. Символ науки. 2022;(7–2):6–7. Sharma A., Jureček M., Stamp M. Keystroke Dynamics for User Identification. arXiv. URL: https://arxiv.org/abs/2307.05529 [Accessed 12th August 2025]. Линник Е.А., Трифонов Г.И., Федорова Е.В., Митрофанова С.В. Способ защиты автоматизированного рабочего места и система для его реализации. Воздушно-космические силы. Теория и практика. 2022;(24):53–62. Senerath D., Tharinda S., Vishvajith M., Rasnayaka S., Wickramanayake S., Meedeniya D. 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 Wahab A., Hou D., Cheng N., Huntley P., Devlen Ch. Impact of Data Breadth and Depth on Performance of Siamese Neural Network Model: Experiments with Three Keystroke Dynamic Datasets. arXiv. URL: https://arxiv.org/abs/2501.07600 [Accessed 18th August 2025]. 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.

The authors declare that there are no conflicts of interest present.