Аутентификация пользователей на основе анализа длины и временных параметров рукописной подписи

В работе представлены методы для аутентификации пользователя на основе признаков рукописной подписи, характеризующих ее длину как скалярную величину, так и функцию зависимости длины кривой части подписи от времени. Основной акцент делается на методах выделения статических и динамических признаков из рукописной подписи, данные признаки являются уникальными для каждого человека и могут быть использованы для принятия истинности или ложности конкретного пользователя. В процессе анализа собираются данные о временных характеристиках, включая время, затраченное на написание каждого символа, и паузы между отдельными элементами подписи. Актуальность данного исследования обусловлена необходимостью повышения уровня безопасности аутентификации пользователей в различных системах, где рукописная подпись служит важным элементом аутентификации. Результаты исследования могут быть полезны для создания более надежных систем аутентификации в таких сферах, как банковское дело, правовые процедуры, а также в других областях, где требуется высокая степень уверенности в подлинности документов. Представленные подходы не только способствуют повышению уровня безопасности авторизации, но также расширяют горизонты для дальнейших исследований в сфере биометрической аутентификации. Это, в свою очередь, может привести к более широкому внедрению данных технологий в практическое применение как в онлайн, так и офлайн системах.

1. Мискевич П.Л., Петровец В.Н., Раловец А.А. Развитие и оценка нейросетевых методов верификации собственноручной подписи. В сборнике: Компьютерные системы и сети: сборник статей 59-й научной конференции аспирантов, магистрантов и студентов, 17–21 апреля 2023 года, Минск, Беларусь. Минск: Белорусский государственный университет информатики и радиоэлектроники; 2023. С. 365–369.

2. Xiao W., Wu H. Learning Features for Offline Handwritten Signature Verification Using Spatial Transformer Network. Scientific Reports. 2025;15. https://doi.org/10.1038/s41598-025-92704-3

3. Козловский В.А., Максимова А.Ю. Алгоритм распознавания, основанный на нечетком подходе. Искусственный интеллект. 2008;(4):594–599.

4. Левинский А.Т. Алгоритмы верификации рукописных подписей на основе нейронных сетей. StudNet. 2020;3(3):395–402.

5. Иванов Ю.С., Авдеенко А.А. Обзор метода верификации личности по подписи и разработка программного обеспечения. Вестник научного общества студентов, аспирантов и молодых ученых. 2014;(1):3–8.

6. Хаерова Э.И. Использование нейросетевых технологий для идентификации рукописной подписи человека. В сборнике: Нигматуллинские чтения – 2023: сборник докладов Международной научной конференции, 09–12 октября 2023 года, Казань, Россия. Казань: Изд-во АН РТ; 2023. С. 428–431.

7. Кадильникова Т.М., Минюк О.Н. Математическое моделирование процессов верификации в документообороте организации. В сборнике: Банковская система: устойчивость и перспективы развития: сборник научных статей X Международной научно-практической конференции по вопросам финансовой и банковской экономики, посвященной 75-летию банковского образования на белорусском Полесье, 25 октября 2019 года, Пинск, Беларусь. Пинск: Полесский государственный университет; 2019. С. 321–326.

8. Дробинцев П.Д., Сергеев Д.И., Воинов Н.В. Система онлайн верификации подписей для мобильных устройств с многоуровневым датчиком давления. В сборнике: XX Международная конференция по мягким вычислениям и измерениям (SCM'2017): Том 1, 24–26 мая 2017 года, Санкт-Петербург, Россия. Санкт-Петербург: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина); 2017. С. 520–522.

9. Анисимова Э.С., Аникин И.В. Сравнительный анализ нейросетевых моделей для распознавания динамики рукописных подписей. Электроника, фотоника и киберфизические системы. 2024;4(3):77–85.

10. Старовойтов В.В. Следует ли нормализовать данные динамических подписей перед верификацией методом DTW? В сборнике: Big Data и анализ высокого уровня: сборник научных статей X Международной научно-практической конференции: Часть 2, 13 марта 2024 года, Минск, Беларусь. Минск: Белорусский государственный университет информатики и радиоэлектроники; 2024. С. 391–400.

11. Maergner P., Pondenkandath V., Alberti M., et al. Offline Signature Verification by Combining Graph Edit Distance and Triplet Networks. In: Structural, Syntactic, and Statistical Pattern Recognition: Joint IAPR International Workshop, S+SSPR 2018: Proceedings, 17–19 August 2018, Beijing, China. Cham: Springer; 2018. P. 470–480. https://doi.org/10.1007/978-3-319-97785-0_45

12. Кузнецов В.В. Использование матрицы углов для повышения точности метода биометрической верификации по динамической подписи. Техника и технология: новые перспективы развития. 2014;(XV):72–75.