Розмір шрифта:
АДАПТАЦІЯ МОДЕЛІ НАДІЙНОСТІ ЗРАЗКА КЛАВІАТУРНОГО ПОЧЕРКУ ДЛЯ МОБІЛЬНИХ ПРИСТРОЇВ І СЕНСОРНИХ ЕКРАНІВ
Остання редакція: 2026-04-28
Анотація
У роботі розглянуто задачу адаптації параметрів моделі надійності зразка клавіатурного почерку до умов мобільних пристроїв та сенсорних екранів. Запропоновано чотири адаптації ключових параметрів — порогу варіативності CV_max, порогу фінгерпринту θ_fp, ознаки детекції автозаповнення та мінімального стандартного відхилення σ_min, — що враховують фізичні особливості сенсорного введення. Показано, що платформо-специфічна параметризація дозволяє коректно оцінювати надійність поведінкового зразка у мобільному середовищі та зберегти ефективність якісно-керованого злиття скорингу.
ADAPTATION OF THE KEYBOARD HANDWRITING SAMPLE RELIABILITY MODEL FOR MOBILE DEVICES AND TOUCH SCREENS
Abstract:
The paper addresses the problem of adapting the keystroke sample reliability model parameters to mobile devices and touchscreen environments. Four adaptations of key parameters — variability threshold CV_max, fingerprint threshold θ_fp, autofill detection feature, and minimum standard deviation σ_min — are proposed to account for specific physical characteristics of touchscreen input. It is demonstrated that platform-specific parameterization enables correct assessment of behavioral sample reliability in mobile environments and preserves the informativeness of quality-gated score fusion.
ADAPTATION OF THE KEYBOARD HANDWRITING SAMPLE RELIABILITY MODEL FOR MOBILE DEVICES AND TOUCH SCREENS
Abstract:
The paper addresses the problem of adapting the keystroke sample reliability model parameters to mobile devices and touchscreen environments. Four adaptations of key parameters — variability threshold CV_max, fingerprint threshold θ_fp, autofill detection feature, and minimum standard deviation σ_min — are proposed to account for specific physical characteristics of touchscreen input. It is demonstrated that platform-specific parameterization enables correct assessment of behavioral sample reliability in mobile environments and preserves the informativeness of quality-gated score fusion.
Ключові слова
клавіатурний почерк; мобільна автентифікація; сенсорний екран; модель надійності зразка; ризик-орієнтована автентифікація; fat-finger ефект; фінгерпринт пристрою; keystroke dynamics; mobile authentication; touchscreen; sample reliability model; risk-based
Посилання
1. Д.П. Курніцький, Р.Н. Квєтний Порогова оптимізація risk-based автентифікації під вартісні регуляторні обмеження PSD2. Оптико-електронні інформаційно-енергетичні технології. 2025. Т. 50, № 2. С. 79–87.
2. Acien A., Morales A., Monaco J. V., Fierrez J. TypeNet: Deep Learning Keystroke Biometrics. IEEE Transactions on Biometrics, Behavior, and Identity Science. 2022. Vol. 4, No. 1. PP. 57–70.
3. Shadman R., Wahab A. A., Manno M., Lukaszewski M., Hou D., Hussain F. Keystroke Dynamics: Concepts, Techniques, and Applications. [Електронний ресурс]. Режим доступу: https://dl.acm.org/doi/full/10.1145/3733103
4. Pisani P. H., Lorena A. C., de Leon Ferreira de Carvalho A. C. P. Enhanced template update for keystroke dynamics. Computers & Security. 2018. Vol. 77. PP. 473–490.
5. Yang L., Li C., You R., Li L. TKCA: A Timely Keystroke-based Continuous Authentication. Computers & Security. 2022. Vol. 120. Article 102813.
2. Acien A., Morales A., Monaco J. V., Fierrez J. TypeNet: Deep Learning Keystroke Biometrics. IEEE Transactions on Biometrics, Behavior, and Identity Science. 2022. Vol. 4, No. 1. PP. 57–70.
3. Shadman R., Wahab A. A., Manno M., Lukaszewski M., Hou D., Hussain F. Keystroke Dynamics: Concepts, Techniques, and Applications. [Електронний ресурс]. Режим доступу: https://dl.acm.org/doi/full/10.1145/3733103
4. Pisani P. H., Lorena A. C., de Leon Ferreira de Carvalho A. C. P. Enhanced template update for keystroke dynamics. Computers & Security. 2018. Vol. 77. PP. 473–490.
5. Yang L., Li C., You R., Li L. TKCA: A Timely Keystroke-based Continuous Authentication. Computers & Security. 2022. Vol. 120. Article 102813.
Повний текст:
PDF