[go: up one dir, main page]

WO2024091140A1 - Способ проведения аутентификации - Google Patents

Способ проведения аутентификации Download PDF

Info

Publication number
WO2024091140A1
WO2024091140A1 PCT/RU2023/000024 RU2023000024W WO2024091140A1 WO 2024091140 A1 WO2024091140 A1 WO 2024091140A1 RU 2023000024 W RU2023000024 W RU 2023000024W WO 2024091140 A1 WO2024091140 A1 WO 2024091140A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
specified
template
key parameters
trajectory
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/RU2023/000024
Other languages
English (en)
French (fr)
Inventor
Андрей Александрович АНИСИМОВ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
"captcha Solutions" LLC
Original Assignee
"captcha Solutions" LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from RU2022127829A external-priority patent/RU2815478C1/ru
Application filed by "captcha Solutions" LLC filed Critical "captcha Solutions" LLC
Priority to EP23771754.1A priority Critical patent/EP4610854A1/en
Priority to US18/282,092 priority patent/US20250036740A1/en
Publication of WO2024091140A1 publication Critical patent/WO2024091140A1/ru
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/36—User authentication by graphic or iconic representation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2133—Verifying human interaction, e.g., Captcha

Definitions

  • the invention relates to the field of computer technology, namely, to methods for authenticating users using graphic images and can be used, for example, as a CAPTCHA test (Completely Automated Public Turing test to tell Computers and Humans Apart - a fully automated public Turing test for distinguishing computers and people) or to unlock personal devices, equipment, doors, etc.
  • CAPTCHA test Completely Automated Public Turing test to tell Computers and Humans Apart - a fully automated public Turing test for distinguishing computers and people
  • CAPTCHAs have a number of flaws that allow bots to pass verification like a human.
  • biometric technologies that are widespread today to solve this problem and develop specialized software is being explored.
  • a method of implementing a CAPTCHA test is known from the prior art, which is based on showing the user simple text characters with noise and determining the reproduction of these characters by the user using known proximity metric algorithms (see patent US8978144B2, check. G06F21/30, publ. 03/10/2015).
  • known proximity metric algorithms see patent US8978144B2, check. G06F21/30, publ. 03/10/2015.
  • dynamic effects are added during demonstration (letters are shown one by one, particles are removed randomly, etc.).
  • the main disadvantages of the known method are the complexity of implementation and the lack of reliability of the test, due to the relative simplicity of computer hacking of the displayed images.
  • a method of implementing a CAPTCHA test is known from the prior art, according to which the user is shown a template of a graphic image and is asked to designate this image with one or more concepts, while authentication is carried out using the registered time of solving the test by the user (see patent US8752141 B2, cl. G06F7/04, published 10.06.2014).
  • the main disadvantages of the known method are the inconvenience of its use and the lack of reliability due to the relative simplicity of computer hacking using modern image recognition algorithms.
  • a method of user authentication is known from the prior art, according to which the Cartesian coordinates of the points of the line drawn by the user in the process of drawing the image and the drawing time are recorded, after which the set of key parameters of the generated image is compared with the corresponding set of key parameters of the reference image previously created by the authenticated user (see. patent US1 1238149B2, class G06F21/31, published 02/01/2022).
  • the known method can be used in a system for unlocking portable computing devices.
  • the main disadvantage of the known method is the insufficient reliability of distinguishing between computers and people.
  • a method of authentication is known from the prior art, according to which a graphic image template is formed by combining several predefined elements, shown to the user, a set of coordinates of the image generated by the user is registered, a sufficient number of points are selected for comparison, they are compared with the corresponding set of template coordinates and a successful signal is issued.
  • authentication if their difference does not fall outside the confidence range (see patent US9471767 B2, class G06F21/36, published 10/18/2016).
  • the disadvantage of this known method is that it is estimated only how far the points of the drawn and demonstrated trajectory are located from each other friend, and in terms of drawing dynamics, it is only taken into account that the time it takes to generate an image for bots is longer than the drawing time for a human.
  • the main disadvantage of the known method is its limited capabilities due to the small amount of registered data, which greatly simplifies hacking an authentication system that works using this method.
  • the closest in technical essence to the proposed invention is a method of authentication, according to which the following steps are implemented: templates of graphic images are formed, one of the specified templates is shown to the user, the user is asked to depict the demonstrated template, a set of key parameters of the image generated by the user is registered, a set of key parameters of the generated image is compared user images with a corresponding set of key template parameters and issue a signal of successful authentication if their difference does not fall outside the confidence range (see patent US10657243B2, class G06F 21/36, published 05.19.2020). A randomly generated reference trajectory is used as an image template, and during the comparison it is determined how the characteristic (reference) points are located from each other on the trajectory.
  • the disadvantage of this known method is the relatively high probability of hacking, since successful authentication is determined only by which object was drawn and in what total time.
  • the technical problem is to eliminate the above shortcomings.
  • the authentication method includes the following stages: (i) graphic image templates are generated, (ii) one of the specified templates is shown to the user and the user is prompted to depict the demonstrated template, (iii) a set of key parameters of the generated user of the image, (iv) compare the set of key parameters of the image generated by the user with the corresponding set of key parameters of the template and issue a signal of successful authentication if their difference does not fall outside the confidence range, and include in the specified set of key parameters, according to at least one time parameter characterizing the dynamics of the appearance of the trajectory along which the user generated the image, and at stage (i) for each template, the specified set of key parameters and the limits of the confidence range are determined by machine learning based on test images that were manually generated earlier authenticated users when demonstrating this template.
  • the specified time parameter can be the average speed on the trajectory, the projection of acceleration onto the initial part of the trajectory, the average number of points on the trajectory for selected time intervals, time intervals during which the user formed selected parts of the image, the average and/or standard deviation of the length of time intervals between selected trajectory points.
  • the specified set of key parameters may additionally include the area under the trajectory in projection onto the selected coordinate axis and the length of the trajectory.
  • the specified confidence range limits may include an upper threshold value and a lower threshold value, and a successful authentication signal in step (iv) may be issued if the specified difference of key parameters of the user-generated image and the template is between the specified upper threshold value and the lower threshold value.
  • the template is preferably shown with noise and/or animation.
  • the successful authentication signal is preferably used as a CAPTCHA test pass signal or as an unlock signal.
  • Figure 1 is a screenshot before starting step (ii) showing the graphic template
  • Fig. 2 is a screenshot of step (ii) of displaying a graphic template on a mobile phone screen
  • FIG. 3 shows a screenshot of step (ii) demonstrating the graphic image template on the screen of a tablet or personal computer
  • Fig. 4 is a block diagram of the algorithm for demonstrating a graphic image template with noise, displaying it to the user and processing the data
  • Fig. 5 is a block diagram of the authentication algorithm according to the proposed method. DETAILED DESCRIPTION OF THE INVENTION
  • the user is asked to repeat the graphic image template in the form of a figure-drawing, and the information collected when constructing the image will be used for authentication.
  • the proposed invention is based on the fact that the most difficult from the point of view of imitation (spoofing) for the purpose of hacking to ensure unauthorized access is the recreation of behavioral characteristics, in particular, the manner of drawing (biometric handwriting).
  • the main advantage of biometrics is its uniqueness and multi-parameter nature, so parameters associated with human activity are almost impossible to repeat or fake.
  • the proposed technical solution proposes to use during authentication not only the vectorized characteristics of the generated image, but also the vectorized characteristics of the image drawing process itself, obtained through the use of convolutional deep neural networks (such networks can be pre-trained on a huge volume of any images and then further trained on a replenished base data).
  • the proposed authentication method includes the following main steps.
  • Initial graphic templates may be loaded into the authentication system from an external source or proposed by previously authenticated users and are preferably simple monochrome objects (drawings).
  • a set of key parameters is formed using machine learning based on test images, which is attached to the specified template.
  • the test images used are images that were manually generated by previously authenticated users when demonstrating this template.
  • both open platforms and users of the Yandex.Toloka platform can be used.
  • the database can be replenished with both ready-made images and those offered by new users, as well as through the automatic generation of a template with further retraining of the neural network after showing it to real users and collecting information about a set of key parameters.
  • the set of key parameters includes at least one time parameter characterizing the dynamics of the appearance of the trajectory along which the user formed the image (i.e., the drawing style).
  • the specified time parameter may be:
  • the set of key parameters may include non-dynamic parameters, such as
  • the characteristics of objects are saved in vectorized form (the input is complexly structured “raw” object data, and the output is vector representations of the characteristics in the form of a set of key parameters).
  • the vector data is obtained by running the input data through a pre-trained deep neural network (PDNN) using Deep Learning technology.
  • PDNN pre-trained deep neural network
  • the POGNS is initially trained by a human by manually labeling pre-assembled objects into similar classes, after which the POGNS is stored for direct vectorization of the input data.
  • the specified confidence range limits may include both an upper threshold (when the generated image parameters are too far from the template - for example, more than 30% difference) and a lower threshold value (when the generated image parameters, on the contrary, are too similar to the template and were likely copied by computer hacking - for example, less than 3% difference).
  • IP address, etc. can be analyzed for comparison with possible use by the robot (use of additional open and commercial databases).
  • Step (ii) showing one of the specified templates to the user.
  • one of the available templates is selected and shown to the user on the device screen (see Figs. 1, 2, 3).
  • the template is shown with noise, i.e., the overlay of random noise (see Fig. 4), and to simplify subsequent analysis, it is shown in the form of an animation showing which trajectory the proposed template should be drawn along.
  • the user is asked to depict (repeat) the demonstrated pattern using the touch screen of a mobile device, laptop (touchpad) or computer mouse.
  • Stage (iii) registers a set of key parameters of the user-generated image.
  • the system dynamically records the process of the emergence of the trajectory (coordinates of points on the touch screen and the astronomical or relative time of their appearance) along which the user draws the image, and transmits the received data to a remote server for subsequent processing and identification of the values of key parameters.
  • Step (iv) compares and completes authentication.
  • the set of key parameters of the user-generated image is compared with the corresponding set of key parameters of the template.
  • the preferred option is to use the cosine distance as a metric of proximity between sets of key parameters (vectors).
  • a successful authentication signal is issued if the difference between these parameters does not fall outside the confidence range (i.e., is between the upper and lower threshold values). Otherwise, the procedure is repeated or an error notification is issued in accordance with the algorithm in Fig. 4.
  • the successful authentication signal can be used as a signal for passing a CAPTCHA test (for example, to provide access to a website) or as a signal for unlocking personal devices, equipment, doors, etc. (see figure 5).
  • the proposed method can significantly increase the reliability of authentication both when used as a CAPTCHA test and when used as an unlock key.
  • Testing of the proposed method was carried out using a deep machine learning algorithm like a neural network with more than 300 layers and 1 million parameters. In total, more than 21,000 biometric samples were collected during testing. On average, each user repeated 30 shapes from a set of more than 700 shapes and generated samples of biometric handwriting for each image with coordinate-time characteristics for training deep neural networks. Datasets were collected using JavaScript in the form of drawing images, as well as a list of X, Y coordinates and time every few milliseconds.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Social Psychology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Collating Specific Patterns (AREA)
  • Lock And Its Accessories (AREA)

Abstract

Изобретение относится к способу проведения аутентификации пользователей с помощью графических изображений. Способ включает следующие этапы, на которых: формируют шаблоны графических изображений, демонстрируют один из указанных шаблонов пользователю и предлагают пользователю изобразить продемонстрированный шаблон, регистрируют набор ключевых параметров сформированного пользователем изображения, сравнивают набор ключевых параметров сформированного пользователем изображения с соответствующим набором ключевых параметров шаблона и выдают сигнал успешной аутентификации, если их разница не выходит за пределы доверительного диапазона. Изобретение позволяет значительно повысить надежность проведения аутентификации.

Description

СПОСОБ ПРОВЕДЕНИЯ АУТЕНТИФИКАЦИИ
ОБЛАСТЬ ТЕХНИКИ
Изобретение относится к области компьютерной техники, а именно, к способам проведения аутентификации пользователей с помощью графических изображений и может быть использовано, например, в качестве теста CAPTCHA (Completely Automated Public Turing test to tell Computers and Humans Apart - полностью автоматизированный публичный тест Тьюринга для различения компьютеров и людей) или для разблокирования персональных устройств, оборудования, дверей и т.д.
УРОВЕНЬ ТЕХНИКИ
С момента широкого распространения сайтов их владельцы стали сталкиваться с различными видами мошенничества и спама из-за использования компьютерных ботов (роботов) злоумышленниками. В 2000-2001 годах для решения этой проблемы на сайты стали устанавливать защиту на страницы регистрации с помощью CAPTCHA: пользователей просили перепечатать искаженный текст, который программы с трудом распознают (см. Stringham, Edward Р (2015). Private Governance: creating order in economic and social life. Oxford University Press, p. 105. ISBN 978-0-19-936516-6. OCLC 5881934034). По данным компании Datanyze технология распознавания пользователя от робота по типу CAPTCHA установлена на более чем 3 500 000 доменах в сети Интернет. Более 50 миллиардов раз в месяц пользователи решают капчи. Хотя этот механизм обеспечивает хорошую безопасность и ограничивает автоматическую регистрацию веб-службами, некоторые CAPTCHA имеют ряд недостатков, которые позволяют ботам проходить проверку как человек. В связи с этим исследуется возможность применения широко распространённых сегодня биометрических технологий для решения указанной задачи и разработки специализированного программного обеспечения.
Из уровня техники известен способ реализации теста CAPTCHA, который основан на демонстрации пользователю простых текстовых символов с зашумлением и определении воспроизведения этих символов пользователем с использованием известных алгоритмов метрики близости (см. патент US8978144B2, кп. G06F21/30, опубл. 10.03.2015). Для дополнительной защиты от повторения ботами в известном способе при демонстрации добавляют динамические эффекты (показывают буквы поочередно, удаляют частички случайным образом и т.п.). Основными недостатками известного способа являются сложность реализации и недостаточная достоверность теста, обусловленная относительной простотой компьютерного взлома демонстрируемых изображений.
Из уровня техники известен способ реализации теста CAPTCHA, согласно которому демонстрируют пользователю шаблон графического изображения и предлагают обозначить это изображение одним или несколькими понятиями, при этом аутентификацию проводят с использованием зарегистрированного времени решения теста пользователем (см. патент US8752141 B2, кл. G06F7/04, опубл. 10.06.2014). Основными недостатками известного способа являются неудобство его использования и недостаточная достоверность, обусловленная относительной простотой компьютерного взлома посредством современных алгоритмов распознавания образов.
Из уровня техники известен способ аутентификации пользователя, согласно которому регистрируют декартовы координаты точек линии, проводимой пользователем в процессе рисования изображения, и время рисования, после чего сравнивают набор ключевых параметров сформированного изображения с соответствующим набором ключевых параметров эталонного изображения, заранее созданного аутентифицированным пользователем (см. патент US1 1238149В2, кл. G06F21/31 , опубл. 01.02.2022). Известный способ может быть использован в системе разблокирования портативных вычислительных устройств. Основным недостатком известного способа является недостаточная надёжность различения компьютеров и людей.
Из уровня техники известен способ проведения аутентификации, согласно которому формируют шаблон графического изображения путём объединения нескольких заранее заданных элементов, демонстрируют его пользователю, регистрируют набор координат сформированного пользователем изображения, выделяют достаточное количество точек для сравнения, сравнивают их с соответствующим набором координат шаблона и выдают сигнал успешной аутентификации, если их разница не выходит за пределы доверительного диапазона (см. патент US9471767 В2, кл. G06F21/36, опубл. 18.10.2016). Недостатком известного способа является то, что оценивается только насколько далеко точки нарисованной и демонстрируемой траектории располагаются друг от друга, а в части динамики рисования учитывается только, что время генерации изображения ботами больше, чем время рисования для человека. Таким образом, основным недостатком известного способа являются ограниченные возможности, обусловленные малым количеством регистрируемых данных, что значительно упрощает взлом системы аутентификации, работающей по такому способу.
Наиболее близким по технической сущности к предлагаемому изобретению является способ проведения аутентификации, согласно которому реализуют следующие этапы: формируют шаблоны графических изображений, демонстрируют один из указанных шаблонов пользователю, предлагают пользователю изобразить продемонстрированный шаблон, регистрируют набор ключевых параметров сформированного пользователем изображения, сравнивают набор ключевых параметров сформированного пользователем изображения с соответствующим набором ключевых параметров шаблона и выдают сигнал успешной аутентификации, если их разница не выходит за пределы доверительного диапазона (см. патент US10657243B2, кл. G06F 21/36, опубл. 19.05.2020). В качестве шаблона изображения используют случайно сгенерированную эталонную траекторию, а в ходе сравнения определяют, каким образом характерные (опорные) точки располагаются друг от друга на траектории. Недостатком известного способа является относительно высокая вероятность взлома, поскольку успешная аутентификация определяется только тем, какой объект и за какое суммарное время был нарисован.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Технической проблемой является устранение вышеуказанных недостатков.
Технический результат заключается в повышении надёжности проведения аутентификации. Поставленная задача решается, а технический результат достигается тем, что способ проведения аутентификации включает следующие этапы: (i) формируют шаблоны графических изображений, (ii) демонстрируют один из указанных шаблонов пользователю и предлагают пользователю изобразить продемонстрированный шаблон, (iii) регистрируют набор ключевых параметров сформированного пользователем изображения, (iv) сравнивают набор ключевых параметров сформированного пользователем изображения с соответствующим набором ключевых параметров шаблона и выдают сигнал успешной аутентификации, если их разница не выходит за пределы доверительного диапазона, причём в указанный набор ключевых параметров включают, по меньшей мере, один временной параметр, характеризующий динамику появления траектории, по которой пользователем было сформировано изображение, а на этапе (i) для каждого шаблона указанный набор ключевых параметров и пределы доверительного диапазона определяют методом машинного обучения на основе тестовых изображений, которые были вручную сформированы ранее аутентифицированными пользователями при демонстрации этого шаблона. Указанный временной параметр может представлять собой среднюю скорость на траектории, проекцию ускорения на начальную часть траектории, среднее количество точек на траектории за выбранные интервалы времени, интервалы времени, за которые пользователем были сформированы выбранные части изображения, среднее и/или среднеквадратическое отклонение длины интервалов времени между выбранными точкам траектории. Указанный набор ключевых параметров может дополнительно включать площадь под траекторией в проекции на выбранную ось координат и длину траектории. В указанные пределы доверительного диапазона могут включать верхнее пороговое значение и нижнее пороговое значение, а сигнал успешной аутентификации на этапе (iv) выдавать, если указанная разница ключевых параметров сформированного пользователем изображения и шаблона находится между указанными верхним пороговым значением и нижним пороговым значением. На этапе (ii) шаблон предпочтительно демонстрируют с зашумлением и/или в виде анимации. Сигнал успешной аутентификации предпочтительно используют как сигнал прохождения теста CAPTCHA или как сигнал разблокирования.
ОПИСАНИЕ ЧЕРТЕЖЕЙ
На фиг.1 представлен скриншот перед началом этапа (ii) демонстрации шаблона графического изображения; на фиг.2 представлен скриншот этапа (ii) демонстрации шаблона графического изображения на экране мобильного телефона; на фиг.З представлен скриншот этапа (ii) демонстрации шаблона графического изображения на экране планшета или персонального компьютера; на фиг.4 - блок-схема алгоритма демонстрирования шаблона графического изображения с зашумлением, показа пользователю и обработки данных; на фиг.5 - блок-схема алгоритма проведения аутентификации согласно предлагаемому способу. ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
В качестве альтернативы существующим вариантам CAPTCHA согласно предлагаемому способу пользователю предлагается повторить шаблон графического изображения в виде фигуры-рисунка, а собираемые сведения при построении изображения будут использованы для аутентификации. Предлагаемое изобретение основано на том, что наиболее сложными с точки зрения имитации (спуфинга) с целью взлома для обеспечения несанкционированного доступа является воссоздание поведенческих особенностей, в частности, манеры рисования (биометрического почерка). Основным преимуществом биометрии является её уникальность и многопараметричность, поэтому параметры, связанные с человеческой деятельностью практически невозможно повторить или подделать. В предложенном техническом решении предлагается в ходе аутентификации использовать не только векторизованные характеристики сформированного изображения, но и векторизованные характеристики самого процесса рисования изображения, полученные за счет использования сверточных глубоких нейронных сетей (такие сети могут предварительно обучаться на огромном объеме любых изображений и далее дообучаться на пополняемой базе данных).
Предлагаемый способ проведения аутентификации включает следующие основные этапы.
Этап (i) формирования шаблонов графических изображений.
Исходные шаблоны графических изображений могут быть загружены в систему аутентификации из внешнего источника или предложены ранее аутентифицированными пользователями и предпочтительно представляют собой простые монохромные объекты (рисунки). Для каждого шаблона методом машинного обучения на основе тестовых изображений формируют набор ключевых параметров, который прикрепляют к указанному шаблону. В качестве тестовых изображений используют изображения, которые были вручную сформированы ранее аутентифицированными пользователями при демонстрации этого шаблона. Для сбора детерминированных данных, могут быть использованы как открытые площадки, так и пользователи платформы Яндекс.Толока.
Пополнение базы данных может осуществляться как готовыми изображениям, так и теми, которые предлагают новые пользователи, а также за счет автоматической генерацией шаблона с дальнейшим переобучением нейронной сети после его показа реальным пользователям и сбора информации о наборе ключевых параметров.
Для обеспечения максимальной надёжности предлагаемого способа аутентификации в набор ключевых параметров включают, по меньшей мере, один временной параметр, характеризующий динамику появления траектории, по которой пользователем было сформировано изображение (т.е. манеру рисования).
Указанный временной параметр может представлять собой:
- среднюю скорость на траектории;
- мгновенную скорость по осям X, Y в каждой точке траектории;
- проекцию ускорения на начальную часть траектории (например, на первые 10 точек);
- среднее количество точек на траектории за выбранные интервалы времени;
- интервалы времени, за которые пользователем были сформированы выбранные части изображения (например, отдельные четверти рисунка);
- среднее и/или среднеквадратическое отклонение длины интервалов времени между выбранными (характерными) точкам траектории;
- отношение скоростей/ускорений/времени формирования последующего отрезка к предыдущему;
- отношение отрезка скорости/ускорения/времени к общему значению и т.п.
Дополнительно набор ключевых параметров может включать нединамические параметры, такие как
- площадь под траекторией в проекции на оси X, Y координат;
- общую длину траектории;
- кратчайшее расстояние между характерными точками траектории и его отношение ко всей длине траектории;
- углы наклона к осям X и Y прямой между началом и концом первой четверти траектории и т.п.
Благодаря используемым алгоритмам глубокого обучения нейронных сетей на этом этапе могут быть определены основные характерные особенности, присущие манере рисования предложенного изображения человеком, которые на современном уровне развития техники практически невозможно подделать программно. Характеристики объектов сохраняются в векторизованном виде (на входе сложно структурированные «сырые» данные объектов, а на выходе векторные представления характеристики в виде набора ключевых параметров). Данные вектора получаются способом прогона входных данных через предварительно обученную глубокую нейронную сеть (ПОГНС) с использованием технологии Deep Learning (глубокое машинное обучение). ПОГНС изначально обучается человеком путем ручной разметки заранее собранных объектов в похожие классы, после чего ПОГНС сохраняется для непосредственной векторизации входных данных.
Аналогичным образом с помощью машинного обучения определяют пределы доверительного диапазона. Указанные пределы доверительного диапазона могут включать как верхнее пороговое значение (когда параметры сформированного изображения слишком далеки от шаблона - например, более 30 % различия), так и нижнее пороговое значение (когда параметры сформированного изображения, наоборот, слишком похожи на шаблон и вероятно были скопированы посредством компьютерного взлома - например, менее 3 % различия).
Дополнительно могут быть проанализированы данные об устройстве пользователя, его интернет-идентификаторы (IP-адрес и пр.) на сопоставление с возможным использованием роботом (использование дополнительных открытых и коммерческих баз).
Этап (ii) демонстрации одного из указанных шаблонов пользователю.
На этом этапе выбирают один из имеющихся шаблонов и демонстрируют его на экране устройства пользователю (см. фиг.1 ,2,3). Для снижения вероятности взлома шаблон демонстрируют с зашумлением, т. е. наложением случайных шумов (см. фиг.4), а для упрощения последующего анализа - в виде анимации, показывающей, по какой траектории следует рисовать предложенный шаблон. По завершении этого этапа предлагают пользователю изобразить (повторить) продемонстрированный шаблон с помощью сенсорного экрана мобильного устройства, ноутбука (тачпад) или компьютерной мыши.
Этап (iii) регистрации набора ключевых параметров сформированного пользователем изображения.
В ходе формирования изображения пользователем система в динамике регистрирует процесс появления траектории (координаты точек на сенсорном экране и астрономическое или относительное время их появления), по которой пользователь рисует изображение, и передаёт полученные данные на удалённый сервер для последующей обработки и выявления значений ключевых параметров. Этап (iv) сравнения и завершения аутентификации.
На этом этапе набор ключевых параметров сформированного пользователем изображения сравнивают с соответствующим набором ключевых параметров шаблона. Предпочтительным вариантом является использование в качестве метрики близости между наборами ключевых параметров (векторами) косинусного расстояния.
Сигнал успешной аутентификации выдают, если разница этих параметров не выходит за пределы доверительного диапазона (т.е. находится между верхним и нижним пороговыми значениями). В противном случае процедуру повторяют или выдают уведомление об ошибке в соответствии с алгоритмом на фиг.4.
Сигнал успешной аутентификации можно использовать как сигнал прохождения теста CAPTCHA (например, для обеспечения доступа на сайт) или как сигнал разблокирования персональных устройств, оборудования, дверей и т.п. (см. фиг.5).
За счёт использования в качестве основы распознавания особенностей биометрического почерка, предложенный способ позволяет значительно повысить надёжность аутентификации как при применении в качестве теста CAPTCHA, так и при применении в качестве ключа разблокировки.
Опробование предлагаемого способа было проведено с использованием алгоритма глубокого машинного обучения по типу нейронной сети с более, чем 300 слоев и 1 миллиона параметров. Всего в ходе опробования собрано более 21000 биометрических образцов. В среднем каждым пользователем выполнено повторение 30 фигур из набора более 700 фигур и сформированы образцы биометрических почерков для каждого изображения с координатно-временным характеристиками для обучения глубоких нейронных сетей. Датасеты собирались с использованием JavaScript в виде изображений рисунков, а также перечня координат X, Y и времени каждые несколько миллисекунд.
В результате опробования способа были получены следующие параметры системы идентификации:
- время на аутентификацию в среднем составило порядка 6 секунд;
- более 90 % пользователей смогли понять и пройти аутентификацию с первого раза; точность распознавания ботов и пользователей составила более 90 %.

Claims

Формула
1. Способ проведения аутентификации, согласно которому реализуют следующие этапы,
(i) формируют шаблоны графических изображений,
(ii) демонстрируют один из указанных шаблонов пользователю и предлагают пользователю изобразить продемонстрированный шаблон,
(iii) регистрируют набор ключевых параметров сформированного пользователем изображения,
(iv) сравнивают набор ключевых параметров сформированного пользователем изображения с соответствующим набором ключевых параметров шаблона и выдают сигнал успешной аутентификации, если их разница не выходит за пределы доверительного диапазона, отличающийся тем, что в указанный набор ключевых параметров включают, по меньшей мере, один временной параметр, характеризующий динамику появления траектории, по которой пользователем было сформировано изображение, а на этапе (i) для каждого шаблона указанный набор ключевых параметров и пределы доверительного диапазона определяют методом машинного обучения на основе тестовых изображений, которые были вручную сформированы ранее аутентифицированными пользователями при демонстрации этого шаблона.
2. Способ по п.1 , отличающийся тем, что указанный временной параметр представляет собой среднюю скорость на траектории.
3. Способ по п.1, отличающийся тем, что указанный временной параметр представляет собой проекцию ускорения на начальную часть траектории.
4. Способ по п.1 , отличающийся тем, что указанный временной параметр представляет собой среднее количество точек на траектории за выбранные интервалы времени.
5. Способ по п.1 , отличающийся тем, что указанный временной параметр представляет собой интервалы времени, за которые пользователем были сформированы выбранные части изображения.
6. Способ по п.1 , отличающийся тем, что указанный временной параметр представляет собой среднее и/или среднеквадратическое отклонение длины интервалов времени между выбранными точкам траектории.
9
7. Способ по п.1 , отличающийся тем, что указанный набор ключевых параметров включает площадь под траекторией в проекции на выбранную ось координат.
8. Способ по п.1 , отличающийся тем, что указанный набор ключевых параметров включает длину траектории.
9. Способ по п.1 , отличающийся тем, что указанные пределы доверительного диапазона включают верхнее пороговое значение и нижнее пороговое значение, а сигнал успешной аутентификации на этапе (iv) выдают, если указанная разница ключевых параметров сформированного пользователем изображения и шаблона находится между указанными верхним пороговым значением и нижним пороговым значением.
10. Способ по п.1, отличающийся тем, что на этапе (ii) шаблон демонстрируют с зашумлением.
11. Способ по п.1 , отличающийся тем, что на этапе (ii) шаблон демонстрируют в виде анимации.
12. Способ по п.1, отличающийся тем, что сигнал успешной аутентификации используют как сигнал прохождения теста CAPTCHA.
13. Способ по п.1 , отличающийся тем, что сигнал успешной аутентификации используют как сигнал разблокирования.
PCT/RU2023/000024 2022-10-26 2023-02-02 Способ проведения аутентификации Ceased WO2024091140A1 (ru)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP23771754.1A EP4610854A1 (en) 2022-10-26 2023-02-02 Authentication method
US18/282,092 US20250036740A1 (en) 2022-10-26 2023-02-02 Method of Authentication

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2022127829A RU2815478C1 (ru) 2022-10-26 Способ проведения аутентификации
RU2022127829 2022-10-26

Publications (1)

Publication Number Publication Date
WO2024091140A1 true WO2024091140A1 (ru) 2024-05-02

Family

ID=90831523

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2023/000024 Ceased WO2024091140A1 (ru) 2022-10-26 2023-02-02 Способ проведения аутентификации

Country Status (3)

Country Link
US (1) US20250036740A1 (ru)
EP (1) EP4610854A1 (ru)
WO (1) WO2024091140A1 (ru)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2003123560A (ru) * 2003-07-24 2005-02-27 ООО "Крейф" (RU) Способ и устройство идентификации пользователя по подписи
US20080092245A1 (en) * 2006-09-15 2008-04-17 Agent Science Technologies, Inc. Multi-touch device behaviormetric user authentication and dynamic usability system
US20100115610A1 (en) * 2008-11-05 2010-05-06 Xerox Corporation Method and system for providing authentication through aggregate analysis of behavioral and time patterns
US20130243242A1 (en) * 2012-03-16 2013-09-19 Pixart Imaging Incorporation User identification system and method for identifying user
US8752141B2 (en) 2008-06-27 2014-06-10 John Nicholas Methods for presenting and determining the efficacy of progressive pictorial and motion-based CAPTCHAs
US8978144B2 (en) 2010-06-22 2015-03-10 Microsoft Corporation Automatic construction of human interaction proof engines
US9471767B2 (en) 2014-08-22 2016-10-18 Oracle International Corporation CAPTCHA techniques utilizing traceable images
KR20180048121A (ko) * 2016-11-02 2018-05-10 충남대학교산학협력단 사용자의 키보드 및 마우스 입력 행위 패턴을 이용한 인증 방법 및 그 방법을 구현하는 프로그램을 기록한 기록매체
US10657243B2 (en) 2017-03-02 2020-05-19 Jingxia YUAN Variation analysis-based public turing test to tell computers and humans apart
US11238149B2 (en) 2019-01-28 2022-02-01 Joseph Carlo Pastrana Computerized user authentication method that utilizes the Cartesian coordinate system to verify a user's identity

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8776173B2 (en) * 2011-03-24 2014-07-08 AYAH, Inc. Method for generating a human likeness score

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2003123560A (ru) * 2003-07-24 2005-02-27 ООО "Крейф" (RU) Способ и устройство идентификации пользователя по подписи
US20080092245A1 (en) * 2006-09-15 2008-04-17 Agent Science Technologies, Inc. Multi-touch device behaviormetric user authentication and dynamic usability system
US8752141B2 (en) 2008-06-27 2014-06-10 John Nicholas Methods for presenting and determining the efficacy of progressive pictorial and motion-based CAPTCHAs
US20100115610A1 (en) * 2008-11-05 2010-05-06 Xerox Corporation Method and system for providing authentication through aggregate analysis of behavioral and time patterns
US8978144B2 (en) 2010-06-22 2015-03-10 Microsoft Corporation Automatic construction of human interaction proof engines
US20130243242A1 (en) * 2012-03-16 2013-09-19 Pixart Imaging Incorporation User identification system and method for identifying user
US9471767B2 (en) 2014-08-22 2016-10-18 Oracle International Corporation CAPTCHA techniques utilizing traceable images
KR20180048121A (ko) * 2016-11-02 2018-05-10 충남대학교산학협력단 사용자의 키보드 및 마우스 입력 행위 패턴을 이용한 인증 방법 및 그 방법을 구현하는 프로그램을 기록한 기록매체
US10657243B2 (en) 2017-03-02 2020-05-19 Jingxia YUAN Variation analysis-based public turing test to tell computers and humans apart
US11238149B2 (en) 2019-01-28 2022-02-01 Joseph Carlo Pastrana Computerized user authentication method that utilizes the Cartesian coordinate system to verify a user's identity

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARAKHTANOV ALEXEY; PARENCHENKOV EVGENY; SMIRNOV NIKOLAI: "Mouse Dynamics Analysis Using Machine Learning to Prevent Account Stealing in Web Systems", 2022 31ST CONFERENCE OF OPEN INNOVATIONS ASSOCIATION (FRUCT), FRUCT OY, 27 April 2022 (2022-04-27), pages 167 - 173, XP034120970, DOI: 10.23919/FRUCT54823.2022.9770926 *
STRINGHAM, EDWARD P.: "Private Governance: Creating Order in Economic and Social Life", 2015, OXFORD UNIVERSITY PRESS, pages: 105

Also Published As

Publication number Publication date
EP4610854A1 (en) 2025-09-03
EP4610854A8 (en) 2025-11-12
US20250036740A1 (en) 2025-01-30

Similar Documents

Publication Publication Date Title
US11736478B2 (en) Device, system, and method of user authentication based on user-specific characteristics of task performance
US10877568B2 (en) Three-dimensional in-the-air finger motion based user login framework for gesture interface
US10586036B2 (en) System, device, and method of recovery and resetting of user authentication factor
Fierrez et al. Benchmarking touchscreen biometrics for mobile authentication
Thomas et al. A broad review on non-intrusive active user authentication in biometrics
Tolosana et al. BioTouchPass2: Touchscreen password biometrics using time-aligned recurrent neural networks
US10164985B2 (en) Device, system, and method of recovery and resetting of user authentication factor
US10579784B2 (en) System, device, and method of secure utilization of fingerprints for user authentication
US10476873B2 (en) Device, system, and method of password-less user authentication and password-less detection of user identity
US9571490B2 (en) Method and system for distinguishing humans from machines
US9202035B1 (en) User authentication based on biometric handwriting aspects of a handwritten code
JP2016526210A5 (ru)
JP2016526210A (ja) 通信デバイスを用いた個人の動作ベース識別認証
Hashia et al. On using mouse movements as a biometric
Sun et al. A 3‐D hand gesture signature based biometric authentication system for smartphones
CN114730371A (zh) 使用已登记生物特征数据集检测基于生物特征的认证系统中的敌对实例
Wang et al. Improving reliability: User authentication on smartphones using keystroke biometrics
Sharma et al. Behavioral Biometrics: Past, Present
Lu et al. Global feature analysis and comparative evaluation of freestyle in-air-handwriting passcode for user authentication
RU2815478C1 (ru) Способ проведения аутентификации
Wang et al. Towards DTW-based unlock scheme using handwritten graphics on smartphones
Rahman et al. Web user authentication using chosen word keystroke dynamics
Saini et al. Authenticating mobile phone user using keystroke dynamics
WO2024091140A1 (ru) Способ проведения аутентификации
EA045306B1 (ru) Способ проведения аутентификации

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 18282092

Country of ref document: US

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23771754

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023771754

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2023771754

Country of ref document: EP

Effective date: 20250526

WWP Wipo information: published in national office

Ref document number: 2023771754

Country of ref document: EP