Исследования алгоритмов нейросетевого распознавания динамической подписи пользователя в пространстве отсчетов многомерных кривых в сравнении с оптимальными алгоритмами обнаружения-различений многомерных сигналов

Цель исследования. Высокая степень распространения динамической подписи в различных областях, связанных с биометрическими технологиями (во многих странах четко сформулированы правовые процедуры для их использования), обусловливает значительное внимание к достоверности соответствующих алгоритмов биометрической аутентификации. Динамическая подпись частично свободна от недостатков, свойственных статической подписи, однако и для нее остро стоит проблема достоверности аутентификации пользователя информационными сервисами, обусловленная совокупностью разнородных факторов, поэтому целью проведенного исследования является повышение достоверности аутентификации пользователя по реализации его динамической подписи на основе экспериментально-структурного и параметрического синтеза проблемно ориентированных нейронных сетей и сравнения достоверности с классическими алгоритмами обнаружения-различений многомерных сигналов.

Методы. Алгоритм комплексной идентификации динамической сигнатуры подписи пользователя в пространстве отсчетов многомерных кривых в форме параллельного распознавания многомерного фрагмента кривой различными обнаружителями / классификаторами с последующим комплексированием и анализом результатов.

Результаты. Экспериментально исследованы алгоритмы нейросетевой идентификации динамической сигнатуры подписи пользователя в пространстве отсчетов многомерных кривых в сравнении с оптимальными алгоритмами обнаружения-различений многомерных сигналов. Эксперименты показали, что 3‒5 основных параметров: две координаты пера в плоскости реализации планшета, давление на экран в совокупности с векторами скорости пера ‒ обеспечивают приемлемую достоверность идентификации в интервале 0,8…0,95 в условиях малого числа пользователей и сохраняются на уровне 0,7 при их неограниченном увеличении. Средний выигрыш от применения разработанных моделей и алгоритмов идентификации подписи по сравнению со статистическими методами составил 25‒35%, по сравнению с метрическими – от 5 до 15%.

Заключение. Для обеспечения заданных показателей надежности аутентификации пользователя необходимо декомпозировать аппаратно-программные модели идентификации динамической подписи по группам небольшого числа пользователей. Существуют оптимальное число и набор алгоритмов, которые доставляют максимум достоверности результата комплексирования: метрический в евклидовой метрике, корреляционный и нейросетевой.

1. Биометрия в финансовой сфере 2020: выгоды для потребителя. Аналитическая записка. URL: https://www.fintechru.org/upload/iblock/659/g6k39ftq1hkehkn4b22znw1vsfa9lsrg.pdf?ysclid=mjlc9613ot802675625 (дата обращения: 04.09.2025).

2. Ломов Н., Петрова Д., Рязанцева Ю. Биометрия в финансовой сфере 2020: Выгоды для потребителя // Аналитическая записка. URL: https://www.fintechru.org/analytics/analiticheskaya-zapiska-po-biometrii/?ysclid=lvwb2xh8z610856013 (дата обращения: 06.09.2025).

3. Биометрия: что это и как она влияет на мир финансов // Frank Media. URL: https://frankmedia.ru/137504?ysclid=lvwb85nb3o106633262 (дата обращения: 05.05.2025).

4. Отчет об анализе размера, доли и тенденций мирового рынка биометрических систем – обзор отрасли и прогноз до 2032 года. URL: https://www.databridgemarketresearch.com/ru/reports/global-biometric-system-market?ysclid=lvwg0cfco7989485412 (дата обращения: 05.09.2025).

5. Handbook of Biometric Anti-Spoofing. Presentation Attack Detection and Vulnerability Assessmen / S. Marcel, M. S. Nixon, J. Fierrez, N. Evans. Singapore: Springer, 2023. 595 p.

6. Jain A. K., Griess F. D., Connell S. D. Online signature verification // Pattern Recognition. 2022. N 35. P. 2963‒2972.

7. Ростовцев В. С. Искусственные нейронные сети. 4-е изд. СПб.: Лань. 2024. 216 с.

8. Бишоп К. М. Распознавание образов и машинное обучение. СПб.: Диалектика, 2020. 960 с.

9. Carmona P. L., Salvador S. A., Fred L. N. Mathematical Methodologies in Pattern Recognition and Machine Learning: Contributions from the International Conference on Pattern Recognition Applications and Methods. Springer, 2020. 204 p.

10. Kevin P. Murphy. Probabilistic Machine Learning: Advanced Topics. MIT Press, 2023. 1175 p.

11. Rawlson K. Explainer: Signature Recognition. URL: https://www.biometricupdate.com/201601/explainer-signature-recognition (дата обращения: 26.09.2025).

12. Signature Verification System // Elsevier. Marketing. URL: https://www.elsevier.marketing/journal/Pattern-Recognition (дата обращения: 26.09.2025).

13. Танцеров А. Х., Данилов Е. А. Кинематическая модель формирования эталонных динамических параметров подписи пользователя // Вестник Рязанского государственного радиотехнического университета. 2025. № 92. С. 170‒178. https://doi.org/10.21667/1995-4565-2025-92-170-178

14. Learning hierarchical features for scene labeling / C. Farabet, C. Couprie, L. Najman, Y. LeCun // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2023. N 8 (35). P. 1915–1929.

15. Сюй А., Аминиан А. System Design. Машинное обучение. Подготовка к сложному интервью. СПб.: Питер, 2024. 320 с.

16. Танцеров А. Х., Данилов Е. А., Мартышкин А. И. Обзор и сравнение некоторых методов аутентификации подписи по динамическим параметрам // Вестник Рязанского государственного радиотехнического университета. 2025. № 92. С. 213‒224. https://doi.org/10.21667/1995-4565-2025-92-213-224

17. Антал М., Сабо Л. Ж, Тордаи Т. Онлайн-проверка подписи на корпусе отпечатков пальцев MOBISIG, 2018. URL: http://www.ms.sapientia.ro/~manyi/mobisig/MOBISIG.ZIP (дата обращения: 01.09.2025).

18. Suratgar A. A., Tavakoli M. B., Hoseinabadi A. Modified Levenberg-Marquardt method for neural networks training. 2022. P. 1745‒1747.

19. Sousa, C. Neural network learning by the Levenberg-Marquardt algorithm with Bayesian regularization (part 1). URL: http://crsouza.blogspot.com/2009/11/neural-networklearning-by-levenberg_18.html (дата обращения: 05.09.2025).

20. Танцеров А. Х., Данилов Е. А. Современные подходы к распознаванию и аутентификации подписей: методы обработки изображений // XXI век: итоги прошлого и проблемы настоящего плюс. 2025. Т. 14, № 2 (70). С. 71‒76. EDN SCSZTT