MODERN ACHIEVEMENTS INTO CRYPTO-BIOMETRIC PROTECTION OF INFORMATION BASED ON HANDWRITING

Full Text

Введение История развития биометрической защиты информации с точки зрения автоматизирован- ной системы распознавания биометрических об- разов берет начало с 60-х годов XX века, когда впервые разрабатываются автоматизированные системы идентификации отпечатков пальцев (АСИОП) [1]. Появление таких систем обусловлено развитием электронных вычислительных машин общего назначения, потребностью их применения в правоохранительных органах из- за большого роста объемов данных биометриче- ских образов и т. д. Начало современной истории развития биоме- трической защиты информации связано с круп- ным историческим событием - страшной трагедией 11 сентября 2001 года. Такое положение событий «Infokommunikacionnye tehnologii» 2021, Vol. 19, No. 3, pp. 365-374 побудило внести кардинальные изменения в си- стеме безопасности учреждений и организаций крупных мегаполисов, что в свою очередь побу- дило граждан изменить свое отношение к ново- введениям в процедурах обеспечения обществен- ной информационной безопасности [2]. Будущее биометрической защиты информа- ции стоит за использованием биометрических данных (БД) в криптографических системах. Это позволит использовать биометрические показа- тели в системах электронной цифровой подписи (ЭЦП). Такие новые биометрические технологии будут вводиться в системах шифрования, а также использоваться в системах аутентификации для усовершенствования систем контроля доступа. Одни из первых шагов в области формирова- ния криптографического ключа (КК) на основе биометрических параметров (БП) пользователя сделаны в 2008 году. В январе 2008 года вышла в свет работа [3] американских ученых с упо- минанием метода нечетких экстракторов (НЭ, Fuzzy Extractors). Подход НЭ активно развива- ется за рубежом и утвержден в стандартах ISO/ IEC 24745:2011, ISO/IEC 24761:2009, ISO/IEC 19792:2009. В России в этой сфере активно развивается направление использования нейросетевых мо- делей. Подробное описание и список замечаний по практической реализации преобразователей для решения задач подобного рода утверждены в документах серии стандартов ГОСТ Р 52633 [4]. С этого момента история развития интересующей нас отрасли науки связана с совершенствованием двух вышеперечисленных научных подходов. Основной причиной интенсивного развития рассматриваемой научной дисциплины послу- жил высокий общественный интерес к биоме- трической защите информации, а также высокий уровень развития распознавания биометриче- ских образов, математического аппарата нейрон- ных сетей, технических средств считывания БД и т. д. Таким образом, приступая к задаче постро- ения алгоритмов формирования КК на основе конкретного рода БП пользователя, рекомендует- ся рассматривать и другие смежные отрасли наук (биометрическая аутентификация, верификация, идентификация пользователя), в том числе и дру- гие типы БП. Классификация задач биометрической защиты информации Представим следующую систему классифика- ции задач биометрической защиты информации с указанием необходимых литературных источников: тип БП: динамические БП (динамический рукописный почерк [5-12], клавиатурный почерк [13-16], голосовой отпечаток [10; 11; 17-19]) и статические (статический рукописный почерк [6; 20; 21], биометрия лица [15; 22; 23], отпечатки пальцев и т. д.), мультифакторные системы (на- пример, голосовой отпечаток совместно с рукопис- ным и клавиатурным почерками) [9; 10; 15; 18]; тип задачи: аутентификация [10; 12; 24], верификация [6; 11; 25], идентификация [9; 18], формирование КК на основе БП пользователя [5; 7; 8; 13-15; 17; 19-23]; сфера использования: шифрование [26; 27], электронная цифровая подпись [28], аутентифи- кация; тип парольной фразы: в секрете [13; 14; 19], публичная [5-8; 11-14; 19; 21-23], произвольный текст (freely typed text) или мониторинг [13-15; 19]; наличие в базе данных биометрических об- разов «Свой» или «Чужой»; тип преобразователя «биометрия-код» (ПБК): НЭ [5; 7; 13; 14; 17; 19; 21; 23], НПБК [7; 8; 10; 11; 15; 20; 22; 23]. Отметим, что задача формирования КК на ос- нове БП пользователя является универсальной и используется в решении всех остальных ти- пов задач (верификация, идентификация и т. д.), а также внедряется во все вышеописанные сферы использования (формирование ЭЦП, шифрова- ние, аутентификация). Принцип работы НЭ под- робно описан в работах [14; 17]. Известны схо- жие версии изложения данного алгоритма (Fuzzy Extractors): Fuzzy Vault (нечеткое хранилище), Fuzzy Commitment [7; 29]. Принцип работы НПБК подробно описывается в источниках [2; 4; 30]. Сравнительный анализ преобразователей «биометрия-код» В алгоритме НЭ для формирования КК на ос- нове БП пользователя изначально формируется ключевая информация - случайная битовая по- следовательность, которая кодируется помехо- устойчивым кодом (Адамара, Боуза - Чоудхури - Хоквингема и т. д.). Данная последовательность «объединяется» с битовой последовательностью, характеризующей биометрический образ пользо- вателя (сложением по модулю 2 или алгоритмами нечеткого вывода). Результатом объединения яв- ляется открытая строка, которая может хранить- ся на общедоступном сервере. Также хранится вспомогательная информация помехоустойчиво- го кодирования. Для восстановления ключевой информации пользователь предоставляет свой биометрический образ, на основе которого фор- Таблица 1. Преимущества и недостатки преобразователей Биометрия-код Преимущества НЭ Недостатки НЭ Преимущества НПБК Недостатки НПБК Не требует наличия в базе данных биометрических образов «Чужой» Относительно высокие показатели EER Относительно низ- кие показатели EER Требует наличия в базе данных биометриче- ских образов «Чужой» КК и БП не хранятся в базе данных Высокая избыточность классиче- ских самокорректирующих кодов, в результате плохое качество работы при высокой степени разброса БП КК и БП не хранят- ся в базе данных Ресурсные затраты в программной реализа- ции Не требует наличия большой длины последо- вательности БП Фиксированное количество разря- дов (бит), определяющих значение БП Не требователен к процессу отбора качественных БП Требует наличия доста- точно большой длины последовательности БП Прост в реализации си- стемы Неустойчивость к сдвигам значений БП по времени Устойчив к сдвигам значений БП по времени Сложность реализации системы Наличие уязвимостей, позволя- ющих ускорить перебор значений БП в целях фальсификации ключа доступа мируется соответствующая битовая последова- тельность. Затем она применяется в «вычитании» из открытой строки (сложением по модулю 2 или алгоритмами нечеткого вывода). Результативная битовая последовательность корректируется в про- цессе помехоустойчивого кодирования и преобра- зуется в исходную ключевую информацию [14]. В алгоритме НПБК используется многослой- ная искусственная нейронная сеть. В процессе обучения нейронной сети входными значения- ми являются значения БП примеров биометри- ческого образа «Свой» и значения БП примеров биометрических образов «Чужой». При этом вы- ходными значениями нейронной сети для при- меров биометрического образа «Свой» являются значения последовательности ключевой инфор- мации, которая представляет КК. Для примеров биометрических образов «Чужой» выходными значениями являются значения последовательно- сти случайно сгенерированной информации, не совпадающей с заранее сформированной ключе- вой информацией. Для восстановления ключевой информации при тестировании и использовании обученной нейронной сети предоставляются тестовые значения БП биометрического образа «Свой» и архитектура обученной нейронной сети (количество слоев, нейронов, весовые коэффици- енты и т. д.). В этом случае, если пользователь обладает БП биометрического образа «Чужой», то нейронной сетью формируется бесполезная последовательность случайных значений, а не ключевая информация. В соответствии с ГОСТ Р 52633.5-2011 рекомендуется использовать одно- слойные или двухслойные нейронные сети, большее количество слоев считается избыточным и необоснованным. Первый слой обогащает био- метрические данные, второй слой играет роль кодов, исправляющих ошибки. При этом для об- учения персептронов требуется не менее 21 реа- лизаций образа «Свой» и 64 независимых реали- заций образа «Чужой» [8]. По данным [7; 8; 11; 15; 22] и результатам про- веденных нами исследований, выделим следу- ющие преимущества и недостатки НЭ и НПБК, представленные в таблице 1. Формирования перечня групп высококачественных биометрических параметров Одним из основных недостатков НЭ является их относительно низкое качество работы с дина- мическими БП, т. к. НЭ неустойчивы к сдвигам БП по оси времени и по оси значений БП. Таким образом, при применении подхода НЭ необходи- мо произвести первичную обработку БД. Это яв- ляется одним из самых важных этапов процесса разработки алгоритмов формирования КК на ос- нове БП пользователя: разработка программного обеспечения по считыванию БД пользователя, сбор эмпириче- ских данных; разработка методов преобразования БД в БП; формирование групп высококачественных БП; анализ качества сформированных БП; формирование обучающей и тестовой выбо- рок БП; разработка алгоритмов формирования КК на основе БП; Таблица 2. Оценки качества работы алгоритмов (№ - номер источника в списке литературы) № Тип задачи Тип БП Исходные данные испытаний Тип ПБК Средняя оценка качества работы преобразователей 17 Формиро- вание КК Голосовой отпечаток 10 испытуемых; всего 100 опытов НЭ FRR+FAR=0,16 19 60 испытуемых по 50 попы- ток ввода; 9000 реализаций публичных, 6000 секретных парольных фраз FRR=0,188 (публичная, в секрете); FAR=0,044-0,091 (в секрете); FAR=0,156-0,214 (публичная); FRR=0,14-0,151 FAR=0,101-0,153 (60 с) 13, 14 Клавиатурный почерк 80 испытуемых по 50 по- пыток ввода; 3 публичные па- рольные фразы (всего 12000 реализаций), одна в секрете (всего 4000 реализаций), мо- ниторинг (9000 символов) FRR=0,064-0,104; FAR=0,009-0,01 (в секрете); FAR=0,021-0,025 (публичная); FRR=0,061 FAR=0,023 (1500 символов) 5 Динамическая руко- писная подпись - FRR=0,089 FAR=0,096 7, 8 65 испытуемых по 50 попы- ток ввода НПБК, НЭ, сети квадра- тичных форм FRR=0,0288-0,045 FAR=0,0232-0,039 (НПБК); FRR=0,148 FAR=0,05 (НЭ) 22 Биометрия лица - НПБК EER=0,069 23 70 испытуемых, съемка дли- тельностью в 30-60 сек. НПБК, НЭ FRR=0,032 FAR=0,014 (НЭ); FRR=0,0039-0,014 FAR=0,0022-0,029 (НПБК) 15 Мультифакторная система (клави- атурный почерк, биометрия лица) 100 испытуемых при монито- ринге длительностью в 1 час НБПК FRR=0,002 FAR=0,0036 (30 с); FRR=0,002 FAR=0,0009 (60 с); FRR<0,0005 FAR<0,0005 (150 с) 12 Аутентифи- кация Динамическая руко- писная подпись 280 оригинальных подписей одного испытуемого, 1281 фальсификаций подписи семи испытуемых нечеткие классифика- торы FRR=0,0057-0,038 FAR=0,0016-0,005 11 Верифика- ция Динамическая рукописная под- пись, голосовой отпечаток 90 испытуемых, общее ко- личество реализаций 10000, период испытаний для каж- дого испытуемого сроком на 1 месяц искусствен- ные нейрон- ные сети EER=0,023-0,043 FRR=0,17 FAR<0,001 (рукописный); EER=0,065-0,092 FRR=0,34 FAR<0,001 (голосовой) 18 Идентифи- кация Мультифакторная система (голосовой отпечаток, клави- атурный почерк, динамическая руко- писная подпись) 10 незарегистрированных пользователей по 100 попы- ток ввода; эталоны 60 зареги- стрированных пользователей по 10 попыток ввода теорема Байеса FRR=0,03 FAR=0,001 оценка качества разработанных алгоритмов. Для разработки приложения по считыванию БД, методов формирования качественных БП, ал- горитмов формирования КК на основе БП можно воспользоваться встроенными пакетами данных языка программирования Python, соответственно: PyQt5, numpy, fuzzy_extractors, keras. Например, с помощью пакета данных «PyQt5» возможно добиться не менее 140 Гц частоты считывания положения курсора. При этом стоит обратить внимание на технические характеристики счи- тывающих устройств. Помимо этого, рекоменду- ем рассмотреть существующие ныне базы дан- ных рукописных подписей [6; 31]. С помощью функции «corrcoef» пакета данных «numpy» вы- числяется матрица коэффициентов корреляции. Подобная функция позволит выявить некоррект- ные реализации попыток ввода [9]. С помощью функции «rfft» с указанием метода «real» пакета данных «numpy» получаем группу БП, представ- ляющих реальную составляющую результата быстрого преобразования Фурье. Для создания эталона биометрического образа можно вос- пользоваться методом Dynamic time warping [32], реализовав его с помощью пакета данных «dtw». Также нами рекомендуется рассматривать ги- стограммы значений последовательностей БП (функция «histogram» пакета данных «numpy»), например, гистограмма значений положения пера по оси ординат [20]. Это частично устраняет проблему со сдвигами динамических БП. При формировании полного перечня групп БП рекомендуется воспользоваться источниками [5; 7-12; 15; 18; 20; 23]. При утверждении окон- чательного перечня групп БП, при формировании обучающей и тестовой выборок важным является процесс ранжирования наилучших по информа- тивности БП [11; 12; 33]. Информативность де- монстрирует, насколько хорошо БП характеризует биометрический образ. Информативность также можно отобразить оценкой качества сформирован- ных групп БП и вычислить по показателю качества БП, указанному в документе ГОСТ Р 52633.5-2011. Оценки качества работы алгоритмов Оценками качества работы построенных ал- горитмов являются значения ошибки 1-го рода FRR (False Rejection Rate - ложный отказ в до- ступе зарегистрированного пользователя) и 2-го рода FAR (False Acceptance Rate - ложный доступ незарегистрированного пользователя), а также оценка EER (Equal Error Rate - равный уровень ошибок), при которой выполняется условие ра- венства оценок FRR и FAR. В таблице 2 представлены средние оценки ка- чества работы ПБК по данным, приведенным в [5-8; 10-15; 17-19; 22; 23]. При выборе типа БП, типа ПБК, типа выпол- няемой задачи необходимо отталкиваться от тре- бований пользователя и поставленных условий. Отметим, что задача формирования КК на основе БП пользователя является универсальной и при- менима в информационных системах различного типа. При этом рекомендуется использовать со- ответствующие ПБК (НЭ и НПБК). Выводы Рассматривая вышеописанные результаты научных исследований в области создания био- криптографических систем защиты информа- ции, отметим следующее. Не рекомендуется ис- пользовать в этих системах голосовой отпечаток (угроза копирования биометрических образов, низкие показатели качества работы ПБК), отпе- чатки пальцев (невозможность изменения биоме- трического образа). Целесообразно использовать в первую очередь динамический рукописный по- черк и мультифакторные системы, включающие данный тип БП (высокие показатели качества ра- боты ПБК, возможность изменения биометриче- ского образа и хранения его в секрете). Таким образом, анализ биокриптографиче- ских систем защиты информации показал, что перспективным направлением их развития яв- ляется разработка ПБК на основе БП динамиче- ского рукописного почерка и мультифакторных систем (например, рукописный и клавиатурный почерки), включающих поведенческие черты эксплуатации мобильных устройств (смартфо- нов) [34; 35]. Современная подобная техника по- зволяет считывать качественные биометрические данные различного типа и производить их пер- вичную обработку. В будущем подобные мобиль- ные устройства позволят реализовывать работу алгоритмов ПБК, что в свою очередь многократ- но увеличит сферу использования таких преоб- разователей.

About the authors

B. I Bayanov

Kazan National Research Technical University named after A.N. Tupolev - KAI

Email: bayanov_bulat@mail.ru
Kazan, Russian Federation

References

Supplementary files