БИОМЕТРИЧЕСКАЯ АУТЕНТИФИКАЦИЯ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕЙ

Введение 3
Глава 1. Обзор литературы по теме исследования 5
1.1. Обзор основных математических методов и подходов, применяемых в биометрии 5
1.2. Особенности применения математического аппарата в процедуре биометрической аутентификации 6
Глава 2. Применение нейросетевых технологий в биометрической системе аутентификации на основе свертки 7
2.1. Нейронные сети биометрической системы аутентификации на основе свертки 7
2.2. Разработанная архитектура модели сверточной нейронной сети и формирование обучающей выборки в биометрической системе аутентификации 8
2.3. Обучение модели сверточной нейронной сети 12
Глава 3. Разработка моделей биометрической системы аутентификации на основе математических методов 14
3.1. Предварительная обработка изображений лица 14
3.2. Модели распознавания пользователей информационной системы по изображению лица и по голосу 17
3.3. Разработка программного комплекса биометрической системы аутентификации 25
3.4. Полученные показатели точности распознавания пользователей информационной системы 28
Заключение 31
Список использованных источников 33

Весь текст будет доступен после покупки

Введение
Задачи управления доступом пользователей актуальны для любой информационной системы. С каждым зарегистрированным в сети пользователем связана определенная информация, которая идентифицирует его. Процедуры аутентификации и авторизации субъектов являются важнейшим механизмом защиты, от качества которого зависит безопасность информационной системы. Средства аутентификации являются одними из классических средств по управлению информационной безопасностью информационными системами предприятия, и включают в себя такие процессы, как определение, создание, изменение, удаление и аудит пользовательских учетных записей [5].
Математические методы применяются в процессах идентификации и аутентификации для решения различных задач, связанных с распознаванием объектов и проверкой подлинности.

Весь текст будет доступен после покупки

Глава 1. Обзор литературы по теме исследования
1.1. Обзор основных математических методов и подходов, применяемых в биометрии
Биометрия, как относительно самостоятельная дисциплина, сложилась во второй половине 19 века. Однако, ее истоки восходят к более раннему периоду в истории естествознания.
В 1614 г. Появилась книга Сантарио «О статической медицине». Теория вероятностей и математическая статистика возникли в середине 18 века независимо друг от друга. Стимулом к обоснованию теории вероятностей послужило развитие денежных отношений в буржуазном обществе. У истоков теории вероятностей стояли Ферма, Паскаль [5].
Значительный вклад в становление теоретических основ данного направления внес Спиридонов И. Н., который являлся основоположником научной биометрии, основателем Научно-исследовательского и испытательного центра биометрической техники МГТУ им. Н. Э. Баумана, организатором и председателем некоммерческого партнерства «Русское общество содействия развитию биометрических технологий, систем и коммуникаций» [22].
Рассматривая историю биометрии, нельзя не отметить тот огромный вклад в развитие теории вероятностей и математической статистики, который внесли такие ученые нашей страны, как Бернштейн С. Н., Хинчин А. Я., Слуцкий Е. Е., Хотимский А. И., Ястремский Б. С., Романовский В. И., Немчинов В. С. и многие другие, особенно Колмогоров А. Н. и его школа, получившие мировое признание [32].

Весь текст будет доступен после покупки

1. NIST SP 800–63–3 «Digital Identity Guidelines».
2. NIST SP 800–63B «Digital Identity Guidelines: Authentication and Lifecycle Management».
3. Анисимова, А. С. Интеллектуальная система биометрической аутентификации пользователя по динамической рукописной подписи / А. С. Анисимова, И. В. Аникин // Международный форум Kazan Digital Week–2022: Сборник материалов Международного форума, Казань, 21–24 сентября 2022 года / Под общей редакцией Р.Н. Минниханова. – Казань: Научный центр безопасности жизнедеятельности, 2022. – С. 280–285.
4. Арсентьев Д.А., Бирюкова Т.С. Метод гибкого сравнения на графах как алгоритм распознавания образов // Вестник МГУП имени Ивана Федорова. – 2015. – № 6. – С. 74–75.
5. Биометрическая идентификация. Подрядчики по количеству проектов внедрений (ИБ – Биометрическая идентификация). 2022 год / Tadviser. Государство. Бизнес. – URL: https://www.tadviser.ru/index.php/ИБ_–__Биометрическая_идентификация?cache=no&ptype= integrator#ttop (дата обращения: 08.06.2025).
6. Васильев В. И., Ильясов Б. Г. Интеллектуальные системы управления. Теория и практика. Учебное пособие – М.: Радиотехника, 2009 г. – 388 с.
7. Гонсалес Р., Вудс Р. Цифровая обработка изображений / Пер. с англ. — М.: Техносфера, 2006. 1072 c.
8. Горбунов А.Л. Визуальная когерентность в дополненной реальности. Advanced Engineering Research (Rostov-on-Don). 2023;23(2):180-190.
9. Гринчук О.В., Цурков В.И. Обучение мультимодальной нейронной сети для определения подлинности изображений // Известия Российской академии наук. Теория и системы управления. 2020, № 4. С. 103–109.
10. Девицына С.Н., Елецкая Т.А., Балабанова Т.Н., Гахова Н.Н. Разработка интеллектуальной системы биометрической идентификации пользователя // Научные ведомости. Серия: Экономика. Информатика. 2019, Т.46, №1. С.148–160.
11. Исмагилова, А. С. Комплексная биометрическая аутентификация пользователей информационной системы с применением нейронных сетей / А. С. Исмагилова, Н. Д. Лушников // Инженерный вестник Дона. – 2024. – № 1(109). – С. 178-188.

Весь текст будет доступен после покупки