REDES NEURAIS APLICADAS A SISTEMAS DE SEGURANÇA BIOMÉTRICOS

Transcrição

1 1 REDES NEURAIS APLICADAS A SISTEMAS DE SEGURANÇA BIOMÉTRICOS Juliana Lyrio Louzada, Paulo R. Baceiredo Azevedo, Gizelle Kupac Vianna Curso de Sistema de informação, Universidade Estácio de Sá Campus Nova América, Rio de Janeiro, RJ, Brazil jlyrio@ig.com.br, pazevedoig@globo.com, kupac@terra.com.br Abstract. This article describes a system of neural network used on identity authentication of users based on theirs keystroke latencies. Initially, had been collected distinct data sets of users and invaders, on which had carried through many analyses to identify the more excellent data set for the biometric identification. This analysis is detailed described in this article. After numerous simulations were identified a neural architecture that got the best performance. This architecture is been tested, presenting excellent results, in one fictitious home banking system. Resumo. Este artigo descreve um sistema de redes neurais utilizado na identificação e autenticação de usuários através dos seus padrões de ritmo de digitação. Inicialmente, foram coletados conjuntos distintos de dados de usuários e de invasores, sobre os quais se realizaram diversas análises para identificar o conjunto de dados mais relevantes para a identificação biométrica. Esta análise está descrita de forma detalhada neste artigo. Após numerosas simulações foi identificada uma arquitetura neural que obteve o melhor desempenho. Esta arquitetura está sendo testada, apresentando resultados excelentes, em um sistema de home banking fictício.

2 2 1. Introdução Biometria significa a verificação da identidade de uma pessoa através de uma característica única e inerente a ela. Essa característica pode ser fisiológica (como impressão digital, íris, características faciais) ou comportamental (como ritmo de digitação, assinatura digital). Desse modo, a biometria pode ser usada, por exemplo, para autenticação de usuários em uma rede de computadores. O mecanismo de autenticação por biometria funciona baseado no registro e na verificação, ou seja, o usuário se registra no sistema, permitindo a coleta de sua característica (impressão digital, gravação da voz, coleta de amostras de digitação, entre outros). As características são extraídas e convertidas em um padrão único, que é armazenado como um dado numérico criptografado. Na prática, o sistema não grava a foto do rosto ou da impressão digital e sim representação da identidade biométrica do usuário, de forma codificada. Para que o usuário tenha acesso ao sistema, é preciso que apresente sua característica biométrica e esta ser comparada ao padrão armazenado, tendo o acesso liberado apenas no caso da identificação ser positiva. O objetivo do modelo proposto é de reconhecer um indivíduo, baseando-se em uma de suas características fisiológicas. A informação biométrica escolhida para identificação foi o ritmo de digitação. Uma das principais vantagens nesse método é a possibilidade de identificação de usuários sem que os mesmos percebam que estão realizando esse processo. Sem contar o fato de que, ao contrário da identificação por íris, por exemplo, não é intrusiva nem pode causar temor no usuário de que sua saúde está em risco. Essa é uma forma relativamente barata de ser implementada, pois ao contrário das demais alternativas, o reconhecimento da digitação não requer hardware adicional. Basta um teclado, que pode ser o mesmo já utilizado, além do software que analisa e identifica o ritmo da digitação. Neste artigo descreve-se uma investigação onde se aborda o problema de identificar um usuário através de uma rede neural artificial. Um conjunto de amostras coletadas em campo, contendo dados codificados de usuários e invasores, foi utilizado para o treinamento, validação e testes do sistema. 2. Amostras de Dados O conjunto de dados disponibilizado para esta investigação perfaz um total de 40 amostras para cada usuário investigado. Foram investigados dois conjuntos diferentes de dados, descritos na tabela 1. Além dessas informações, foram coletados ainda dados como: a faixa etária, se o usuário era profissional de informática ou não e se fazia uso freqüente do computador. Essas últimas informações não foram utilizadas neste trabalho, mas futuramente, pretendemos realizar uma análise de desempenho do sistema, segundo categorias de usuários.

3 3 Tabela 1. Descrição dos conjuntos de amostras CONJUNTO LOGIN CONTA CAMPOS - Nome - Sobrenome - Login - Senha - Nome - Sobrenome - Agência - Conta Corrente - Senha Dentre os dois conjuntos de amostras supra citados, concluímos que o primeiro conjunto, login, seria mais adequado, pois poderíamos utilizar apenas caracteres alfabéticos por serem mais representativos, pois temos a possibilidade, através de diferentes dígrafos, de obtermos distâncias maiores entre as teclas, diferentemente do teclado numérico que possui suas teclas agrupadas. Além disso, esse conjunto de dados seria mais apropriado por serem informações pessoais que o usuário estaria mais familiarizado a digitar. Estabelecemos que seria mais apropriado a utilização de caracteres em caixa baixa, a não utilização de meta-caracteres e a acentuação gráfica, devido as diferentes configurações dos teclados existentes no mercado. Essas diferentes configurações poderiam interferir na obtenção dos padrões de digitação. Também foi estabelecido que os padrões analisados seriam mais representativos se os campos nome, sobrenome e login tivessem no mínimo 5 caracteres e o campo senha tivesse no mínimo 8 caracteres. O conjunto de características é composto por 20 amostras do próprio usuário, 10 amostras de um invasor e outras 10 amostras de um segundo invasor. Os dois diferentes tipos de amostras (cliente e invasor) serão identificados, a partir de agora, pelos símbolos C 1 e C 0, respectivamente. No sistema implementado, cada amostra C i pode receber uma classificação dentre dois valores: 1 ou 0. Uma amostra cuja classe seja 1, é uma amostra de cliente, enquanto uma classificação igual a 0 significa que a amostra é de um invasor. Para um mesmo conjunto de informações, o número total de características pode variar, pois depende das informações pessoais de cada cliente. Cada uma dessas características corresponde à diferença, em mile segundos (ms), entre o pressionamento de duas teclas. Logo, o número de características de cada cliente irá depender do tamanho, em caracteres, de seu nome e sobrenome, login e senha. Cada uma das características de cada cliente (ou seja, cada intervalo entre duas teclas) será chamada de variável, e será representada pelo símbolo V i. Pode-se observar que o conjunto de amostras é muito reduzido, 40 (20 C 1 e 20 C 0 ) para cada cliente. Isso foi proposital e teve por objetivo tentar construir um ambiente que se

4 4 assemelhasse o máximo possível ao ambiente real de operação de um sistema desse tipo. Isto é, em um ambiente de identificação de usuários de home banking, por exemplo, não parece razoável propor ao cliente que o mesmo repita a digitação de seus dados de identificação por 100 vezes, mesmo que se explique que o objetivo é construir um conjunto relevante de dados para treinamento do sistema de identificação. A fim de minimizar ainda mais o problema da dimensão do conjunto de amostras, idealmente para três, investigou-se a hipótese de gerar, artificialmente, conjuntos adicionais de amostras de clientes e invasores, como será descrito mais adiante. Os testes de desempenho foram realizados tanto em dados originais, como em dados normalizados, para fins de comparação. As amostras foram normalizadas através de um processo de normalização linear. Utilizou-se, para tal, a fórmula abaixo, que atribui um valor linearmente distribuído entre 0 e 1, a cada variável: x new = x x old max x x min min (1) Concluímos através de testes, que as redes neurais respondem mais eficientemente e eficazmente aos dados normalizados. 3. O Modelo Neural 3.1. Experimentos As diversas configurações do sistema de identificação testadas utilizaram dois conjuntos de dados, construídos a partir dos dados coletados. No primeiro grupo, encontra-se o conjunto de amostras coletadas em campo (clientes e invasores) que foi utilizado para testes de desempenho das redes neurais. No segundo grupo estão os dados artificiais de clientes e invasores que foram gerados utilizando-se as características estatísticas do conjunto original do cliente. Esses dados foram então requeridos durante o treinamento e validação do sistema neural, ficando os dados originais apenas para os testes de desempenho. O detalhamento de cada grupo de implementação será explicado a seguir Primeiro Conjunto de Dados Realizamos experimentos com os dados originais dos clientes e invasores de diversas formas: dados normalizados; dados obtidos através da diferença da latência de cada dígrafo de cada entrada, pela media de todas as latências deste dígrafo do cliente normalizados; dados obtidos através da diferença da latência de cada dígrafo de cada entrada, pela mediana de todas as latências deste dígrafo do cliente normalizados. Estes dados foram utilizados para os testes de desempenho Segundo Conjunto de Dados

5 5 Em casos reais, nenhuma organização teria como dispor de um grupo de funcionários alocados exclusivamente para simular invasões a todos os clientes cadastrados, de forma a tornar possível o treinamento do sistema neural de cada cliente. Além disso, não parecia razoável que, por exemplo, um banco, exigisse que seus clientes digitassem 20 vezes seus dados de identificação no procedimento de cadastro. A fim de contornar essa limitação, foram gerados, aleatoriamente, alguns exemplos de padrão cliente, mantendo-se as características estatísticas, momentos de 1 a e 2 a ordem, do conjunto de amostras disponível (Wonnacott, 1985 e Spiegel, 1978). A operação não alterou as distribuições de cada variável. A fórmula abaixo foi utilizada para a criação das amostras artificiais: A fórmula abaixo foi utilizada para a criação das amostras artificiais dos clientes: Xnew = normrnd [ mean(xori), std(xori) ] (2) Onde: X new é a nova amostra; X ori é uma amostra pertencente ao conjunto original; normrnd é uma função que gera uma distribuição normal aleatória baseada nos dados originais utilizando os parâmetros: média e desvio padrão; mean é uma função que calcula a média do seu parâmetro; std é uma função que calcula o desvio padrão do seu parâmetro. Com a aplicação da fórmula acima, aumentou-se o número de exemplos de cliente para treinamento e validação. As quantidades iniciais e finais, obtidas após essa operação, estão descritas na Tabela 2. O mesmo procedimento foi repetido para geração de dados artificiais de invasores. Para tal, um número aleatório, entre 0 e 230, foi adicionado ao desvio padrão e a média de cada variável de cliente. Para a criação das amostras artificiais de invasor, foi utilizada a fórmula abaixo: Xnew = (mod(floor(rand 10),2) + 1) normrnd mean(xori) + rand 230 (-1), (mod(floor(rand 10),2) + 1) std(xori) + rand 230 (-1) (3)

6 6 Onde: X new é a nova amostra; X ori é uma amostra pertencente ao conjunto original; normrnd é uma função que gera uma distribuição normal aleatória baseada nos dados originais utilizando os parâmetros: média e desvio padrão; mean é uma função que calcula a média do seu parâmetro; rand é uma função que gera um número aleatório entre 0 e 1; std é uma função que calcula o desvio padrão do seu parâmetro. Os conjuntos de treinamento e validação são formados por cinco cópias das amostras originais selecionadas em quantidades que podem variar de 3 (situação mais razoável para aplicações reais) à 20 (total de amostras coletadas), acrescidos dos dados artificiais (nº amostras originais multiplicado por 10). O conjunto de treinamento é formado por 70% destas amostras, enquanto o conjunto de validação é formado pelos 30% restantes. O conjunto completo de dados originais de cada cliente, e os dados originais dos invasores, foram utilizados para teste do sistema, simulando, então, uma situação real mais plausível. Tabela 2. Quantidades de dados utilizados para o treinamento, validação e teste das redes. C 1 C 0 TRN 0,7*15*NumOri 0,7*10*NumOri VAL 0,3*15*NumOri 0,3*10*NumOri TST TRN: conjunto de treinamento, VAL: conjunto de validação e TST: conjunto de teste. NumOri corresponde à quantidade de dados originais, variando de 3 à 20, utilizados na construção dos conjuntos artificiais. 4. Descrição do modelo neural Para a abordagem do problema, foram utilizadas redes neurais feedforward, treinadas pelo método do Backpropagation. Cada modelo de rede possui uma ou duas camadas escondidas de neurônios e o número de neurônios existentes em cada camada varia de 4 à 20. Utilizou-se a função de ativação sigmóide, em todas as camadas. Os parâmetros de treinamento, como taxa de aprendizado, taxa de momento, número de epochs, etc, foram os mesmos para todas as redes testadas. Os testes de desempenho foram realizados utilizando-se os conjuntos de dados descritos nas sessões anteriores. Para cada um dos 18 conjuntos de dados construídos, foram analisadas, em média, 30 arquiteturas de rede diferentes e, para cada uma delas, foram realizados 50 treinamentos, perfazendo-se então um total de treinamentos de redes. A quantidade de 50 treinamentos por arquitetura foi definida para que o desempenho

7 7 médio calculado tivesse significância estatística e as melhores arquiteturas pudessem ser então selecionadas. 5. Descrição do modelo neural final e resultados finais O limiar utilizado para a classificação das amostras pelas redes neurais foi de 0,99998, pois nosso objetivo era minimizar ao máximo as ocorrências de falso positivo (invasor identificado como cliente). Assim, respostas das redes acima desse limiar significam que os padrões apresentados correspondem a uma entrada de cliente. Respostas das redes abaixo ou igual ao limiar significam que, os padrões apresentados, correspondem a uma entrada de um invasor. Verificamos que, através dos numerosos testes, os resultados foram bem melhores com a utilização da função de treinamento com regulação baysiana. Também constatamos que a arquitetura mais eficiente foi: uma camada de entrada com o número de entradas relativas ao padrão de cada cliente, uma camada escondida (intermediária) com 14 neurônios, e uma camada de saída com 1 neurônio. O projeto foi implementado, e atualmente encontra-se em teste, autenticando clientes de um sistema home banking fictício, Banco Dinheiro Seguro - Os testes do sistema de identificação foram realizados utilizando-se os dados de quatro clientes do banco fictício. Para cada conta, os clientes acionaram o sistema 10 vezes cada um, enquanto 5 invasores fizeram 10 tentativas de identificação em cada conta. Isso perfez um total de 60 testes para cada conta, totalizando 240 testes. Não houve nenhuma ocorrência de falso positivo (invasor autenticado) e pouquíssimas de falso negativo (cliente original não reconhecido). A tabela 3 descreve o resultado dos testes realizados entre os quatro clientes cadastrados, ora como clientes, ora como invasores. Cada usuário fez 10 tentativas para obter autenticação como cada um dos quatro usuários, ou melhor, 10 vezes como cliente e 30 como invasor. Neste teste, com 160 tentativas, obtivemos: 0% de falso positivo e uma média de 5% de falso negativo. Tabela 3. Resultado dos testes entre 4 clientes cadastrados Número de Autenticações Positivas Juliana Gizelle Paula Paulo Juliana Gizelle Paula Paulo

8 8 6. Referências Bibliográficas Cox, E. (1998). The Fuzzy Systems Handbook 2 nd Edition, AP Professional, pp Haykin, S. (1999), Neural Networks: a comprehensive Foundation 2 nd Prentice-Hall, Inc., pp Edition, Hines, J. W. (1997). Fuzzy and Neural Approaches in Engineering, John Wiley & Sons, Inc., pp Antônio de P. Braga, André C. P. de L. F. Carvalho, Teresa B. Ludermir (2000). Redes Neurais Artificiais: Teoria e Aplicações, LTC Editora S.A. Spiegel, M. R. (1978). Probabilidade e Estatística - Coleção Schaum, McGraw-Hill do Brasil. Pp Wonnacott, R. J, Wonnacott, T. H. (1985). Fundamentos de Estatística, LTC Editora S.A., pp Duda, R. O. and Hart, P. E. (1973). Pattern Classification and Scene Analysis. Wiley- Interscience, USA, 1st edition. Mao, J., Mohiuddin, K., and Jain, A. K. (1994). Parsimonious network design and feature selection through node pruning. In Proc. 12th ICRP, pages , Jerusalem. Theodoridis, S. and Koutroumbas, K. (1999). Pattern Recognition. Academic Press, USA, 1st edition. Acessado em 09/10/ Acessado em 09/10/ Acessado em 09/10/ Acessado em 15/02/ Acessado em 15/02/ Acessado em 15/02/2004.