Kimlik doğrulaması için tuş vuruş dinamiklerine dayalı bir güvenlik sisteminin yapay sinir ağları ile geliştirilmesi

Abstract

Bu tezde davranışsal biyometrik kimlik doğrulama yöntemlerinden tuş vuruş dinamikleri yapay sinir ağı (YSA) algoritmaları ile kullanılarak kimlik doğrulamada güvenliği artırmak amaçlanmıştır. Çalışma kapsamında tuş vuruş verisinin toplanabilmesi için Tuş Vuruşları Toplama Yazılımı (TVTY) geliştirilmiştir. Yüz bir kişiden özgün tuş vuruş verisi toplanmıştır. Veri setine Çok katmanlı ileri beslemeli YSA Geri Yayılım algoritması, Radyal Tabanlı Fonksiyon YSA, Öğrenmeli Vektör Nicemleme YSA (LVQ1, LVQ2, LVQ3 ve Optimize LVQ1 algoritmaları), Kendini Örgütleyen Haritalar YSA (SOM, BDK ve XYF algoritmaları), Olasılıksal YSA, Uyarlanabilir Rezonans Teorisi YSA ailesinden ART2 algoritması ve Öz-İlişkili YSA algoritmaları uygulanarak farklı modeller oluşturulmuştur. Model performans değerlendirme yöntemi olarak 5-kat çapraz geçerleme tekniği kullanılmıştır. Veri analizleri R programlama dili ile RStudio editörü kullanarak yapılmıştır. YSA sınıflandırıcıları ile veri setindeki her bir örneğin güvenilir kullanıcı veya saldırgan kişilerden hangisi tarafından yazılmış olabileceği tahmin edilmeye çalışılmıştır. Çalışma kapsamında en başarılı FAR değerini %0 ile Öz-İlişkili YSA, en başarılı FRR değerini %3,94 değeri ile Olasılıksal YSA, en başarılı doğruluk değerini %94,69 ile yine Öz-İlişkili YSA vermiştir. Bu çalışma İstanbul Üniversitesi Bilimsel Araştırma Projeleri Yürütücü Sekreterliğinin 49695 numaralı projesi ile desteklenmiştir.

In this thesis, it is aimed to improve authentication security using Artificial Neural Networks (ANN) with keystroke dynamics which is one of behavioral biometric authentication methods. Keystroke Collection Tool (KCT) is developed to gather keystroke data within the scope of the study. Original data is obtained from one hundred one people. Different models are created using Backpropagation algo, Radial Basis Function ANN, Learning Vector Quantization ANN (LVQ1, LVQ2, LVQ3 and Optimized LVQ1 algorithms), Self-Organizing Maps ANN (SOM, BDK and XYF algorithms), Probablistic ANN, Adaptive Resonance Theory ANN (ART2 algorithm) and Auto-associative ANN. 5-fold cross validation is used as model performance evaluation technique. Data analysis is performed by R programming language using RStudio. It is tried to predict class labels of each attempt in data set as genuine users and impostors. In this study, the best FAR value is 0% which obtained by Auto-associative NN, the best FRR value is 3,94% given by PNN and the best accuracy value is given by Auto-Associative NN with 94,69%. This work was supported by Scientific Research Project Coordination Unit of Istanbul University. Project number: 49695.