Розробка методу антиспуфінгу зображень в системах біометричної безпеки з використанням ML

Автор(и)

  • Володимир Палагін Черкаськийдержавнийтехнологічнийуніверситет, Україна
  • Олександр Івченко Черкаський державний технологічний університет, Україна
  • Олена Палагіна Черкаський державний технологічний університет, Україна
  • Віталій Філіпов Черкаський державний технологічний університет, Україна
  • Олександр Гавриш Черкаський державний технологічний університет, Україна
  • Анатолій Байрак Черкаський державний технологічний університет, Україна
  • Роман Пташкін Черкаський державний технологічний університет, Україна

DOI:

https://doi.org/10.32626/2308-5916.2025-27.82-102

Анотація

Розглянуто проблему виявлення презентаційних атак (спуфінгу) в системах біометричної автентифікації на основі розпізнавання облич. Зростання спуфінг-атак із використанням статичних зображень, відеозаписів та 3D-масок створює нагальну потребу у розробці стійких до підробок систем їх виявлення. Метою дослідження є розробка багаторівневого комбінованого методу антиспуфінгу, який інтегрує фізичні та поведінкові ознаки обличчя з використанням моделей машинного навчання (ML) для адаптивного прийняття рішень.

Запропонована система включає чотири функціональні модулі аналізу зображень: виявлення країв (Edge Detection), аналіз мікрорухів (Motion Analysis), виявлення моргання (Blink Detection) та ідентифікація посмішки (Smile Detection). Кожен з модулів формує бінарне часткове рішення, яке далі передається до інтеграційного блоку. На відміну від класичних підходів зі сталими ваговими коефіцієнтами, у запропонованій системі ці ваги обчислюються адаптивно за допомогою навченої ML-моделі. Це забезпечує динамічну зміну впливу кожного модуля залежно від умов середовища, якості відеопотоку та характеристик обличчя користувача.

Наукова новизна роботи полягає в розробці гнучкої моделі комбінованої біометричної системи безпеки при впровадженні механізму оптимізації зважених коефіцієнтів модулів антиспуфінгу на основі реалізації методів машинного навчання. Система демонструє здатність до самоналаштування, що дозволяє підвищити точність і знизити частоту помилкових спрацьовувань у складних умовах експлуатації. Запропонована модель дозволяє балансувати між фізичними та поведінковими ознаками, адаптуючи їхній внесок у фінальне рішення у режимі реального часу.

Система реалізована у вигляді модульної архітектури та протестована на контрольованому наборі даних, який містить кілька типів атак. Результати експериментів демонструють високу точність виявлення підробок (до 100% у тестових умовах) та стійкість до варіативності вхідних даних. Описано алгоритм функціонування, математичні моделі модулів, принцип інтеграції та можливості масштабування. Запропоноване рішення має перспективи практичного впровадження в мобільні пристрої, системи контролю доступу та онлайн-ідентифікації.

Опубліковано

2025-06-25