Существующие алгоритмы асимметричного шифрования подразумевают хранение секретного закрытого ключа, авторизованный доступ к которым, как правило, осуществляется при предъявлении пароля. Пароли уязвимы перед методами социальной инженерии и подвержены «человеческому фактору».

Комбинирование биометрических методов защиты с криптографией рассматривается как возможное решение этой проблемы, но любая биометрическая криптосистема должна иметь возможность преодолевать небольшие различия, существующие между двумя разными реализациями одного и того же биометрического параметра. Особенно это актуально для динамической биометрии, когда различия могут быть вызваны изменением психофизиологического состояния субъекта. Решением этих вопросов является внедрение системы на базе преобразователя «биометрия-код», который настраивается на выдачу ключа пользователя при предъявлении его биометрического образа. Ключ при этом заранее генерируется в соответствии с принятыми нормами без использования биометрических образов. В настоящей работе предлагается использовать тепловизионные изображения пользователя для надежной биометрической аутентификации субъекта на основе нейросетевого преобразователя «биометрия-код». Тепловизионные изображения не так давно используются в качестве нового подхода в биометрических системах идентификации личности и являются особым видом биометрических образов, позволяющих решить вопрос как аутентификации субъекта, так и идентификации его психофизиологического состояния. Преимущества тепловидения заключаются в том, что эта технология в настоящее время становится доступной и мобильной. Это позволяет идентифицировать и аутентифицировать пользователя бесконтактным и непрерывным образом.

В настоящей работе проведен эксперимент по верификации образов термограмм 84 субъектов и получены следующие показатели ошибочных решений: EER = 0,85 % для пользователей в состоянии «норма».

1. Biometric cryptosystems: issues and challenges / U. Uludag, S. Pankanti, S. Prabhakar, A.K. Jain // Proceedings of the IEEE. – 2004. – Vol. 92 (6). – P. 948–960.

2. Thermal imaging as a biometrics approach to facial signature authentication / A.M. Guzman, M. Goryawala, Jin Wang, A. Barreto, J. Andrian, N. Rishe, M. Adjouadi // IEEE Journal of Biomedical and Health Informatics. – 2013. – Vol. 17 (1). – P. 214–222.

3. VPID: Towards vein pattern identification using thermal imaging / S. Faltaous, J. Liebers, Y. Abdelrahman, F. Alt, S. Schneegass // i-com. De Gruyter Oldenbourg. – 2019. – Vol. 18 (3). – P. 259–270.

4. Сулавко А. Е., Лыжин А. А. Модель защищенного нейро-иммунного контейнера для задач биометрической аутентификации // Фундаментальные и прикладные исследования молодых ученых: сборник материалов IV Международной научно-практической конференции студентов, аспирантов и молодых ученых / Сибирский государственный автомобильно-дорожный университет. – Омск, 2020. – С. 378–382.

5. Технология использования больших нейронных сетей для преобразования нечетких биометрических данных в код ключа доступа / Б.С. Ахметов, А.И. Иванов, В.А. Фунтиков, А.В. Безяев, Е.А. Малыгина. – Алматы: LEM, 2014. – 144 с.

6. Fuzzy vault scheme based on fixed-length templates applied to dynamic signature verification / W. Ponce-Hernandez, R. Blanco-Gonzalo, J. Liu-Jimenez, R. Sanchez-Reillo // IEEE Access. – 2020. – Vol. 8. – P. 11152–11164.

7. Elrefaei L.A., Al-Mohammadi A.M. Machine vision gait-based biometric cryptosystem using a fuzzy commitment scheme // Journal of King Saud University – Computer and Information Sciences. – 2019. – DOI: 10.1016/j.jksuci.2019.10.011.

8. Сулавко А.Е. Высоконадежная двухфакторная биометрическая аутентификация по рукописным и голосовым паролям на основе гибких нейронных сетей // Компьютерная оптика. – 2020. – Т. 44, № 1. – С. 82–91. – DOI: 10.18287/2412-6179-CO-567.

9. Хайкин С. Нейронные сети. Полный курс. – 2-е изд. – М.: Вильямс, 2006. – 1103 с.

10. Ivanov A.I., Kachajkin E.I., Lozhnikov P.S. A complete statistical model of a handwritten signature as an object of biometric identification // 2016 International Siberian Conference on Control and Communications (SIBCON). – Moscow, Russia, 2016. – P. 1–5. – DOI: 10.1109/SIBCON.2016.7491678.

11. Akhmetov B.S., Ivanov A.I., Alimseitova Z.K. Training of neural network biometry-code converters // News of the National Academy of Sciences of the Republic of Kazakhstan. Series of Geology and Technical Sciences. – 2018. – Vol. 1. – P. 61–68.

12. ТС 26.2.002–2020. Системы обработки информации. Криптографическая защита информации. Защита нейросетевых биометрических контейнеров с использованием криптографических алгоритмов / Технический комитет по стандартизации «криптографическая защита информации» ТК 26. – М., 2020.

13. Жумажанова С.С. Особенности тепловых паттернов лица и шеи при физическом и ментальном стрессах // Биомедицинская радиоэлектроника. – 2021. – Т. 24, № 1. – С. 13–21. – DOI: 10.18127/j15604136-202101-02.

14. Белгородцев А.А., Жумажанова С.С., Пасенчук В.А. О возможности определения степени алкогольного опьянения по термограммам лица субъекта // Приборы и методы измерений, контроля качества и диагностики в промышленности и на транспорте: материалы III всероссийской научно-технической конференции с международным участием. – Омск, 2018. – P. 373–379.

15. Жумажанова С.С., Сулавко А.Е., Лукин Д.В. Анализ термограмм лица и шеи для распознавания состояния сонливости пользователей на основе классификатора Байеса // Вопросы защиты информации. – 2020. – № 2 (129). – С. 24–30.