Luận văn thạc sĩ VNU về xác thực chữ ký trực tuyến

Luận văn thạc sĩ nghiên cứu vnu verification de signature en ligne, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực .

• Tác giả: Trung Tung Doan
• Người hướng dẫn: Sonia Salicetti
• Trường học: Institut National Des Télécommunications
• Chuyên ngành: Informatique
• Đề tài: Vérification De Signature En-Ligne
• Loại tài liệu: Luận Văn
• Năm xuất bản: 2006
• Địa điểm: Không Rõ

Mục lục chi tiết

• 1. CHAPITRE 1: INTRODUCTION
• 1.1. Objectif du stage
• 1.2. Environnement de travail
• 1.3. Plan de document
• 2. CHAPITRE 2: VERIFICATION DE SIGNATURE EN LIGNE
• 2.1. Introduction
• 2.2. Modèle de Markov Cachés
• 2.3. Déformation temporelle dynamique
• 3. CHAPITRE 3: SYSTEMES DE REFERENCE
• 3.1. Analyse des données
• 3.2. Extraction des paramètres
• 3.3. Sélection des paramètres
• 3.4. Stockage de référence
• 3.5. Modèle de Client
• 4. CHAPITRE 4
• 4.1. Contrôleur de Framework
• 4.2. Module de GET-INT
• 4.3. Performance des algorithmes
• 4.4. Base de données
• 4.5. Fusion des systèmes
• 4.6. Protocole de fusion
• 4.7. Techniques de normalisation
• 5. CHAPITRE 5: APPROCHE D’ALGORITHME GENETIQUE
• 5.1. Algorithme génétique en bref
• 5.2. AG pour la vérification de signature
• 6. CHAPITRE 6: CONCLUSIONS ET PERSPECTIVES

Tóm tắt

I. Tổng quan về Nghiên cứu xác thực chữ ký trực tuyến VNU

Nghiên cứu về xác thực chữ ký trực tuyến trong luận văn thạc sĩ VNU đã mở ra một hướng đi mới trong lĩnh vực công nghệ sinh trắc học. Chữ ký trực tuyến không chỉ đơn thuần là một hình thức ký kết mà còn là một phương pháp xác thực danh tính hiệu quả. Luận văn này tập trung vào việc phân tích các phương pháp hiện có và đề xuất các giải pháp cải tiến nhằm nâng cao tính chính xác và bảo mật trong quá trình xác thực.

1.1. Định nghĩa và tầm quan trọng của xác thực chữ ký trực tuyến

Xác thực chữ ký trực tuyến là một kỹ thuật sinh trắc học, cho phép xác minh danh tính của người dùng thông qua chữ ký điện tử. Kỹ thuật này ngày càng trở nên quan trọng trong bối cảnh số hóa và bảo mật thông tin. Việc sử dụng chữ ký trực tuyến giúp giảm thiểu rủi ro gian lận và tăng cường tính bảo mật cho các giao dịch trực tuyến.

1.2. Lịch sử và phát triển của công nghệ xác thực chữ ký

Công nghệ xác thực chữ ký đã trải qua nhiều giai đoạn phát triển. Từ những ngày đầu sử dụng chữ ký tay, đến việc áp dụng các công nghệ sinh trắc học hiện đại như chữ ký số và chữ ký điện tử. Các nghiên cứu gần đây đã chỉ ra rằng việc áp dụng các thuật toán như Mô hình Markov ẩn và Đường cong thời gian động có thể cải thiện đáng kể độ chính xác trong xác thực chữ ký.

II. Vấn đề và thách thức trong xác thực chữ ký trực tuyến

Mặc dù xác thực chữ ký trực tuyến mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức lớn. Các vấn đề như độ chính xác, khả năng bị giả mạo và sự thay đổi của chữ ký theo thời gian là những yếu tố cần được xem xét kỹ lưỡng. Luận văn này sẽ phân tích các vấn đề này và đề xuất các giải pháp khả thi.

2.1. Độ chính xác trong xác thực chữ ký

Độ chính xác là một trong những yếu tố quan trọng nhất trong xác thực chữ ký. Các nghiên cứu cho thấy rằng tỷ lệ sai sót có thể tăng lên khi chữ ký bị giả mạo hoặc khi người dùng ký trong các trạng thái cảm xúc khác nhau. Việc phát triển các thuật toán chính xác hơn là cần thiết để giảm thiểu vấn đề này.

2.2. Khả năng bị giả mạo và các biện pháp bảo mật

Khả năng bị giả mạo là một trong những thách thức lớn nhất đối với xác thực chữ ký trực tuyến. Các phương pháp như phân tích hành vi và sử dụng các yếu tố sinh trắc học khác có thể giúp tăng cường bảo mật. Việc áp dụng các tiêu chuẩn bảo mật cao cũng là một yếu tố quan trọng trong việc ngăn chặn gian lận.

III. Phương pháp xác thực chữ ký trực tuyến hiệu quả

Luận văn thạc sĩ VNU đã đề xuất một số phương pháp xác thực chữ ký trực tuyến hiệu quả, bao gồm việc sử dụng Mô hình Markov ẩn và Đường cong thời gian động. Những phương pháp này không chỉ cải thiện độ chính xác mà còn giúp giảm thiểu thời gian xử lý.

3.1. Mô hình Markov ẩn trong xác thực chữ ký

Mô hình Markov ẩn (HMM) là một trong những phương pháp phổ biến trong xác thực chữ ký. HMM cho phép phân tích các chuỗi dữ liệu và xác định xác suất của các trạng thái ẩn. Việc áp dụng HMM trong xác thực chữ ký đã cho thấy kết quả khả quan trong việc nhận diện chữ ký thật và giả.

3.2. Đường cong thời gian động và ứng dụng trong xác thực

Đường cong thời gian động (DTW) là một kỹ thuật mạnh mẽ trong việc so sánh các chuỗi thời gian. Kỹ thuật này cho phép xác định độ tương đồng giữa hai chữ ký, bất kể sự khác biệt về tốc độ hoặc thời gian ký. Việc áp dụng DTW trong xác thực chữ ký đã giúp cải thiện đáng kể độ chính xác và hiệu suất của hệ thống.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu

Nghiên cứu về xác thực chữ ký trực tuyến đã cho thấy nhiều ứng dụng thực tiễn trong các lĩnh vực như ngân hàng, thương mại điện tử và quản lý tài liệu. Kết quả nghiên cứu cho thấy rằng việc áp dụng các phương pháp hiện đại có thể nâng cao đáng kể tính bảo mật và độ tin cậy của hệ thống.

4.1. Ứng dụng trong ngân hàng và tài chính

Trong ngành ngân hàng, xác thực chữ ký trực tuyến được sử dụng để bảo vệ các giao dịch tài chính. Việc áp dụng công nghệ này giúp giảm thiểu rủi ro gian lận và tăng cường sự tin tưởng của khách hàng vào các dịch vụ ngân hàng trực tuyến.

4.2. Kết quả nghiên cứu và đánh giá hiệu quả

Kết quả nghiên cứu cho thấy rằng các phương pháp xác thực chữ ký trực tuyến đã cải thiện đáng kể độ chính xác và giảm thiểu tỷ lệ sai sót. Các thử nghiệm thực tế cho thấy rằng hệ thống có thể nhận diện chữ ký thật và giả với độ chính xác lên đến 95%.

V. Kết luận và tương lai của xác thực chữ ký trực tuyến

Nghiên cứu về xác thực chữ ký trực tuyến trong luận văn thạc sĩ VNU đã mở ra nhiều hướng đi mới cho công nghệ sinh trắc học. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến về bảo mật và hiệu suất. Việc tiếp tục nghiên cứu và phát triển các phương pháp mới sẽ là cần thiết để đáp ứng nhu cầu ngày càng cao trong xã hội số.

5.1. Tương lai của công nghệ xác thực chữ ký

Công nghệ xác thực chữ ký trực tuyến sẽ tiếp tục phát triển với sự xuất hiện của các công nghệ mới như trí tuệ nhân tạo và học máy. Những công nghệ này có thể giúp cải thiện độ chính xác và khả năng phát hiện gian lận trong xác thực chữ ký.

5.2. Khuyến nghị cho nghiên cứu tiếp theo

Nghiên cứu tiếp theo nên tập trung vào việc phát triển các thuật toán mới và cải tiến các phương pháp hiện có. Việc kết hợp nhiều kỹ thuật sinh trắc học khác nhau cũng có thể giúp nâng cao tính bảo mật và độ tin cậy của hệ thống xác thực chữ ký.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của các giao dịch điện tử và dịch vụ công trực tuyến đặt ra yêu cầu cấp thiết về các giải pháp an ninh sinh trắc học có độ chính xác cao. Theo thống kê của các tổ chức an ninh mạng quốc tế, thiệt hại do gian lận mạo danh chữ ký và tài liệu giả mạo ước tính lên tới hàng tỷ USD mỗi năm trên toàn cầu. Trong bối cảnh đó, xác thực chữ ký trực tuyến nổi lên như một công nghệ sinh trắc học hành vi vượt trội. Khác với chữ ký tĩnh ngoại tuyến chỉ phân tích hình ảnh hai chiều trên giấy, chữ ký trực tuyến ghi nhận tín hiệu thời gian thực từ bảng số hóa bao gồm tọa độ, tốc độ di chuyển, gia tốc, áp lực ngòi bút, góc phương vị và độ nghiêng của bút. Thách thức nghiên cứu cốt lõi nằm ở việc xử lý sự biến thiên nội tại của người ký theo thời gian và tâm lý, đồng thời ngăn chặn các hành vi giả mạo tinh vi.

Luận văn tập trung vào 3 mục tiêu khoa học cụ thể: thứ nhất, phát triển và chuẩn hóa hệ thống xác thực chữ ký trực tuyến sử dụng Mô hình Markov Ẩn liên tục; thứ hai, tích hợp hệ thống vào nền tảng tham chiếu mã nguồn mở để thực hiện các thực nghiệm hợp nhất điểm số đa thuật toán; thứ ba, đề xuất phương pháp tiếp cận mới bằng Thuật toán Di truyền nhằm tối ưu hóa việc trích xuất mẫu chữ ký tham chiếu. Nghiên cứu được thực hiện trong thời gian 9 tháng tại Viện Quốc gia Viễn thông Pháp phối hợp cùng Viện Tin học Pháp ngữ và các phòng thí nghiệm đối tác tại Đức và Anh. Về mặt ý nghĩa thực tiễn, các kết quả hợp nhất thuật toán giúp giảm tỷ lệ lỗi tương đương từ mức 5,55% ở hệ thống đơn lẻ xuống còn 1,04%, mang lại giải pháp xác thực tin cậy cao cho các hệ thống máy rút tiền tự động và cổng thanh toán số.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên 2 nền tảng lý thuyết chủ đạo trong xử lý tín hiệu và nhận dạng mẫu: Mô hình Markov Ẩn và Kỹ thuật Nắn chỉnh thời gian động.

Mô hình Markov Ẩn liên tục dạng từ trái sang phải với cấu trúc chuyển trạng thái không nhảy cóc được sử dụng để mô hình hóa đặc trưng động học của từng người ký. Mô hình giải quyết 3 bài toán kinh điển: bài toán đánh giá thông qua thuật toán Tiến - Lùi với độ phức tạp tính toán tối ưu, bài toán giải mã chuỗi trạng thái tối ưu thông qua thuật toán Viterbi, và bài toán huấn luyện tham số mô hình thông qua thuật toán Baum-Welch dựa trên nguyên lý kỳ vọng cực đại nhằm cực đại hóa hàm hợp lý cục bộ.

Bên cạnh đó, kỹ thuật Nắn chỉnh thời gian động dựa trên quy hoạch động được áp dụng để so khớp hai chuỗi tín hiệu thời gian có độ dài khác nhau. Thuật toán thiết lập ma trận khoảng cách và tìm kiếm đường đi uốn cong tối thiểu thỏa mãn các điều kiện biên, tính liên tục và tính đơn điệu. Nghiên cứu cũng vận dụng các khái niệm sinh trắc học then chốt bao gồm: vector 14 đặc trưng động học dẫn xuất (vận tốc tức thời, gia tốc tiếp tuyến, góc hợp bởi quỹ đạo, biến thiên áp lực và bán kính cong), tỷ lệ lỗi tương đương, tỷ lệ từ chối sai, tỷ lệ chấp nhận sai và các kỹ thuật chuẩn hóa điểm số phân phối chuẩn.

Phương pháp nghiên cứu

Luận văn sử dụng nguồn dữ liệu thực nghiệm từ 3 bộ cơ sở dữ liệu sinh trắc học chuẩn quốc tế: BIOMET với 84 người ký, MCYT-100 với 100 người ký và bộ dữ liệu mở rộng MCYT-330 với 330 người ký. Bộ dữ liệu MCYT-330 được lựa chọn làm trọng tâm phân tích nhờ quy mô lớn, chứa 25 chữ ký thật và 25 chữ ký giả mạo động chất lượng cao cho mỗi cá nhân.

Phương pháp chọn mẫu phân chia bộ dữ liệu MCYT-330 thành 2 tập độc lập: 50 người đầu tiên tạo thành tập phát triển để tinh chỉnh tham số, và 280 người tiếp theo tạo thành tập đánh giá hiệu năng. Đối với mỗi người ký trong tập đánh giá, 5 chữ ký thật đầu tiên được chọn làm dữ liệu huấn luyện mô hình hoặc lưu trữ tham chiếu. Dữ liệu kiểm thử bao gồm 20 chữ ký thật còn lại, 25 chữ ký giả mạo động và 279 chữ ký giả mạo ngẫu nhiên lấy từ những người ký khác.

Lý do lựa chọn phương pháp phân tích hợp nhất điểm số và kiểm chứng chéo 2 phần lặp lại 50 lần ngẫu nhiên là nhằm triệt tiêu độ lệch chọn mẫu, bảo đảm tính khái quát hóa của mô hình. Dữ liệu điểm số trước khi hợp nhất được đưa qua hai kỹ thuật chuẩn hóa: chuẩn hóa tuyến tính Min-Max bao phủ 95% không gian phân phối Gauss và chuẩn hóa xác suất hậu nghiệm Bayes. Toàn bộ quy trình thực nghiệm và xử lý dữ liệu được tiến hành liên tục trong giai đoạn nghiên cứu từ tháng 1 đến tháng 10 năm 2005.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, trong kịch bản đánh giá tổng hợp bao gồm cả chữ ký giả mạo ngẫu nhiên và giả mạo động trên tập dữ liệu MCYT-330, hệ thống đơn lẻ của Viện Quốc gia Viễn thông Pháp đạt tỷ lệ lỗi tương đương là 2,50%, vượt trội hơn hệ thống đối sánh chuẩn quốc tế đạt mức 3,30%, trong khi hai hệ thống đối sánh khoảng cách đạt tỷ lệ lỗi lần lượt là 8,10% và 11,50%.

Thứ hai, khi kiểm thử riêng biệt với nhóm chữ ký giả mạo động có tay nghề cao, tỷ lệ lỗi tương đương của hệ thống đơn lẻ tăng lên mức 5,55%, hệ thống giải mã Viterbi đạt 6,80%, hệ thống đối sánh chuẩn đạt 7,10%, còn hai hệ thống dựa trên khoảng cách tăng vọt lên 14,10% và 16,50%. Điều này phản ánh tính chất tinh vi của các mẫu giả mạo chủ đích khi kẻ gian sao chép được quỹ đạo hình học bên ngoài.

Thứ ba, kỹ thuật hợp nhất điểm số mang lại bước nhảy vọt về hiệu năng. Khi hợp nhất toàn bộ 4 hệ thống bằng kỹ thuật chuẩn hóa Min-Max, tỷ lệ lỗi tương đương giảm sâu xuống còn 1,04% trên toàn bộ tập dữ liệu, tương ứng với mức giảm thiểu hơn 58,4% tỷ lệ lỗi so với hệ thống đơn lẻ tốt nhất.

Thứ tư, việc kết hợp 2 hệ thống đơn giản dựa trên khoảng cách giúp cải thiện hiệu năng ngoạn mục khoảng 50%, kéo tỷ lệ lỗi từ mức trên 14% xuống vùng hiệu năng tương đương các mô hình thống kê phức tạp.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự cải thiện vượt trội khi hợp nhất hệ thống là nhờ tính tương hỗ thông tin giữa các phương pháp. Điểm số Viterbi đại diện cho mức độ trùng khớp của chuỗi trạng thái tối ưu theo thời gian, trong khi điểm Log-Likelihood đo lường xác suất tổng thể trên toàn bộ chuỗi quan sát. Khi tích hợp điểm Viterbi với điểm hợp lý của hệ thống đối sánh, không gian phân loại mở rộng thêm một chiều đặc trưng, giúp phân tách rõ nét giữa mẫu người dùng thật và kẻ mạo danh.

Kết quả dữ liệu thực nghiệm được minh họa rõ ràng thông qua biểu đồ đường cong đánh đổi sai số phát hiện. Trên đồ thị biểu diễn mối tương quan phi tuyến giữa tỷ lệ từ chối sai và tỷ lệ chấp nhận sai, đường cong của các mô hình hợp nhất dịch chuyển mạnh mẽ về sát gốc tọa độ, khẳng định độ tin cậy vượt bậc so với từng đường cong đơn lẻ.

So sánh với các nghiên cứu trước đây vốn chỉ dựa vào tọa độ vị trí tĩnh, việc trích xuất đồng thời 14 tham số động học liên quan đến gia tốc tiếp tuyến và biến thiên góc nghiêng ngòi bút đã tạo ra lá chắn bảo mật vững chắc. Hệ thống duy trì tính ổn định cao trước các thay đổi tự nhiên của người dùng, mở ra khả năng ứng dụng thực tế trong các hệ thống đòi hỏi độ an toàn thông tin nghiêm ngặt.

Đề xuất và khuyến nghị

Nhằm tối ưu hóa hiệu quả triển khai hệ thống xác thực chữ ký trực tuyến trong môi trường thực tế, nghiên cứu đề xuất 4 giải pháp trọng tâm:

1. Triển khai kiến trúc hợp nhất đa thuật toán: Các tổ chức tài chính và ngân hàng thương mại cần tích hợp song song tối thiểu 2 thuật toán độc lập, bao gồm một mô hình thống kê xác suất và một thuật toán so khớp khoảng cách chuỗi thời gian. Mục tiêu hành động là đưa tỷ lệ lỗi nhận diện sai xuống dưới mức 1,50% trong vòng 6 tháng đầu áp dụng.

2. Ứng dụng Thuật toán Di truyền để tinh lọc mẫu tham chiếu: Đội ngũ kỹ thuật phần mềm cần áp dụng cơ chế lai ghép và đột biến để tự động phát hiện và trích xuất các phân đoạn nét ký có tính ổn định cao nhất, loại bỏ phần đuôi chữ ký vốn có độ biến thiên lớn. Mục tiêu giúp giảm 30% dung lượng lưu trữ mẫu tham chiếu trên thẻ thông minh và nâng cao độ chính xác nhận dạng thêm 15% trong vòng 9 tháng.

3. Chuẩn hóa thang đo phân phối điểm số tự động: Nhóm phát triển thuật toán cần cài đặt module chuẩn hóa Min-Max thích nghi dựa trên tham số trung bình và độ lệch chuẩn của phân phối Gauss trước khi đưa điểm số vào bộ quyết định. Mục tiêu bảo đảm thang đo điểm số luôn đồng nhất trong đoạn từ 0 đến 1 trên mọi thiết bị thu nhận chữ ký khác nhau trong vòng 3 tháng.

4. Thiết lập quy trình tự động cập nhật mẫu chữ ký định kỳ: Ban quản trị an toàn thông tin cần xây dựng chính sách tái huấn luyện mô hình định kỳ sau mỗi 12 tháng hoặc sau mỗi 50 lần người dùng xác thực thành công. Mục tiêu bù trừ độ trôi sinh học tự nhiên theo độ tuổi của người ký, duy trì tỷ lệ từ chối sai ổn định dưới 2,00%.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng chính:

1. Kỹ sư phát triển phần mềm an ninh sinh trắc học: Nắm bắt kiến trúc khung tham chiếu mã nguồn mở, trực tiếp ứng dụng bộ công thức trích xuất 14 đặc trưng động học để phát triển ứng dụng ký số trên các thiết bị máy tính bảng, màn hình cảm ứng và thiết bị POS.

2. Giảng viên, nghiên cứu sinh và học viên cao học ngành Công nghệ Thông tin: Tiếp cận phương pháp luận nghiên cứu thực nghiệm chuẩn mực với quy trình kiểm chứng lặp 50 lần, kỹ thuật chuẩn hóa Bayes và phương pháp ứng dụng Thuật toán Di truyền trong tối ưu hóa nhận dạng mẫu.

3. Chuyên gia quản trị rủi ro tại các ngân hàng và tổ chức tài chính: Sử dụng các số liệu thực nghiệm làm cơ sở khoa học để đánh giá, thẩm định và lựa chọn giải pháp phòng chống gian lận mạo danh trong giao dịch thẻ tín dụng và định danh khách hàng điện tử.

4. Các nhà sản xuất thiết bị phần cứng số hóa: Khai thác các phân tích về áp lực ngòi bút, góc phương vị và tần số lấy mẫu tín hiệu để cải tiến độ nhạy cảm biến và nâng cao chất lượng phần sụn cho các thiết bị bảng vẽ điện tử.

Câu hỏi thường gặp

Chữ ký trực tuyến khác biệt như thế nào so với chữ ký truyền thống trên giấy? Chữ ký truyền thống là chữ ký tĩnh chỉ lưu lại hình ảnh nét mực hai chiều không chứa yếu tố thời gian. Chữ ký trực tuyến thu nhận tín hiệu động theo thời gian thực bao gồm tọa độ, tốc độ, gia tốc và áp lực ngòi bút qua bảng cảm ứng. Nhờ thông tin động học ẩn này, kẻ gian dù sao chép được hình dáng chữ ký mẫu cũng không thể bắt chước được nhịp điệu vận động cơ học của người ký thật.

Tại sao Mô hình Markov Ẩn lại đặc biệt hiệu quả trong xác thực chữ ký trực tuyến? Mô hình Markov Ẩn có khả năng biểu diễn xuất sắc các tín hiệu chuỗi thời gian có độ biến thiên cao. Với cấu trúc liên tục từ trái sang phải, mô hình phân chia quá trình ký thành các trạng thái ẩn tuần tự và tính toán xác suất phát sinh chuỗi đặc trưng một cách linh hoạt, giúp hệ thống đạt tỷ lệ lỗi ấn tượng 2,50% trên bộ dữ liệu quy chuẩn gồm 330 người ký.

Kỹ thuật hợp nhất điểm số mang lại lợi ích gì so với việc sử dụng một hệ thống đơn lẻ? Hợp nhất điểm số tận dụng tính tương hỗ giữa các thuật toán có cơ chế hoạt động khác nhau. Khi kết hợp mô hình xác suất với thuật toán đo khoảng cách, hệ thống mở rộng không gian phân biệt đặc trưng, giúp giảm tỷ lệ lỗi tương đương từ mức 5,55% ở hệ thống đơn lẻ xuống còn 1,04%, hạn chế tối đa rủi ro nhận diện sai trong các tình huống bị giả mạo tinh vi.

Thuật toán Di truyền giải quyết bài toán nào trong việc nâng cao độ chính xác chữ ký? Thuật toán Di truyền được ứng dụng để tự động tìm kiếm và xây dựng mẫu chữ ký tham chiếu tối ưu từ nhiều chữ ký mẫu ban đầu. Bằng các toán tử tiến hóa như chọn lọc tự nhiên, lai ghép và đột biến, thuật toán trích xuất các phân đoạn nét ký có độ ổn định cơ học cao nhất và loại bỏ các đoạn nhiễu ở đuôi chữ ký, từ đó nâng cao tính tin cậy của mẫu so khớp.

Chỉ số tỷ lệ lỗi tương đương có ý nghĩa gì trong đánh giá hệ thống sinh trắc học? Tỷ lệ lỗi tương đương là điểm giao thoa trên đồ thị đánh giá hiệu năng sinh trắc học, nơi tỷ lệ từ chối sai người dùng thật bằng với tỷ lệ chấp nhận sai kẻ giả mạo. Chỉ số này càng thấp chứng minh thuật toán có độ chính xác càng cao và khả năng phân biệt đối tượng càng vượt trội trong các điều kiện vận hành thực tế.

Kết luận

• Xây dựng thành công kiến trúc khung tham chiếu mã nguồn mở tích hợp toàn diện các thuật toán Mô hình Markov Ẩn và Nắn chỉnh thời gian động.
• Trích xuất hiệu quả 14 đặc trưng động học không gian - thời gian từ tín hiệu chữ ký trực tuyến trên các bộ cơ sở dữ liệu lớn BIOMET, MCYT-100 và MCYT-330.
• Chứng minh thực nghiệm việc hợp nhất đa thuật toán giúp hạ tỷ lệ lỗi tương đương xuống mức kỷ lục 1,04%, giảm hơn 58,4% lỗi so với mô hình đơn lẻ.
• Đề xuất hướng tiếp cận sáng tạo bằng Thuật toán Di truyền nhằm tự động nhận diện và trích xuất các phân đoạn chữ ký có tính ổn định cao.
• Thiết lập quy trình kiểm chuẩn 50 lần lặp kết hợp chuẩn hóa điểm số Min-Max và Bayes, cung cấp tiêu chuẩn thực nghiệm giá trị cho cộng đồng nghiên cứu quốc tế.

Luận văn đã đóng góp quan trọng vào kho tàng nghiên cứu sinh trắc học hành vi, mở ra giải pháp bảo mật tin cậy cho kỷ nguyên chuyển đổi số. Trong lộ trình 12 tháng tiếp theo, nghiên cứu hướng tới việc tối ưu hóa thuật toán trên các thiết bị di động cá nhân và mở rộng hợp nhất đa sinh trắc học cùng khuôn mặt và vân tay. Độc giả và các kỹ sư an toàn thông tin hãy nghiên cứu áp dụng ngay các giải pháp kỹ thuật trong luận văn để nâng cấp hệ thống xác thực số của đơn vị mình.

Trích đoạn nội dung tài liệu

Institut de la Francophonie pour l’Informatique Institut National des Télécommunications MEMOIRE DE FIN D’ETUDES MASTER D’INFORMATIQUE VERIFICATION DE SIGNATURE EN-LIGNE Responsable : Sonia SALICETTI Bao LY VAN Stagiaire : Trung Tung DOAN 10 janvier 2006 LUAN VAN CHAT LUONG download : add [e-mail] Remerciements Je voudrais tout d’abord remercier Madame Bernadette Dorizzi, professeur, chef du département Electronique et Physique de m’avoir accueilli dans son équipe de recherche de l’Institut National des Télécommunications (INT). Je tiens à remercier Madame Sonia Salicetti et Monsieur Ly Van Bao pour avoir proposé ce sujet de stage et m’avoir encadré pendant neuf mois. Je voudrais remercier particulièrement Monsieur Ly Van Bao pour tous ses conseils et encouragements, non seulement pour la recherche mais aussi pour la vie quotidienne en France. Mes plus sincères remerciements vont également à tous les professeurs et les personnels de l'Institut de la Francophonie pour l'Informatique (IFI) pour m'avoir donné des cours de très bonne qualité et pour leur soutien tout au long de mes études à l'IFI.

Un grand merci aux toutes les personnes de l’équipe GET-INT à l’INT, AMSL-BIO à l’université de Magdeburg et UNIK à l’université de Kent pour leur coopération dans le projet Systèmes de Référence et pendant le premier Biosecure Residental Workshop. Merci enfin à mes parents, ma sœur, ma fiancée et mes amis pour leur soutien et leur encouragement à tout instant. LUAN VAN CHAT LUONG download : add [e-mail] Résumé La vérification de signature en ligne est une technique biométrique comportementale. Nous présentons en bref deux algorithmes célèbres pour signature en ligne : les Modèles de Markov Cachés et la Déformation Temporelle Dynamique.

Le premier algorithme a été implémenté dans un système de l’Institut National des Télécommunications. Ce système est joint aux Systèmes de Références, un projet de collaboration de trois labos. Grâce aux Systèmes de Références, on a fait quelques expériences de fusion de systèmes. Nous proposons enfin une nouvelle approche pour la vérification de signature en ligne : l’approche d’algorithme génétique.

Mots-clés : vérification de signature en ligne, biométrie, modèles de markov cachés, déformation temporelle dynamique, extraction des paramètres, normalisation, fusion, algorithme génétique. LUAN VAN CHAT LUONG download : add [e-mail] Abstract Online Signature Verification is one biometric behavioral technique. We present in brief two well-known algorithms for online signature: Hidden Markov Models and Dynamic Time Warping. The first one has been implemented in a system of INT (Institut National des Télécommunications).

We have also joined this system in the project Reference Systems which is a collaboration of three labs. With Reference Systems, we have done some experiences in fusing systems. In the end, we propose a new approach for Online Signature: genetic algorithm’s approach. Keywords: online signature verification, biometry, hidden markov models, dynamic time warping, feature extraction, normalization, fusion, genetic algorithm.

LUAN VAN CHAT LUONG download : add [e-mail] CHAPITRE 1 INTRODUCTION .2 Objectif du stage.3 Environnement de travail .4 Plan de document .8 CHAPITRE 2 VERIFICATION DE SIGNATURE EN LIGNE .2 Modèle de Markov Cachés .3 Déformation temporelle dynamique .20 CHAPITRE 3 SYSTEMES DE REFERENCE .1 Analyse des données .3 Extraction des paramètres.4 Sélection des paramètres .5 Stockage de référence.6 Modèle de Client .25 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.9 Contrôleur de Framework .3 Module de GET-INT .2 Performance des algorithmes .1 Base de données .3 Fusion des systèmes .1 Base de données .3 Protocole de fusion.4 Techniques de normalisation.37 CHAPITRE 5 APPROCHE D’ALGORITHME GENETIQUE.1 Algorithme génétique en bref .2 AG pour la vérification de signature .54 CHAPITRE 6 CONCLUSIONS ET PERSPECTIVES .55 LUAN VAN CHAT LUONG download : add [e-mail] Chapitre 1 Introduction 1.1 Problématique Aujourd’hui, la Biométrie est de plus en plus courante. C’est un domaine qui se compose de plusieurs techniques : l'empreinte digitale, la signature, l'iris, la voix, le visage, la démarche, etc. Ce stage est centré sur la vérification de signature en ligne. Cette technique est assez efficace quoiqu’elle soit simple par rapport à d’autres techniques biométriques.

Dans un système de vérification de signature en ligne, il y a trois problèmes principaux : l’acquisition des signatures, la construction du système et la phase vérification des signatures. Qu’est-ce que une signature en ligne ? Comment peut-on l’acquérir ? Quelles sont les méthodes pour construire un système et l’utiliser pour vérifier l’identité d’une personne par sa signature ? On va étudier les réponses à ces questions dans ce rapport. Ce stage s’intéresse aussi aux expériences de fusion de différents systèmes de vérification de signature. Qu’est qui se passe quand on fusionne plusieurs systèmes ? Est-ce que le système est de meilleure qualité ou pas ? Les réponses à ces questions peuvent être trouvées dans le Chapitre 4.2 Objectif du stage Ce travail de stage s’insère dans la suite des travaux effectués à l’INT sur la vérification de signature en ligne, avec des Modèles de Markov Cachés.

Le premier objectif du stage est de regrouper ce système avec d’autres systèmes de deux laboratoires : UNIK (Université de Kent) et AMSL (Université de Magdeburg) pour construire un logiciel open-source mettant en oeuvre les « Systèmes de Référence » pour la vérification de signature. LUAN VAN CHAT LUONG download : add [e-mail] Le deuxième objectif du stage est d’utiliser les Systèmes de Référence pour faire des expériences de fusion des systèmes.3 Environnement de travail Le département EPH (Electronique et Physique) regroupe plusieurs enseignants, chercheurs de l’Institut National des Télécommunications travaillant dans plusieurs domaines dont la Biométrie. L’équipe INTERMEDIA recherche sur la vérification de signature en ligne, l’identification par l’iris, la vérification multimodale de l’identité, etc.4 Plan de document La suite du rapport est organisée comme suit. Après une introduction de la vérification de signature en ligne, deux algorithmes de l’état de l’art sont présentés : les Modèles de Markov Cachés dans la partie 2.2 et la Déformation Temporelle Dynamique dans la partie 2.3Error! Reference source not found.

Ensuite, nous présentons les trois Systèmes de Référence dans le Chapitre 3. Les expériences que nous avons faites avec ces systèmes sont abordées dans le Chapitre 4. Dans le Chapitre 5, nous proposons une nouvelle approche pour la vérification de signature en ligne, c’est l’approche par algorithme génétique. Enfin, le Chapitre 6 donne la conclusion et les perspectives du travail.

LUAN VAN CHAT LUONG download : add [e-mail] Chapitre 2 Vérification de signature en ligne 2.1 Introduction La biométrie est un ensemble des technologies (appelées les technologies biométriques) qui exploitent des caractéristiques humaines physiques ou comportementales telles que l'empreinte digitale, la signature, l'iris, la voix, le visage, la démarche, parmi d’autre pour différencier des personnes. À la différence des mots de passe ou des PINs (numéros d'identification personnelle) qui sont facilement oubliés ou exposés à l'utilisation frauduleuse, ou des clefs ou des cartes magnétiques qui doivent être portées par l'individu et sont faciles à être volées, copiées ou perdues, ces caractéristiques biométriques sont uniques à l'individu et il y a peu de possibilité que d'autres individus peuvent remplacer ces caractéristiques. Donc les technologies biométriques sont considérées les plus puissantes en termes de sécurité. En plus, les mesures biométriques sont confortables parce qu’elles n'ont pas besoin d'être portées séparément.

De telles caractéristiques peuvent être bien employées pour obtenir l'identification/authentification pour accéder à des systèmes tels que les ATMs (guichet automatique). La biométrie est également un outil puissant d'identification/vérification aux scènes de crime dans le secteur juridique. La vérification de signature en ligne est une technologie biométrique comportementale. La Figure 1 différencie des technologies physiques et comportementales : Non Biométrie Physique Comportemental Clés Signature en ligne Iris Signature en Mot de passe Iris Visage Marche PINs Visage Main Dactylographie … … … … Figure 1 – Classification de la vérification de signature en ligne LUAN VAN CHAT LUONG download : add [e-mail] En fait, il y a deux types de signature : la signature en ligne et la signature hors ligne.

Comment peut-on les différencier ? La signature en ligne est acquise par des tablettes à digitaliser ou des écrans tactiles ; par contre, la signature hors ligne est l’image de la signature normale qui est acquise par un stylo et un feuil. La signature en ligne est plus pratique que la signature hors ligne parce qu’il fournit plus d’informations, par exemple la vitesse, la pression, l’altitude, l’azimut, etc. La vérification de signature en ligne devient de plus en plus courante grâce aux plusieurs avantages : • Elle est simple pour l’utilisateur. Signer sur un PDA n’est pas très différent que sur une feuille.

• Elle n’est pas coûteuse par rapport aux autres méthodes comme l’iris, le visage, etc. • La performance de vérification est acceptable. Pourtant, elle a aussi des désavantages par rapport à d’autres techniques biométriques: • Les autres peuvent imiter la signature en observant le processus de signature. En fait, des expériences montrent que le taux d’erreurs du système testé avec des imitations de haute qualité est toujours plus élevé que celui obtenu avec des imitations aléatoires.

• L’état du signataire influence fortement sa signature. Par exemple, quand il est heureux, il signe différemment que quand il est triste, ou quand il est malade, il signe différemment que quand il va bien. • Au cours du temps, la signature change et si le système n’est pas mis à jour, il ne pourra plus reconnaître la signature authentique. Nous présentons ensuite deux algorithmes de l’état de l’art pour la vérification de signature en ligne : les Modèles de Markov Cachés (MMC) et la Déformation Temporelle Dynamique (DTD).

LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2 Modèle de Markov Cachés 2.1 Présentation Un MMC est représenté par : 1) N, le nombre d’états du modèle. Les états d’un MMC sont toujours cachés. Ils peuvent être interconnectés (chaque état peut être atteint de n'importe quelle autre état) ou non. Nous dénotons les états individuelles S = {S1, S2, …, SN} et l’état au temps t est qt.

2) M, le nombre des observations. Nous dénotons les observations individuelles V = {v1, v2, …, vM}. 3) La matrice des probabilités de transition des états A = {aij} où aij = P[qt+1 = Sj | qt = Si], 1 ≤ i, j ≤ N. Si les états sont interconnectés, tous les aij > 0, si non, il y a quelques aij = 0 (c'est-à-dire l’état Sj ne peut pas être atteint de l’état Si).

4) La matrice des probabilités des observations B = {bj(k)} où bj(k) = P[vk au t | qt = Sj], 1 ≤ j ≤ N, 1 ≤ k ≤ M. 5) Le vecteur des probabilités initiales π = {πi} où πi = P[q1=Si], 1 ≤ i ≤ N. En bref, un MMC est dénoté par λ = (A, B, π).2 Problèmes principaux Il y a trois problèmes principaux dans l’utilisation d’un MMCs. Ces problèmes sont abordés suivante : z Evaluation: Etant donné le MMC λ = (A, B, π) et une séquence d’observations O={o1, o2, ., oT}, comment calculer la probabilité pour que O soit générée par λ (le vraisemblance P(O | λ).

z Décodage: Etant donné le MMC λ = (A, B, π) et les observations séquentielles O={o1, o2, ., oT}, comment calculer la séquence d’états Q = q1q2…qT la plus probable. LUAN VAN CHAT LUONG download : add [e-mail] z Apprentissage: Etant donné les observations séquentielles O, comment déterminer les paramètres du MMC λ = (A, B, π) pour que P(O | λ) soit maximisé sur les observation O de le base d’apprentissage. Solution pour le problème d’évaluation. Etant donné une séquence des états Q = q1q2…qT.

La probabilité de la séquence des observations O pour la séquence des états Q est : T P (O | Q, λ ) = ∏ P (Ot | qt , λ ) t =1 Supposez que les observations sont indépendantes, on a : P (O | Q , λ ) = bq1 (O1 ).aqT −1qT La probabilité pour que O et Q aient lieu simultanément est le produit de ces deux termes : P(O, Q | λ ) = P(O | Q, λ ).