Полная версия научной работы 281 КБ
реклама
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИРОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНСТВО ПО ОБРАЗОВАНИЮ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ» Институт компьютерных технологий и информационной безопасности Кафедра безопасности информационных технологий Курсовой проект По курсу «Технических средств защиты информации» Фильтрация акустических сигналов возникающих при наборе текста на клавиатуре Выполнил студент 4 курса Иванов С.Г. Руководитель доц. каф. БИТ к.ф.-м.н. Федоров В.М. Содержание Введение……………………………………………………………………………………… 3 1 Идентификация пользователя по клавиатурному почерку с использованием акустических сигналов, возникающих при наборе текста………………………………… 4 2 Методы фильтрации акустических сигналов………………………………………… 9 2.1 Адаптивные компенсаторы помех…………………………………………………… 9 2.2 Фильтрация методом вычитания спектра……………………………………………… 12 2.3 Методы, основанные на оценке спектральных характеристик шума………………… 13 3 Экспериментальные результаты………………………………………………………… 18 Заключение…………………………………………………………………………………. Список используемой литературы…………………………………………………………. 2 21 22 ВВЕДЕНИЕ В данной курсовой работе будет рассмотрен способ улучшения и повышения безопасности данных, с помощью клавиатурного анализа набранной идентификационной парольной фразы. Будет проведен анализ всех имеющихся сочетаний букв, при наборе фраз с имеющейся клавиатуры. С имеющихся баз данных акустического сигнала будут убираться посторонние сигналы, методом вычитания спектра. А так же выстроен алгоритм по определению эталонного звукового сигнала и соответственно шума, которые будут использоваться при изучении системы. Актуальность данного курсового проекта обусловлена тем, что информация ограниченного доступа может быть доступна злоумышленникам. Метод идентификации по клавиатурному почерку повышает надежность и предотвращение от несанкционированного доступа и обеспечивает высокий процент защиты данным. Хранение и использование информации ограниченного доступа нуждается в постоянном контроле за её целостностью. Именно по этому данный метод актуален. Хранение и использовании информации чаще всего происходит на ЭВМ, так информацию легче «эксплуатировать». Метод проверки подлинности «клавиатурный почерк» создан именно для повышения степени защиты информации хранящейся на ЭВМ. 3 1 Идентификация пользователя по клавиатурному почерку с использованием акустических сигналов, возникающих при наборе текста Одним из динамических методов является клавиатурный почерк, применение которого для идентификации пользователя связано с тем, что не требуются внедрения дополнительного оборудования и организации явных процедур контроля доступа и могут быть использованы как средства скрытого контроля взаимодействия пользователя со штатными средствами устройствами ввода информации, в частности клавиатурой, как наиболее распространённым устройством ввода алфавитно-цифровой информации [1,2]. С точки зрения использования скрытого мониторинга компьютерных систем безопасности представляет интерес классификация психофизических параметров пользователя, к которым относятся: клавиатурный почерк, подпись мышью, реакция на события, происходящие на экране. Одна из достаточно сложных задач, повседневно решаемых многими людьми, — быстрый набор текстов с клавиатуры компьютера. Обычно быстрого клавиатурного ввода информации удается достичь за счет использования всех пальцев обеих рук. При этом у каждого человека проявляется свой уникальный клавиатурный почерк. Клавиатурный почерк — это набор динамических характеристик работы на клавиатуре. При наборе данных на клавиатуре индивидуальность пользователя проявляется в скорости набора символов, привычки использовать основную или дополнительную часть клавиатуры, характере «сдвоенных» и «строенных» нажатий клавиш, в излюбленных приемах управления компьютером и т. д. Этот способ идентификации популярен в США для предотвращения доступа детей в Internet через домашние компьютеры. Даже если ребенок подсмотрел или узнал пароль родителей, то он не сможет им воспользоваться. Также этот метод можно использовать для дополнительной защиты при организации доступа в компьютерных системах. Опознавание клавиатурного почерка состоит в выборе соответствующего эталона из списка хранимых в памяти компьютера эталонов, на основе оценки степени близости этому эталону параметров почерка одного из операторов, имеющих право на работу с данным компьютером. Решение задачи опознавания пользователя сводится к решению задачи распознавания образов. Классический статистический подход к распознаванию пользователя по клавиатурному почерку (набор ключевых слов) выявил ряд интересных особенностей: 4 зависимость почерка от буквенных сочетаний в слове, существование глубоких связей между набором отдельных символов, наличие «задержек» при вводе символов. Весьма важной характеристикой биометрической идентификации является и длина парольной фразы. Практика показывает, что парольная фраза должна быть легко запоминающейся и содержать от 21 до 42 нажатий на клавиши. При синтезе парольной фразы допустимо использование слов со смыслом. Кроме того, здесь возможен анализ таких признаков, как зависимость скорости ввода слов от их смысла, относительное время нажатия различных клавиш и др. Причем они в некоторых случаях даже более информативны: например, реакция тестируемого на различные термины укажет сферу его интересов. Сбор биометрической информации о работе пользователя при анализе клавиатурного почерка происходит при помощи замеров интервалов между нажатиями клавиш и времени их удержаний, после чего полученные результаты формируются в матрицу межсимвольных интервалов и вектор времен удержаний клавиш. После сбора биометрической информации полученные данные сравниваются со своими эталонными значениями. Как же можно выявить индивидуальные особенности клавиатурного почерка? Да также, как и при графологической экспертизе: нужны эталонный и исследуемый образцы текста. Лучше, если их содержание будет одинаковым — так называемая парольная или ключевая фраза. Разумеется, по двум-трем, даже по десяти нажатым клавишам отличить пользователя невозможно. Нужна статистика. При наборе ключевой фразы компьютер позволяет зафиксировать много различных параметров, но для идентификации наиболее удобно использовать время, затраченное на ввод отдельных символов. Времена нажатий клавиш tl, t2,....tn различны и, соответственно, значения этих параметров можно употреблять для выявления характерных особенностей клавиатурного почерка пользователя. Кроме того, можно использовать как контролируемые параметры интервалы между нажатием соседних клавиш. Контролируемые параметры существенно зависят от того, сколько пальцев использует при наборе пользователь, от характерных для пользователя сочетаний движений различных пальцев руки и от характерных движений рук при наборе. Например, если заставить пользователя работать одним пальцем одной руки, то клавиатурный почерк практически полностью теряет свою индивидуальность. В этом случае времена нажатия клавиш перестают отражать индивидуальность людей, т. к. интервалы между нажатиями становятся пропорциональны расстоянию между 5 клавишами, а перекрытие нажатий соседних клавиш становится невозможным. Уникальные особенности клавиатурного почерка выявляются двумя методами: по набору ключевой фразы; по набору «свободного» текста. Каждый из них обязательно имеет режимы настройки и идентификации. При настройке определяются и запоминаются эталонные характеристики ввода пользователем ключевых фраз, например, время, затраченное на отдельные символы. А в режиме идентификации эталонное и полученное множества сопоставляются после исключения грубых ошибок. Набор «свободного» текста производится по самым разнообразным фразам (ключевая фраза, как правило, одна и та же), что имеет свои преимущества, позволяя получать индивидуальные характеристики незаметно, не акцентируя внимание пользователя на парольной фразе. Выбор схемы проверки зависит от приложения, с которым она используется. Например, если бухгалтер захотел получить коротенькую справку, а компьютер вместо этого предлагает набрать 2—3 странички «свободного» текста, чтобы убедиться, что перед ним действительно нужное лицо. Тут никаких нервов не хватит и это вызовет только раздражение, а как следствие — пользователь будет всячески стараться избегать такой системы идентификации. Такие системы позволяют постоянно контролировать, законный ли пользователь сидит за компьютером. Нужно отметить, что при использовании этих методов появляется возможность не только подтвердить подлинность, но и проанализировать его состояние. Описанный подход к защите от несанкционированного доступа позволяет: контролировать физическое состояние сотрудников; покончить с практикой нарушения правил безопасности при работе с паролями; обеспечить более простой и такой же надежный метод входа в сеть. Однако, непосредственное применение данного метода не позволяет достичь низкого уровня ошибок первого и второго рода и, как правило, применяется в составе многофакторных схем аутентификации. В работах [3,4] был использован дополнительный параметр, а именно, виброакустические шумы, возникающие при наборе текста на клавиатуре. Данный метод позволил повысить точность идентификации пользователя. При использовании признаков при использовании клавиатуры возможны два режима аутентификации, по произвольному тексту и при наборе парольной фразы. В 6 данной работе рассматривается метод съема шумов, возникающих при наборе текста с помощью виброакустического датчика, расположенного рабочее место пользователя. Для съема информации был разработан стенд на основе устройства ST-031 «Пиранья» с датчиком, входящим в комплект устройства.. Данное устройство имеет выход с внутреннего усилителя с возможностью сопряжения со звуковой картой компьютера. Оцифровка сигнала производилась средствами внешней звуковой карты Creative при разрядности отсчёта 16 бит и частоте дискретизации 22000 Гц. Имеется ряд экспериментальных объяснений природы отличия шумов при нажатии различных клавиш, причины такого различия описаны в работе [5,6]. Виброакустический сигнал. Представление виброакустического сигнала. В данном разделе рассматриваются различные параметры виброакустического сигнала и способы формирования диагностических признаков, связанные с обнаружением и последующим выделением информационной компоненты в измеряемых колебательных процессах, определяющих как сам факт наличия дефекта, так и глубину его развития. Виброакустический сигнал может быть представлен во временной и частотной областях. Частотную реализацию виброакустичсского процесса осуществляют с помощью прибора, называемого анализатором спектра. Периодическая вибрация обычно рассматривается как колебательное движение объекта диагностирования относительно положения равновесия и для ее описания достаточно двух параметров: - периода осцилляции T (или частоты колебаний f); - амплитуды колебаний А. В практике вибродиагностики в качестве информативных параметров наиболее часто используют: - пиковое верхнее (нижнее) значение амплитуды х(х), характеризующее максимальный размах колебаний относительно положения равновесия; - среднее абсолютное значение; - среднее квадратичное значение Основным преимуществом измерения средних квадратичных значений является независимость этих значений от сдвигов фаз между отдельными составляющими спектров измеряемой вибрации. Виброакустическая диагностика включает 7 контроль общих параметров виброакустических сигналов Измеряемые параметры выбирают из соображений максимального информационного вклада виброакустического сигнала, место расположения датчика должно быть по возможности приближено к потенциальному источнику возбуждения колебаний. Процесс измерения параметров при эксплуатации, показывает, что характеристики виброакустического сигнала - многофакторные. Поэтому при построении системы диагностических признаков целесообразен подход, предполагающий построение многофакторной модели зависимости функций отклика системы. Одним из условий использования акустического сигнала для идентификации пользователя является очистка принимаемого сигнала от посторонних шумов, возникающих, в частности, от работы вентилятора процессорного блока. Данный шум является стационарным, что позволяет использовать методы фильтрации для выделения акустического сигнала. 8 2 Методы фильтрации акустических сигналов В целях упорядочения рассмотрения методов широкополосных помех целесообразно произвести очистки сигнала от классификацию алгоритмов очистки. Основным признаком, по которому будут классифицироваться алгоритмы, был выбран характер или тип тех закономерностей, которые служат основой для выделения акустического сигнала из смеси с шумом. В качестве вспомогательного признака будет использоваться классификация по типу того математического или алгоритмического аппарата, который использован для фильтрации. Подобная классификация носит весьма условный характер, так как многие из рассматриваемых методов нельзя безоговорочно отнести к какой-либо одной категории. Как правило, одни и те же методы используют одновременно различные принципы, и в этом случае можно говорить лишь о преимущественном влиянии какой-либо концепции. С учетом сделанного замечания можно выделить следующие группы методов цифровой обработки зашумленных акустических сигналов: - методы адаптивной компенсации помех; - методы, основанные на использовании спектральных характеристик шума (вычитание амплитудных спектров, винеровская фильтрация); - методы, основанные на использовании моделей искусственных нейронных сетей. 2.1 Адаптивные компенсаторы помех Этот класс методов цифровой обработки зашумленных сигналов основан на использовании, помимо собственно зашумленного сигнала, который подлежит очистке, также одного или нескольких опорных сигналов - сигналов, которые коррелированы с шумовым сигналом и некоррелированы (или слабо коррелированы) с полезным сигналом, подлежащим выделению. С помощью опорных сигналов формируется сигнал, который является оценкой помехи. Этот сигнал затем вычитается из зашумленного сигнала и результат этой операции рассматривается как оценка незашумленного сигнала. На рисунке 1 представлена схема адаптивного компенсатора помех, который использует один опорный сигнал. 9 Рисунок 1 — Схема адаптивного компенсатора помех Обозначениям на рисунке соответствуют: u (n) — дискретный отсчет полезного сигнала в момент времени n , n =0,1,2…, e(n) — шумовой сигнал, e1 (n) — опорный сигнал, (n) — сигнал ошибки, u1 (n) — выходной сигнал компенсатора, УУВК - устройство управления весовыми коэффициентами. Наиболее важной частью адаптивного компенсатора помех является устройство управления весовыми коэффициентами - линейный фильтр, через который пропускается опорный сигнал e1 ( n) . Задача адаптивной компенсации помехи e( n) сводится к подбору коэффициентов фильтра таким образом, чтобы минимизировать энергию сигнала на выходе компенсатора u1 ( n) . В этом случае будет максимизировано выходное отношение сигнал/шум. Минимизация энергии обычно осуществляется на основе градиентных методов поиска экстремума функций многих переменных, для упрощения вычислений используется стохастическая аппроксимация градиента по Уидроу-Хопфу. В одноканальном варианте для обработки используется алгоритм адаптивного обращения свёртки, а в двухканальном — адаптивной компенсации. Принципиальное отличие вариантов обработки заключается в формировании входных сигналов, которые используются в последующей вычислительной процедуре. В одноканальном варианте оба входных сигнала (основной и опорный) формируются из одного входного сигнала, при этом исходный входной сигнал является основным, а опорный формируется из исходного как правило с помощью единичной задержки. В двухканальном варианте основной и опорный сигналы реально существуют и непосредственно используются в последующей вычислительной процедуре. Известно, что адаптивные компенсаторы помех позволяют значительно 10 улучшить качество зашумленных сигналов — на несколько десятков децибел, но требование наличия опорного сигнала существенно сужает их область применения. Во многих приложениях цифровой обработки акустических сигналов (например, при реставрации архивных записей или в криминалистике), опорного сигнала, по крайней мере, в явном виде, не имеется. Поэтому для применения методов адаптивной компенсации помех опорный сигнал в таких случаях приходится получать на основе косвенных соображений, связанных с особенностями акустического сигнала, а сам адаптивный компенсатор в этом случае будет являться одной из составных частей более сложного алгоритма выделения акустического сигнала. Следует отметить некоторые моменты, полезные для практической работы с одноканальным сигналом. В пределе, адаптация происходит до полной декорреляции входного сигнала, т.е. до получения на выходе "белого" шума. При этом не имеет значения за счет каких помех спектральная огибающая входного сигнала имеет неравномерности: за счет аддитивных помех с "окрашенным" спектром или за счет свертки с резонансами тракта передачи. Это касается и самого акустического сигнала, который является продуктом свертки голосового и шумового источников возбуждения с импульсной характеристикой артикулярного тракта, т.е. при неудачном выборе скорости адаптации, которая регулируется с помощью коэффициента адаптации, можно не только не скомпенсировать помеху, но и значительно исказить акустический сигнал. В реальной ситуации декорреляция помехи (предполагается, что скорость адаптации выбрана грамотно и акустический сигнал не пpетеpпевает дополнительных искажений, вызванных адаптивной обpаботкой) никогда не может быть полной и ее глубина ограничивается зоной нечуствительности прибора. В свою очередь эта зона определяется постоянной составляющей (конечность разрядной сетки АЦП, арифметических устройств процессора и pазpешающей способности фильтpа) и переменной cоставляющей (постоянство статистик помехи и численное значение коэффициента адаптации). В пределе, при стационаpной или пеpиодической помехе и коэффициенте адаптации стремящемся к нулю (скоpость адаптации минимальна) зона нечуствительности минимальна и определяется только своей постоянной составляющей. Пpи наличии нестационаpной помехи, напpимеp, музыкальной помехи, котоpую можно pассматpивать как частотно-модулиpованный сигнал, у котоpого спектp шиpе, чем у обычного сигнала, и для ее декоppеляции необходимо pасшиpять pабочую полосу частот устpойства, т.е. увеличивать частоту дискретизации, дополнительно уменьшать pазpешающую способность фильтpа за счет уменьшения количества КЛП (величина p ), т.к. постоянная времени у широкополосных фильтров 11 меньше и они быстpее pеагиpуют на изменяющийся входной сигнал и увеличивать также скоpость адаптации для слежения за изменяющимися хаpактеpистиками помехи. Пpи наличии мультипликативной помехи в виде "устоявшейся" pевеpбеpации, скомпенсиpовать ее воздействие можно за счет увеличения pазpешающей способности фильтpа за счет обоих сомножителей и выбоpом сpедней скоpости адаптации. На основании вышеизложенного можно сформулировать общие тpебования к устpойству адаптивной фильтpации, пpеднаначенному для эффективного снижения уpовня помех. Это устpойство должно иметь pегулиpуемую полосу pабочих частот, pегулиpуемое количество КЛП и pегулиpуемую скоpость адаптации, пpичем огpаниченную свеpху для снижения влияния адаптивной фильтpации на pечевой сигнал. 2.2 Фильтрация методом вычитания спектра Пользователь ПК запускает ЭВМ и при входе набирает с клавиатуры парольную фразу, которая в свою очередь должна быть не только аутентификацией но и идентификацией. Аутентификация чаще всего строиться на проверке парольной фразы, которая в свою очередь является средством допуска в ту или иную систему. А идентификация это подтверждение подлинности реального физического лица. Модель программного и технического комплекса «клавиатурный почерк» позволяет совместить две системы распознавания и тем самым увеличить степень надежности области с ограниченным доступом. Биометрические характеристики человека можно разделить на две группы: статические и динамические. К первым относятся характеристики, данные человеку от рождения и неизменяемые с течением времени: отпечатки пальцев, геометрия лица, геометрия руки, рисунок сетчатки глаза. Ко вторым же можно отнести поведенческие характеристики, основанные на динамике подсознательных движений: рукописный почерк, клавиатурный почерк, голосовую идентификацию. Каждый человек имеет индивидуальные способности, возможно даже не известные ему. Но в данной области нужно использовать те данные человека (злоумышленника) которые он не сможет не на каком уровне повторить в точном подобии за другим человеком. Это и есть манера письма, у каждого она индивидуальна. Обозначим условно три скорости машинописного текста - стажер, пользователь, профессионал. У каждого из них своя методика набора текста, различное время нажатиями клавиш, а так же их удерживание. Так же пользователь с 12 не профессиональными способностями машинописного набора текста, чаще всего пользуется комбинациями набора текста. Именно по этим комбинациям и следует анализ распознавания подлинности данного пользователя. При наборе парольной фразы, играющей роль проверки подлинности доверенного лица, происходит запись виброакустического сигнала с клавиатуры. Чаще всего происходит так что на запись еще влияют окружающие шумовые факторы, шум работы процессора ЭВМ и другие окружающие посторонние шумы, которые в свою очередь тоже подвержены записи. От этих сигналов следует избавиться, так как это шумы, которые мешают и осложняют процесс проверки подлинности. Контролировать их нельзя, да и это не целесообразно, по этому от них нужно избавляться. Фильтрация будет происходить методом вычитания спектра. 2.3 Методы, основанные на оценке спектральных характеристик шума Наиболее часто используемыми методами, основанными на использовании спектральных характеристик шума, являются методы, реализующие различные модификации алгоритма вычитания амплитудных спектров. В качестве обоснования этих методов приводятся следующие соображения. Если стационарный сигнал s (t ) , t ... 1,0,1,... со спектральной плотностью мощности Pss (iw) искажен аддитивным стационарным шумом n(t ) со спектральной плотностью мощности Pnn (iw) , который предполагается некоррелированным с x(t ) , то спектральная плотность мощности зашумленного сигнала x (t ) Pxx (iw) равна: Pxx (iw) Pss (iw) Pnn (iw) Следовательно, спектральная плотность мощности полезного сигнала s ( n) может быть оценена как: Pss (iw) Pxx (iw) Pnn (iw) В силу нестационарности виброакустических сигналов использовать это соотношение непосредственно нельзя. На практике, при обработке речи на достаточно коротких участках, например, квазистационарных участках гласных звуков, величины 13 Pxx (iw) , Pnn (iw) аппроксимируют с помощью усредненных квадратов кратковременных амплитудных спектров наблюдаемого сигнала и шума. Спектр шума при этом должен оцениваться в моменты пауз. Полученная таким образом оценка соответствует квадрату амплитудного спектра сигнала. Восстановление акустического сигнала во временной области осуществляется с помощью обратного преобразования Фурье, причем фазовый спектр для восстановленного сигнала берется таким же, как и у наблюдаемого сигнала. В наиболее общем виде операция спектрального вычитания может быть выражена соотношением: X i (t , iw) 2 A(t ) N (t , iw) 2 S (t , iw) 2 B N (t , iw) 2 если X i (t , iw) A(t ) B N (t , iw) 2 иначе где коэффициент A(t ) (фактор переоценивания), вообще говоря, зависит от соотношения сигнал/шум на сегменте анализа, И имеет типичные значения близкие к 0.7 - 0.95, а коэффициент B (спектральный порог)- выбирается в диапазоне 0.01 - 0.1. Блок-схема алгоритма вычитания амплитудных спектров приведена на рисунке 2. Исследования качества акустического сигнала, получаемой в результате применения описанной методики, показали, что в тех случаях, когда шум или помеха имеют стационарный (или квазистационарный) характер и их спектр имеет гармоническую структуру, достигается значительное на слух повышение как качества акустического сигнала. Однако, в случае шумов с быстроизменяющимися спектральными характеристиками такая обработка малоэффективна. По мнению аудиторов, такая речь звучит чище и приятнее (несмотря на наличие характерных эффектов обработки — так называемых “музыкальных тонов”, заключающихся в случайных кратковременных выбросах в спектре обработанного сигнала) чем до обработки, однако заметного повышения разборчивости в случае аддитивных широкополосных шумов не происходит, хотя отношение сигнал/шум повышается на 3 – 6 дБ. 14 2 Рисунок 2 — Алгоритм вычитания амплитудных спектров В целом, методы, основанные на вычитании спектров, считаются одними из лучших — они приводят к удовлетворительным результатам обработки и не требуют больших вычислительных ресурсов. Что же касается музыкальных тонов, которые существенно ухудшают восприятие обработанного сигнала, то для их подавления разработаны различные алгоритмы, основанные на эмпирических и эвристических соображениях. К классу методов, основанных на оценке спектральных характеристик шума, относятся также методы коррекции спектра акустического сигнала, основанные на винеровской фильтрации. В этих методах зашумленный акустический сигнал z (n) фильтруется фильтром с частотной характеристикой, рассчитанной 15 из условия минимизации среднеквадратической ошибки фильтрации, то есть, если H (iw) — частотная характеристика такого фильтра, то H (iw) Pxx (iw) , Pxx (iw) Pvv (iw) где Pxx (iw) — спектральная плотность мощности сигнала; Pvv (iw) - спектральная плотность мощности шума В реальных условиях применения частотную характеристику аппроксимируют (Hiw) как: H (iw) где X (iw) 2 X (iw)2 V (iw)2 , X (iw) 2 и V (iw)2 — усредненные квадраты амплитудных спектров сигнала x ( n) и шума v( n) , соответственно, причем оценка величин X (iw) 2 и V (iw)2 осуществляется так же, как и в методе вычитания амплитудных спектров. Теория, разработанная Норбертом Винером, является основой для создания линейных фильтров на основе минимума среднеквадратичной ошибки, которые играют главную роль в задачах линейного предсказания, подавления эха, восстановлении сигналов, настройке канальных эквалайзеров и идентификации систем. Коэффициенты фильтра Винера выводятся из принципа минимизации среднеквадратичного расстояния между выходом фильтра и целевым сигналом. В первоначальной форме фильтра Винера предполагается, что входные сигналы являются стационарными процессами. Однако, если коэффициенты фильтра периодически обновляются для каждого блока в N отсчётов, то фильтр адаптируется к средним характеристикам в пределах блока и считается блочно-адаптивным. Фильтр Винера может быть построен на основе фильтров с конечной либо бесконечной импульсной характеристикой. Преимуществами при построении на основе фильтра с конечной импульсной характеристикой являются вычислительная простота и заведомая устойчивость. На рисунке 3 показан фильтр Винера, представленный вектором коэффициентов 16 w . На вход фильтра подаётся сигнал y (m) . Выход фильтра представлен сигналом x (m) , где x (m) — приближение целевого сигнала x(m) по критерию минимума среднеквадратичной ошибки. Связь вход-выход для фильтра задаётся следующим отношением: P 1 x (m) wk y (m k ) wT y k 0 где m — индекс дискретного времени, y [ y (m), y (m 1),..., y ( m P 1)] T — входной сигнал фильтра и вектор параметров w [ w0 , w1 ,..., wP 1 ] — вектор T коэффициентов фильтра Винера. В этом выражении операция фильтрации записаны в двух альтернативных эквивалентных формах — как сумма свёртки и результат векторной операции. Сигнал ошибки фильтра Винера e( m) определён как разность между целевым сигналом x( m) и выходом фильтра x ( m) : e(m) x (m) x (m) x (m) wT y Т.о., ошибка фильтра e(m) при заданном входном сигнале y ( m) и требуемом сигнале x( m) зависит от вектора коэффициентов фильтра w . Рисунок 3 — структура фильтра Винера Тем не менее, наиболее эффективным методом фильтрации акустического 17 сигнала является спектральное вычитание: оценивается спектр шума, с последующим вычитанием его из спектра исходного сигнала. 3 Экспериментальные результаты Наиболее часто, как уже отмечалось выше, используют методы, основанными на использовании спектральных характеристик шума, являются методы, реализующие различные модификации алгоритма вычитания амплитудных спектров. В качестве обоснования этих методов приводятся следующие соображения. Если стационарный сигнал s (t ) , t ... 1,0,1,... со спектральной плотностью мощности Pss (iw) искажен аддитивным стационарным шумом n(t ) со спектральной плотностью мощности Pnn (iw) , который предполагается некоррелированным с x(t), то спектральная плотность мощности зашумленного сигнала x(t ) Pxx (iw) равна: Pxx (iw) Pss (iw) Pnn (iw). Следовательно, спектральная плотность мощности полезного сигнала s (n) может быть оценена как: Pss (iw) Pxx (iw) Pnn (iw). При нестационарных сигналов использовать последнее соотношение непосредственно нельзя. На практике, при обработке зашумленного сигнала на достаточно коротких участках, например, квазистационарных участках, величины Pxx (iw) , Pnn (iw) аппроксимируют с помощью усредненных квадратов кратковременных амплитудных спектров наблюдаемого сигнала и шума. Спектр шума при этом должен оцениваться в моменты пауз. Полученная таким образом оценка соответствует квадрату амплитудного спектра сигнала. Восстановление исходного сигнала во временной области осуществляется с помощью обратного преобразования Фурье, причем фазовый спектр для восстановленного сигнала берется таким же, как и у наблюдаемого сигнала. В наиболее общем виде операция спектрального вычитания может быть выражена соотношением: 18 X i (t , iw) 2 A(t ) N (t , iw) 2 S (t , iw) 2 B N (t , iw) если 2 где коэффициент A(t) X i (t , iw) A(t ) B N (t , iw) 2 иначе 2 , (фактор переоценивания), вообще говоря, зависит от соотношения сигнал/шум на сегменте анализа, и имеет типичные значения близкие к 0.7 - 0.95, а коэффициент B (спектральный порог) — выбирается в диапазоне 0.01 - 0.1. Исследования качества сигнала, получаемой в результате применения описанной методики, показали [7], что в тех случаях, когда шум или помеха имеют стационарный (или квазистационарный) характер и их спектр имеет гармоническую структуру, достигается значительное повышение как качества сигнала. Однако, в случае шумов с быстроизменяющимися спектральными характеристиками такая обработка малоэффективна. В целом, методы, основанные на вычитании спектров, считаются одними из лучших — они приводят к удовлетворительным результатам обработки и не требуют больших вычислительных ресурсов. В данной курсовой работе исследовался виброакустический сигнал, возникающего при работе с клавиатурой и манипулятором мышь. Для получения виброакустического сигнала был использован виброакустический датчик от устройства ST-031 «Пиранья», которое было подключено через линейный выход к звуковой карте компьютера. На рис. 4 показаны виброакустические сигналы от клавиатуры (а) и манипулятора «мышь» (б). Как видно из рисунка, на полезный сигнал наложены посторонние шумы, в частности от работы системного блока. а б Рис. 4 – Исходный виброакустический сигнал: (а) – возникающие при наборе символов «а» и «н» на клавиатуре, (б) – возникающий при наведении курсора с помощью манипулятора «мышь». Предварительный анализ показал, что шумы носят стационарный характер, что позволяет использовать фильтрацию на основе спектрального вычитания шумов. Была 19 реализована программная модель фильтрации в системе МатЛаб, позволяющая очищать виброакустический сигнал, как с помощью вычитания спектра, так и на основе фильтра Винера. При реализации программ происходил поиск пауз в зашумленном сигнале, где происходила оценка спектра шума Pnn (iw) . В случае спектрального вычитания происходило вычитание спектров согласно выражению (1). На рис. 5 показаны сигналы от набора символов на клавиатуре и манипуляторе «мышь» после проведения фильтрации. а б Рис.5 – Виброакустический сигнал прошедший фильтр: (а) – возникающие при наборе символов «а» и «н» на клавиатуре, (б) – возникающий при наведении курсора с помощью манипулятора «мышь». Качество очистки сигнала от шума при использовании данного метода зависит от длительности и количества интервала, использованных для оценки спектра шума. Экспериментально было установлено, что вычитания предпочтительнее винеровской фильтрации. 20 использование спектрального ЗАКЛЮЧЕНИЕ В результате проведенной работы был разработан стенд для проведения экспериментов с использованием устройства «Пранья» ST-031 и получена образцы сигналов при наборе текста. Проведен обзор методов фильтрации акустических сигналов. Для устранения стационарных шумов был использован метод вычитания спектра с последующим восстановлением акустического сигнала. Программа была написана в среде МатЛаб. Экспериментальные результаты подтвердили правильность выбранного метода. В дальнейшем предполагается выделение устойчивых признаков акустического сигнала после фильтрации и разработка системы идентификации пользователя по акустическим сигналам при наборе текста на клавиатуре. 21 Список используемой литературы 1. А.В. Костицын, О.В. Прыткова, Верификация личности по клавиатурному почерку, Новосибирск, Сборник научных трудов НГТУ, 2009,№ 4(58), 155-156 с. 2. И.А. Ходашинский, М.В. Савчук, И.В. Горбунов, Р.В. Мещеряков, Технология усиленной аутентификации пользователей информационных процессов, Томск, Доклады ТУСУРа, № 2 (24), часть 3, 2011,238-246 с. 3. Федоров В.М., Рублев, Идентификация пользователя по виброакустическим шумам, возникающим при наборе парольной фразы на клавиатуре, Таганрог, Сборник трудов конференции всероссийской научной конференции "Теоретические и методические проблемы эффективного функционирования радиотехнических систем (Системотехника-2013)", 2013, 158-163. 4. Федоров В.М., Рублев, Идентификация пользователя по виброакустическим шумам, возникающим при наборе произвольного текста на клавиатуре, Таганрог, Известия ЮФУ (Технические науки), 2013, 241-247. 5. Dmitri Asonov, Rakesh Agrawal: Keyboard Acoustic Emanations. IEEE Symposium on Security and Privacy 2004: 3-11 p. 6. Федоров В.М., Рублев, Методы предварительной обработки виброакустических сигналов от клавиатуры возникающих при наборе текста, Таганрог, Информационное противодействие угрозам терроризма, 2012, 172-175 с. 7. Федоров В.М., Рублев, Фильтрация виброакустических сигналов от клавиатуры и манипулятора мышь, возникающих при работе оператора, Таганрог, Информационное противодействие угрозам терроризма, 2012, 19, 160-162,с. 22
