Sistema de Reconhecimento de Assinaturas para a Autenticação e Controle de Usuários

Autor: Milton Roberto Heinen - miltonrh@ig.com.brOrientador: Dr. Fernando Santos Osório - osorio@exatas.unisinos.br

INTRODUÇÃONos dias atuais, o uso cada vez mais freqüente de sistemas de informação traz a necessidade de se autenticar os usuários de forma segura. Na maioria dos sistemas, a autenticação de usuários ocorre através de senhas alfanuméricas, que representam um sério problema de segurança quando acabam parando em mãos erradas. Para evitar este problema, várias formas de autenticação de usuários baseadas em características biométricas vem sendo desenvolvidas, mas estas implicam em um custo elevado dos equipamentos de hardware e em um alto grau de intrusão. Neste trabalho foi desenvolvida a proposta de uma metodologia, bem como a sua implementação em um protótipo, que permite realizar a autenticação de usuários através do uso de assinaturas manuscritas. A autenticação das assinaturas é implementada neste trabalho através do uso de Redes Neurais Artificiais.

REDES NEURAIS ARTIFICIAISAtravés de um modelo abstrato e simplificado dos neurônios humanos é possível desenvolver um simulador que seja capaz de classificar, generalizar e aprender funções desconhecidas. Um dos modelos de aprendizado Neural mais utilizados na atualidade é o modelo denominado Multi Layer Perceptron (MLP), com aprendizado do tipo Backpropagation. Para que ocorra o aprendizado, é necessária uma base dados de exemplos, que é apresentada para a rede Neural já com as respostas esperadas, de modo que a Rede Neural possa aprender a responder de forma similar as respostas informadas na base de dados. Este tipo de aprendizado é conhecido como aprendizado supervisionado.

SISTEMA NEURAL SIGN XO Sistema NeuralSignX é um sistema de autenticação on-line de assinaturas baseado em Redes Neurais, composto de três módulos. O primeiro módulo é o módulo de entrada, responsável pela leitura dos dados das assinaturas provenientes de umtablet. O segundo módulo é o módulo de pré-processamento, responsável pelos ajustes de posição e escala e a extração dos atributos das assinaturas. Os atributos são informações obtidas a partir das assinaturas que permitem diferencia-las umas das outras, como por exemplo a velocidade da caneta, o tempo de duração da assinatura, a velocidade média da caneta, a densidade de pontos por regiões, entre muitos outros. O terceiro módulo realiza a classificação das assinaturas a partir dos valores dos atributos extraídos anteriormente, através do uso de Redes Neurais Artificiais do tipo Cascade-Correlation, que são um modelo aperfeiçoado do Backpropagation. A Rede Neural é treinada com um conjunto de exemplos de assinaturas e posteriormente realiza a autenticação de assinaturas de modo automático.

RESULTADOSO Sistema NeuralSignX obteve uma taxa de aprendizado de 100 % e uma taxa de generalização de 99,98 % quando submetido a uma base de 2550 assinaturas, composta por assinaturas reais, assinaturas fictícias, falsificações traçadas e falsificações especializadas. A taxa de aceites indevidos foi menor que 0,05 %, e a taxa de rejeições indevidas ficou em torno de 3 %. O desempenho obtido pelo sistema foi considerado bastante satisfatório, e cabe salientar que não existem atualmente no mercado sistemas que implementem a autenticação de assinaturas com o mesmo nível de segurança obtido pelo sistema NeuralSignX.

Exemplo de umTablet utilizado para a coletadas assinaturas

Esquema de uma Rede Neural Artificial do tipo MLP

Módulos do Sistema NeuralSignX

Interface do protótipo do Sistema NeuralSignX

Atributo: Densidade de umaassinatura

Universidade do Vale do Rio dos Sinos - UNISINOSCentro de Ciências Exatas e Tecnológicas

Mestrado em Computação Aplicada - PIPCA

Assinatura obtida através de umtablet