Mesterséges Intelligencia alapú biometrikus azonosítás

A tétel rövid nézete
dc.contributor.advisorHajdu, András
dc.contributor.advisorLakatos, Róbert
dc.contributor.authorPál, Erik
dc.contributor.departmentDE--Informatikai Kar
dc.date.accessioned2026-02-12T20:11:36Z
dc.date.available2026-02-12T20:11:36Z
dc.date.created2025-11-06
dc.description.abstractA digitális korszakban az adatvagyon védelme az egyik legkritikusabb biztonsági kihívássá vált. Ezt a feladatot tovább nehezíti a felhasználók kényelmi igénye, amely gyakran elégtelen védelmi mechanizmusok alkalmazásához vezet. A hagyományos, felhasználói beavatkozást igénylő hitelesítési eljárások – például a jelszavas vagy kétfaktoros azonosítás – már nem képesek megfelelően kezelni a jogosulatlan hozzáférések növekvő kockázatát. Ennek következtében elengedhetetlenné vált olyan, passzív és folyamatos azonosítást biztosító megoldások alkalmazása, amelyek nagy pontossággal képesek megerősíteni a felhasználó jelenlétét. Dolgozatunkban egy XGBoost alapú gépi tanulási módszert mutatunk be, amely kizárólag a felhasználó gépelési dinamikájából következtet a személyazonosságra. A javasolt megközelítés célja az eszköz előtt ülő személy folyamatos azonosítása, alacsony dimenziójú jellemzők – például a billentyűleütés-tartási idők, a billentyűátmeneti idők, a gépelési sebesség és a hibás leütések aránya – elemzésén keresztül. Megoldásunkat összehasonlítottuk egy, a szakirodalomban elterjedt Long Short-Term Memory (LSTM) mélytanuló modellen alapuló megközelítéssel. Az általunk fejlesztett modell a benchmark adathalmazon 99% pontosságot ért el, amely 1,2%-os javulást jelentett az LSTM-alapú módszerhez képest. Emellett az XGBoost modell alacsony erőforrás-igénye lehetővé teszi a lokális, valós idejű futtatást: egy Intel i7-7700K és i3-10100 processzoron mindössze 5% CPU-terheltség mellett 63 ms válaszidőt értünk el. A dolgozatban formalizáltuk a gépelési dinamikát, mint időfüggő sztochasztikus folyamatot, amely statisztikai alapot teremtett a jelenség elemzéséhez. Továbbá, a spektrális analízis révén formalizáltuk a felhasználóra jellemző idő-ritmus komponenseket. Megoldásunkat és az elért eredményeket feltöltöttük egy GitHub repository-ba is, a nyíltabb reprodukálhatóság és a tudományi terület fejlődésének érdekében. A személyi számítógépes futtatás mellett implementációnk kompatibilis az ipari NVIDIA Morpheus SDK keretrendszerrel is, ami növeli a rendszer rugalmasságát és integrálhatóságát. Megoldásunk így egyszerre biztosítja a magánszféra védelmét és a háttérben zajló, észrevétlen működést, a felhasználói kényelem feláldozása nélkül. Az általunk javasolt technológia egy új, proaktív biztonsági réteg bevezetését teszi lehetővé, amely kiválthatja vagy megerősítheti a hagyományos hitelesítési formákat. Ez a megközelítés utat nyit a jövőbeli önvezérlő biztonsági rendszerek felé, amelyek képesek azonnali védelmi intézkedések – például az eszköz zárolása – végrehajtására jogosulatlan beavatkozás gyanúja esetén.
dc.description.courseAdattudomány
dc.description.degreeMSc/MA
dc.format.extent39
dc.identifier.urihttps://hdl.handle.net/2437/404523
dc.language.isohu
dc.rights.infoHozzáférhető a 2022 decemberi felsőoktatási törvénymódosítás értelmében.
dc.subjectMesterséges intelligencia
dc.subjectBiometrikus azonosítás
dc.subjectinformatikai biztonság
dc.subjectvédelmi rendszer
dc.subjectXgBoost
dc.subject.dspaceInformatika::Információtechnológia
dc.titleMesterséges Intelligencia alapú biometrikus azonosítás
dc.title.translatedArtificial Intelligence-based biometric identification
Fájlok
Eredeti köteg (ORIGINAL bundle)
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
szakdolgozat.pdf
Méret:
1.37 MB
Formátum:
Adobe Portable Document Format
Leírás:
szakdolgozat
Megjelenítés
Engedélyek köteg
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
license.txt
Méret:
2.35 KB
Formátum:
Item-specific license agreed upon to submission
Leírás:
Letöltés
Gyűjtemények
Hallgatói dolgozatok (Informatikai Kar)