Нейросетевая аутентификация по голосовым паролям с защитой биометрических эталонов и учётом функционального состояния пользователя тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Иниватов Даниил Павлович

• Иниватов Даниил Павлович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Иниватов Даниил Павлович

Введение

Глава 1. Аналитическое исследование проблемы аутентификации по голосу с учетом функционального состояния и защиты биометрических шаблонов пользователя

1.1 Методы и технологии биометрической аутентификации

1.2 Защищённое исполнение процедур биометрической аутентификации в цифровой среде

1.3 Состязательные атаки на биометрические системы, методы противодействия и защита биометрических шаблонов

1.4 Дрейф голосовых данных и влияние на них функционального состояния пользователя

1.5 Существующие базы голосовых образов

1.6 Обзор достигнутых результатов по идентификации и аутентификации пользователя по голосу

1.7 Выводы и задачи исследований

Глава 2. Статистическая модель влияния функционального состояния пользователя на параметры его голоса и результаты аутентификации

2.1 Влияние алкоголя на человеческий организм

2.2 Достигнутые результаты по распознаванию алкогольной интоксикации

2.3 Формирование базы образов голосовых паролей

2.4 Формирование статистической модели изменения характеристик голосового сигнала в зависимости от состояния пользователя

2.5 Влияние функционального состояния на аутентификацию пользователя

2.6 Выводы по второй главе

Глава 3. Разработка метода извлечения признаков из голосового образа и алгоритма настройки НПБК

3.1 Предобработка голосовых образов

3.2 Архитектура сверточной нейронной сети для извлечения признаков голосового пароля

3.3 Ансамблирование предобученных автокодировщиков

3.4 Модель нейросетевого преобразователя голосовых образов в код на базе гибридного слоя нейронов

3.5 Алгоритм настройки модели нейросетевого преобразователя голосовых образов в код

3.6 Результаты экспериментов по распознаванию пользователя по голосовым паролям

3.7 Выводы по третьей главе

Глава 4. Биометрическая аутентификация по голосу в защищенном режиме с учетом функционального состояния пользователя

4.1 Устойчивость нейросетевого преобразователя голоса в код к изменению ФС

4.2 Архитектура нейросетевой модели для распознавания ФС пользователя

4.3 Методика аутентификации пользователя по голосу с учётом его функционального состояния

4.4 Разработка программного модуля для имплементации предложенного алгоритма, метода и архитектуры нейронной сети

4.5 Внедрение результатов в учебный процесс

4.6 Выводы по четвёртой главе

Заключение

Список сокращений и условных обозначений

Список литературы

Приложение А. Акты о внедрении научных результатов

Приложение Б. Свидетельства о регистрации программ для ЭВМ и электронных ресурсов

4

Введение

Введение диссертации (часть автореферата) на тему «Нейросетевая аутентификация по голосовым паролям с защитой биометрических эталонов и учётом функционального состояния пользователя»

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Современные биометрические технологии становятся неотъемлемой частью систем информационной безопасности, находя применение в повседневных задачах, таких как аутентификация в смартфонах, получение доступа к банковским системам или подтверждение личности перед началом рабочего дня в некоторых сервисах. Быстрый рост вычислительных мощностей, развитие множества типов датчиков и алгоритмов обработки данных создали условия для повсеместного внедрения биометрических методов идентификации личности. Голосовая биометрия сочетает удобство бесконтактной аутентификации и способность оценивать функциональное состояние (ФС) пользователя, однако её широкое применение ограничено уязвимостями к атакам воспроизведения, синтеза речи и компрометации шаблонов, а также более высоким уровнем ошибок по сравнению со статическими методами (лицо, отпечатки пальцев, радужная оболочка). При этом мировой рынок голосовой биометрии в 2023 году оценивался в 2,5 млрд долларов США. Согласно прогнозам, к 2032 году его объем достигнет 11,5 млрд, демонстрируя среднегодовой темп роста на уровне 18,7%, что подчёркивает стратегическое значение технологий голосового распознавания.

В связи с принятием ФЗ № 572 «Об осуществлении идентификации и (или) аутентификации физических лиц с использованием биометрических персональных данных, о внесении изменений в отдельные законодательные акты Российской Федерации и признании утратившими силу отдельных положений законодательных актов Российской Федерации» регламентирующего порядок использования изображений лица и голосовых характеристик человека, современная биометрическая система должна строиться на основе доверенного искусственного интеллекта (ИИ),

устойчивого к деструктивным факторам (атаки на биометрические системы, дрейф биометрических данных, ФС пользователя) и обладающего поддержкой защищенного режима исполнения.

Степень разработанности темы исследования. В мировой практике сложилось несколько подходов к повышению надежности биометрических систем аутентификации с обеспечением конфиденциальности биометрических данных, которые основаны на использовании нечетких экстракторов, искусственных нейронных сетей, применении шифрования. В России действует серия национальных стандартов ГОСТ Р 52633, не имеющая международных аналогов. Стандарты ГОСТ Р 52633 регламентируют особенности разработки, обучения и тестирования систем высоконадежной биометрической аутентификации, которые должны строиться на базе нейросетевых преобразователей «биометрия-код» (НПБК), позволяющих связать криптографический ключ или пароль пользователя с его биометрическим образом.

Вопросам биометрической аутентификации, оценки изменчивости биометрических параметров, обеспечения защищённости биометрических данных посвятили множество исследований такие учёные как Ахметов Б.С., Брюхомицкий Ю.А., Епифанцев Б.Н., Жумажанова С.С., Иванов А.И., Катасёв А.С., Ложников П.С., Трошков А.М., Dodis Y., Jain A.K., Khan A., Monrose F., Schiel F., Snyder D. и др. Однако, несмотря на высокие показатели точности голосовой аутентификации, разрабатываемые системы демонстрируют низкую устойчивость к дрейфу биометрических данных вследствие изменённого ФС пользователя. Также текущие законодательные акты и стандарты в области биометрии не гарантируют защиту речевого образа от фальсификации в связи с возможностью кражи голосовых параметров пользователя. При наличии у злоумышленника речевых записей легального пользователя системы он сможет ими воспользоваться для проникновения. В условиях уязвимости речевых образов к атакам воспроизведения и компрометации становится актуальной научная задача разработки биометрической системы

аутентификации по голосу, обеспечивающей защиту биометрических шаблонов и устойчивость к изменениям ФС пользователя с использованием тайного пароля или контрольной фразы. Для её решения необходимо построить модель изменения голосовых параметров в зависимости от ФС пользователя, разработать метод извлечения робастных признаков из голосовых сигналов, алгоритма настройки модели нейросетевого преобразователя из голосовых данных в код, обеспечивающего одновременно защищенность биометрического шаблона и устойчивость к изменению состояния и методику аутентификации пользователя по голосу с учетом его ФС.

Объект исследования. Системы биометрической аутентификации по голосу.

Предмет исследования. Нейросетевые модели, методы и алгоритмы машинного обучения для защищенного исполнения процедур биометрической аутентификации.

Цель диссертационной работы: повысить точность и устойчивость к дрейфу биометрических данных процедуры аутентификации пользователя по голосу на основе нейросетевого преобразователя «биометрия-код» с обеспечением защиты биометрических шаблонов от компрометации.

Поставлены и решены следующие основные задачи:

1. Разработка статистической модели изменения характеристик голосового сигнала в зависимости от ФС пользователя, отражающей влияние состояния пользователя на параметры его голоса.

2. Разработка и исследование метода извлечения информативных признаков из голосового сигнала для повышения точности аутентификации.

3. Разработка алгоритма настройки модели нейросетевого преобразователя «биометрия-код», устойчивого к дрейфу голосовых признаков.

4. Разработка методики аутентификации пользователя по голосу с учетом его ФС и с обеспечением защиты биометрического шаблона от компрометации.

5. Разработка программного модуля, реализующего алгоритм настройки гибридной модели нейросетевого преобразователя «биометрия-код», устойчивого к дрейфу данных.

Методы исследования. В ходе диссертационного исследования применялись методы распознавания образов, машинного обучения (МО), защиты данных от компрометации, аппарат искусственных нейронных сетей (ИНС), ансамблевые методы, методы теории вероятностей и математической статистики, спектрального и корреляционного анализа, идентификации и аутентификации.

Достоверность результатов исследования подтверждается корректной постановкой задач, применением апробированных методов, успешно используемых в других прикладных областях, практической реализацией системы на основе разработанных моделей и алгоритмов, а также представлением результатов на научных конференциях и публикацией в научных изданиях, в том числе в изданиях из Перечня ВАК, актами о внедрении и использовании результатов работы в образовательную и производственную сферы.

Научная новизна:

1. Предложена статистическая модель голосовых образов пользователя, основанная на экспериментальных данных об изменении голосовых параметров у испытуемых обоих полов от 18 до 50 лет в различных ФС, которая, в отличие от существующих ранее моделей, учитывает изменения голосовых биометрических признаков в различных ФС пользователя и позволяет предсказывать характер дрейфа биометрических данных.

2. Предложен метод извлечения признаков из голосовых образов, основанный на ансамбле автокодировщиков, который, в отличие от традиционных методов, осуществляет расширение набора биометрических

данных на этапе распознавания пользователя, что позволяет повысить точность аутентификации при дрейфе данных за счёт учёта спектральных особенностей, извлечённых из различных репрезентаций голосового сигнала.

3. Разработан алгоритм настройки НПБК с обеспечением защиты биометрических шаблонов от компрометации, основанный на использовании двух типов нейронов, каждый из которых осуществляет обработку голосовых данных с различным уровнем взаимной корреляции, что, в отличие от ранее известных алгоритмов обучения НПБК, обеспечивает более высокую точность аутентификации пользователя в условиях дрейфа биометрических данных.

4. Разработана методика аутентификации по голосу с распознаванием ФС пользователя, основанная на ансамблевых методах МО, что, в отличие от существующих ранее методик, позволяет проводить не только верификацию личности, но и выполнять классификацию ФС пользователя, регистрируя отклонения его состояния от нормы, что служит решающим фактором для ограничения прав доступа в процессе авторизации.

Теоретическая значимость диссертационной работы заключается в предложенной статистической модели изменения характеристик голосового сигнала в зависимости от состояния пользователя, основанной на экспериментальных данных об амплитудно-частотных характеристиках речи, которая учитывает неоднородность реакций пользователей в различных состояниях. Эта модель позволяет прогнозировать области спектра, подверженные дрейфу голосовых признаков, вызванному изменениями ФС. Разработаны новый алгоритм настройки НПБК, учитывающего влияние ФС пользователя на голосовые характеристики, метод извлечения признаков из голосового образа и методика аутентификации по голосу с распознаванием ФС пользователя. Разработанный метод извлечения признаков на основе ансамбля автокодировщиков, осуществляющего расширение набора биометрических данных на этапе распознавания образа увеличивает точность и надёжность аутентификации. Особый вклад вносит анализ корреляционных связей голосовых параметров, на основе которого происходит выбор типа нейронов,

используемых в НПБК, что повышает точность аутентификации и устойчивость к дрейфу этих параметров, в частности при изменении функционального состояния.

Практическая значимость заключается в повышении надёжности биометрической аутентификации субъекта по голосу и защищённости компьютерных ресурсов от неавторизованного доступа при помощи разработанного программного комплекса. Коэффициент равной вероятности ошибок в 2,1% для задачи аутентификации пользователя подтверждает высокий уровень точности и даёт возможность настроить систему на FAR<10-4 при FRR = 0,129, что обеспечивает высокую степень защищённости процедуры аутентификации по голосу.

Положения, выносимые на защиту:

1. Статистическая модель, учитывающая особенности изменения голосовых образов пользователя в различных состояниях, позволяющая прогнозировать дрейф данных и выявлять признаки, чувствительные к изменению функционального состояния пользователя.

2. Метод извлечения признаков при помощи ансамблирования автокодировщиков на базе свёрточных слоёв, обрабатывающих различные представления одного и того же голосового образа, что позволяет извлекать более полную информацию, необходимую для биометрической аутентификации, благодаря учёту спектральных особенностей различных репрезентаций голосового сигнала.

3. Алгоритм настройки гибридной модели нейросетевого преобразователя биометрия-код на основе двух типов нейронов, чувствительных к корреляции между признаками с обеспечением защиты биометрических шаблонов от компрометации.

4. Методика биометрической аутентификации по голосу с распознаванием ФС, которая позволяет адаптировать уровень прав пользователя в зависимости от выявленного состояния.

5. Программный модуль, реализующий алгоритм настройки гибридной модели нейросетевого преобразователя биометрия-код, устойчивого к дрейфу данных и обеспечивающего защиту биометрических шаблонов.

Соответствие научной специальности. Работа соответствует научной специальности 2.3.6 Методы и системы защиты информации, информационная безопасность, п. 12: Технологии идентификации и аутентификации пользователей и субъектов информационных процессов. Системы разграничения доступа, и п. 15: Принципы и решения (технические, математические, организационные и др.) по созданию новых и совершенствованию существующих средств защиты информации и обеспечения информационной безопасности.

Апробация работы. Основные положения и результаты работы докладывались на следующих конференциях: 14th International Scientific-Technical Conference on Actual Problems of Electronic Instrument Engineering" (APEIE 2018), Новосибирск; II Межвузовская научно-практическая конференция «Информационная безопасность: современная теория и практика» (г. Омск, 2019 год); Девятый международный круглый стол «Современная мировая экономика: проблемы и перспективы в эпоху развития цифровых технологий и биотехнологии» (г. Москва, 2019 год); Всероссийская научно-практическая конференция с международным участием «Россия и мировые тенденции развития» (г. Омск, 2021 год); II Международная научно-практическая конференция «Цифровизация и кибербезопасность: современная теория и практика» (г. Омск, 2022 год); VII Международная научно-практическая конференция «Фундаментальные и прикладные исследования молодых учёных» (г. Омск, 2023 год); XVII Международная научно-техническая конференция «Динамика систем, механизмов и машин» (г. Омск, 2023 год).

Связь с научными программами. Исследование выполнено при финансовой поддержке Минцифры России (грант ИБ МТУСИ), проект № 40469-15/2022-к в 2022-2023 годах, в котором аспирант был руководителем

проекта. Также данная работа была частично профинансирована в рамках государственного задания Минобрнауки России в период 2023-2025 гг. № FSGF-2023-0004.

Публикации. По материалам диссертации опубликовано 17 работ, 4 из которых изданы в журналах, рекомендованных перечнем ВАК; 5 научных публикаций индексированы в международной информационно -аналитической системе научного цитирования Scopus; 8 научных работ опубликованы в других изданиях. Получено 4 свидетельства о регистрации программ для ЭВМ.

Личный вклад. Все представленные в диссертации результаты (метод, модели, алгоритмы, методика и программный модуль) и их анализ принадлежат лично автору. Формулирование цели и задач, способов их решения и вариантов представления осуществлены автором совместно с научным руководителем.

Объём и структура работы. Диссертационная работа состоит из введения, четырёх глав, заключения, списка литературы (119 наименований) и 2 приложений. Общий объём работы составляет 144 страницы включая 37 рисунков и 16 таблиц.

Глава 1. Аналитическое исследование проблемы аутентификации по голосу с учетом функционального состояния и защиты биометрических

шаблонов пользователя

1.1 Методы и технологии биометрической аутентификации

Современные системы биометрической аутентификации опираются на два основных класса признаков — статические и динамические. Статические методы, куда прежде всего входят распознавание отпечатков пальцев, радужной оболочки глаза, геометрии лица и формы кисти руки, давно зарекомендовали себя в сфере высоконадежных приложений, где доступны стационарные терминалы с высококачественными сенсорами. Использование отпечатков пальцев современными алгоритмами повышают точность распознавания до >99% благодаря высокой уникальности узоров папиллярных линий, но такая технология требует определённого сенсора и физического соприкосновения. Радужная оболочка глаза обеспечивает ещё более низкие вероятности ошибок из-за сложности микротекстуры радужки и относительной защите от внешних факторов освещённости, но применение данного метода требует специального оборудования. Распознавание лиц, как наиболее социально приемлемое, в идеальных условиях достигает FAR порядка 0,1 % и FRR около 2 %, но при малейших изменениях угла обзора, выражения лица или уровня освещённости точность может резко падать до 9095 % [2, 3]. При этом остаётся нерешённой проблема низкой межклассовой вариативности (схожесть признаков у разных людей), особенно с учетом дрейфа голосовых параметров вследствие изменения функционального состояния пользователя. Согласно ряду исследований, современные алгоритмы распознавания лиц демонстрируют рост FAR при совпадении таких характеристик, как пол, возраст, этническая принадлежность, регион происхождения, а также в случае родственной близости между субъектами [4].

Однако, несмотря на простоту использования, статическая биометрия имеет ряд недостатков безопасности. Наиболее очевидная проблема

заключается в том, что в случае компрометации биометрические данные невозможно изменить, чем могут воспользоваться злоумышленники. Также они не позволяют без непосредственного контакта оценить текущее эмоциональное состояние человека и требуют устойчивых условий съёмки: чистой поверхности датчика для отпечатков, контролируемого освещения для лица и радужки, неподвижности при сканировании руки. Невозможность удалённого применения без потери точности делает их неприменимыми для множества сценариев таких как удалённые кол-центры, банковские 1У^системы и устройства интернет-вещей.

В противоположность этому голосовая биометрия, относящаяся к динамическим методам, базируется на анализе акустических характеристик речевого тракта и особенностей артикуляции в движении. Для работы ей достаточно обычного микрофона, встроенного в смартфон, гарнитуру или конференц-систему и программной обработки цифрового аудиопотока. На этапе извлечения признаков используются мел-фильтровые кепстральные коэффициенты (МРСС), фильтры gammatone, спектрограммы и другие преобразования, которые обеспечивают получение информативных признаков из речевого сигнала. Современные решения для голосовой аутентификации используют глубокие нейронные сети, в частности, ResNet-50, ECAPA-TDNN, х^еСот и многие гибридные архитектуры, что позволяет ставить голос в один ряд со статическими методами аутентификации по уровню точности, но при этом сохраняет дистанционный и бесконтактный характер проверки.

В отличие от традиционных биометрических данных, таких как отпечатки пальцев, лица и радужной оболочки глаза, голос представляет собой комбинацию физиологической и динамической биометрии. Физиологические аспекты основаны на размерах и форме рта, горла, гортани, полости носа, веса и других факторов каждого человека; это приводит к нашей естественной высоте тона и тембра. Динамические свойства - это те свойства, которые приводят к изменчивости речевого ритма, перегиба, акцента и диалекта. Именно поэтому голос может служить маркером функционального состояния:

усталость проявляется в замедлении скорости речи и удлинении пауз, стресс вызывает появление дрожания в голосе и фона, а алкогольное опьянение приводит к сдвигам в спектральной плотности, хриплость и изменении основного тона. Это открывает совершенно новые возможности для оценки состояния человека в различных видах производства, контроля трезвости автомобилистов и адаптивного уровня доступа к конфиденциальным ресурсам в зависимости от состояния пользователя.

Распознавание голоса представляет собой задачу сопоставления голоса конкретного говорящего с уникальным цифровым представлением в качестве средства аутентификации личности. Голосовая биометрия имеет ряд явных преимуществ в качестве метода аутентификации пользователя на смартфонах, интернет-вещей и других носимых устройствах. Для людей вполне естественно производить мобильные аутентификации, и это происходит благодаря успешной интеграции биометрических данных отпечатков пальцев в смартфоны. Распознавание голоса предлагает экономически эффективный и гибкий выбор по сравнению с другими биометрическими методами, которые могут быть затруднены в связи с необходимостью интеграции аппаратного обеспечения, особенно на мобильных устройствах, для которых требуются датчики отпечатков пальцев или другие приспособления.

Голос также хорошо подходит в качестве решения для биометрической аутентификации на широком спектре устройств, включая планшеты, смартфоны, ПК, игровые системы (портативные и консольные), телевизоры и автомобили. Аутентификация по голосу существует как однофакторная, так и двухфакторная. Под двухфакторной аутентификацией понимается использование в качестве пароля не только уникальный голосовой отпечаток пользователя, но и ту кодовую фразу, которую он произносит. Этот вариант распознавания личности имеет значительные преимущества по сравнению с однофакторной аутентификацией.

К примеру, голосовой пароль может быть сделан динамическим. В случае компрометации и голосовых характеристик и парольной фразы,

систему можно просто перенастроить на другую парольную фразу. В таком случае факт получения злоумышленником голосовых характеристик пользователя не даст ему возможности обойти систему. Это заметно повышает уровень защищённости, поскольку компрометация одного сеанса не подрывает безопасность системы в целом.

Тем не менее, у голосовой биометрии есть уязвимости. Атака воспроизведения остаётся наиболее простой и массовой: злоумышленник записывает входящую фразу и затем воспроизводит её через динамик или другое звуковое устройство. Для противодействия могут быть применены методы индикации живого пользователя (liveness detection) — анализ микродвижений голосовых связок, выявление фазовых искажений реального тракта. Синтез речи с помощью методов дипфейк усложняет задачу обнаружения подделок. Современные генеративные модели порождают настолько правдоподобные копии, что без специальных алгоритмов цифровой обработки сигнала и антиспуфинг-решений их практически невозможно отличить от оригинальной записи. По итогам испытаний ASVspoof 2021 лучшие контрмеры достигают EER = 1,32 % в лабораторных условиях, но их эффективность заметно снижается при применении в реальных условиях [5].

Кроме того, чтобы исключить повторное использование одной и той же фразы, системы голосовой аутентификации могут быть настроены для динамической замены контрольных паролей. В таком подходе перед каждой сессией из заранее подготовленного словаря коротких фраз или цифровых кодов случайным образом выбирается новая фраза. Клиент получает её по зашифрованному каналу, после чего одновременно проверяется корректность произнесения текста и совпадение голосовых характеристик с эталоном. Поскольку фраза одноразовая, запись предыдущего сеанса уже бесполезна, а сами биометрические шаблоны не меняются, что упрощает поддержку системы и повышает её устойчивость к компрометации.

1.2 Защищённое исполнение процедур биометрической аутентификации

в цифровой среде

Чтобы гарантировать сохранность биометрических данных применяются различные технологии: шифрование, многофакторная аутентификация, механизмы контроля доступа [6].

Но биометрические системы остаются уязвимыми к таким угрозам как перехват данных и к атакам на базы хранения биометрических шаблонов. Наталья Касперская [7], сооснователь компании «Лаборатория Касперского», отмечает, что неизменяемость биометрических данных, таких как голос, лицо или отпечатки пальцев, делает их уязвимыми, поскольку их невозможно заменить, в отличие от обычных паролей или пин-кодов, что повышает серьёзность последствий утечек. Данная процедура требует защиты знаний, необходимых для её проведения.

Согласно федеральному закону № 152-ФЗ «О персональных данных» биометрические данные, включая голосовые профили, входят в категорию особо чувствительной информации, что обязывает применять усиленные меры для их сохранности на всех этапах обработки: от момента их получения и регистрации пользователя в системе, во время их хранения, а также обработки для подтверждения личности [8]. Недостаточные меры безопасности могут позволить злоумышленникам перехватить или использовать конфиденциальные данные для несанкционированного доступа, что приведёт к угрозам для безопасности пользователей и систем. Для защиты данных часто используется их шифрование. К основным относят классическое и гомоморфное шифрование.

Классическое шифрование использует алгоритмы, которые преобразуют открытый текст в зашифрованный вид, недоступный для чтения без наличия секретного ключа. Данный метод активно применяется в информационной безопасности, его концепция основана на применении криптографических методов, использующих математические функции, которые преобразовывают информацию в зашифрованный и расшифрованный вид. В зависимости от

вида ключей выделяют симметричное и асимметричное шифрование. При симметричном шифровании один и тот же ключ используется для шифрования и расшифрования, что требует безопасной передачи и хранения ключа между сторонами. Асимметричное шифрование использует пару из открытого ключа для шифрования и закрытого для расшифрования. Это упрощает обмен, но увеличивает вычислительные затраты. Ключ является основным элементом защиты данных, поскольку он позволяет только авторизованным пользователям расшифровать данные, поэтому основной уязвимостью обоих методов является угроза его компрометации [9]].

Процедура может проводиться как на стороне клиента, что для ассиметричного варианта ресурсоёмко, так и на стороне сервера. Её проведение на стороне клиента позволяет сохранять информацию в зашифрованном виде, но увеличивает вычислительную нагрузку на аппарат. При серверной реализации нагрузка на устройство будет ниже, но при передаче ключей или данных возникает угроза перехвата и, как следствие, появляется потребность в дополнительных мерах защиты.

Несмотря на то, что классическое шифрование остаётся важным элементом цифровой безопасности, оно имеет ряд недостатков. В случае получения злоумышленником секретного ключа, он сможет расшифровать защищаемые данные. Также стоит отметить, что для надёжного хранения и использования ключей необходимо соблюдение строгих правил внутри компании, которые включают в себя подготовку персонала, периодические аудиты, обновление паролей и т.д. Данные меры требуют значительных вложений во внутреннюю инфраструктуру.

Список литературы диссертационного исследования кандидат наук Иниватов Даниил Павлович, 2026 год

Список литературы

1. Voice Biometrics Market [Электронный ресурс] // Allied Market Research. — URL: https://www.alliedmarketresearch.com/voice-biometrics-market (дата обращения: 10.06.2025).

2. Частикова В. А., Титова А. А., Войлова Д. О. Аналитический обзор методов идентификации личности на основе биометрических характеристик //Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. - 2022. - №. 1 (296). - С. 92-112.

3. Schroff F., Kalenichenko D., Philbin J. Facenet: A unified embedding for face recognition and clustering //Proceedings of the IEEE conference on computer vision and pattern recognition. - 2015. - С. 815-823.

4. Grother P., Ngan M., Hanaoka K. Face recognition vendor test (fvrt): Part 3, demographic effects. - Gaithersburg, MD : National Institute of Standards and Technology, 2019.

5. Yamagishi J. et al. ASVspoof 2021: accelerating progress in spoofed and deepfake speech detection //arXiv preprint arXiv:2109.00537. - 2021.

6. Калашников А. О. и др. Влияние новых технологий на информационную безопасность критической информационной инфраструктуры //Информация и безопасность. - 2019. - Т. 22. - №2. 2. - С. 156169.

7. Наталья Касперская: никаких особых способов защиты биометрии нет // РИА Новости URL: https://ria.ru/20211006/kasperskaya-1753227872.html (дата обращения: 11.06.2025).

8. Сердюк В. Организация и технологии защиты информации: обнаружение и предотвращение информационных атак в автоматизированных систем предприятий. - Litres, 2022.

9. Сабырова Ж. К., Жанбатыров А. Е. Методы шифрования информации //Молодежь в науке: Новые аргументы. - 2014. - С. 126-130.

10. What is homomorphic encryption, and why isn't it mainstream? // keyfactor URL: https://www.keyfactor.com/blog/what-is-homomorphic-encryption/ (дата обращения: 11.06.2025).

11. Ложников П. С., Сулавко А. Е. Защищенное исполнение нейросетевых алгоритмов искусственного интеллекта: актуальность проблемы и перспективные решения //Региональная информатика и информационная безопасность. - 2021. - С. 104-108.

12. Юнусов Н. Т., Смирнов С. В., Сакулин С. А. Состязательные примеры в задаче классификации изображений //Социально-экономическое управление: теория и практика. - 2019. - №. 4. - С. 74-77.

13. Арашлоо С.Р., Киттлер Дж., Кристмас В. Подход к обнаружению аномалий для обнаружения подделки лица: новая формулировка и протокол оценки //Доступ IEEE. - 2017. - Т. 5. - С. 13868-13882.

14. Татаренков В. С. Обзор компьютерных атак на биометрические системы //Безопасные информационные технологии. Сборник трудов XI. -2021. - Т. 6. - С. 80.

15. Лапина Т. И., Лапин Д. В. Многофакторная аутентификация пользователей информационных ресурсов //Информационно-измерительные и управляющие системы. - 2017. - Т. 15. - №. 5. - С. 37-42.

16. Иниватов Д. П. Защищенное исполнение процедур биометрической аутентификации дикторов в цифровой среде //Фундаментальные и прикладные исследования молодых учёных. - 2023. - С. 571-575.

17. Кузнецов А. А., Сергиенко Р. В., Уварова А. А. Нечеткий экстрактор на помехоустойчивых кодах для биометрической криптографии //Radiotekhnika. - 2018. - №. 195. - С. 224-234.

18. Xue G. et al. An adaptive neuro-fuzzy system with integrated feature selection and rule extraction for high-dimensional classification problems //IEEE Transactions on Fuzzy Systems. - 2022. - Т. 31. - №. 7. - С. 2167-2181.

19. Сулавко А. Е. и др. Аутентификация по голосовым паролям с обеспечением конфиденциальности биометрических данных на основе корреляционных нейронов //Информационно-управляющие системы. - 2024. -№. 2. - С. 21-38.

20. Иванов А. И., Ложников П. С., Сулавко А. Е. Оценка надежности верификации автографа на основе искусственных нейронных сетей, сетей многомерных функционалов Байеса и сетей квадратичных форм //Компьютерная оптика. - 2017. - Т. 41. - №. 5. - С. 765-774.

21. Wahab O. A. Intrusion detection in the iot under data and concept drifts: Online deep learning approach //IEEE Internet of Things Journal. - 2022. - Т. 9. -№. 20. - С. 19706-19716.

22. Lohani M., Payne B. R., Strayer D. L. A review of psychophysiological measures to assess cognitive states in real-world driving //Frontiers in human neuroscience. - 2019. - Т. 13. - С. 57.

23. Namiot D., Ilyushin E. Data shift monitoring in machine learning models //International Journal of Open Information Technologies. - 2022. - Т. 10.

- №. 12. - С. 84-93.

24. Кормилицин А. А., Калинина С. А., Меркулова А. Г. Исследоване спектральных характеристик голоса человека в процессе профессиональной деятельности //Биотехнические, медицинские и экологические системы, измерительные устройства и робототехнические комплексы-Биомедсистемы-2022. - 2022. - С. 325-328.

25. Jabari S. et al. Multispectral change detection using multivariate Kullback-Leibler distance //ISPRS Journal of Photogrammetry and Remote sensing.

- 2019. - Т. 147. - С. 163-177.

26. Narasimhappa M. et al. MEMS-based IMU drift minimization: Sage Husa adaptive robust Kalman filtering //IEEE Sensors Journal. - 2019. - Т. 20. -№. 1. - С. 250-260.

27. Sharma S., Tiwari G. SPEECH SENTIMENT ANALYSIS. // International Research Journal of Modernization in Engineering Technology and Science. - 2023. - №5. - С. 9715-9722.

28. Abbasi A. et al. ElStream: An ensemble learning approach for concept drift detection in dynamic social big data stream learning //IEEE Access. - 2021. -Т. 9. - С. 66408-66419.

29. Ghomeshi H., Gaber M. M., Kovalchuk Y. EACD: evolutionary adaptation to concept drifts in data streams //Data mining and knowledge discovery. - 2019. - Т. 33. - С. 663-694.

30. Talbot M. Adapting to the speaker in automatic speech recognition //International journal of man-machine studies. - 1987. - Т. 27. - №. 4. - С. 449457.

31. Садыхов Р. Х., Ракуш В. В. Модели гауссовых смесей для верификации диктора по произвольной речи //Доклады Белорусского государственного университета информатики и радиоэлектроники. - 2003. -№. 4 (4). - С. 95-103.

32. Song S. et al. An integrated multi-channel approach for joint noise reduction and dereverberation //Applied Acoustics. - 2021. - Т. 171. - С. 107526.

33. Chung J. S., Nagrani A., Zisserman A. Voxceleb2: Deep speaker recognition //arXiv preprint arXiv:1806.05622. - 2018.

34. Garofolo J. S. et al. DARPA TIMIT acoustic-phonetic continous speech corpus CD-ROM. NIST speech disc 1-1.1 //NASA STI/Recon technical report n. -1993. - Т. 93. - С. 27403.

35. Lee K. A. et al. The RedDots data collection for speaker recognition //Interspeech 2015. - 2015.

36. Ardila R. et al. Common voice: A massively-multilingual speech corpus //arXiv preprint arXiv:1912.06670. - 2019.

37. Panayotov V. et al. Librispeech: an asr corpus based on public domain audio books //2015 IEEE international conference on acoustics, speech and signal processing (ICASSP). - IEEE, 2015. - С. 5206-5210.

38. Sadjadi S. O. et al. The 2021 NIST speaker recognition evaluation //arXiv preprint arXiv:2204.10242. - 2022.

39. Schiel F., Heinrich C., Barfusser S. Alcohol language corpus: the first public corpus of alcoholized German speech //Language resources and evaluation. - 2012. - Т. 46. - №. 3. - pp. 503-521.

40. Shenoi V. V., Kuchibhotla S., Kotturu P. An efficient state detection of a person by fusion of acoustic and alcoholic features using various classification algorithms //International Journal of Speech Technology. - 2020. - Т. 23. - pp. 625632.1

41. Mensik R. Recognition of alkohol influence on speech //International Workshop on Text, Speech and Dialogue. - Springer, Berlin, Heidelberg, 1999. - pp. 384-387

42. Sigmund M., Zelinka P. Analysis of voiced speech excitation due to alcohol intoxication //Information Technology and Control. - 2011. - vol. 40. - no. 2. - pp. 143-150.

43. Сулавко А. Е. и др. Влияние психофизиологического состояния диктора на параметры его голоса и результаты биометрической аутентификации по речевому паролю //Компьютерные инструменты в образовании. - 2017. - №. 4. - С. 29-47.

44. B. Schuller, A. Batliner, S. Steidl, F. Schiel, and J. Krajewski, "The INTERSPEECH 2011 Speaker State Challenge," in Proc. of INTERSPEECH, (Florence, Italy), pp. 3201-3204, ISCA, 2011.

45. Kersta L. G. Voiceprint identification //The Journal of the Acoustical Society of America. - 1962. - Т. 34. - №. 5_Supplement. - С. 725-725.

46. Wohlford R., Wrench E., Landell B. A comparison of four techniques for automatic speaker recognition //ICASSP'80. IEEE International Conference on Acoustics, Speech, and Signal Processing. - IEEE, 1980. - Т. 5. - С. 908-911.

47. Monrose F. et al. Cryptographic key generation from voice //Proceedings 2001 IEEE Symposium on Security and Privacy. S&P 2001. - IEEE, 2000. - С. 202-213.

48. Snyder D. et al. X-vectors: Robust dnn embeddings for speaker recognition //2018 IEEE international conference on acoustics, speech and signal processing (ICASSP). - IEEE, 2018. - C. 5329-5333.

49. Y. Li, S. Chang and Q. Wu, "A short utterance speaker recognition method with improved cepstrum-CNN." SN Applied Sciences, 4(12), 2022, p.330.

50. Kanagasundaram A. et al. A study of x-vector based speaker recognition on short utterances //Proceedings of the 20th Annual Conference of the International Speech Communication Association, INTERSPEECH 2019. Vol. 2019-September. - ISCA (International Speech Communication Association), 2019. - C. 2943-2947.

51. Heo H. S. et al. Clova baseline system for the voxceleb speaker recognition challenge 2020 //arXiv preprint arXiv:2009.14153. - 2020.

52. Taherian H. et al. Robust speaker recognition based on single-channel and multi-channel speech enhancement //IEEE/ACM Transactions on Audio, Speech, and Language Processing. - 2020. - T. 28. - C. 1293-1302.

53. T. Liu, K.A. Lee, Q. Wang and H. Li, "Disentangling voice and content with self-supervision for speaker recognition." Advances in Neural Information Processing Systems, 36, 2023, pp.50221-50236.

54. Y. Jin, G. Hu, H. Chen, D. Miao, L. Hu and C. Zhao, "Cross-modal distillation for speaker recognition." In Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 37, No. 11, pp. 12977-12985, June 2023.

55. K. Sarma, F. Pyrtuh and D. Chakraborty "Speaker verification system using wavelet transform and neural network for short utterances" Asian Journal For Convergence In Technology (AJCT) ISSN-2350-1146, 6(1), 2020, pp. 30-35.

56. H. Aronowitz "Speaker recognition using common passphrases in RedDots" In 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 5405-5409, March 2017

57. N. Maghsoodi, H. Sameti, H. Zeinali and T. Stafylakis "Speaker recognition with random digit strings using uncertainty normalized HMM-based i-vectors" IEEE/ACM Transactions on Audio, Speech, and Language Processing, 27(11), 2019, pp.1815-1825.

58. Xiao X. et al. Microsoft speaker diarization system for the voxceleb speaker recognition challenge 2020 //ICASSP 2021-2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). - IEEE, 2021.

- C. 5824-5828.

59. Zeinali H. et al. But system description to voxceleb speaker recognition challenge 2019 //arXiv preprint arXiv:1910.12592. - 2019.

60. Gao Y. et al. Detection and evaluation of human and machine generated speech in spoofing attacks on automatic speaker verification systems //2021 IEEE Spoken Language Technology Workshop (SLT). - IEEE, 2021. - C. 544-551.

61. Pappagari R. et al. x-vectors meet emotions: A study on dependencies between emotion and speaker recognition //ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). - IEEE, 2020.

- C. 7169-7173.

62. Xie W. et al. Utterance-level aggregation for speaker recognition in the wild //ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). - IEEE, 2019. - C. 5791-5795.

63. El-Moneim S. A. et al. Text-independent speaker recognition using LSTM-RNN and speech enhancement //Multimedia Tools and Applications. - 2020.

- T. 79. - C. 24013-24028.

64. Vaessen N., Van Leeuwen D. A. Fine-tuning wav2vec2 for speaker recognition //ICASSP 2022-2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). - IEEE, 2022. - C. 7967-7971.

65. Kanagasundaram A. et al. PLDA based speaker recognition on short utterances //Proceedings of The Speaker and Language Recognition Workshop: Odyssey 2012. - International Speech Communication Association, 2012. - C. 2833.

66. Khan A., Malik K. M. SpoTNet: A spoofing-aware Transformer Network for Effective Synthetic Speech Detection //Proceedings of the 2nd ACM International Workshop on Multimedia AI against Disinformation. - 2023. - C. 1018.

67. Сулавко А.Е. и др. Преобразователь образов голосовых паролей дикторов в криптографический ключ на основе комитета предварительно обученных сверточных нейронных сетей // Вопросы защиты информации. -2021. - №4. - С. 23-33.

68. Иниватов, Д. П. Аналитическое исследование проблемы биометрической идентификации и аутентификации субъектов по голосу / Д. П. Иниватов // Вопросы защиты информации. - 2023. - № 3(142). - С. 28-38. -DOI 10.52190/2073-2600_2023_3_28.

69. Pisoni D. В., Martin C. S. Effects of alcohol on the acoustic-phonetic properties of speech: perceptual and acoustic analyses //Alcoholism: Clinical and Experimental Research. - 1989. - Т. 13. - №. 4. - С. 577-587.].

70. Tisljár-Szabó E. et al. The effect of alcohol on speech production // Journal of psycholinguistic research. - 2014. - Т. 43. - С. 737-748.

71. Jones A. W. Alcohol, its analysis in blood and breath for forensic purposes, impairment effects, and acute toxicity //Wiley Interdisciplinary Reviews: Forensic Science. - 2019. - Т. 1. - №. 6. - p. e1353.

72. Kröger J. L., Lutz O. H. M., Raschke P. Privacy implications of voice and speech analysis-information disclosure by inference //Privacy and Identity Management. Data for Better Living: AI and Privacy: 14th IFIP WG 9.2, 9.6/11.7, 11.6/SIG 9.2. 2 International Summer School, Windisch, Switzerland, August 1923, 2019, Revised Selected Papers 14. - 2020. - pp. 242-258.

73. Levit M. et al. Use of prosodic speech characteristics for automated detection of alcohol intoxication //ISCA Tutorial and Research Workshop (ITRW) on Prosody in Speech Recognition and Understanding. - 2001.

74. Khalil R. A. et al. Speech emotion recognition using deep learning techniques: A review //IEEE Access. - 2019. - Т. 7. - pp. 117327-117345.

75. Авдеева Ю. В. Экспериментальное исследование речи людей, находящихся в состоянии ситуативного алкогольного опьянения //Мир науки, культуры, образования. - 2012. - №. 4. - С. 49-51.

76. Geiger J. T. et al. On the influence of alcohol intoxication on speaker recognition //Proc. AES 53rd International Conference Semantic Audio, AES, London, UK. - 2014.

77. Siddiqui N., Pryor L., Dave R. User authentication schemes using machine learning methods—a review //Proceedings of International Conference on Communication and Computational Technologies: ICCCT 2021. - Springer Singapore, 2021. - pp. 703-723.

78. Куликов А. Л. и др. Анализ применения метода опорных векторов в многомерной релейной защите //Известия Российской академии наук. Энергетика. - 2020. - №. 2. - С. 123-132.

79. Gajsek R., Mihelic F., Dobrisek S. Speaker state recognition using an HMM-based feature extraction method //Computer Speech & Language. - 2013. -vol. 27. - no. 1. - pp. 135-150.1

80. Bone D. et al. Intoxicated speech detection by fusion of speaker normalized hierarchical features and GMM supervectors //Twelfth Annual Conference of the International Speech Communication Association. - 2011.

81. Bocklet T., Riedhammer K., Noth E. Drink and Speak: On the automatic classification of alcohol intoxication by acoustic, prosodic and text-based features //Twelfth Annual Conference of the International Speech Communication Association. - 2011.

82. Hershey S. et al. CNN architectures for large-scale audio classification //2017 ieee international conference on acoustics, speech and signal processing (icassp). - IEEE, 2017. - pp. 131-135.

83. Lee J., Tashev I. High-level feature representation using recurrent neural network for speech emotion recognition //Interspeech 2015. - 2015.

84. Berninger K., Hoppe J., Milde B. Classification of speaker intoxication using a bidirectional recurrent neural network //Text, Speech, and Dialogue: 19th International Conference, TSD 2016, Brno, Czech Republic, September 12-16, 2016, Proceedings 19. - Springer International Publishing, 2016. - pp. 435-442.

85. Montacie C., Caraty M. J. Combining multiple phoneme-based classifiers with audio feature-based classifier for the detection of alcohol intoxication //Twelfth Annual Conference of the International Speech Communication Association. - 2011.

86. Zhang Y., Weninger F., Schuller B. Cross-domain classification of drowsiness in speech: the case of alcohol intoxication and sleep deprivation. - 2017.

87. Terlapu P. V. Intelligent Novel Approach for Identification of Alcohol Consumers using Incremental Hidden Layer Neurons ANN (IHLN-ANN)-Based Model on Vowelized Voice Dataset. - 2023.

88. Shenoi V. V., Kuchibhotla S., Kotturu P. An efficient state detection of a person by fusion of acoustic and alcoholic features using various classification algorithms //International Journal of Speech Technology. - 2020. - Т. 23. - pp. 625632.

89. Bonela A. A. et al. Audio-based Deep Learning Algorithm to Identify Alcohol Inebriation (ADLAIA) //Alcohol. - 2023. - Т. 109. - С. 49-54.

90. Wang W., Wu H., Li M. Deep neural networks with batch speaker normalization for intoxicated speech detection //2019 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC). - IEEE, 2019. - С. 1323-1327.

91. Методические указания Министерства здравоохранения СССР от 03.07.1974 «О судебно-медицинской диагностике смертельных отравлений этиловым алкоголем и допускаемых при этом ошибках» [Электронный ресурс] // Законодательство в области судебно-медицинской экспертизы. — 1974. — URL: http://zakon.forens-med.ru/doc/mz/3_25_101.html (дата обращения: 12.06.2025).

92. Волчихин В.И., Иванов А.И., Фунтиков В.А. Быстрые алгоритмы обучения нейросетевых механизмов биометрико-криптографической защиты информации. Монография. Пенза-2005 г. Издательство Пензенского государственного университета, 273 с.

93. Ложников П.С., Сулавко А.Е., Еременко А.В., Волков Д.А. Экспериментальная оценка надежности верификации подписи сетями квадратичных форм, нечеткими экстракторами и персептронами // Информационно-управляющие системы. - 2016. - №5. - С. 73-85.

94. Ахметов Б.С., Иванов А.И., Фунтиков В.А., Безяев А.В., Малыгина Е.А. Технология использования больших нейронных сетей для преобразования нечетких биометрических данных в код ключа доступа: Монография. / Алматы: ТОО «ИздательствоLEM», 2014 - 144 с.

95. Иванов А.И. Нейросетевая защита конфиденциальных биометрических образов гражданина и его личных криптографических ключей. Монография, Пенза, 2014 - 57 с.

96. Сулавко А.Е., Еременко А.В., Толкачева Е.В., Борисов Р.В. Комплексирование независимых биометрических признаков при распознавании субъектов на основе сетей квадратичных форм, персептронов и меры ХИ-модуль // Информационно-управляющие системы. - 2017. - № 1 (86). - С. 50-62. doi:10.15217/issn1684-8853.2017.1.50.

97. Васильев В.И., Сулавко А.Е., Борисов Р.В., Жумажанова С.С. Распознавание психофизиологических состояний пользователей на основе скрытого мониторинга действий в компьютерных системах // Искусственный интеллект и принятие решений. - 2017. - №3. - С. 95-111.

98. Епифанцев Б.Н., Ложников П.С., Сулавко А.Е., Жумажанова С.С. Идентификационный потенциал рукописных паролей в процессе их воспроизведения // Автометрия. - 2016. - №3. - С. 28-36.

99. Иванов А.И. Многомерная нейросетевая обработка биометрических данных с программным воспроизведением эффектов квантовой суперпозиции. Пенза: Изд-во ПНИЭИ, 2016. 133 с.

100. Первушин Е.А. Обзор основных методов распознавания дикторов // Математические структуры и моделирование. - 2011. - Вып. 24. - С. 41-54.

101. Иниватов, Д. П. Об оценке влияния алкогольной интоксикации на параметры голоса в системах биометрической аутентификации / Д. П.

Иниватов, А. Е. Сулавко, А. Е. Самотуга // Динамика систем, механизмов и машин. - 2023. - Т. 11, № 2. - С. 58-66. - DOI 10.25206/2310-9793-2023-11-258-66.

102. Сулавко А. Е., Еременко А. В., Борисов Р. В. Генерация криптографических ключей на основе голосовых сообщений // Прикладная информатика. 2016. № 5. С. 76—89.

103. Ложников П. С. Биометрическая защита гибридного документооборота. — Новосибирск: Изд-во СО РАН, 2017. — 130 с.

104. Yanick Lukic, Carlo Vogt, Oliver D'urr, Thilo Stadelmann. Speaker identification and clustering using convolutional neural networks: IEEE 26th International Workshop on Machine Learning for Signal Processing (MLSP). SALERNO, ITALY. 13—16 September 2016.

105. Горшков Ю. Г. Обработка речевых и акустических биомедицинских сигналов на основе вейвлетов. Монография. — М.: Радиотехника, 2017. — 240 с.

106. Simonyan K. Very deep convolutional networks for large-scale image recognition //arXiv preprint arXiv:1409.1556. - 2014.

107. Sulavko A. E., Zhumazhanova S. S., Fofanov G. А. Perspective Neural Network Algorithms for Dynamic Biometric Pat-tern Recognition in the Space of Interdependent Features: 2018 Dynamics of Systems, Mechanisms and Machines, Dynamics. 13—15 November, 2018. — Omsk, Russia. С. 1—12. DOI: 10.25206/2310-9793-2018-6-4-130-145.

108. A. Sulavko "Biometric-Based Key Generation and User Authentication Using Acoustic Characteristics of the Outer Ear and a Network of Correlation Neurons" Sensors 2022, vol. 22, p. 9551.

109. Xia P., Zhang L., Li F. Learning similarity with cosine similarity ensemble //Information sciences. - 2015. - Т. 307. - С. 39-52.

110. Sulavko A. et al. Biometric-based key generation and user authentication using voice password images and neural fuzzy extractor // Applied System Innovation. 2025.Т. 8. №. 1. С. 13.

111. B. S. Akhmetov, A. I. Ivanov, and Z. Alimseitova, '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, vol. 1, pp. 61-68, Jan. 2018.

112. Marshalko, G. B. On the security of a neural network-based biometric authentication scheme / G. B. Marshalko. - DOI: https://doi.org/10.4213/mvk120 // Matematiceskie voprosy kriptografii. - 2014. - Vol. 5, № 2. - P. 87-98

113. Bogdanov, D. S. Data recovery for a neural network-based biometric authentication scheme / D. S. Bogdanov, V. O. Mironkin. - DOI: https://doi.org/10.4213/mvk284 // Matematiceskie voprosy kriptografii. - 2019. -Vol. 10, № 2. - С. 61-74.

114. N. Maghsoodi, H. Sameti, H. Zeinali and T. Stafylakis "Speaker recognition with random digit strings using uncertainty normalized HMM-based i-vectors" IEEE/ACM Transactions on Audio, Speech, and Language Processing, 27(11), 2019, pp.1815-1825.

115. Alam, M. J., Kenny, P., & Gupta, V. (2016, September). Tandem Features for Text-Dependent Speaker Verification on the RedDots Corpus. In Interspeech (pp. 420-424).

116. Sarkar, A. K., Sarma, H., Dwivedi, P., & Tan, Z. H. (2021, March). Data augmentation enhanced speaker enrollment for text-dependent speaker verification. In 2020 3rd International Conference on Energy, Power and Environment: Towards Clean Energy Technologies (pp. 1-6). IEEE.

117. Частикова В. А., Жерлицын С. А., Войлова Д. О. Нейросетевая система биометрической идентификации личности по голосу //Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. - 2023. - №. 1 (316). - С. 70-79.

118. Badr A. A., Abdul-Hassan A. K. CatBoost Machine Learning Based Feature Selection for Age and Gender Recognition in Short Speech Utterances //International Journal of Intelligent Engineering & Systems. - 2021. - Т. 14. - №. 3.

119. Иниватов Д.П. Аутентификация по голосовому паролю с учётом функционального состояния пользователя / Вестник УрФО № 3(57), 2025. С. 61-72.

Приложение А. Акты о внедрении научных результатов

УТВЕРЖДАЮ

.ности

АКТ

о внедрении в учебный процесс университета результатов кандидатской диссертации ассистента кафедры «Комплексная защита информации» Иниватова Даниила Павловича

Мы, нижеподписавшиеся, заведующий кафедрой «Комплексная защита информации», д.т.н., профессор, Ложников П.С., председатель учебно-методической комиссии Радиотехнического факультета, к.т.н., доцент Лях О.В. составили настоящий акт о том, что результаты кандидатской диссертации на тему «Нейросетевая аутентификация по голосовым паролям с защитой биометрических эталонов и учётом функционального состояния пользователя», полученные ассистентом кафедры «Комплексная защита информации» Иниватовым Д.П. внедрены в учебный процесс университета. Разработанные и представленные в диссертационной работе:

- статистическая модель, учитывающая особенности изменения голосовых образов;

- метод извлечения признаков при помощи ансамблирования автокодировщиков;

- алгоритм настройки модели нейросетевого преобразователя «биометрия-код»;

- методика биометрической аутентификации по голосу с распознаванием функционального состояния пользователя;

- программный модуль, реализующий алгоритм настройки модели нейросетевого преобразователя «биометрия-код»

используются на кафедре комплексной защиты информации для подготовки бакалавров по направлению 10.03.01 «Информационная безопасность» и специалистов по направлению 10.05.05 «Безопасность информационных технологий в правоохранительной сфере» при изучении дисциплин: «Машинное обучение в приложениях биометрии», «Биометрия и защита информации». Также результаты диссертационной работы Иниватова Д. П. активно используются в рамках выполнения научно-исследовательских работ университета.

Заведующий кафедрой

«Комплексная защита информации», ,

д.т.н., профессор (ч ' П.С. Ложников

Председатель методической комиссии Радиотехнического факультета,

к.т.н., доцент О.В. Лях

Приложение Б. Свидетельства о регистрации программ для ЭВМ и

электронных ресурсов