sibsutisВестник СибГУТИThe Herald of the Siberian State University of Telecommunications and Information Science1998-6920СибГУТИ10.55648/1998-6920-2026-3-20-3-15sibsutis-1108Research ArticleСтатьиВерификация личности оператора по динамике одиночных нажатий мыши в системе аттестации специалистов неразрушающего контроляOperator identity verification by single mouse-click dynamics in a certification system for non-destructive testing specialistshttps://orcid.org/0000-0002-8328-2415ПопковАртём АнтоновичPopkovArtyom Antonovich

кандидат технических наук, доцент кафедры «Информационные технологии транспорта», Сибирский государственный университет путей сообщения (СГУПС, 630049, г. Новосибирск, ул. Дуси Ковальчук, д. 191), тел. +7-999-468-5626, e-mail: zabagy@gmail.com, ORCID ID: 0000-0002-8328-2415.

PhD in Engineering, associate professor, Siberian Transport University (STU, 191 D. Kovalchuk St., Novosibirsk, 630049), e-mail: zabagy@gmail.com, ORCID ID: 0000-0002-8328-2415

zabagy@gmail.comhttps://orcid.org/0000-0002-9083-5882ВыплавеньВладимир СергеевичVyplavenVladimir Sergeyevich

кандидат технических наук, доцент кафедры «Информационные технологии транспорта», Сибирский государственный университет путей сообщения (СГУПС, 630049, г. Новосибирск, ул. Дуси Ковальчук, д. 191), тел. +7-923-231-97-79, e-mail: vladimir97927@gmail.com, ORCID ID: 0000-0002-9083-5882

PhD in Engineering, associate professor, Siberian Transport University (STU, 191 D. Kovalchuk St., Novosibirsk, 630049), e-mail: vladimir97927@gmail.com, ORCID ID: 0000-0002-9083-5882

vladimir97927@gmail.comhttps://orcid.org/0009-0002-6388-2285КоровченкоАлексей ЮрьевичKorovchenkoAlexey Yuryevich

Инженер-программист НИЛ «ФМК», Сибирский государственный университет путей сообщения (СГУПС, 630049, г. Новосибирск, ул. Дуси Ковальчук, д. 191), тел. +7-913-765-05-00, e-mail: lecha3525@gmail.com, ORCID ID: 0009-0002-6388-2285.

Software engineer, Siberian Transport University (STU, 191 D. Kovalchuk St., Novosibirsk, 630049), e-mail: lecha3525@gmail.com, ORCID ID: 0009-0002-6388-2285.

lecha3525@gmail.comСибирский государственный университет путей сообщения (СГУПС)РоссияSiberian Transport University (STU)Russian Federation202620092026203Вестник СибГУТИ315Copyright © Попков А.А., Выплавень В.С., Коровченко А.Ю., 20262026Попков А.А., Выплавень В.С., Коровченко А.Ю.Popkov A.A., Vyplaven V.S., Korovchenko A.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sibsutis.ru/jour/article/view/1108

Процедура аттестации специалистов неразрушающего контроля влечёт правовые последствия, поэтому подлинность результата тестирования следует относить к задачам защиты информации. Парольная защита подтверждает подлинность субъекта только в момент входа и не контролирует, кто фактически отвечает на вопросы в течение сеанса. Устранить этот разрыв позволяет поведенческая биометрия, скрытная по способу сбора признаков. В работе оценивается надёжность подтверждения личности аттестуемого по динамике одиночных нажатий мыши и выявляются признаки с наибольшей различающей способностью. Источником данных послужил журнал действующей системы аттестации, накопленный с 2020 года и содержащий свыше 3,4 млн событий нажатия от 250 пользователей. Для каждого нажатия зафиксированы длительность удержания кнопки и относительные координаты точки нажатия. Предложен набор из шестнадцати сессионных признаков и схема верификации с открытым множеством, использующая в качестве базовой модели случайный лес. Интервальные оценки качества получены бутстрепом (методом размножения выборок) по пользователям. На тестовой выборке достигнута равная ошибка (EER) 18,3 % при оценке по одной сессии (95 %-й доверительный интервал [16,2; 19,5] %) и площадь под характеристической кривой 0,899. Объединение решений по нескольким сессиям снижает ошибку до долей процента (0,47 % при двенадцати сессиях), что ввиду статистической зависимости сессий одного пользователя следует понимать как оптимистическую границу. Наибольший вклад в различающую способность вносят пространственные признаки точки нажатия, дополняемые длительностью удержания кнопки. Показана применимость динамики нажатий как дополнительного, скрытно собираемого фактора подтверждения подлинности субъекта в системах тестирования без дополнительного оборудования.

Certification of non-destructive testing specialists entails legal consequences, so the authenticity of the test result should be treated as an information-security task. Password protection confirms the subject's identity only at login and does not control who actually answers the questions during the session. Behavioral biometrics, covert in the way features are collected, closes this gap. This paper assesses the reliability of confirming an examinee's identity by the dynamics of single mouse clicks and identifies the most discriminative features. The data source is the log of an operational certification system accumulated since 2020, containing over 3.4 million click events from 250 users. The hold duration and the relative coordinates of the click point are recorded for each click. A set of sixteen session-level features and an open-set verification scheme using a random forest as the baseline model are proposed. Interval quality estimates are obtained by user-level bootstrap. On the test set, an equal error rate (EER) of 18.3 % was achieved for single-session scoring (95 % confidence interval [16.2; 19.5] %) with an area under the characteristic curve of 0.899. Fusing decisions over several sessions reduces the error to fractions of a percent (0.47 % for twelve sessions), which, given the statistical dependence of one user's sessions, should be understood as an optimistic bound. The spatial features of the click point, complemented by the button hold duration, contribute most to discriminability. The applicability of click dynamics as an additional, covertly collected factor for confirming subject authenticity in certification systems without extra hardware is demonstrated.

поведенческая биометриядинамика нажатий мышискрытая аутентификацияверификация личностизащита информацииаттестация персоналанеразрушающий контрольbehavioral biometricsmouse-click dynamicscovert authenticationidentity verificationinformation securitypersonnel certificationnon-destructive testingReferencesUser authentication through mouse dynamics / C. Shen [et al.] // IEEE Transactions on Information Forensics and Security. Vol. 8. — 2013. — P. 16–30. — DOI: 10.1109/ TIFS.2012.2223677.Ahmed A. A. E., Traore I. A new biometric technology based on mouse dynamics. IEEE Transactions on Dependable and Secure Computing, 2007, vol. 4, no. 3, pp. 165–179. DOI: 10.1109/TDSC.2007.70207.Ahmed A. A. E., Traore I. A new biometric technology based on mouse dynamics // IEEE Transactions on Dependable and Secure Computing. Vol. 4. — 2007. — P. 165–179. — DOI: 10.1109/TDSC.2007.70207.Shen C., Cai Z., Guan X., Du Y., Maxion R. A. User authentication through mouse dynamics. IEEE Transactions on Information Forensics and Security, 2013, vol. 8, no. 1, pp. 16–30. DOI: 10.1109/TIFS.2012.2223677.Jorgensen Z., Yu T. On mouse dynamics as a behavioral biometric for authentication // Proceedings of the 6th ACM Symposium on Information, Computer and Communications Security (ASIACCS). — 2011. — P. 476–482. — DOI: 10.1145/1966913.1966983.Jorgensen Z., Yu T. On mouse dynamics as a behavioral biometric for authentication. Proceedings of the 6th ACM Symposium on Information, Computer and Communications Security (ASIACCS), 2011, pp. 476–482. DOI: 10.1145/1966913.1966983.Mouse dynamics behavioral biometrics: a survey / S. Khan [et al.] // ACM Computing Surveys. — 2024. — Vol. 56, no. 6. — P. 1–33. — DOI: 10.1145/3640311.Zheng N., Paloski A., Wang H. An efficient user verification system via mouse movements. Proceedings of the 18th ACM Conference on Computer and Communications Security (CCS), 2011, pp. 139–150. DOI: 10.1145/2046707.2046725.Zheng N., Paloski A., Wang H. An efficient user verification system via mouse move ments // Proceedings of the 18th ACM Conference on Computer and Communications Security (CCS). — 2011. — P. 139–150. — DOI: 10.1145/2046707.2046725.Feher C., Elovici Y., Moskovitch R., Rokach L., Schclar A. User identity verification via mouse dynamics. Information Sciences, 2012, vol. 201, pp. 19–36. DOI: 10.1016/j.ins.2012.02.066.User identity verification via mouse dynamics / C. Feher [et al.] // Information Sci ences. — 2012. — Vol. 201. — P. 19–36. — DOI: 10.1016/j.ins.2012.02.066.Shen C., Cai Z., Guan X., Maxion R. A. Performance evaluation of anomaly-detection algorithms for mouse dynamics. Computers & Security, 2014, vol. 45, pp. 156–171. DOI: 10.1016/j.cose.2014.05.002.Performance evaluation of anomaly-detection algorithms for mouse dynamics / C. Shen [et al.] // Computers & Security. — 2014. — Vol. 45. — P. 156–171. — DOI: 10.1016/ j.cose.2014.05.002.Chong P., Elovici Y., Binder A. User authentication based on mouse dynamics using deep neural networks: a comprehensive study. IEEE Transactions on Information Forensics and Security, 2020, vol. 15, pp. 1086–1101. DOI: 10.1109/TIFS.2019.2930429.Chong P., Elovici Y., Binder A. User authentication based on mouse dynamics using deep neural networks: a comprehensive study // IEEE Transactions on Information Forensics and Security. Vol. 15. — 2020. — P. 1086–1101. — DOI: 10.1109/TIFS.2019.2930429.Antal M., Egyed-Zsigmond E. Intrusion detection using mouse dynamics. IET Biometrics, 2019, vol. 8, no. 5, pp. 285–294. DOI: 10.1049/iet-bmt.2018.5126.Almalki S., Assery N., Roy K. An empirical evaluation of online continuous authentication and anomaly detection using mouse clickstream data analysis // Applied Sciences. — 2021. — Vol. 11, no. 13. — P. 6083. — DOI: 10.3390/app11136083.Almalki S., Assery N., Roy K. An empirical evaluation of online continuous authentication and anomaly detection using mouse clickstream data analysis. Applied Sciences, 2021, vol. 11, no. 13, art. 6083. DOI: 10.3390/app11136083.Balabit Mouse Dynamics Challenge data set / ´ A. F¨ul¨op [et al.]. — 2016. — URL: https://github.com (visited on 07/02/2026).Khan S., Devlen C., Manno M., Hou D. Mouse dynamics behavioral biometrics: a survey. ACM Computing Surveys, 2024, vol. 56, no. 6, art. 154, pp. 1–33. DOI: 10.1145/3640311.Antal M., D´enes-Fazakas L. User verification based on mouse dynamics: a comparison of public data sets // Proceedings of the IEEE 15th International Symposium on Applied Computational Intelligence and Informatics (SACI). — 2021. — P. 000155–000160. — DOI: 10.1109/SACI51354.2021.9465583.Fülöp Á., Kovács L., Kurics T., Windhager-Pokol E. Balabit Mouse Dynamics Challenge data set. 2016. Available at: https://github.com/balabit/Mouse-Dynamics-Challenge (accessed 02.07.2026).Antal M., Egyed-Zsigmond E. Intrusion detection using mouse dynamics // IET Biomet rics. — 2019. — Vol. 8, no. 5. — P. 285–294. — DOI: 10.1049/iet-bmt.2018.5126.Antal M., Dénes-Fazakas L. User verification based on mouse dynamics: a comparison of public data sets. Proceedings of the IEEE 15th International Symposium on Applied Computational Intelligence and Informatics (SACI), 2021, pp. 000155–000160. DOI: 10.1109/SACI51354.2021.9465583.Попков А. А., Школина Д. С. Мониторинг и оценка результатов технической под готовки специалистов по неразрушающему контролю объектов железнодорожного транспорта // International Scientific Siberian Transport Forum TransSiberia 2021. Lecture Notes in Networks and Systems. Т. 403. — 2022. — С. 189—196. — DOI: 10.1007/978 3-030-96380-4_21.Breiman L. Random forests. Machine Learning, 2001, vol. 45, no. 1, pp. 5–32. DOI: 10.1023/A:1010933404324.Выплавень В. С., Коломеец А. О., Попков А. А. Обработка сигналов тензометрического контроля фильтром Калмана // Journal of Physics: Conference Series. — 2021. — Т. 2131, № 3. — С. 032015. — DOI: 10.1088/1742-6596/2131/3/032015.Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters, 2006, vol. 27, no. 8, pp. 861–874. DOI: 10.1016/j.patrec.2005.10.010.Fawcett T. An introduction to ROC analysis // Pattern Recognition Letters. — 2006. — Vol. 27, no. 8. — P. 861–874. — DOI: 10.1016/j.patrec.2005.10.010.Efron B. Bootstrap methods: another look at the jackknife. The Annals of Statistics, 1979, vol. 7, no. 1, pp. 1–26. DOI: 10.1214/aos/1176344552.Вехов В. Б., Смушкин А. Б. Криминалистическое исследование цифровых отпечатков компьютерных устройств // Всероссийский криминологический журнал. — 2024. — Т. 18, № 4. — С. 390—397. — DOI: 10.17150/2500-4255.2024.18(4).390-397.Vekhov V. B., Smushkin A. B. Kriminalisticheskoe issledovanie tsifrovykh otpechatkov komp'yuternykh ustroistv [Forensic investigation of digital fingerprints of computer devices]. Vserossiiskii kriminologicheskii zhurnal, 2024, vol. 18, no. 4, pp. 390–397. DOI: 10.17150/2500-4255.2024.18(4).390-397.Breiman L. Random forests // Machine Learning. — 2001. — Vol. 45, no. 1. — P. 5 32. — DOI: 10.1023/A:1010933404324.Vyplaven V. S., Kolomeets A. O., Popkov A. A. Kalman-filter processing of strain-gauge testing signals. Journal of Physics: Conference Series, 2021, vol. 2131, no. 3, art. 032015. DOI: 10.1088/1742-6596/2131/3/032015.Efron B. Bootstrap methods: another look at the jackknife // The Annals of Statistics. — 1979. — Vol. 7, no. 1. — P. 1–26. — DOI: 10.1214/aos/1176344552.Popkov A. A., Shkolina D. S. Monitoring and evaluation of the technical training results of non-destructive testing specialists for railway transport objects. International Scientific Siberian Transport Forum TransSiberia 2021. Lecture Notes in Networks and Systems, 2022, vol. 403, pp. 189–196. DOI: 10.1007/978-3-030-96380-4_21.

The authors declare that there are no conflicts of interest present.