O documento descreve um sistema de reconhecimento de assinaturas para autenticação de usuários desenvolvido por Milton Roberto Heinen. O sistema utiliza redes neurais artificiais treinadas com atributos extraídos de assinaturas para classificar assinaturas com taxa de acerto de 99,98%. O sistema obteve desempenho satisfatório para autenticação segura de assinaturas.

1. Sistema de Reconhecimento de Assinaturas
para a Autenticação e Controle de Usuários
Autor: Milton Roberto Heinen - miltonrh@ig.com.br
Orientador: Dr. Fernando Santos Osório - osorio@exatas.unisinos.br
INTRODUÇÃO
Nos 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 Exemplo de um Tablet utilizado para a coleta
manuscritas. A autenticação das assinaturas é implementada neste trabalho através do das assinaturas
uso de Redes Neurais Artificiais.
REDES NEURAIS ARTIFICIAIS
Através 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.
Esquema de uma Rede Neural Artificial do tipo MLP
SISTEMA NEURAL SIGN X
O 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 um tablet. 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. Interface do protótipo do Sistema NeuralSignX
Assinatura obtida através de um tablet
Módulos do Sistema NeuralSignX
RESULTADOS
O 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
Atributo: Densidade de uma autenticação de assinaturas com o mesmo nível de segurança obtido pelo sistema NeuralSignX.
assinatura
Universidade do Vale do Rio dos Sinos - UNISINOS
Centro de Ciências Exatas e Tecnológicas
Mestrado em Computação Aplicada - PIPCA