Опубликовано: 30.09.2026 | Источник: CNews (новости)

## Семантический анализ **Primary keyword:** поведенческая биометрия по движению мыши в ВКР **LSI-запросы:** непрерывная аутентификация, keystroke dynamics, признаковое описание траектории курсора, классификатор Random Forest / Gradient Boosting, ROC-AUC и EER, FAR/FRR, scikit-learn и MLflow, ISO/IEC 25010, ГОСТ 34.602-89, 152-ФЗ о персональных данных. **Вопросы студентов:** Как собрать датасет движений мыши, если нет пользователей? Обязательно ли писать код с нуля или можно взять готовую библиотеку? Где брать метрики точности для расчётов? Как оформить эксперимент, чтобы комиссия приняла? Чем поведенческая биометрия отличается от обычной двухфакторной? **Ключевые сущности:** ГОСТ 34.602-89, ISO/IEC 25010, scikit-learn, Docker, MLflow, OpenTelemetry, Random Forest, pynput/PyAutoGUI. --- ```html

Поведенческая биометрия по движению мыши в дипломе: от датасета до защиты ВКР

Студент МТУСИ собрал систему, которая распознаёт владельца компьютера по манере двигать курсор мыши. Идея простая: даже если пароль утёк — характерные микродвижения руки остаются уникальными. Технология называется поведенческой биометрией, и она уже живёт в банковских антифродах, корпоративных SIEM и системах непрерывной аутентификации. Для выпускника это не просто новость, а готовый каркас ВКР: тема попадает в тренд на passwordless-аутентификацию, опирается на классический ML и легко превращается в защищаемую работу с экспериментами и метриками. Ниже — три направления темы, разбор по главам диплома и подводные камни, о которые спотыкается большинство студентов.

Три темы ВКР, которые прямо вырастают из этой статьи

Тема 1. Непрерывная аутентификация пользователя по поведению мыши в веб-приложении

• Актуальность: классическая сессионная аутентификация проверяет пользователя один раз; статья МТУСИ показывает жизнеспособность проверки «по ходу работы».
• Цель: спроектировать сервис, который в фоне считает признаки траекторий курсора и поднимает тревогу при смене пользователя.
• Задачи: обосновать набор признаков (скорость, ускорение, кривизна, паузы, jitter), выбрать классификатор, реализовать сбор событий во фронтенде, оценить FAR/FRR.
• Структура: Глава 1 — теория поведенческой биометрии и обзор аналогов; Глава 2 — архитектура сервиса, схемы потоков данных; Глава 3 — эксперименты, метрики, расчёт трудозатрат и экономического эффекта.

Тема 2. Сравнение моделей машинного обучения для классификации движения курсора

• Актуальность: статья ставит вопрос, какой алгоритм лучше — линейка от Random Forest до LSTM. Это чистое поле для научного сравнения.
• Цель: экспериментально сравнить 4–5 моделей на едином датасете и дать рекомендации.
• Задачи: собрать датасет, извлечь признаки, обучить модели, посчитать accuracy/ROC-AUC/EER, оформить результаты по ISO/IEC 25010.
• Структура: Глава 1 — методы машинного обучения и метрики качества; Глава 2 — методика эксперимента и препроцессинг; Глава 3 — таблицы сравнения, доверительные интервалы, выводы.

Тема 3. Интеграция поведенческой биометрии в корпоративный SSO-контур

• Актуальность: бизнес активно переходит на passwordless и zero-trust; статья прямо указывает на запрос рынка.
• Цель: встроить модуль поведенческой проверки в существующую систему входа без ломки текущих процессов.
• Задачи: описать протокол взаимодействия модуля с IdP, спроектировать API, разработать требования по 152-ФЗ, оценить риски ложных срабатываний.
• Структура: Глава 1 — анализ стандартов и протоколов (OIDC, SAML, SCIM); Глава 2 — архитектура и модель угроз; Глава 3 — тестирование на нагрузке, TCO внедрения.

Аналитическая глава: что и с чем сравнивать

Первая глава — это не «обзор интернета», а осознанная матрица сравнения. Возьмите минимум три подхода к аутентификации и разложите их по критериям. Комиссия любит, когда студент не просто перечисляет, а выбирает и обосновывает.

Отдельно распишите стек: для прототипа хватает Python + scikit-learn + FastAPI + PostgreSQL, для продакшена добавьте Docker и MLflow для версионирования моделей. Обоснование должно опираться на требования ISO/IEC 25010 (производительность, безопасность, сопровождаемость), а не на «мне так удобно».

Проектная часть: архитектура и алгоритмы

Здесь статья превращается в схемы. Нарисуйте три диаграммы: поток событий (фронтенд → брокер → сервис признаков → модель), компонентную схему и последовательность аутентификации. Псевдокод извлечения признаков удобно оформить в листинге:

def extract_features(events):
    speeds = [e.dist / e.dt for e in events if e.dt > 0]
    return {
        "mean_speed": np.mean(speeds),
        "std_speed": np.std(speeds),
        "curvature_mean": mean_curvature(events),
        "pause_count": count_pauses(events, thr=0.4),
        "jitter": median_abs_deviation(speeds),
    }

Не забудьте про ТЗ по ГОСТ 34.602-89 — даже если работа «исследовательская», наличие формализованных требований к системе резко повышает оценку. В проектной главе обязательно опишите модель угроз: что будет, если атакующий воспроизведёт записанные события (replay-атака) и как вы это парируете (nonce, временные окна, аномалии по скорости).

Тестирование, метрики и экономика внедрения

Самая частая причина снижения оценки — отсутствие измеримых результатов. Для биометрии есть устоявшийся набор метрик, и он же закрывает требования третьей главы.

Дополнительно посчитайте RTO/RPO для сервиса аутентификации и стоимость владения: облако против on-premise. Даже грубая оценка в рублях на год — это сильный аргумент в защите. Собрать датасет можно двумя способами: либо попросить 10–15 знакомых, либо использовать публичные наборы (Balabit Mouse Dynamics Challenge). Обязательно опишите согласие на обработку данных в соответствии с 152-ФЗ.

Чему вы научитесь на такой теме

• Формализовывать признаки из «сырых» UX-событий и защищать их выбор.
• Строить ML-пайплайн от сбора данных до инференса с версионированием через MLflow.
• Считать биометрические метрики и объяснять их заказчику на языке риска.
• Оформлять ТЗ, диаграммы и результаты экспериментов по ГОСТ и ISO.
• Оценивать экономический эффект внедрения, а не только «работает/не работает».

Типичные ошибки студентов

Частые вопросы

Обязательно ли писать прототип с нуля?

Нет. Достаточно собственного пайплайна обработки признаков и обучения модели на библиотеках scikit-learn, XGBoost или PyTorch. Комиссия оценивает инженерное решение, а не изобретение нового фреймворка.

Где брать тестовые данные, если нет доступа к пользователям?

Публичные наборы (Balabit, DFL) плюс собственный мини-датасет на 10 человек. Обязательно укажите в работе, как соблюдались требования 152-ФЗ и какие данные были обезличены.

Как оформить UML-диаграммы, чтобы их приняли?

Используйте PlantUML или draw.io и приложите исходники к приложению. Диаграммы классов, последовательностей и компонентов — минимальный набор для проектной главы. Каждая должна иметь подпись и упоминание в тексте.

Сколько времени занимает такая ВКР?

При наличии источника данных — 3–4 месяца спокойной работы: месяц на датасет и признаки, месяц на модели, месяц на эксперименты, месяц на оформление. Если хочется ускорить или нужна помощь с дипломом, тему можно разбить на модули и собирать параллельно.

Источник: Студент МТУСИ научил компьютер узнавать хозяина по движению мыши (опубликовано 2026-03-26)

```