{"id":{"repo_id":"debrecen","oai_identifier":"oai:dea.lib.unideb.hu:2437/404523"},"canonical_url":"https://search.dev.ndltd.org/etd/debrecen/oai:dea.lib.unideb.hu:2437/404523","repository":{"repo_id":"debrecen","name":"University of Debrecen","base_url":"https://dea.lib.unideb.hu/server/oai/request"},"display":{"title":"Mesterséges Intelligencia alapú biometrikus azonosítás","abstract":"A 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.","abstract_html":"A 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.","abstract_has_math":false,"creators":["Pál, Erik"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":"DE--Informatikai Kar","school":null,"contributors":[],"advisors":["Hajdu, András","Lakatos, Róbert"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-27T19:13:53Z","subjects":["Mesterséges intelligencia","Biometrikus azonosítás","informatikai biztonság","védelmi rendszer","XgBoost"],"languages":["hu"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/2437/404523","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Hajdu, András","Lakatos, Róbert"]},{"key":"dc:contributor.department","label":"Department","values":["DE--Informatikai Kar"]},{"key":"dc:creator","label":"Author","values":["Pál, Erik"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-02-12T20:11:36Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-02-12T20:11:36Z"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Mesterséges intelligencia","Biometrikus azonosítás","informatikai biztonság","védelmi rendszer","XgBoost"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["hu"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/2437/404523"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["A 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."]},{"key":"dc:description.degree","label":"Dc Description Degree","values":["MSc/MA"]},{"key":"dc:title","label":"Title","values":["Mesterséges Intelligencia alapú biometrikus azonosítás"]}]}],"canonical_facts":{"dc:contributor.advisor":["Hajdu, András","Lakatos, Róbert"],"dc:contributor.department":["DE--Informatikai Kar"],"dc:creator":["Pál, Erik"],"dc:date.accessioned":["2026-02-12T20:11:36Z"],"dc:date.available":["2026-02-12T20:11:36Z"],"dc:description.abstract":["A 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.degree":["MSc/MA"],"dc:identifier.uri":["https://hdl.handle.net/2437/404523"],"dc:language.iso":["hu"],"dc:subject":["Mesterséges intelligencia","Biometrikus azonosítás","informatikai biztonság","védelmi rendszer","XgBoost"],"dc:title":["Mesterséges Intelligencia alapú biometrikus azonosítás"]},"updated_at":"2026-07-27T19:13:53Z"}