Мошенники постоянно совершенствуют ботов: они имитируют движения мыши, делают паузы и стараются вести себя как настоящие пользователи. Но у человека есть то, что сложно подделать, – уникальный цифровой почерк.

Учащаяся образовательного направления «Информационная безопасность» Мария Малышко разработала систему, которая распознаёт автоматизированные атаки на платёжные веб-интерфейсы по биометрическим паттернам пользователя. В её проекте используются модели машинного обучения LSTM, RNN и Random Forest.

Мы поговорили с Марией о том, как появилась идея проекта, что выдаёт бота и как искусственный интеллект помогает защитить онлайн-платежи.

Ответы на эти и другие вопросы читайте в нашей статье.

Почему ты решила работать именно над этой темой?

«Тему для проекта, я выбрала примерно за неделю до смены, а в первые дни уже доработала её до конкретной идеи. Мой папа долгое время работал в банковской сфере, поэтому экономика и финансовые технологии тоже были мне близки. Но я человек скорее точных наук, и мне хотелось найти что-то на стыке этих областей – так появилась тема защиты финтеха с помощью машинного обучения.

Меня всегда вдохновляли видеоразборы работы нейросетей, но сама технология казалась чем-то очень сложным и недосягаемым. Когда в технопарке мне предложили работать с преподавателем, который специализируется на проектах в сфере машинного обучения, я решила попробовать».

В чём заключается основная идея проекта?

«Основная идея – определять, заполняет форму реальный человек или автоматизированный бот. Это особенно важно для платёжных форм, регистрации электронных кошельков и проведения транзакций.

Мошенники могут использовать данные из слитых баз и с помощью ботов массово проверять чужие карты или подбирать коды для регистрации. Обычные системы защиты не всегда распознают такие атаки: современные боты умеют имитировать движения мыши, делать паузы и подражать поведению человека.

Мой проект предлагает анализировать не статичные данные, а биометрию поведения: клавиатурный почерк, хаотичность действий и логику движения курсора. Система фиксирует каждое нажатие и отпускание клавиши, координаты мыши каждые 10 миллисекунд и обучается на большом объёме временных логов. Так модель может дать ответ ещё до того, как пользователь завершит заполнение формы».

Как проект помогает защитить людей при онлайн-платежах?

«Представим, что мошенники украли базу данных с номерами карт и хотят проверить, какие из них ещё действительны. Делать это вручную долго, поэтому они запускают ботов, которые автоматически вводят данные в платёжные формы.

Моя система работает как фильтр: когда кто-то вводит данные карты, она анализирует динамику ввода – скорость движения курсора, задержки на клавишах, переходы между кнопками. У каждого человека свой уникальный «клавиатурный почерк».

Даже если бот имитирует дрожание руки или паузы, его действия всё равно строятся по математическим формулам. Модель замечает такие закономерности и может заблокировать ввод до совершения транзакции. Это помогает защитить деньги пользователей и повысить безопасность банковских сервисов».

Какую роль в проекте играют модели LSTM, RNN и Random Forest?

«Это три разных подхода к анализу данных – три варианта “мозга” системы защиты. В проекте я сравнивала их эффективность, чтобы выбрать наиболее точную модель.

Random Forest оценивает общие показатели сессии: среднюю скорость движения мыши, хаотичность пауз и другие усреднённые значения. Такая модель хорошо распознаёт простых ботов, но может не заметить более сложные, у которых средние показатели похожи на человеческие.

RNN – рекуррентная нейросеть – учитывает порядок действий: какая кнопка была нажата после какой и в какой последовательности. Однако у неё короткая память: на длинных сессиях она может “забыть” начало и допустить ошибку.

LSTM – наиболее продвинутая модель. Она не только анализирует порядок действий, но и сохраняет контекст всей сессии, включая аномалии в самом начале. Именно LSTM показала лучший результат: даже на боте, на котором модель не обучалась, она распознала математичность движений с точностью 99%».

С какими трудностями ты столкнулась во время работы?

«Главной сложностью стала неопытность: это был мой первый проект в технопарке, и до этого я никогда не работала с машинным обучением. Мне пришлось осваивать Google Colab для обучения моделей, библиотеку Keras, создание онлайн-форм и отправку данных на сервер.

Были и технические сложности: иногда не хватало памяти на сервере, результаты не сходились с ожиданиями, а времени на доработку проекта оставалось всё меньше. Но в такой интенсивной среде учиться оказалось очень продуктивно: вокруг много мотивированных людей, а преподаватели всегда готовы помочь.

Главный вывод, который я сделала: понять можно практически всё, если захотеть, сесть и начать».

Кто курировал твою работу?

«Меня курировал Сергей Николаевич Петров, а с отдельными вопросами помогал Виктор Леонидович Мальцев, заведующий лабораторией.

Сергей Николаевич помог мне сформулировать тему, разобраться в новой для меня сфере и поддерживал в самые напряжённые дни, когда приходилось вносить серьёзные изменения в проект. Очень важно, что преподаватели всегда были рядом: это снимает страх ошибки и помогает не бояться пробовать новое».

Какой совет ты бы дала учащимся, которые хотят создать сильный проект?

«Не бояться браться за что-то новое и сложное, даже если на первый взгляд это кажется непосильным. Я впервые приехала в Детский технопарк в 11 классе и выбрала проект, который поначалу казался мне почти нереальным.

Лучше пробовать, ошибаться, искать новые пути и изучать сложные темы, чем стоять на месте. Национальному детском технопарку особенно важны смелые и глубокие проекты, которые предлагают что-то новое.

Если чего-то кажется слишком много или слишком сложно – это не повод отказываться. Здесь есть адреналин смены, поддержка преподавателей и мотивация людей вокруг. Если захотеть, получится всё».