مایکروسافت پیش تر حق امتیازی را به نام خود به ثبت رسانده که ما در ویندوزسنتر به تشریح کامل این پتنت مایکروسافت می پردازیم پش با ما در ویندوزسنتر همراه باشید.

اداره ثبت اختراع و نشان تجاری ایالات متحده آمریکا

United States Patent Application     ۲۰۱۵۰۲۱۳۲۴۴

Kind Code       A1

LYMBEROPOULOS; Dimitrios ;   et al.

حرکت های اشاره ای  برای تایید هویت کاربر

پتنت مایکروسافت

 چکیده

این سند مربوط به حرکت‌های اشاره‌ای برای تأیید هویت کاربر می‌باشد که برای مثال  در هنگامی که یک اشاره حرکتی جهت تأیید کاربر و تأیید هویت بر روی وسیله به کار برده می‌شود می‌تواند چندین ویژگی بیومتریکی را بررسی کند. در این مورد می‌توان مقادیر چندین ویژگی بیومتریکی را با مقادیری که قبلاً برای کاربر ذخیره شده، مقایسه کرد. همچنین، وقتی که مقادیر ویژگی‌های متعدد بیومتریکی، دارای یک آستانه مشابهت با  مقادیر جمع آوری شده قبلی هست می‌توان در یک موقعیت وسیله محاسبه کننده را آنلاک کرد.

فرض‌ها

یک یا بیشتر از یک محیط ذخیره سازی اطلاعات کامپیوتری که دارای دستورالعمل‌های قابل اجرای کامپیوتری باشد هنگامی که با پردازشگر اجرا شود، این اعمال را انجام می‌دهد: مقادیر ویژگی‌های متعدد بیومتریکِ مربوط به یک کاربر را که تأیید اشاره‌ای را بر روی دستگاه انجام می‌دهد تشخیص می‌دهد،  مقادیر ذخیره شده از ویژگی‌های چندگانه بیومتریک که در طول مرحله آموزش – که در آن کاربر مکرراً حرکت اشاره‌ تاییدی را انجام می‌دهد- استخراج می‌کند، آستانه مشابهت اختصاصی که از مقادیر ذخیره شده به‌دست آمده را ارائه می‌دهد،  مقادیر تشخیص داده شده را با مقادیر ذخیره شده مقایسه می‌کند و در دستگاه، جایی که مشابهت بین مقادیر تشخیص داده شده نسبت به مقادیر ذخیره شده احراز شود، آستانه مشابهت اختصاصی شده را برآورد کرده، کاربر را بر روی دستگاه تأیید هویت می‌نماید.

۲ محیط فرض شماره ۱ که در آن، در مقادیر تشخیص داده شده از مجموعه اول، ویژگی‌های چندگانه بیومتریکی را تشخیص می‌دهد و مقادیر مشتق شده از مجموعه دوم، ویژگی‌های چندگانه بیومتریکی را از مجموعه اول، استخراج می‌کند.

۳ محیط فرض شماره ۲ که در آن، اولین مجموعه ویژگی‌های چندگانه بیومتریکی شامل مکان‌های لمسیِ دستگاه و دومین مجموعه ویژگی‌های چندگانه بیومتریکی شامل فواصل و زوایای بین تک تک مکان‌های لمسی می‌باشد.

۴ محیط فرض شماره ۱ که در آن حرکت اشاره‌ای تأییدی از یک تأیید اشاره‌ای لمسی بر روی دستگاه و یا تأیید اشاره‌ای غیر لمسی تشکیل می‌شود که کاربر می‌تواند تأیید اشاره‌ای غیر لمسی را بدون لمس دستگاه انجام دهد.

۵ محیط فرض شماره ۱، علاوه بر این موجب می‌شود که کاربر مکرراً تأیید اشاره‌ای را در طول دوره آموزشی انجام دهد.

۶ محیط فرض شماره ۵ علاوه بر این، شامل بررسی قابلیت تغییر مقادیر ویژگی‌های چندگانه بیومتریکی می‌شود.

۷ محیط فرض شماره ۵، که در آن آستانه شباهت اختصاصی از طریق قابلیت تغییر مقادیر ویژگی‌های بیومتریک مرتبط به یک شخص، محاسبه می‌شود.

۸ یک شیوه که توسط یک دستگاه محاسبه گر انجام می‌شود، تشکیل می‌شود از:  به‌دست آوردن ویژگی‌های چندگانه بیومتریکی مربوط به حرکت اشاره‌ای تاییدی یک کاربر که برای تأیید دستگاه انجام می‌شود، مقایسه‌ی مقادیر ویژگی های چندگانه بیومتریکی با مقادیر ذخیره شده‌ی قبلی برای کاربر،  قفل گشایی دستگاه محاسبه گر در مواردی که مقادیر ویژگی های چندگانه بیومتریکی آستانه‌ی مشابه نسبت به مقادیر قبلی داشته باشد.

۹ در محیط فرض  شماره‌ی ۸ که در آن عمل به‌دست آوردن داده، شامل ویژگی هایی می باشد که عبارتند از : مکان های لمس همزمان ، ویژگی های فشار لمس بر روی دستگاه، ویژگی های شتاب دستگاه که توسط حرکت اشاره ای تاییدی کاربر ایجاد می‌شود، و ویژگی های جابجایی دستگاه که توسط تأیید اشاره ای کاربر ایجاد می‌شود.

۱۰ محیط فرض  شماره‌ی ۸، که در آن عمل به‌دست آوردن داده شامل گرفتن داده‌ی پارامتر بیومتریک متعلق به یک شخص و مرتبط با حرکت کاربر در حال تأیید اشاره‌ای بوده و یک پارامتر بیومتریک دیگر مربوط به حرکت دستگاه محاسبه گر می باشد که از سوی کاربری که تأیید اشاره‌ای مربوط به دستگاه محاسبه گر را انجام می‌دهد صورت می گیرد..

۱۱ محیط فرض شماره‌ی ۸، که در آن مقادیر قبلی در طول دوره‌ی آموزش به‌دست آورده می‌شوند.

۱۲ محیط فرض شماره‌ی ۸، که در آن مقادیر قبلی بر روی دستگاه ذخیره می‌شوند یا از راه دور بر روی دستگاه ذخیره می‌شوند.

۱۳ محیط فرض  شماره‌ی ۸ که در آن مقایسه یا توسط دستگاه انجام می‌شود یا از طریق ریموت انجام می‌شود.

۱۴ محیط فرض شماره‌ی ۸ که در آن آستانه‌ی مشابهت بر اساس قابلیت تغییر مقادیر قبلی اختصاصی می‌شود.

۱۵ محیط فرض شماره‌ی ۸ که در آن عمل مقایسه، از مقایسه‌ی تک تک مقادیر ویژگی های چندگانه  بیومتریکی با مقادیر قبلی متناظر تشکیل می‌شود.

۱۶ محیط فرض شماره‌ی ۸ که در آن عمل مقایسه تشکیل می‌گردد از تعیین مقدار قبلی میانگین برای یک ویژگی بیومتریک اختصاصی که با مقدار قبلی میانگینِ ویژگی بیومتریک اختصاصی، نسبت به یک مقدار به‌دست آمده‌ی متناظر مقایسه می گردد.

۱۷ یک سیستم که از این موارد تشکیل می‌شود: یک صفحه نمایش، حداقل دو نوع مختلف سنسور، فضای ذخیره داده که به منظور ذخیره دستورالعمل‌های قابل خواندن توسط کامپیو‌تر  تنظیم شده، یک پردازنده که برای اجرای دستورالعمل‌های قابل خواندن توسط کامپیو‌تر  تنظیم شده، یک قسمت تأیید کاربر که برای ایجاد رابط کاربری گرافیکی  تنظیم شده بر روی صفحه نمایش به یک کاربر آموزش می‌دهد تا چندین مرتبه تأیید با اشاره را در طول دوره آموزش انجام دهد و داده‌های سنسور را از حداقل دو سنسور مختلف که در طول دوره یادگیری وجود دارند دریافت کند، قسمت  تأیید کاربر که پیش‌تر  تنظیم شده تا یک آستانه مشابهت اختصاصی شده را برای کاربر بر اساس داده‌هایی از سنسور که در طول دوره آموزش به‌دست آمده‌اند تولید کند، قسمت  تأیید کاربر پیش‌تر طراحی شده تا داده‌های اضافی سنسور را وقتی که اشاره  تأیید کاربر در یک تلاش بعدی برای تأیید دستگاه انجام شد دریافت کند، که در آن حداقل برخی از داده‌های سنسور و حداقل برخی از داده‌های اضافی سنسور مرتبط با حرکت اشاره  تأیید کاربر می‌باشند، و قسمت  تأیید کاربر که پیش‌تر پیکر بندی شده تا کاربر را روی دستگاه در یک نمونه تأیید کند که در آن مشابهت داده‌های اضافی سنسور با داده‌های سنسور، آستانه  مشابهت اختصاصی شده را برآورد می‌سازد.

۱۸ سیستم فرض شماره  ۱۷، که در آن صفحه نمایش یک صفحه نمایش حساس به لمس می‌باشد و در آن اشاره  تأیید کاربر از یک اشاره  لمسی چهار انگشتی بر روی صفحه نمایش حساس به لمس تشکیل می‌گردد.

۱۹ سیستم فرض شماره  ۱۷، که در آن واحد پردازش از یک واحد پردازش مرکزی با هدف کلی تشکیل می‌گردد یا در آن سیستم شامل یک سیستم بر روی چیپ می‌شود یا در آن واحد پردازش و بخش ذخیره اطلاعات به عنوان مداربندی اختصاصی بر روی یک سیستمِ روی چیپ، نمود پیدا می‌کنند.

۲۰ سیستم فرض شماره  ۱۷، که در آن حداقل دو نوع مختلف از سنسور‌ها برای فراهم کردن داده‌های بیشتری از سنسور که توسط دستگاه برای اهداف گوناگونی غیر از تأیید کاربر استفاده می‌شود،  تنظیم می‌شوند.

شرح

دورنما

[۰۰۰۱] ‌‌ همان طور که اطلاعات حساس در قالب پیام، عکس، حساب بانکی و چیزهای بیشتر، جای خود را در دستگاه‌های موبایل پیدا می‌کند، نیاز به ایمن نگه داشتن درست آن‌ها یک ضرورت می‌باشد. مکانیزم‌های قدیمی تأیید کاربر، مثل رمز عبور‌های طولانی که شامل ترکیبی از حروف، اعداد و نماد‌ها می‌شوند، به خاطر اندازه  کوچک صفحه نمایش لمسی و نبود صفحه کلید‌های فیزیکی با فیدبک لمسی، برای دستگاه‌های موبایل مناسب نیستند. با فرض اینکه کاربران در طول روز نیاز دارند تا ده‌ها یا حتی صد‌ها بار بر روی دستگاه‌های موبایلشان تأیید هویت شوند، تکنیک سنتی تأیید با رمز عبور یک مانع جدی قلمداد می‌گردد. مهم‌تر از این، انواع دیگر دستگاه‌های در حال تکامل، برای مکانیزم‌های تأیید کاربر قدیمی مناسب نیستند.

 [۰۰۰۲] برای ساده سازی فرآیند تأیید، احتمالاً کاربران دستگاه‌هایشان را بدون قفل قرار می  دهند یا از تکنیک‌های ساده مثل رمز‌های ۴ عددی، رمز عبور‌های تصویری یا گشودن قفل با اشاره (به عنوان مثال دنبال کردن یک نماد یا یک شکل بر روی صفحه  لمسی) بهره‌مند می‌شوند. با وجود اینکه این تکنیک‌ها یک تأیید کاربری آسان و بصری را امکان پذیر می‌کنند، امنیت دستگاه را در معرض خطر قرار می‌دهند، چون مستعد حملات ساده و نزدیک می‌باشند. پین‌ها، رمز عبور‌های تصویری و اشاره‌ها و حرکات گشودن قفل می‌تواند به سادگی با یک بار مشاهده تأیید کاربر بر روی دستگاهش، به آسانی به‌دست آید. در اغلب موارد، لکه اثر انگشت‌های بر روی صفحه نمایش لمسی دستگاه نیز می‌تواند برای تشخیص خودکار رمز عبور (پین، تصویر یا اشاره دست) بدون هیچ گونه مشاهده  مستقیمِ فرآیند تأیید، مورد استفاده قرار گیرد.

 [۰۰۰۳] دستگاه‌ها اندروییدی اخیراً تشخیص چهره را با فعال کردن قابلیت تأیید کاربر از طریق دوربین جلوی دستگاه عمومی کرده‌اند. هرچند این روش بصری و سریع می‌باشد، اما این نوع از تأیید کاربر از محدودیت‌های بصری رایج کامپیوتری رنج می‌برد. عملکرد تشخیص چهره، تحت نور‌پردازی ضعیف یا متفاوت نسبت به آنچه که درطول فرآیند آموزش استفاده شده ، به طرز قابل ملاحظه‌ای پایین می‌آید. با فرض اینکه دستگاه‌های موبایل به طور پیوسته توسط کاربران حمل و استفاده می‌شوند، اینگونه نوسانات شرایط محیطی معمول هستند.

 [۰۰۰۴] اخیراً آیفون یک تکنولوژی تشخیص لمسی را با جای دادن یک سنسور اثر انگشت در دکمه  Home معرفی کرده که کاربران را قادر می‌سازد تا به سادگی و با امنیت بالا دستگاه‌هایشان را قفل گشایی کنند. هر چند این رویکرد هر دو مورد الزامیِ قابلیت استفاده و امنیتِ فرآیندِ تأیید را مورد ملاحظه قرار می‌دهد، متاسفانه محدود به دستگاه‌های با دکمه‌های فیزیکی بزرگ در جلو، مثل دکمه  Home  در گوشی آیفون می‌باشد. هر چند،‌‌ همان طور که تولیدکنندگان به سمت تولید دستگاه‌های با صفحه نمایش‌های سراسر لمسی و بزرگ حرکت می‌کنند، دکمه‌های فیزیکی به سرعت دارند با دکمه‌های خازنی که می‌توانند به سادگی در صفحه نمایش‌های لمسی جای گیرند تعویض می‌شوند، که نیاز واقعی مورد نیاز توسط یک سنسور اثر انگشت را حذف می‌کند. علاوه بر این، این راه حل به سخت افزار سنسور تشخیص اثر انگشت اضافه نیاز دارد که باعث افزایش هزینه دستگاه می‌شود.

خلاصه

 [۰۰۰۵] این نوشته مربوط به حرکت‌های اشاره‌ای تأیید کاربر  می‌باشد.برای مثال ویژگی‌های چندگانه بیومتریکی را به‌دست آورد که مربوط به عملکرد حرکت اشاره ای  تأیید کاربر برای دستگاه می‌باشد. در این مورد مقادیر ویژگی‌های چندگانه بیومتریک را با مقادیر قبلی ذخیره شده کاربر مقایسه می کند. به علاوه می‌تواند دستگاه حسابگر را فقل گشایی کند در موردی که مقادیر ویژگی‌های چندگانه بیومتریکی یک آستانه مشابهت نسبت به مقادیر قبلی داشته باشند.

 [۰۰۰۶] یک مثال دیگر می‌تواند یک صفحه نمایش و حداقل دو نوع مختلف سنسور را شامل گردد. این مثال می‌تواند محل ذخیره داده که برای ذخیره دستورالعمل‌های قابل خواندن توسط کامپیو‌تر تنظیم شده را شامل شود و یک واحد پردازنده که برای اجرای دستورالعمل‌های قابل خواندن توسط کامپو‌تر  تنظیم شده را شامل شود. این مثال می‌تواند یک قسمت  تأیید کاربر را نیز شامل شود. قسمت تأیید کاربر می‌تواند یک رابط کاربری گرافیکی را ایجاد کند که بر روی صفحه نمایش نشان داده شده، و کاربر را برای انجام چندین باره اشاره‌های تأیید کاربر در طول دوره  یادگیری، آموزش دهد. قسمت  تأیید کاربر می‌تواند برای دریافت داده‌های سنسور از حداقل دو نوع مختلف سنسور که در طول دوره  تعلیم به‌دست آمده‌اند،  تنظیم شود.

 قسمت تأیید کاربر همچنین می‌تواند تنظیم شود تا یک آستانه  مشابهت اختصاصی برای کاربر  بر اساس داده‌های سنسور که در طول دوره  آموزش  به‌دست آمده‌اند، تولید کند. قسمت تأیید کاربر بیشتر می‌تواند تنظیم شود تا داده‌های اضافی سنسور را وقتی که اشاره  تأیید کاربر در یک تلاش متعاقب تأیید دستگاه انجام شد، دریافت کند. قسمت    تأیید کاربر همچنین می‌تواند  تنظیم شود تا استفاده از دستگاه را در موردی که در آن مشابهت داده‌های اضافی سنسور به داده‌های سنسور آستانه  مشابهت اختصاصی شده را برآورده می‌کند، تأیید کند.

[۰۰۰۷] این خلاصه به منظور معرفی انتخاب مفاهیم در یک شکل ساده که در پایین با توصیفی مفصل شرح داده شده، فراهم شده است. این خلاصه ادعای تشخیص جنبه‌های کلیدی یا اساسیِ موضوع ادعا شده را ندارد، و به این منظور به عنوان یک کمک در تشخیص حوزه موضوع ادعا شده نیز نمی‌باشد.

توصیف خلاصه  ترسیم‌ها

 [۰۰۰۸] توصیف مفصل با ارجاع به شکل‌های ضمیمه، شرح داده شده است. در این شکل‌ها، سمت چپ‌ترین عدد‌ها از عدد مرجع، شکلی را شناسایی می‌کند که در آن عدد مرجع برای اولین بار ظاهر می‌شود. استفاده از اعداد مرجع مشابه در موارد مختلف در این توصیف و شکل‌ها، ممکن است آیتم‌های مشابه یا مشخصی را نشان دهد.

 [۰۰۰۹] شکل‌های ۱۸-۱ مثال‌هایی از سناریو‌های حرکت‌های اشاره  تأییدی و سیستم‌هایی بر حسب برخی پیاده سازی‌ها از این مفاهیم، می‌باشند.

 [۰۰۱۰] شکل‌های ۲۰-۱۹ نمودارهای شناور از شیوه‌های اشاره تأیید بر حسب برخی پیاده سازی‌ها می‌باشند.

توصیف مفصل

نظر اجمالی

 [۰۰۱۱] کاربران امروز موبایل، بر روی دستگاه‌های موبایلشان (یعنی تلفن‌ها/تبلت‌ها) از طریق رمز عبور‌های ساده چهار عددی یا اشاره‌های ساده، عمل تأیید را انجام می‌دهند. هرچند این فرآیند قفل گشایی دستگاه‌ها را برای کاربران آسان می‌سازد، امنیت دستگاه‌هایشان را حفظ نمی‌کند. به عنوان مثال، یک فرد به سادگی با مشاهده  قفل گشایی تلفن یک کاربر از نزدیک، به آسانی می‌تواند رمز عبور چهار عددی یا اشاره  دست استفاده شده برای قفل گشایی دستگاه را بفهمد. در نتیجه، یک تکنیک تأیید که از چنین حملاتی جلوگیری ‌کند، مطلوب است. چنین تکنیکی باید انجامش بر روی دستگاه برای کاربر آسان باشد، اما تکرارش برای سایر کاربران حتی بعدی از دیدن انجام آن توسط کاربر حقیقی، مشکل باشد. سایر دستگاه‌ها برای تأیید از یک حسگر اثر انگشت اختصاصی استفاده می‌کنند. حسگر اثر انگشت می‌تواند به طرز قابل توجهی هزینه  کلی دستگاه را زیاد کند و تجهیزات اختصاصی بر روی دستگاه نیاز دارد. این مفاهیم می‌توانند برای کاربر، وقتی که با دستگاه ارتباطی تعامل می‌کند، مثل وقتی که کاربر یک حرکت اشاره  تأییدی را بر روی دستگاه انجام می‌دهد ، اطلاعات جمع آوری کنند. این اطلاعات می‌توانند برای تشخیص کاربر با قابلیت اطمینان بالا، مورد بررسی قرار گیرند. این موارد می‌توانند انواع مختلفی از داده‌های سنسور‌ها را استفاده کنند و با استفاده از سنسورهای موجود یا سنسور‌های قدیمی اجرا شوند.

 [۰۰۱۲] برخی از پیاده سازی‌های دستگاه‌های موبایل در اینجا به منظور کمک به خواننده، به طور خلاصه معرفی شده‌اند. بعضی از  تنظیم هایِ پیاده سازی‌های موجود می‌تواند تأیید کاربر را فقط بر اساس داده‌های سنسور کلی فعال سازد. یک مفهوم اساسی این رویکرد این است که کاربران مختلف‌‌ یک حرکت اشاره‌ای را وابسته به روشی که با موبایل تعامل می‌کنند و بر اساس هندسه، اندازه و قابلیت انعطاف دستشان، به طرز متفاوتی انجام می‌دهند. این تفاوت‌های ظریف می‌تواند توسط سنسورهای جای گرفته در دستگاه (یعنی لمسی، شتاب سنج و ژیروسکوپ) حس شود که تأیید کاربر بر اساس اثر انگشت را فعال می‌کند. چندین مثال  مورد بحث قرار خواهند گرفت که از حرکت‌های اشاره‌ای تأییدی که نسبتاً مقادیر بالایی از اطلاعات خاص کاربری را فراهم می‌کنند و می‌توانند از سنسورهای جای گرفته در دستگاه استخراج شوند.

 [۰۰۱۳] در حالی که کاربر حرکت اشاره‌ای تأییدی را انجام می‌دهد، این پیاده سازی‌ها می‌تواند از سنسور صفحه نمایش لمسی برای استخراج اطلاعاتی ارزشمند در مورد هندسه و اندازه  دست کاربر، بهره گیرد. به خصوص، این اطلاعات می‌تواند مرتبط با فاصله و زاویه  بین انگشت‌ها، زمان بندی دقیقی که هر انگشت صفحه نمایش لمسی را لمس کرده و از آن جدا می‌شود، و همچنین اندازه و فشار وارده توسط هر انگشت باشد. در‌‌ همان زمان، این پیاده سازی‌ها می‌تواند از شتاب سنج و سنسور‌های ژیروسکوپ جای داده شده برای ضبط جابجایی و چرخش موبایل در طول اشاره (اشاره دست یا بدن) بهره گیرد. هر مرتبه که یک انگشت بر روی صفحه ضربه می‌زند، دستگاه موبایل اندکی وابسته به اینکه کاربر چگونه در زمان اشاره به دستگاه موبایل ضربه می‌زند و آن را نگاه می‌دارد، جابجا می‌شود.

 [۰۰۱۴] پیاده سازی‌های موجود می‌توانند ویژگی‌های چندگانه بیومتریکی (به عنوان مثال پارامتر‌ها) را استفاده کنند که به عنوان تعامل های کاربر با دستگاه، برای تشخیص وی استفاده می‌شوند . تعامل کاربر با دستگاه احتمالاً جابجایی کاربر (و/یا دستگاه) را در پی خواهد داشت. در بعضی از پیاده سازی‌های موجود، این جابجایی می‌تواند مرتبط با حرکت اشاره تأییدی (یعنی اشاره (مربوط به دست و…) ورود) باشد. در طول دوره  آموزش، کاربر ممکن است مکرراً اشاره  تأییدی را انجام دهد. مقادیر ویژگی‌های مختلف چندگانه بیومتری که می‌توانند از طریق اشاره های تأییدی آموزشی در طول دوره  آموزش تشخیص داده شوند. یک مقدار آستانه  مشابهت می‌تواند از مقادیر اشاره های تأییدی آموزشی، برای کاربر تعیین شود. به طور خلاصه، آستانه مشابهت خصوصی می‌تواند اینکه کاربر در انجام اشاره تأیید چقدر سازگار (یا ناسازگار) است را منعکس کند. اگر بخواهیم به طریق دیگری بیان کنیم، آستانه  مشابهت اختصاصی می‌تواند اینکه کاربر در انجام اشاره تأیید چقدر تغییرات دارد را منعکس کند.

 [۰۰۱۵] در نتیجه، یک فرد می‌تواند حرکت اشاره‌ای تاییدی را برای ورود به دستگاه انجام دهد (یا اینکه توسط دستگاه تأیید هویت شود). مقادیر ویژگی‌های بیومتریکی می‌توانند از حرکت اشاره  تأییدی در طول ورود به سیستم و در مقایسه با مقادیر به دست آمده در دوره  آموزش، تشخیص داده شوند. مشابهت مقادیر بین حرکت اشاره‌ای تاییدی برای ورود به سیستم و دوره  آموزش، می‌تواند مشخص شوند. اگر این مشابهت، آستانه  مشابهت اختصاصی شده را برآورده سازد، شخصی که برای ورود به سیستم تلاش می‌کند، به احتمال خیلی زیاد کاربر است. اگر این مشابهت، آستانه  مشابهت اختصاصی شده را برآورده نکند، این فرد احتمالاً شیاد است.

 [۰۰۱۶] از یک دیدگاه، فرآیند تأیید کاربر که توسط پیاده سازی‌های موجود پیشنهاد شده، انجامش برای کاربران می‌تواند آسان و سریع باشد و در‌‌ همان زمان، برای یک مهاجم مشکل باشد که حتی با مشاهده  مستقیم تأیید کاربر بر روی دستگاه، دقیقاً کپی برداری کند.

سناریو‌های سیستم

 [۰۰۱۷] شکل ۴-۱ یک سیستم ۱۰۰ نخستین که شامل پیاده سازیِ حرکت اشاره  تأییدی با چند ویژگی می‌باشد را با هم نشان می‌دهد. در این مورد، این سیستم شامل یک دستگاه ۱۰۲ می‌باشد و در قالب یک دستگاه نمایش است که شامل (یا متصل به) یک یا تعداد بیشتری از انواع سنسور‌ها۱۰۴ و یک صفحه نمایش یا اسکرین ۱۰۶ است. در این مثال، این سنسور‌ها شامل چندین دوربین برای گرفتن یک ناحیه در جلوی صفحه نمایش دستگاه می‌باشند. در برخی موارد، این سنسور‌ها می‌توانند به عنوان دوربین‌های سه بعدی، مثل آنهایی که توسط سنسور‌های سه بعدی برند‌های مایکروسافت، کینکت استفاده شده‌اند، نمود پیدا کنند. این سنسور‌ها می‌توانند ویژگی‌های چندگانه بیومتریکی در مورد یک کاربر ۱۰۸ را بگیرند در حالی که کاربر یک حرکت اشاره  تاییدی را انجام می‌دهد،. ویژگی‌های چندگانه بیومتریکی می‌توانند برای تعیین اینکه آیا کاربر موثق است یا نه، مورد استفاده قرار گیرند.

 [۰۰۱۸] کاربر ۱۰۸ می‌تواند یک اشاره تأییدی را انجام دهد که در این مورد یک اشاره تأیید غیر لمسی است که با گسترده شدن کامل بازو‌های کاربر به هر سمت در حالی که انگشتان به صورت جدا از هم باز می‌شوند (شکل ۱)، شروع می‌شود. کاربر سپس بازو‌هایش را به سمت بالا می‌برد (شکل ۲) و حرکت اشاره  تاییدی را با موازی قرار دادن بازو‌هایش و عمودی کردن انگشتانش (شکل ۳ خاتمه می‌دهد. البته، این تنها یک مثال غیر منحصر کننده از اشاره  تأیید می‌باشد و سایر مثال‌ها در شکل‌های ۷-۵، ۱۲-۹ و ۱۷-۱۳ نشان داده شده‌اند.

 [۰۰۱۹] سنسور‌ها ۱۰۴ می‌توانند داده‌های سنسورِ مربوط به حرکت اشاره‌ای تاییدی را بگیرند. این داده‌های سنسور می‌توانند مربوط به ویژگی‌های مختلفی باشند. این ویژگی‌ها می‌توانند مطلق باشند، مثل عرض کلی نوک انگشت تا نوک انگشت‌‌ همان طور که در ۱۱۰ (شکل ۱) طراحی شده است، و/یا نسبی باشند، مثل زاویه‌های بین انگشتان (یکی از این زاویه‌ها در ۱۱۲ طراحی شده است)، طول‌های نسبی انگشتان، طول انگشت نسبت به طول بازو، طول بازو نسبت به عرض کلی نوک انگشت تا نوک انگشت و غیره. (ویژگی‌های دوم به طور خاص طراحی نشده‌اند تا از پارازیت در صفحه  ترسیم جلوگیری کنند. سایر ویژگی‌ها می‌تواند مرتبط با زمان باشد، مثل اینکه چقدر طول می‌کشد تا کاربر اشاره  تأیید را از پراکندگی بازو (شکل ۱) تا بازوانی گسترده به سمت بالا (شکل ۳) تکمیل کند. سایر ویژگی‌ها در شکل‌های ۱۶-۵ مورد بحث قرار گرفته‌اند. دقت کنید که هر نوعی از اشاره  تأیید می‌تواند مورد استفاده قرار گیرد. اشاره‌های تاییدی که نسبتاً تعداد بالایی از ویژگی‌ها را فراهم می‌کنند، احتمالاً دقت بهتری را ایجاد می‌کنند (و به طور موفقیت آمیزی کاربر واقعی را از دغل باز تمیز می‌دهند)

 [۰۰۲۰] مقادیر ویژگی‌ها از داده‌های سنسورِ حرکت اشاره‌ای تاییدی می‌تواند با مقادیر ویژگی‌ها که از یک دوره  آموزش ذخیره شده، مقایسه شود (به عنوان مثال، مقادیر ویژگی‌های ذخیره شده  آموزش ۱۱۴) تا کاربر واقعی را از یک کاربر دغل باز تمیز دهد. در برخی موارد، این مقایسه می‌تواند با یک قسمت تأیید ۱۱۶ انجام شود. قسمت تأیید ۱۱۷ می‌تواند تکنیک‌های مختلفی را برای مقایسه مقادیر ویژگی دریافت شده با مقادیر ویژگی ذخیره شده استفاده کند تا کاربر را تأیید کند. یکی از تکنیک‌های مقایسه که پیاده سازی شده، شامل مشابهت می‌شود. یک مشابهت از مقادیر ویژگی دریافت شده نسبت به مقادیر ویژگی ذخیره شده، می‌تواند تعیین شود. این مشابهت می‌تواند با یک آستانه  مشابهت مقایسه شود. در بعضی از پیاده سازی‌ها، آستانه  مشابهت می‌تواند نسبت به کاربر بر اساس مقادیر ویژگی‌های ذخیره شده در دوره  آموزش، شخصی سازی شود. یکی از چنین پیاده سازی‌هایی در شکل‌های ۱۷-۸ در پایین با جزئیات نشان داده شده است.

 [۰۰۲۱] شکل ۴ یک مورد را که در آن این مشابهت آستانه  مشابهت را برآورده می‌سازد نشان می دهد و این کاربر (به عنوان مثال Auriana) بر روی صفحه نمایش‌‌ همان طور که در ۴۰۲ نشان داده شده، تأیید شده است.

 [۰۰۲۲] شکل‌های ۷-۵ با هم سیستم دوم ۵۰۰ را نشان می‌دهد که شامل یک پیاده سازی حرکت اشاره  تاییدی با چند ویژگی می‌باشد. در این مورد، این سیستم شامل یک دستگاه ۵۰۲ در قالب یک کامپیو‌تر از نوع تبلت می‌شود. این دستگاه شامل چندین نوع از سنسور‌ها ۵۰۴ می‌شود، مثل دوربین‌ها و سنسورهای تماس مربوط به یک صفحه  لمسی یا صفحه نمایش لمسی ۵۰۶٫ به عنوان مثال، صفحه  لمسی می‌تواند شامل سنسورهای تماس خازنی گردد که می‌توانند مکان برخورد و فشار برخورد را دریافت کنند.

 [۰۰۲۳] در این مورد، تأیید کاربر که کف دست‌هایش ۵۰۸ را به سمت پایین و صاف بر روی صفحه لمسی ۵۰۶ با انگشتانی کشیده به اطراف (شکل ۵) قرار می‌دهد، شروع می‌شود. سپس این کاربر انگشتان را به سوی هم می‌کشد و کف دست را به بالا دور از صفحه لمسی می‌کشد (شکل ۶) به نحوی که نوک‌های انگشتان تماس با صفحه  لمسی ۵۰۶ را حفظ می‌کنند. اشاره  تأیید با لمس یکدیگر انگشتان زیر کف دست خاتمه می‌یابد (شکل ۷). این اشاره  تأیید می‌تواند چندین ویژگی که می‌تواند از سوی دستگاه دریافت شود را، فراهم کند. به عنوان مثال، این ویژگی‌ها می‌توانند مرتبط با بعد‌های واقعی مثل طول و عرض انگشتان، عرض و طول کف دست، اثرانگشتان، اثر کف دست، ناحیه کل تماس در شروع اشاره  تأیید و/یا ناحیه کل تماس در پایان اشاره  تأیید باشد.‌‌ همان طور که در بالا اشاره شد، مقادیر ویژگی دریافت شده در طول اشاره  تأیید می‌توانند با مقادیر ویژگی ذخیره شده آموزش ۵۱۴ توسط قسمت  تأیید مقایسه شوند، تا تعیین کنند که آیا کاربر اشاره  تأیید را وارد کرد یا یک حقه باز برای دستیابی به دستگاه تلاش کرده است.

 [۰۰۲۴] دقت کنید که برخی پیاده سازی‌ها می‌توانند متناوباً یا به طور اضافی سایر ویژگی‌هایی که در ارتباط با اشاره  تأیید نمی‌باشند را استفاده کنند. به عنوان مثال، بعضی پیاده سازی‌ها می‌توانند ویژگی‌هایی که مربوط به تشخیص چهره می‌باشد را برای کمک به تشخیص کاربر استفاده کنند. هرچند، ویژگی‌های مربوط به حرکت اشاره  تاییدی احتمالاً نسبت به سایر ویژگی‌ها کمتر توسط عوامل محیطی تحت تأثیر قرار می‌گیرند. به عنوان مثال، ویژگی‌های تشخیص چهره می‌تواند به خاطر شرایط نور‌پردازی، بودن یا نبودن موهای صورت، اینکه صورت شخص مستقیماً در راستای دوربین دستگاه قرارگرفته است یا در گوشه‌ها می‌باشد و غیر، تحت تأثیر قرار گیرد. در مقابل، ویژگی‌های مربوط به اشاره  تأیید، مثل طول انگشت، زوایای بین انگشتان، فشار تماس و غیره، احتمال بیشتر پایدارند و کمتر توسط عوامل محیطی تحت تأثیر قرار می‌گیرند.

 [۰۰۲۵] شکل‌های ۱۸-۸ مجموعاً پیاده سازی‌های تکمیلی حرکت‌های اشاره‌ای تاییدی با چند ویژگی را نشان می‌دهند.

[۰۰۲۶] شکل ۸ سیستم سوم ۸۰۰ که شامل پیاده سازی های حرکت های اشاره‌ای تأییدی با چند ویژگی می‌باشد را نشان می‌دهد. در این مورد، این سیستم یک دستگاه ۸۰۲ را در قالب یک تلفن هوشمند، شامل می‌شود. دستگاه ۸۰۲ می‌تواند یک کاربر (یا کاربرها) ۸۰۴ در حال اجرا بر روی یک سیستم عامل ۸۰۶ را پشتیبانی کند. این سیستم عامل می‌تواند با سخت افزار ۸۰۸ تعامل کند. مثال های مربوط به سخت افزار می‌تواند محیط ذخیره داده یا فضای ذخیره اطلاعات ۸۱۰، پردازنده (ها) ۸۱۲، یک صفحه‌ی لمسی ۵۰۶، و یا سنسورهای ۵۰۴ را شامل گردد. مهم تر از این، قسمت تأیید ۵۱۶ می‌تواند در همکاری با کاربرد (های) ۸۰۴ و یا سیستم عامل ۸۰۶ و سنسورها ۵۰۴ عمل کند. مثال های غیر منحصر کننده از انواع سنسورها می‌تواند شامل سنسور های تماس (۱) ۵۰۴، دوربین‌ها (۲) ۵۰۴، ژیروسکوپ‌ها (۳) ۵۰۴، شتاب سنج‌ها (۴) ۵۰۴، مغناطیس سنج‌ها (۵) ۵۰۴، سنسورهایی که در فرکانس رادیویی کار می‌کنند (۶) ۵۰۴ (به عنوان مثال آنتن)، سنسور های سیستم مکان یابی جهانی (۷) ۵۰۴، سنسورهای صدا (۸) ۵۰۴ (به عنوان مثال میکروفن) شود. در برخی موارد پرانتزها بعدی از یک عدد ارجاع استفاده شده‌اند تا المان های مشابه را تمیز دهند. استفاده از عدد ارجاع بدون پرانتزهای مربوطه، نسبت به المان، عمومی است. سنسور های ۵۰۴ می‌تواند ویژگی‌ها را دریافت کنند، مثل در هنگام اشارات تأیید کاربر. این ویژگی‌ها می‌تواند توسط قسمت  تأیید ۵۱۶ همان طور که در پایین شرح داده شده است، استفاده شود.

[۰۰۲۷] در این مورد، دستگاه ۸۰۲ شامل یک صفحه‌ی لمسی ۵۰۶ می باشد که سنسور های تماس (۱) ۵۰۴ را شامل می‌شود (یا در همکاری با این‌ها کار می‌کند). به عنوان مثال، صفحه‌ی لمسی می‌تواند شامل سنسورهای تماس خازنی شود که می‌توانند ویژگی‌هایی مثل مکان تماس و فشار تماس را دریافت کنند. این دستگاه همچنین می‌تواند سایر سنسورهای تماس را نیز داشته باشد، مثل روی محفظه‌ی دستگاه و/یا در طول لبه‌ی صفحه‌ی لمسی.

[۰۰۲۸] از یک نقطه نظر، دستگاه ۸۰۲ می‌تواند به عنوان یک کامپیوتر در نظر گرفته شود. پردازنده ۸۱۲ می‌تواند داده‌ها را در قالب دستورهای قابل خواندن توسط کامپیوتر اجرا کند تا یک کاربرد را فراهم کند. داده هایی مثل دستورالعمل های قابل خواندن توسط کامپیوتر و/یا داده های مربوط به کاربر، می‌توانند در فضای ذخیره ۸۱۰ ذخیره شود، به عنوان مثال فضای ذخیره‌ای که می‌تواند نسبت به کامپیوتر داخلی یا خارجی باشد. این فضای ذخیره همچنین می‌تواند شامل یک یا تعداد بیشتری از حافظه های فرار یا غیر فرار، دیسک های سخت، دستگاه های ذخیره فلش و/یا دستگاه های ذخیره نوری (به عنوان مثال CD ها، DVD ها و غیره) شود. همان طور که بیان شد، عبارت “محیط قابل خواندن توسط کامپیوتر”می‌تواند شامل سیگنال‌ها شود. در مقابل، عبارت “محیط ذخیره‌ی داده‌ی قابل خواندن توسط کامپیوتر” سیگنال‌ها را مستثنا می‌کند. محیط ذخیره‌ی داده‌ی قابل خواندن توسط کامپیوتر شامل “دستگاه های ذخیره‌ی داده‌ی قابل خواندن توسط کامپیوتر” می‌شود. مثال هایی از دستگاه های ذخیره‌ی داده‌ی قابل خواندن توسط کامپیوتر شامل محیط های ذخیره اطلاعات فرار مثل RAM و محیط های ذخیره‌ی اطلاعات غیر فرار مثل دیسک های سخت، دیسک های نوری، و حافظه فلش می‌شود.

[۰۰۲۹] در بعضی  تنظیم‌ها، دستگاه ۸۰۲ شامل یک طراحی از نوع سیستم روی یک چیپ می‌شود. در چنین موردی، کاربرد فراهم شده توسط دستگاه می‌تواند بر روی یک تک سیستم بر روی چیپ یا چندین سیستم بر روی چیپ اتصال یافته، یکپارچه سازی شود. یک یا تعداد بیشتری پردازنده می‌تواند  تنظیم شود تا با منابع اشتراک گذاری شده، مثل حافظه، محل ذخیره‌ی داده و غیره، و یا یک یا تعداد بیشتری منابع اختصاصی، مثل بلوک های سخت افزاری  تنظیم شده برای انجام کاربردهای خاصِ مشخص هماهنگ شود. بنابراین، عبارت “پردازنده” همان طور که در اینجا نیز برای ارجاع به واحدهای پردازش مرکزی، واحدهای پردازش گرافیکی، کنترل کننده‌ها، میکرکنترلر ها، هسته های پردازنده و سایر دستگاه های پردازش، استفاده شده است.

[۰۰۳۰] به طور کلی، هر کدام از وظایف شرح داده شده در اینجا می‌تواند با استفاده از نرم افزار، سخت افزار (به عنوان مثال با مدار بندی ثابت)، پردازش دستی یا ترکیبی از این پیاده سازی ها شرح داده شود. عبارت ” قسمت ” که در اینجا استفاده شده، به طور کلی نرم افزار، سخت افزار، تمامی دستگاه‌ها و شبکه‌ها یا ترکیبی وابسته به آن را نمایش می‌دهد. در مورد پیاده سازی نرم افزار به عنوان مثال، اینها ممکن است کد برنامه ای را که وظایف خاصی را نشان دهند وقتی که بر روی یک پردازنده اجرا شود (به عنوان مثال یک CPU یا CPU ها)، انجام می‌دهد. کد برنامه ای می‌تواند در یک یا تعداد بیشتری دستگاه حافظه قابل خواندن توسط کامپیوتر ذخیره شود، مثل محیط های ذخیره‌ی داده‌ی قابل خواندن توسط کامپیوتر. ویژگی‌ها و تکنیک های این قسمت به پلتفرم وابسته نیستند، که به این معنا می‌باشد که ممکن است بر روی انواع مختلفی از پلتفرم های کامپیوتری تجاری که انواع مختلفی از  تنظیم های پردازش را دارند، پیاده سازی شوند.

[۰۰۳۱]قسمت تأییدی ۵۱۶ می‌تواند یک یا تعداد بیشتری GUI (رابط گرافیکی کاربر) تولید کند که نشان می‌دهد که کاربر چگونه یک اشاره‌ی تأیید را انجام می‌دهد. به عنوان مثال، در راه اندازی اولیه‌ی دستگاه، قسمت تأیید می‌تواند GUI هایی که نشان می‌دهند چگونه اشاره‌ی تأیید را انجام دهیم، تولید کند. قسمت تأییدی ۵۱۶ می‌تواند یک GUI که به کاربر آموزش می‌دهد تا اشاره‌ی تأیید را چندین بار انجام دهد، تولید کند. کاربر می‌تواند اشاره های تأیید را همان طور که آموزش داده شده، انجام دهد. قسمت تأیید می‌تواند این اطلاعات را به عنوان داده های آموزشی ذخیره کند. این جنبه با جزئیات بیشتری، پایین در شکل ۱۸ مورد بحث قرار گرفته است. سایر پیاده سازی‌ها ممکن است حرکت های اشاره ای تأییدی چندگانه را نشان دهند و به کاربر اجازه دهند تا یک حرکت اشاره‌ی تأییدی را انتخاب کند تا استفاده کند. در حالی که سایر پیاده سازی‌ها ممکن است به کاربر اجازه دهد تا اشاره‌ی تأیید مربوط به خود را تعریف کند. این کاربر ممکن است به قسمت تأییدی ۵۱۶، به عنوان مثال تحت یک منوی تنظیمات، دسترسی پیدا کند تا اشاره (های) تأییدی خود را تغییر دهد و/یا آموزش های اضافی در بین سایر وظایف انجام دهد.

[۰۰۳۲] دقت کنید که در بعضی از پیاده سازی های موجود، قسمت تأییدی ۵۱۶ می‌تواند تأیید اشاره با چند ویژگیِ دقیق را با استفاده از سنسورهای موجود که به طور عادی در دستگاه های آماده‌ی مصرف مثل گوشی های هوشمند وجود دارد را، به دست آورد. بنابراین، پیاده سازی های موجود می‌تواند با افزایش خیلی کمی در هزینه‌ی محصولات موجود به دست آورده شود در حالی که راحتی و امنیت بیشتر را برای کاربر فراهم می‌کند. مهم تر از این، اگر دستگاه های آتی از انواع سنسورهای اضافی و/یا مختلف استفاده کنند، پیاده سازی های موجود می‌تواند ویژگی های به دست آمده توسط انواع جدید سنسورها را استفاده کند.

[۰۰۳۳] شکل های ۱۲-۹ یک اشاره تأیید چند لمسی را نشان می‌دهد که در حالی که کاربر دستگاه ۸۰۲ را با یک دست نگه می‌دارد و با دست دیگر اشاره‌ی تأیید را انجام می‌دهد، انجام می‌شود. در شکل ۹، انگشت کوچک کاربر در همان حال که کاربر شروع به اشاره‌ی تأیید می‌کند، با صفحه‌ی لمسی تماس پیدا می‌کند. در شکل ۱۰ انگشت حلقه‌ی کاربر به صفحه‌ی لمسی تماس می‌یابد و در شکل ۱۱ انگشت وسط کاربر به صفحه‌ی لمسی تماس پیدا می‌کند. در شکل ۱۲، کاربر اشارات تأیید را همان طور که انگشت سبابه به صفحه‌ی لمسی تماس پیدا می‌کند، خاتمه می‌دهد. شکل ۱۳ مثال های مربوط به ویژگی هایی که می‌تواند از اشاره‌ی تأیید توسط سنسورهای تماس (۱) ۵۰۴ گرفته شود را، نشان می‌دهد.

[۰۰۳۵] هر دو این پیاده سازی‌ها (به عنوان مثال شکل های ۱۲-۹ و شکل های ۱۷-۱۴) می‌توانند ویژگی های چندگانه را اجازه دهند تا نسبت به اشاره‌ی تأیید که مرتبط با هندسه‌ی دست (های) کاربر می‌باشد، گرفته شوند. همان طور که کاربر اشاره را با چهار انگشتش انجام می‌دهد، این سیستم ۸۰۰ می‌تواند به طور همزمان مکان روی صفحه‌ی لمسی و زمانی که هر انگشت برای بار اول تماس پیدا کرده و بعداً از صفحه‌ی لمسی دستگاه جدا شده را ضبط کنند. در حالی که این فرد در حال انجام اشاره است، این سیستم همچنین می‌تواند شتاب سنج و علامت های ژیروسکوپ دستگاه را که نشان می‌دهد این فرد چگونه دارد دستگاه را نگه می‌دارد، ضبط کند. قسمت تأیید ۵۱۶ می‌تواند این اطلاعات را جهت استخراج یک دسته از ویژگی‌ها مثل زمانی که هر انگشت با صفحه‌ی لمسی تماس برقرار می‌کند، فاصله‌ی بین انگشتان، زاویه‌ی بین تماس‌ها (شکل ۱۳ را ببینید) و غیره که می‌توانند برای آموزش یک مدل تأیید برای کاربر (به عنوان مثال دوره‌ی تعلیم) مورد استفاده قرار گیرند، ترکیب کند. برای اینکه چنین اشاره‌ای را جعل کند، مهاجم نیاز دارد تا به طور همزمان، زمان بندی، فاصله، زاویه و ویژگی های سنسورِ اشاره‌ی کاربر را تکرار کند، که به‌دست آوردنش کاملاً دشوار است.

[۰۰۳۶] پیاده سازی های موجود می‌توانند از این حقیقت که کاربران مختلف یک اشاره‌ی یکسان را وابسته به طرز گرفتن دستگاه، هندسه، اندازه و قابلیت انعطاف دست به صورت مختلفی انجام می‌دهند، بهره گیرند. این تفاوت های ظریف می‌تواند توسط سنسور های جای گرفته در دستگاه (یعنی تماس، شتاب سنج و ژیروسکوپ) به عنوان ویژگی‌ها برگرفته شوند که تأیید کاربر را بر اساس اثرانگشت‌های سنسور ممکن می‌سازد.

 [۰۰۳۷] اگر بخواهیم به طریق دیگری بیان کنیم، در حالی که کاربر اشاره  تأیید را انجام می‌دهد، قسمت تأییدی ۵۱۶ می‌تواند از سنسور صفحه  لمسی برای استخراج اطلاعاتی ارزشمند در مورد هندسه و اندازه دست کاربر بهره گیرد. به خصوص، فاصله و زاویه بین انگشتان، زمان بندی دقیقی که هر انگشت به صفحه  لمسی برخورد می‌کند و از آن جدا می‌شود، و همچنین اندازه و فشار اعمال شده توسط هر انگشت می‌تواند به‌دست آید. در‌‌ همان زمان، قسمت   تأییدی ۵۱۶ می‌تواند از سنسورهای شتاب سنج و ژیروسکوپ برای ضبط جابجایی و چرخش دستگاه در مدت زمان اشاره، بهره گیرد. دقت کنید که هر زمانی که انگشت به صفحه  نمایش برخورد می‌کند، دستگاه اندکی وابسته به اینکه کاربر چگونه ضربه می‌زند و چگونه دستگاه را در زمان اشاره نگه می‌دارد، جابجا می‌شود.

 [۰۰۳۸] وقتی که با هم ترکیب شد، اطلاعات سنسور‌های تماس، شتاب سنج و ژیروسکوپ می‌توانند یک دید مفصل و با جزئیات راجع به اینکه چگونه یک کاربر اشاره  تأیید را انجام می‌دهد، فراهم کند. قسمت   تأیید ۵۱۶ می‌تواند از این اطلاعات به عنوان یک «اثر انگشت سنسور» استفاده کند تا کاربر را تأیید کند (یک اثر انگشت سنسور نباید با یک سنسور که اثرانگشت حقیقی کاربر را می‌گیرد، اشتباه شود. هر چند، در برخی پیاده سازی‌ها، اثر انگشت حقیقی کاربر یا اثر انگشت‌ها می‌تواند به اثر انگشت سنسورش کمک کند)

 [۰۰۳۹] از آنجا که حرکت‌های اشاره‌ای تأییدی نشان داده شده می‌توانند کاملاً بصری/طبیعی باشند، و می‌توانند هر جایی از صفحه  لمسی انجام شوند، فشار یادگیری قابل ملاحظه‌ای به کاربران وارد نمی‌کنند. در عین حال، مهاجمانی که می‌خواهند به این مکانیزم‌های تأییدی حمله کنند، با یک کار خیلی سخت‌تر روبرو می‌شوند، چون باید به طور همزمان، زمان بندی، جایابی، اندازه، فشارِ ضربه  هر انگشت، و همچنین علامت‌های سنسور شتاب سنج و ژیروسکوپ را دوباره ایجاد کند. اگرچه جعل هر کدام از این اطلاعات به طور جداگانه ممکن است آسان باشد، ایجاد دوباره  تمامی این اطلاعات به طور همزمان کاملاً چالش برانگیز است، حتی وقتی که مهاجم فرصت مشاهده  از نزدیک کاربر حقیقی در حال انجام اشاره  تأیید را دارد.

 [۰۰۴۰] به طور خلاصه، اشاره‌های تأییدی نشان داده شده در شکل‌های ۱۲-۹ و ۱۷-۱۴ مثال‌هایی اشاره‌های تأییدی که به سنسورهای موجود جای گرفته در دستگاه اجازه می‌دهند تا مقدار زیادی از اطلاعات بیومتریک دست کاربر و روشی که کاربر دستگاه را نگه می‌دارد، استخراج کند.

 [۰۰۴۱] در هر دو مورد، ضربه‌های چهار انگشت از طریق لایه  صفحه  لمسی در مختصات‌های پیکسل (سلول تصویر) ضبط می‌شوند. از آنجا که هر کدام از نقاط تماس ضبط شده به طور مستقیم (اشاره  با ۲ دست) یا غیر مستقیم (اشاره  با یک دست) به یک سر انگشت مربوط می‌باشد، سنسور صفحه  لمسی (۱) ۵۰۴ می‌تواند هندسه  دست کاربر را بگیرد. به طور خاص، فاصله  بین هر جفت از تماس‌های انگشتان و همچنین زاویه  تعریف شده بین هر کدام از سه انگشت (شکل ۱۳) می‌تواند مورد استفاده قرار گیرد تا اندازه و هندسه  دست کاربر را توصیف کند. در‌‌ همان زمان، زمان‌های برخورد‌های انگشت، سرعتی که کاربر قادر است انگشتانش را برای انجام اشاره  مورد نیاز منعطف کند، برجسته می‌کند. مدت زمان هر برخورد انگشت، و همچنین زمان بندی بین هر جفت از برخورد‌ها وابسته به اندازه و قابلیت انعطاف دست کاربر تغییر می‌کند.

 [۰۰۴۲] لایه  صفحه  لمسی روی اغلب دستگاه‌ها، مثل گوشی‌های هوشمند، قادر است تا فشار و اندازه  هر برخورد انگشت را نیز ضبط کند. هر دو این مقادیر به اندازه و وزن دست کاربر، به اینکه کاربر چقدر فشار به صفحه  نمایش وارد می‌کند و همچنین زاویه‌ای که کاربر دستگاه را در حیلی انجام اشاره نگه می‌دارد، بستگی دارند.

 [۰۰۴۳] سنسور شتاب سنج (۴) ۵۰۴ و سنسورهای ژیروسکوپ (۴) ۵۰۴ می‌توانند سنسورهای تماس (۱) ۵۰۴ را با گرفتن غیرمستقیم اطلاعات اضافی در مورد بیومتریک دست کاربر تکمیل کنند. هر زمان که یک کاربر یکی از اشارات تأیید را انجام می‌دهد، دستگاه ۸۰۲ اندکی جابجا می‌شود و می‌چرخد. جابجایی و چرخش دستگاه به وضوح در داده‌های سنسور شتاب سنج و ژیروسکوپ منعکس می‌شود. در حین هر برخورد انگشت و نیز اندکی قبل و بعد از اشاره، تغییرات قابل ملاحظه‌ای در علامت‌های سنسور‌های شتاب سنج و ژیروسکوپ وجود دارد. در مورد اشاره  تأیید دو دسته، این تغییرات ناشی از دو منبع می‌باشند: انگشتانی که بر روی صفحه نمایش ضربه می‌زنند، همچنین دست دومِ کاربر که در حال تلاش برای جبران آن و پشتیبانی از دستگاه در مقابل ضربه‌های انگشت می‌باشد. در مورد اشاره  یک دسته، جابجایی و چرخش دستگاه عمدتاً به خاطر اندازه  دست کاربر و درازا/طول انگشت شصت کاربر نسبت به طول سایر انگشتان و اندازه  خود دستگاه می‌باشد.

 [۰۰۴۴] به طور خلاصه، قسمت   تأیید ۵۱۶ می‌تواند اطلاعاتِ سنسورهای تماس، شتاب سنج و ژیروسکوپ را برای ایجاد یک اثرانگشت سنسور که هندسه و بیومتریک دست کاربر را می‌گیرد، ترکیب کند.

 [۰۰۴۵] هر چند به صورت بصری، اما استفاده از این نوع داده  سنسور تأیید کاربر چندین چالش را ایجاد می‌کند. اول، داده‌های ضبط شده  سنسور می‌تواند با نمونه‌های اشاره  مختلف وابسته به اینکه کاربر حقیقی چگونه اشاره را انجام می‌دهد یا دستگاه ۸۰۲ را نگاه می‌دارد، تغییر می‌کند. حتی بد‌تر اینکه این تغییر پذیری می‌تواند مختص به کاربر باشد. به عنوان مثال، بعضی کاربران می‌توانند در ایجاد دوباره  زمان بندی درست و فاصله  بین انگشتان خیلی دقیق باشند، اما در تکرار دقیق و دوباره  سایر بخش‌های داده‌های سنسور، مثل فشار و زاویه  علامت‌ها و برعکس، موفق نمی‌شوند. در جهت این هدف، در بعضی از پیاده سازی‌های موجود، قسمت  تأییدی ۵۱۶ می‌تواند تکنیک‌های تاییدی که به طور خودکار با قابلیت‌های هر کاربر منطبق شده‌اند را به کار گیرد.

 [۰۰۴۶۷] برای اینکه مقایسه  مستقیم اثرانگشت‌های سنسور در کاربران و نمونه‌های اشاره را امکان پذیر کنیم، قسمت  تأیید ۵۱۶ می‌تواند از متریک‌های مشابه اختصاصی شده برای خواندن سنسور تماس گسسته و همچنین داده‌های پیوسته  شتاب سنج و ژیروسکوپ، استفاده کند. این متریک‌های مشابه اختصاصی شده برای تاکید بیشتر روی ویژگی‌های داده‌هایی از سنسور که کمترین تغییرپذیری در نمونه‌های اشاره را نشان می‌دهند و بنابراین به صورت ارزشمندی توصیفی از رفتار ورودی اشاره  کاربر می‌باشند، طراحی شده‌اند.

 [۰۰۴۷] مهم‌تر از این، در بعضی پیاده سازی‌ها، تأیید ۵۱۶ می‌تواند منابع دستگاه وقتی که  تنظیم‌های دریافت داده در نظر گرفتن می‌شوند را در نظر بگیرد. به عنوان مثال، دستگاه‌های موبایل کنونی نرخ‌های بالای نمونه برداری سنسور را که می‌تواند به بزرگی ۲۰۰ کیلوهرتز یا بالا‌تر باشد را پشتیبانی می‌کنند. در این نرخ برای نیم ثانیه یا بیشتر (زمانی که می‌تواند طول بکشد تا کاربر اشاره  تأیید را انجام دهد) سنسورهای نمونه برداری پیوسته مانند شتاب سنج‌ها، می‌توانند مقادیر بزرگی از داده تولید کنند که زمان قابل ملاحظه‌ای (و یا منابع دیگری) می‌برد تا به طور محلی پردازش شود. این تاخیرات می‌تواند فرآیند تأیید دستگاه را آهسته کند که به طور بالقوه، این تکنیک را خیلی آهسته‌تر از آنی می‌کند که انتظارات کاربر را برآورده سازد. برای مورد ملاحظه قرار دادن این مشکل، بعضی از پیاده سازی‌ها می‌توانند مصالحه  بین نمونه برداری پایین سنسور و دقت کلی را برگزینند. نمونه برداری پایین مناسبِ داده‌های سنسور می‌تواند به زمان‌هایی برای تأیید دستگاه دست یابد که برای کاربر بدون فدا کردن دقت تشخیص رضایت بخشند.

 [۰۰۴۸] سوم، رویکرد‌های قدیمی یادگیری ماشینی نمی‌توانند به طور مستقیم برای ایجاد یک مدل احتمالاتی از روشی که کاربر اشاره‌ها را انجام می‌دهد، اعمال شوند. مدل‌های هوشمند احتمالاً در طول فاز آموزش به هر دو داده‌های مثبت و منفی نیاز دارند. متأسفانه، دستگاه کاربر فقط به نمونه‌های اشاره  کاربر حقیقی (داده‌های مثبت، مثل داده‌های دوره  آموزش) دسترسی دارد. مدل‌های تولیدی به داده‌های منفی نیاز ندارند، اما به‌وسیله  تعداد زیاد نمونه‌های آموزشی که نیاز دارند، محدود شده‌اند. تقاضای هزاران بار انجام حرکت اشاره  گشودن قفل در یک دوره  آموزش بلافاصله پس از خریدن دستگاه جدید، احتمالاً برای کاربران قابل قبول نخواهد بود.

[۰۰۴۹] در غیاب داده‌های آموزشی منفی و با تعداد محدودی اشاره‌های آموزشی موجود، در بعضی از پیاده سازی‌های کنونی، قسمت  تاییدی ۵۱۶ می‌تواند یک تکنیک آستانه گذاری را برای معتبر سازی درستیِ یک اثرانگشت سنسور به کار گیرد. به خصوص، بعضی پیاده سازی‌ها می‌تواند قابلیت تغییر پذیری اثرانگشت‌های سنسور را در نمونه‌های اشاره  یک کاربر مفروض، توصیف کند و از آن برای تولید آستانه  مشابهت اختصاصی شده استفاده کند. از این طریق، هر چه یک اثرانگشت سنسور در نمونه‌های اشاره  یک کاربر پایدار‌تر باشد، آستانه مشابهت اختصاصی شده برای این کاربر بالا‌تر خواهد بود و برعکس.

معماری

 [۰۰۵۰] شکل ۱۸ یک دید کلی در مورد معماری مثالِ سیستمی یک سیستم تأیید مبتی بر سنسور ۸۰۰ که در بالا معرفی شد، فراهم می‌کند. در طول یک فاز ثبت نام کاربر (به عنوان مثال، دوره  آموزش) ۱۸۰۲، اطلاعات دوره  آموزش می‌تواند برای تأیید بلادرنگ ۱۸۰۴ استفاده گردد. در طول دوره  آموزش ۱۸۰۲، کاربر حقیقی می‌تواند مکرراً حرکت اشاره  تاییدی را بر روی دستگاه ۸۰۲ که قابلیت لمس آن فعال شده، انجام دهد. برای سهولت بحث، حرکت‌های اشاره تأییدی که در طول دوره  آموزش انجام شده‌اند، ممکن است به عنوان حرکت‌های اشاره‌ای آموزشی ارجاع داده شوند. باری در هر حرکت اشاره  آموزشی، انواع سنسورهای چندگانه شامل سنسور‌های تماس، می‌توانند برخوردهای انگشت را تشخیص دهند و ضبط کنند و در مورد زمان بندی، فاصله و زاویه  بین هر جفت از برخورد و همچنین فشار و اندازه  هر برخورد انگشت (به عنوان مثال، شکل ۱۳ را ببینید)، اطلاعاتی دقیق استخراج کنند. در‌‌ همان زمان، سنسور‌های شتاب سنج و ژیروسکوپ می‌تواند به طور پیوسته نمونه برداری کنند تا جابجایی و چرخش دستگاه در طول حرکت اشاره  آموزشی، به دست آید.‌ای ویژگی‌ها در ۱۸۰۶ نشان داده شده‌اند. داده‌های ویژگی که از برخورد‌های انگشت استخراج شده‌اند، همراه با داده‌های خام شتاب سنج و ژیروسکوپ، می‌تواند به اثرانگشت حقیقی سنسور برای کاربر،‌‌ همان طور که در ۱۸۰۸ نشان داده شده، کمک کند. از این طریق، اثرانگشت‌های چندگانه  سنسور با نمونه‌های اشاره  تعلیم متفاوتی جمع آوری می‌شوند (اثر انگشت لیبل داده شده  ۱ از میان اثر انگشت سنسور n که در ۱۸۱۰ نشان داده شده). این مجموعه از اثرانگشت‌های سنسور، یکتایی کاربر در حوزه  سنسور را نمایش می‌دهد و نسبت به مقادیر ذخیره شده  ویژگی آموزشی ۵۱۴ که در بالا در شکل ۵ معرفی شد، قابل مقایسه است.

 [۰۰۵۱] دقت کنید که یک کانال ارتباطی مشابه یا یکسان می‌تواند برای حرکت‌های اشاره‌ای تاییدی نشان داده شده در شکل‌های ۱۲-۹ و ۱۷-۱۴ استفاده می‌گردد. در هر دو مورد، سنسورهای شتاب سنج و ژیروسکوپ می‌توانند به طور پیوسته نمونه برداری شوند، و دقیقاً چهار ضربه  انگشت در سنسور تماس در لایه  پردازش ضبط شده‌اند. (البته، سایر حرکت‌های اشاره‌ای تأییدی نشان داده نشده می‌توانند کمتر از چهار برخورد انگشت استفاده کنند).

 [۰۰۵۲] به طور خلاصه، کاربر ممکن است بیش از یک نوع اشاره  تأیید را برای شمول در ۱۸۱۰ از طریق دوره‌های آموزش چندگانه (یا زیر دوره‌ها) تعلیم ببیند. به عنوان مثال، کاربر ممکن است بخواهد که اشاره  تأیید نشان داده شده در شکل‌های ۱۲-۹ و همچنین اشاره  تأیید نشان داده شده در شکل‌های ۱۷-۱۴ و/یا یک اشاره  تأیید دیگر که در آن دستگاه بر روی یک سطح صاف مثلاً روی یک میز قرار داده شده در حالی که اشاره دارد انجام می‌شود را، آموزش ببیند. در چنین موردی، کاربر می‌تواند یک مجموعه از حرکت‌های اشاره‌ای تأیید آموزشی را برای هر  تنظیم انجام دهد. این مجموعه‌ها می‌توانند سپس برای مقایسه در زمان اجرا استفاده شوند (به عنوان مثال در تأیید بلادرنگ ۱۸۰۴)

 [۰۰۵۳] برای تعیین اینکه آیا یک اثرانگشت سنسور تصادفی که در طول دوره  تأیید بلادرنگ ۱۸۰۴ به‌دست آمده، به کاربر حقیقی تعلق دارد یا نه، این سیستم می‌تواند روشی به کار گیرد تا مقدار شباهت دو اثرانگشت سنسور را بیان کند. برای این مقصود، بعضی از پیاده سازی‌های کنونی می‌توانند یک متریک مشابهت ۱۸۱۲ که رفتار اشاره‌ای یکتای کاربر را در نظر می‌گیرد تا مقدار نزدیکی دو اثر انگشت سنسور را بیان کند، به کار گیرند. با فرض این متریک مشابهت، این پیاده سازی‌های کنونی می‌توانند قابلیت تغییر پذیری ۱۸۱۴ اثرانگشت‌های سنسور ضبط شده برای یک کاربر مفروض را، به عنوان مثال از طریق اشارات آموزشی (وقتی که کاربر چندین اشاره را آموزش می‌بیند، قابلیت تغیرپذیری می‌تواند در یک مجموعه  مرتبط با درون یک نوع اشاره  منحصر به فرد باشد)، مورد ارزیابی قرار دهند. این سیستم می‌تواند یک آستانه  مشابهت اختصاصی یا آستانه  تأیید ۱۸۱۶ را برای پذیرفتن یا رد کردن یک اثرانگشت سنسور نامشخص، به‌دست آورد یا محاسبه کند (به عنوان مثال از اشاره  تأیید). مفهوم پشت این رویکرد این است که قابلیت تغییر پذیری در اثرانگشت‌های سنسور می‌تواند بین کاربران مختلف باشد. برای کاربران با قابلیت تغییرپذیری کم، یک آستانه  مشابهت اختصاصی شده  سخت‌گیرانه‌تر باید اعمال شود، در حالی که برای کاربران با قابلیت تغییر پذیری بالا، یک آستانه  مشابهت اختصاصی شده  ملایم باید برگزیده شود تا به طرز صحیحی مثبت‌ها و منفی‌های نادرست را متعادل کند.

 [۰۰۵۴] در زمان اجرا (یعنی تأیید بلادرنگ ۱۸۰۴)، هر زمانی که کاربر یک اشاره  تأیید را انجام می‌دهد، این سیستم می‌تواند یک اثرانگشت سنسور جدید ۱۸۱۸ را ضبط کند. این سیستم می‌تواند مشابهت ۱۸۲۰ این اثرانگشت سنسور اشاره  تأیید را نسبت به کاربر واقعی (یعنی کاربر آموزشی) به عنوان مشابهت میانگین بین اثرانگشت اشاره  تأیید و هر تک اثرانگشت سنسور ضبط شده در طول دوره  آموزش (به عنوان مثال اثر انگشت سنسور ۱-n)‌‌ همان طور که به ترتیب در ۱۸۲۲ و ۱۸۲۴ نشان داده شده است، محاسبه کند. این امر نمره  مشابهت میانگین ۱۸۲۶ را تولید می‌کند. در ۱۸۲۸، این سیستم تنها کاربرانی که اشاره تاییدی را انجام می‌دهند، تأیید می‌کند که میانگین نمره  مشابهت برای اثرانگشت ضبط شده، آستانه  مشابهت اختصاصی در ۱۸۳۰ را برآورده سازد، در غیر این صورت، دستگاه در ۱۸۳۲ قفل شده می‌ماند.

 [۰۰۵۵] دقت کنید که تمام معماری سیستم شرح داده شده می‌تواند روی دستگاه ۸۰۲ نمود پیدا کند. متناوباً، دستگاه ۸۰۲ می‌تواند به طور هماهنگ با سایر دستگاه‌هایی که ممکن است اثرانگشت‌های سنسور را ذخیره کنند و/یا پردازش را از سوی این دستگاه انجام دهند، کار کند

 [۰۰۵۶] بحث انجام شده در پایین، مثال‌هایی را از اینکه چگونه اثر انگشت‌های سنسور می‌تواند ایجاد شود، متریک مشابهت اختصاصی شده و تکنیک‌های تشخیص آستانه  اختصاصی شده را شرح می‌دهد.

اثر انگشت‌های سنسور

 [۰۰۵۷] داده‌های سنسور تماس، شتاب سنج و ژیروسکوپ می‌توانند با هم ترکیب شوند تا اثرانگشت سنسور را ایجاد کنند. در مورد سنسور‌های شتاب سنج و ژیروسکوپ، فرآیند ساده است، چون داده  خام سنسور می‌تواند مستقیمات به عنوان بخشی از اثر انگشت سنسور استفاده شود. در مورد سنسور تماس، یک فرآیند دو مرحله‌ای می‌تواند اعمال شود تا جزئی‌ترین اطلاعات در مورد هندسه و بیومتریک دست کاربر را استخراج کند. در ابتدا، مکان‌های برخورد انگشت بر روی صفحه  لمسی می‌تواند استفاده شود تا یک مجموعه  اولیه از ویژگی‌های مطلق به‌دست آورد. سپس یک مجموعه از ویژگی‌های نسبی می‌تواند مستقیماً بر روی ویژگی‌های مطلق محاسبه شود.

ویژگی‌های مطلق

 [۰۰۵۸] سنسور لمسی می‌تواند ۳ نوع مختلف از اطلاعات را برای هر برخورد انگشت گزارش دهد: موقعیت پیکسل، فشار و اندازه. هر دو فشار و اندازه می‌توانند به طور پیوسته تا زمانی که انگشت با صفحه  لمسی تماس پیدا می‌کند، گزارش داده شوند. با فرض اینکه تغییرات فشار و اندازه برای هر ضربه  انگشت نسبتاً کوچک است، این سیستم می‌تواند تمامی مقادیر گزارش شده  فشار و اندازه را میانگین گیری کند و از آن‌ها به عنوان دو ویژگی متمایز استفاده کند. با فرض این چهار ضربه  انگشت، چهار مقدارِ فشار و چهار مقدارِ اندازه می‌تواند تولید شود (جدول ۱)

 [۰۰۵۹] این سیستم می‌تواند عمده ویژگی‌های مبتنی بر تماس را مستقیماً از موقعیت‌های پیکسلِ چهار ضربه  انگشت به‌دست آورد. دقت کنید که نمای ویژگی‌های استخراج شده فقط وابسته به موقعیت‌های نسبی و نه مطلق برخورد‌های انگشت می‌باشند. از این طریق، کاربر مجبور به انجام ضربات انگشت بر روی موقعیت‌های خاصی در صفحه  نمایش نیست. این امر سربار فرآیند یادگیری را برای کاربر افزایش خواهد داد، انجام اشاره  تأیید را دشوار‌تر می‌کند

و به طرز قابل ملاحظه‌ای قابلیت تغییر پذیری داده‌های ضبط شده را افزایش می‌دهد، در نتیجه، قابلیتش برای استفاده در تأیید کاربر را کاهش می‌دهد.

 [۰۰۶۰] بعضی از پیاده سازی‌ها با محاسبه  فواصل موقعیت پیکسل برای هر جفت از ضربات انگشت، شروع می‌شود. از این طریق، شش مقدار ویژگی می‌توانند محاسبه شوند (جدول ۱). در‌‌ همان زمان، هر ترکیبی از سه ضربه  انگشت، به طور یکتا یک زاویه را تعریف می‌کند (شکل ۱۳). بعضی از پیاده سازی‌ها می‌توانند تمامی زوایای ممکن تعریف شده توسط مجموعه‌ای از سه ضربه  انگشت را در نظر بگیرند، و یک چهار ویژگیِ اضافی تولید کنند (جدول ۱)

TABLE-US-۰۰۰۰۱ TABLE ۱ ویژگی‌های به‌دست آمده از موقعیت‌های صفحه نمایش از ضربات چهار انگشت. دقت کنید که تمامی این ویژگی‌ها به موقعیت‌های نسبی و نه مطلق ضربات انگشت بستگی دارند. کاربران می‌تواند اشاره  تأیید را در هر جایی از صفحه نمایش انجام دهند. تعدادی از ویژگی‌های شامل این موارد می‌شود: D. sub. ۱، ۲، D. sub. ۱، ۳، D. sub. ۱، ۴، D. sub. ۲، ۳، D. sub. ۲، ۴، D. sub. ۳، ۴ ۶ Angle A. sub. ۱، ۲، ۳، A. sub. ۱، ۲، ۴، A. sub. ۱، ۳، ۴، A. sub. ۲، ۳، ۴ ۴ Size S. sub. ۱، S. sub. ۲، S. sub. ۳، S. sub. ۴ ۴ Pressure P. sub. ۱، P. sub. ۲، P. sub. ۳، P. sub. ۴ ۴ Duration Dur. sub. ۱، Dur. sub. ۲، Dur. sub. ۳، Dur. sub. ۴ ۴ Start Time STD. sub. ۱، ۲، STD. sub. ۱، ۳، STD. sub. ۱، ۴، ۶ Difference STD. sub. ۲، ۳، STD. sub. ۲، ۴، STD. sub. ۳، ۴ End Time ETD. sub. ۱، ۲، ETD. sub. ۱، ۳، ETD. sub. ۱، ۴، ۶ Difference ETD. sub. ۲، ۳، ETD. sub. ۲، ۴، ETD. sub. ۳، ۴ Distance Ratio D ۱، ۲ D ۲، ۳ D ۱، ۲ D ۳، ۴ D ۲، ۳ D ۳، ۴، ##EQU۰۰۰۰۱## ۳ Size Ratio S ۱ S ۲ S ۱ S ۳ S ۱ S ۴ S ۲ S ۳ S ۲ S ۴ S ۳ S ۴ ##EQU۰۰۰۰۲## ۶ Pressure Ratio P ۱ P ۲ P ۱ P ۳ P ۱ P ۴ P ۲ P ۳ P ۲ P ۴ P ۳ P ۴ ##EQU۰۰۰۰۳## ۶ Duration Ratio Dur ۱ Dur ۲، Dur ۱ Dur ۳، Dur ۱ Dur ۴، Dur ۲ Dur ۳، Dur ۲ Dur ۴، Dur ۱ Dur ۴ ##EQU۰۰۰۰۴## ۶

 [۰۰۶۱] مشخصه  زمانی حرکت اشاره  تأییدی می‌تواند به اندازه  مشخصه  مکانیِ تعریف شده توسط ویژگی‌های فاصله و زاویه، مهم باشد. سنسور تماس می‌تواند یک نشان زمانی آغاز و پایان را برای هر ضربه  انگشت گزارش کند که زمانی که در ابتدا انگشت با صفحه نمایش تماس برقرار کرده و زمانی که این تماس را از دست داده، نشان می‌دهد. این نشان‌های زمانی می‌تواند برای محاسبه  مدت زمان کل هر ضربه  انگشت و همچنین زمان طی شده بین آغاز و پایان هر جفت اثر انگشت، استفاده شود. از این طریق، زمان بندی هر ضربه  انگشت و همچنین زمان بندی در سرتاسر ضربات انگشت به دقت به‌دست می‌آید.‌‌ همان طور که در جدول ۱ نشان داده شده است، ۱۸ ویژگی زمانی در یک پیاده سازی محاسبه شده‌اند.

ویژگی‌های نسبی

 [۰۰۶۲] ویژگی‌های نسبی می‌توانند به عنوان ویژگی‌هایی مبتنی بر نسبت برای فاصله، فشار، اندازه و مدت زمان در نظر گرفته شوند. به عنوان مثال، یک ویژگی نسبی می‌تواند یک نسبت از فاصله بین تماس‌های انگشت کوچک و انگشت حلقه به فاصله  بین نقاط تماس انگشت حلقه و انگشت وسط باشد.

مقایسه  اثرانگشت‌های سنسور

 [۰۰۶۳] در این پیاده سازی، هر اثرانگشت سنسور، شامل ۵۵ ویژگی تماس که در جدول ۱ خلاصه شده‌اند و الگو‌های خام سنسورهای شتاب سنج و ژیروسکوپ می‌باشد. وقتی که علامت‌های سنسور را در طول اشاره‌ها مقایسه می‌کنیم، تکنیک‌های مختلفی می‌تواند برای تعیین مقدار تفاوت بین ویژگی‌های تماس و ویژگی‌های تماس الگوهای سنسور استفاده شود.

ویژگی‌های لمسی

 [۰۰۶۴] چهار هدف تشریح. که F. sub. ۱ و F. sub. ۲ مجموعه  ۵۵ ویژگی لمسی ضبط شده در طول دو نمونه  اشاره هستند. این سیستم می‌تواند مقدار تفاوت D. sub. touch بین این مجموعه‌های ویژگی را به عنوان تفاوت میانگین وزن دار در سرتاسر تمامی ویژگی‌ها، تعیین کند.

D touch = i = ۱ ۵۵ W i D F ۱ (i)، F ۲ (i) (۱) ##EQU۰۰۰۰۵##

که در آن W. sub. i وزن ویژگی i‌ام و D. sub. F. sub. ۱. sub. (i)، F. sub. ۲. sub. (i) تفاوت بین مقادیر ضبط شده برای ویژگی i‌ام در دو نمونه  اشاره می‌باشد.

 [۰۰۶۵] فاصله  بین مقادیر ویژگی F. sup. ۱ (i) و F. sup. ۲ (i) توسط تفاوت عددی نرمالیزه شده‌شان تعریف شده است.

D F ۱ (i)، F ۲ (i) = min {| F ۱ (i) – F ۲ (i) | | F ۱ (i) |، ۲} (۲) ##EQU۰۰۰۰۶##

 [۰۰۶۶] وقتی که دو مقدار ویژگی یکسان هستند، نمره  تفاوت ۰ می‌شود. به طور کلی، هر چه تفاوت مقدار ویژگی در سراسر نمونه‌های اشاره بیشتر باشد، فاصله  آن ویژگی بیشتر خواهد بود. هر چند، برای جلوگیری یک تک ویژگی از انحراف کردن معادله  ۱، بعضی از پیاده سازی‌ها می‌توانند مقدار حداکثر فاصله را به ۲ محدود کنند. این امر به خصوص زمانی می‌تواند مفید باشد که اغلب مقادیر ویژگی در سراسر نمونه‌های اشاره به دقت منطبق می‌شوند، اما یکی از آن‌ها به طرز قابل ملاحظه‌ای، مثلاً ۵۰ بار، دور افتاده باشد (یعنی یک نتیجه که به شدت از سایر نتایج در یک نمونه فرق می‌کند یا اندازه گیری معیوب). هر چند این دو نمونه‌های اشاره‌ای تقریباً یکسان هستند، وقتی که در حد بالایی استفاده نمی‌شود، این ویژگی می‌تواند نمره  فاصله که در معادله  ۱ محاسبه شده بود را به طور چشمگیری دارای انحراف کند

 [۰۰۶۷] وزن W. sub. i ویژگی i اهمیت این ویژگی را برای یک کاربر مفروض نشان می‌دهد. به طور کلی، وقتی که کاربران اشارات تأیید را تکرار می‌کند، می‌توانند به طور دقیق مقادیر ویژگی را با درجه‌های مختلفی از موفقیت تکرار کنند. نقش وزن این است که بر ویژگی‌هایی که یک کاربر خاص می‌تواند مجدداً در سراسر نمونه‌های اشاره  تأیید به دقت تولید کند، تاکید کند. با فرض یک مجموعه از اشارات تأیید ثبت نام شده از یک کاربر، وزن ویژگی i‌ام به صورت زیر تعریف می‌شود.

W i = exp {-. sigma. F (i). mu. F (i)} (۳) ##EQU۰۰۰۰۷##

که در آن sigma. sub. F (i) و mu. sub. F (i) واریانس و میانگین مقادیر ویژگی i در سراسر حرکت‌های اشاره‌ای ثبت شده  کاربر حقیقی می‌باشند.

الگو‌های سنسور

 [۰۰۶۸] در این پیاده سازی، هر اثرانگشت سنسور از ۶ سیگنال سری زمانی تشکیل شده است که هر کدام شتاب و چرخش دستگاه را در بعد‌های x، y و z نشان می‌دهد. (S. sub. accel. sub. x، S. sub. accel. sub. y، S. sub. accel. sub. z، S. sub. gyro. sub. x، S. sub. gyro. sub. y، S. sub. gyro. sub. z). هر چند یک رویکر ساده و قابل فهم برای مقایسه  این سیگنال‌ها در سراسر حرکت‌های اشاره‌ای، این خواهد بود که به سادگی فاصله  بین آن‌ها را محاسبه کنیم، اما چنین شیوه‌ای احتمالاً به خاطر نویز موجود در داده‌های سنسور با شکست روبرو خواهد شد. به عنوان مثال، زمان کلی انجام یک اشاره و زمان بندی دقیق بین برخوردهای انگشتان، در طول نمونه‌های اشاره حتی برای‌‌ همان کاربر، ماهیتاً فرق می‌کند. این تغییرات می‌تواند به طور مصنوعی فاصله  بین رد گیری‌های ضبط شده را افزایش دهد.

[۰۰۶۹] در عوض، این سیستم می‌تواند اندازه  فاصله  بین این سیگنال‌ها را در طول اشاره‌ها با ترکیب دو تکنیک برای مقایسه  سری‌های زمانی داده‌ها، بیان کند: پرش زمانی پویا و همبستگی متقابل. هر دو این تکنیک‌ها مقایسه  مستقیم داده‌های سری زمانی را در حالی که نویز موجود در داده‌های سنسور را می‌پذیرند، ممکن سازند. به جای مقایسه  هر نمونه  متناظر بین سیگنال‌های ضبط شده، یک پنجره از سیگنال استفاده شده تا بهترین تطبیق ممکن بین سیگنال‌ها پیدا شود. به طور شهودی، این دو سیگنال اندکی انتقال داده شده‌اند تا بهترین تطبیق ممکن را می‌سر کنند. این امر به سیستم اجازه می‌دهد تا تفاوت‌های زمانی در طول نمونه‌های اشاره را در نظر بگیرد.

 [۰۰۷۰] قبل از مقایسه  دو سیگنال، هر سیگنال می‌تواند به میانگین صفر و یک انرژی نرمالیزه شود تا از تمایل به انرژی پایین به جای جفت سیگنال‌های انرژی بالا جلوگیری شود. سپس، هر سیگنال می‌تواند از طریق طولش بیشتر نرمالیزه شود تا از تمایل به سیگنال‌های کوچک به جای سیگنال‌های طولانی اجتناب شود. به خصوص، هر کدام از این ۶ داده  سری زمانی S (i) در اثر انگشت سنسور، می‌توان به صورت ذیل نرمالیزه شود:

S (i) = S (i) -. mu. S. SIGMA. i = ۱ L (S (i) -. mu. S) ۲ L (۴) ##EQU۰۰۰۰۸##

که در آن L طول سیگنال و mu. sub. S مقدار میانگین تمامی نمونه‌های سیگنال می‌باشد.

 [۰۰۷۱] بگذارید S. sub. accel. sub. x. sup. ۱ و S. sub. accel. sub. x. sup. ۲ سیگنال‌های نرمالیزه شده  شتاب سنج روی محور x که در طول نمونه‌های مختلف اشاره ضبط شده‌اند، باشند. از آنجا که آن‌ها در زمان‌های مختلف ضبط شده اندف ممکن است طول‌های متفاوتی داشته باشند، به عنوان مثال L. sub. accel. sub. x. sup. ۱ و L. sub. accel. sub. x. sup. ۲. برای مقایسه  این دو سیگنال، این سیستم می‌تواند اول فاصله  مستقیم بین هر جفت از نمونه‌ها در S. sub. accel. sub. x. sup. ۱ و S. sub. accel. sub. x. sup. ۲ را محاسبه کند. از این طریق، یک ماتریس فاصله D. sub. accel. sub. x با L. sub. accel. sub. x. sup. ۱ سطر و L. sub. accel. sub. x. sup. ۲ ستون، می‌تواند محاسبه شود که در آن هر المان مقادیر زیر را می‌گیرد:

  1. sub. accel. sub. x. sup. ij=|S. sub. accel. sub. x. sup. ۱ (i) -S. sub. accel. sub. x. s- up. ۲ (j) |، ۱. ltoreq. i. ltoreq. L. sub. accel. sub. x. sup. ۱، ۱. ltoreq. j. ltoreq. L. sub-. accel. sub. x. sup. ۲ (۵)

 [۰۰۷۲] به طور مشابه، ماتریس‌های فاصله  D. sub. accel. sub. y و D. sub. accel. sub. z محاسبه می‌شوند. ماتریس‌های سه فاصله‌ای که تفاوت در بعد‌های x، y و z داده‌های شتاب سنج را نشان می‌دهند، می‌توانند سپس به یکدیگر اضافه شوند تا یک تک ماتریسِ فاصله را تشکیل دهند.

  1. sub. accel=D. sub. accel. sub. x+D. sub. accel. sub. y+D. sub. accel. sub. y

 [۰۰۷۳] فرآیند دقیقاً یکسانی می‌تواند به داده‌های ژیروسکوپ اعمال شود تا یک تک ماتریسِ فاصله D. sub. gyro که تفاوت در داده‌های سنسور ژیروسکوپ را در طول ابعاد x، y و z کدگذاری می‌کند، تولید شود. در ‌‌نهایت، ماتریس‌های فاصله  شتاب سنچ و ژیروسکوپ می‌توانند به فرم یک تک ماتریسِ فاصله ترکیب شوند:

D=D. sub. accel+D. sub. gyro

 [۰۰۷۴] دقت کنید که تعداد نمونه‌های جریان شتاب سنج و ژیروسکوب ممکن است وابسته به نرخ‌های نمونه برداری که سخت افزار برای این سنسور‌ها پشتیبانی می‌کند (معمولاً سنسور‌های ژیروسکوب نرخ‌های نمونه برداری پایین تری را ارائه می‌کنند)، متفاوت باشد. در نتیجه، ماتریس‌های D. sub. accel و D. sub. gyro ممکن است ابعاد متفاوتی داشته باشند. در این مورد، این سیستم می‌تواند نرخ نمونه برداری سیگنال با فرکانس پایین‌تر را بالا ببرد تا اطمینان حاصل کند که هر دو D. sub. accel و D. sub. gyro ابعاد یکسانی دارند و می‌توانند به درستی جمع شوند. با فرض اینکه هر دو سیگنال‌های ژیروسکوب و فشار سنج در آغاز نرمالیزه می‌شوند، این سیستم می‌تواند بدون خطر ماتریس‌های فاصله  متناظر را جمع کند.

 [۰۰۷۵] به سادگی اضافه کردن المان‌های قطری در ماتریس D، متناظر به فاصله  مستقیم بین اثرانگشت‌های سنسور در طول دو حرکت اشاره  تاییدی می‌گردد. هر چند، با فرض قابلیت تغییر در شیوه‌ای که کاربران اشاره  تأیید را انجام می‌دهند (زمان بندی که اندکی متفاوت است و غیره)، فاصله  مستقیم می‌تواند کاملاً غیردقیق باشد. در عوض، این سیستم می‌تواند یک پنجره در طول قطر ماتریس فاصله  نهایی D تعریف کند که جبران تفاوت‌های زمانی در طول اشارات تأیید را می‌سر می‌سازد. به خصوص، این سیستم می‌تواند یک فضای جستجو در طول قطر تعریف شده با C. sub. DTW، تعریف کند.

  1. sub. ji=. infin. (|i-j|. gtoreq. C. sub. DTW) (۶)

که در آن C. sub. DTW قید پرش زمانی پویا می‌باشد.

 [۰۰۷۶] به‌وسیله  تنظیم فاصله‌ها در مقدار بی‌‌‌نهایت، این سیستم می‌تواند فضای جستجو را در طول قطر محدود کند، در نتیجه اینکه هر سیگنال چقدر جابجا می‌شود را محدود می‌کند. حالا فاصله  بین دو سیگنال به عنوان کوتاه‌ترین مسیر پرش بین دو نقطه  قطری در ماتریس D تعریف می‌شود:

D DTW = argmin p (i، j). di-elect cons. p D ij (۷) ##EQU۰۰۰۰۹##

که در آن مسیر پرش بین دو نقطه  قطری در ماتریس می‌باشد.

 [۰۰۷۷] وقتی که C. sub. DTW برابر با ۱ است، فاصله  مستقیم می‌تواند به عنوان جمع تمامی المان‌های قطری ماتریس D محاسبه شود.‌‌ همان طور که مقدار C. sub. DTW افزایش می‌یابد، جابجایی بیشتر این دو سیگنال می‌تواند اجازه داده شود.

همبستگی متقابل

 [۰۰۷۸] مشابه با رویکرد پرش زمان پویا، این سیستم می‌تواند داده‌های سنسورهای شتاب سنج و ژیروسکوب را در طول ابعاد x، y و z ترکیب کند تا یک تک مقدار همبستگی متقابل را به این صورت محاسبه کند:

Corr = argmax n. di-elect cons. [- c Corr، c Corr،] k = ۱ P m = max {- n + ۱، ۱} min {L ۱ k – n، L ۲ k} S ۱ k (m + n) S ۲ k (m) (۸) ##EQU۰۰۰۱۰##

که در آن C. sub. Corr یک قید بر روی مقدار جابجایی مجاز هر سیگنال تحت مقایسه می‌باشد. مشابه قبل، جابجایی سیگنال‌ها می‌تواند برای جبران تفاوت‌های اندکِ زمانی علامت‌های سنسور در طول نمونه‌های اشاره ‌‌ همان کاربر، استفاده شود.

 [۰۰۷۹] نمره‌های ایجاد شده توسط پرش زمانی پویا و تکنیک‌های همبستگی متقابل با یکدیگر ترکیب می‌شوند تا مقدار فاصله  کلیِ بین اشاره‌ها در حوزه  الگوی سنسور را بیان کنند:

  1. sub. sensor=D. sub. DTW* (۱-Corr) (۹) ‌

ترکیب ویژگی‌های تماس و الگوهای سنسور

‌ [۰۰۸۰] معادلات ۱ و ۹ می‌تواند مقدار تفاوت بین دو نمونه  اشاره را به ترتیب در حوزه  تماس و سنسور بیان کند. این سیستم می‌تواند ویژگی‌های تماس و الگوهای سنسور را با ضرب کردن نمره‌های متناظرِ تفاوت، ترکیب کند: ‌

  1. sub. combined=D. sub. touch*D. sub. sensor (۱۰) ‌

آستانه  اختصاصی شده

‌ [۰۰۸۱] معادله  ۱۰ می‌تواند مقدار تفاوت بین هر جفت از نمونه‌های اشاره را بیان کند، اما ممکن است برای تصمیم گیری در مورد اینکه این دو اشاره به یک کاربر تعلق دارند یا نه، کافی نباشد. علت این است که کاربران رفتارهای اشاره‌ای متفاوتی از خود نشان می‌دهند. بعضی کاربران می‌توانند خیلی دقیق علامت‌های سنسور و تماس را در طول نمونه‌های اشاره مجدداً ایجاد کنند، در حالی که بقیه ممکن است تغییر پذیری بیشتری نشان بدهند. در نتیجه، شک نمره  پایین یا بالا از معادله  ۱۰ می‌تواند در کاربران مختلف، به گونه‌ای متفاوت تفسیر شود. ‌

‌ [۰۰۸۲] این سیستم می‌تواند با این تغییرپذیری از طریق تعریف یک آستانه  اختصاصی شده‌ی ‌P. sub. Th برای تصمیم گیری، وقتی که تفاوت بین اشاره‌های تأیید به اندازه  کافی پایین هست تا فرض شود که به یک کاربر تعلق دارند، کار کند. با فرض N اشاره  تأیید ثبت شده از یک کاربر، این سیستم می‌تواند P. sub. Th را برای این کاربر به این صورت تعریف کند: ‌

  1. sub. Th=. mu. D. sub. combined. sup. ij+۳. sigma.. sub. D. sub. combined. sub. ij، ۱. – ltoreq. i، j. ltoreq. N، i. noteq. j (۱۱) ‌

که در آن اولین عبارت، فاصله  میانه (معادله  ۱۰) بین هر جفت از اشاره‌ها که به کاربر تعلق دارند را نشان می‌دهد و عبارت دوم انحراف معیار این فاصله‌ها را نشان می‌دهد. این دو مقدار می‌تواند اندازه  تغییرپذیری در علامت‌های سنسور را درطول نمونه‌های اشاره برای آن کاربر، بیان کند. به طور طبیعی، مقدار آستانه برای کاربرانی که به طور دقیق علامت‌های سنسور را مجدداً در نمونه‌های اشاره ایجاد می‌کنند، یک مقدار P. sub. Th پایین خواهد داشت و بر عکس. ‌

‌ [۰۰۸۳] به طور خلاصه، سیستم کنونی می‌تواند هر نوع از سنسورهای موجود را بر روی دستگاه به کار گیرد تا مقادیر ویژگی را که در طول یک اشاره تأیید برای تشخیص (یا رد) یک کاربر گرفته می‌شوند، فراهم کند. این سنسورها می‌توانند اختصاصی به اشاره  تأیید باشند و/یا سنسورهای استفاده شده برای اهداف چندگانه باشند. پیاده سازی‌های دقیق می‌تواند با استفاده از سنسورهای موجود (از دستگاه‌های موبایل فعلی موجود) برای کاربردهای بیشتر اشاره  تأیید، حاصل شود. بنابراین، راحتی کاربر و امنیت دستگاه می‌تواند بدون سخت افزار اضافی و افزایش هزینه  ناشی از آن، بهبود یابد. ‌

تکنیک‌های نمونه

‌ [۰۰۸۴] شکل ۱۹ یک فلوچارت (نمودار جریان) از یک تکنیک بررسی اشاره  تأیید یا شیوه ۱۹۰۰ را نشان می‌دهد. ‌

‌ [۰۰۸۵] در بلوک ۱۹۰۲، این شیوه می‌تواند مقادیر ویژگی‌های چندگانه بیومتریکی مربوط به یک کاربر که یک حرکت اشاره  تاییدی را بر روی یک دستگاه انجام می‌دهد، تشخیص دهد. در مواردی که حرکت اشاره  تاییدی یک اشاره  چند لمسی بر روی یک صفحه نمایش لمسی می‌باشد، نمونه‌هایی از ویژگی‌های بیومتریک می‌تواند به فاصله  بین هر جفت از انگشتان، زاویه  بین هر سه انگشت، اندازه  هر تماس انگشت، فشار هر تماس انگشت، زمان کلی که هر انگشت به طور پیوسته در تماس با صفحه  لمسی است، تفاوت بین زمان تماس شروع بین هر جفت از انگشتان، تفاوت بین زمان تماس پایان بین هر جفت از انگشتان، نسبت‌های فواصل انگشتان، نسبت های اندازه‌های انگشتان، نسبت‌های زمان‌های کل تماس انگشت و/یا نسبت‌های فشارهای انگشت، مربوط شود. سایر ویژگی‌ها می‌تواند مربوط به این باشد که کاربر چگونه دستگاه را در حالی که اشاره  تأیید را انجام می‌دهد، نگه می‌دارد (به عنوان مثال چرخش و/یا جابجایی) ‌

‌ [۰۰۸۶] در بلوک ۱۹۰۴ این شیوه می‌تواند مقادیر ذخیره شده  ویژگی‌های چند بیومتری که که در طول دوره  آموزش که در آن کاربر مکرراً حرکت اشاره  تاییدی را انجام می‌دهد (به عنوان مثال اشاره‌های آموزشی) به‌دست آمده، را به‌دست آورد. ‌

‌ [۰۰۸۷] در بلوک ۱۹۰۶ این شیوه می‌تواند یک آستانه  مشابهت اختصاصی شده که از مقادیر ذخیره شده و مشتق شده را، به‌دست آورد. به عنوان مثال، آستانه  مشابهت اختصاصی شده می‌تواند نماینده  تغییرپذیری کاربر در انجام اشاره‌های آموزشی و اینکه چگونه تغییر پذیری ویژگی های انفرادی را تحت تأثیر قرار می‌دهد، باشد. ‌

‌ [۰۰۸۸] در بلوک ۱۹۰۸ این شیوه می‌تواند مقادیر تشخیص داده شده را با مقادیر ذخیره شده مقایسه کند. همان طور که در بالا اشاره شد، بعضی پیاده سازی‌ها می‌تواند چندین ویژگی اشاره  تعلیمی را در برگیرد و این مقایسه می‌تواند مقدار میانگین را برای هر ویژگی استفاده کند. ‌

‌ [۰۰۸۹] در بلوک ۱۹۱۰ این شیوه می‌تواند مشابهت مقادیر تشخیص داده شده نسبت به مقادیر ذخیره شده را ارزیابی کند. در بلوک ۱۹۱۲، این شیوه می‌تواند کاربر را بر روی دستگاه در یک نمونه که مشابهت مقادیر تشخیص داده شده با مقادیر ذخیره شده، آستانه  مشابهت اختصاصی شده را برآورده می‌کند، تأیید کند. ‌

‌ [۰۰۹۰] شکل ۲۰ یک فلوچارت از یک تکنیک بررسی اشاره  تأیید یا شیوه  ۲۰۰۰ را نشان می‌دهد. ‌

‌ [۰۰۹۱] در بلوک ۲۰۰۲ این شیوه می‌تواند ویژگی‌های چند بیومتری که مرتبط به یک اشاره  تأیید کاربر که به عنوان یک تلاش برای گرفتن تأیید دستگاه انجام می‌شود را، بگیرد. ‌

‌ [۰۰۹۲] در بلوک ۲۰۰۴ این شیوه می‌تواند مقادیر ویژگی‌های چند بیومتری که را با مقادیر قبلی ذخیره شده برای کاربر مقایسه کند. ‌

‌ [۰۰۹۳] در بلوک ۲۰۰۶ این شیوه می‌تواند دستگاه کامپیوتری را در یک نمونه که در آن مقادیر ویژگی‌های چند بیومتریک یک آستانه  مشابهت را نسبت به مقادیر قبلی برآورده می‌کنند، قفل گشایی کند. ‌

‌ [۰۰۹۴] شیوه‌های شرح داده شده می‌تواند توسط سیستم‌ها و/یا دستگاه‌هایی که در بالا در شکل‌های ۱۸-۱ شرح داده شد و/یا توسط دستگاه‌ها و/یا سیستم‌های دیگر انجام شود. در ترتیبی که در آن این شیوه‌ها شرح داده شده‌اند، قصدی برای تفسیر به صورت یک محدودیت نبوده و هر تعداد از اعمال شرح داده شده می‌تواند با هر ترتیبی ترکیب شود تا آن شیوه یا یک شیوه  جایگزین را پیاده سازی کند. مهم‌تر از این، این شیوه می‌تواند در هر سخت افزار، نرم افزار، لخت افزار یا ترکیبی از این‌ها که مناسب باشد به نحوی که یک دستگاه بتواند این شیوه را پیاده سازی کند، می‌تواند اجرا شود. در یک مورد، این شیوه بر روی محیط‌های ذخیره  اطلاعات قابل خواندن توسط کامپیوتر، به عنوان مجموعه‌ای از دستورالعمل‌ها ذخیره می‌شود، به نحوی که اجرای آن توسط پردازنده  یک دستگاه کامپیوتری باعث می‌شود که دستگاه کامپیوتری این شیوه را انجام دهد.

نتیجه گیری

[۰۰۹۵] هر چند موضوع مورد مطالعه در زبانی مختص به ویژگی های ساختاری و/یا اعمال اسلوب شناسی شرح داده شده ، اما باید توجه نمود که موضوع مورد مطالعه که در ادعاهای ضمیمه شده تعریف شده است، لزوماً محدود به ویژگی های خاص یا اعمال شرح داده شده در بالا نمی‌باشد. در عوض، ویژگی های خاص و اعمال شرح داده شده در بالا به عنوان قالب‌هایی از نوع مثال برای پیاده سازی این ادعاها می‌باشند.

پسندیدم(20)نپسندیدم(2)

4 نظر

  1. hamidreza

    خداروشکر اینو خوندم وگرنه کلی باید جریمه میدادم برای استفاده از این پتنتشون :)))))))))) :laugh:

    پسندیدم(5)نپسندیدم(0)
    پاسخ دادن
  2. مرتضی

    میشه بگید کی این پست رو میخونه و اصلا فایده این پست چیه؟ با ذکر مثال لطفا :-/

    پسندیدم(0)نپسندیدم(2)
    پاسخ دادن

نظر خود را با دیگران به اشتراک بگذارید

نظرات شما برای ما ارزشمند هستند.