1

動的キーストローク認証をテーマに修士論文を書いています。進行中の研究をサポートするために、特徴抽出と特徴マッチングのさまざまな方法をテストするコードを書いています。

私の現在の単純なアプローチは、参照パスワードのキーコードが現在入力されているキーコードと一致するかどうかを確認し、キーを押す時間 (滞留) とキーからキーへの時間 (飛行) が参照時間と同じかどうかを確認するだけです +/- 100ms (許容誤差)。もちろん、これは非常に限定的であり、ある種のファジー c-means パターン マッチングで拡張したいと考えています。

各キーの機能は次のようになります: キーコード、ドウェルタイム、フライトタイム (最初のフライトタイムは常に 0)。

明らかに、キーコードはまったく同じでなければならないため、ファジー アルゴリズムから取り出すことができます。このコンテキストでは、ファジー c-means の実用的な実装はどのようになりますか?

4

2 に答える 2

1

ここでクラスタリングを本当にやりたいとは思わない。ただし、各値にデルタを許可するのではなく、適切なあいまいマッチングを実行することをお勧めします。

クラスタリングの場合、多くのデータポイントが必要です。さらに、必要な手段の適切な数を知る必要があります。

しかし、これらの複数のオブジェクトは何を意味するのでしょうか?キーコードごとに1つのデータポイントがあります。ユーザーにパスワードを100回入力させて、一貫して入力できるかどうかを確認する必要はありません。それでも、クラスターはどうなると思いますか?どのキーコードがどの位置にあるかはすでにわかっているので、ユーザーがパスワードにどのキーコードを使用しているかを知りたくありません...

申し訳ありませんが、ここではクラスタリングは実際には見られません。「ファジー」という用語は、このクラスタリングアルゴリズムに誤解を与えるようです。代わりに「ファジーロジック」を試してください。

于 2012-05-01T20:34:04.837 に答える
1

通常、次のようにします。

  1. 必要なクラスターの数を決定します (「本物」と「偽物」の 2 つ?)
  2. クラスター化する要素を決定します (個々のキーストローク? ログイン試行?)
  3. 特徴ベクトルがどのように見えるかを決定します (滞留時間、飛行時間?)
  4. 使用する距離メトリックを決定します (各クラスターから各サンプルの距離をどのように測定しますか?)
  5. クラスターの種類ごとに模範的なトレーニング データを作成します (認証ログインとはどのようなものですか?)
  6. トレーニング データに対して FCM アルゴリズムを実行してクラスターを生成する
  7. 特定のログイン試行サンプルのメンバーシップ ベクトルを作成するには、ステップ 6 で見つけたクラスターを使用して FCM アルゴリズムを実行します。
  8. 結果のメンバーシップ ベクトルを使用して、(いくつかのしきい値基準に基づいて) ログイン試行が認証されているかどうかを判断します

私は専門家ではありませんが、これは、ログイン試行が本物かどうかを判断するための奇妙なアプローチのように思えます。FCM がパターン認識に使用されているのを見たことがあります (たとえば、私が作っている表情は?)。これは、特徴を定義するいくつかのカテゴリ (たとえば、幸せ、悲しい、怒っているなど) を扱っているため、理にかなっています。あなたの場合、実際には、特徴を定義するカテゴリ (本物) が 1 つしかありません。非正規のキーストロークは、単に正規のキーストロークとは「似ていない」ため、クラスター化されません。

おそらく私は何かを逃していますか?

于 2009-12-02T21:32:17.230 に答える