La dinámica de pulsaciones de teclas que se utiliza en los modelos de aprendizaje automático de este artículo para el reconocimiento de usuarios es biométrica del comportamiento. La dinámica de pulsaciones de teclas utiliza la forma distintiva en que cada persona escribe para confirmar su identidad. Esto se logra analizando los dos eventos de pulsación de tecla al presionar y soltar la tecla, que componen una pulsación de tecla en los teclados de computadora para extraer patrones de escritura.  El artículo examinará cómo se pueden utilizar estos modelos de aprendizaje automático en situaciones de la vida real para predecir un usuario.  El artículo anterior describió cómo podemos entrenar 3 modelos de ML, en un conjunto de +880 entradas de teclado de 100 usuarios a los que se les pidió que escribieran el mismo texto 12 veces.   https://hackernoon.com/the-application-of-ml-models-in-user-recognition-via-keystroke-dynamics?embedable=true  Las aplicaciones que usaremos para simular una situación de la vida real.   La arquitectura    : Para probar escenarios de la vida real usaremos  +  . Sandbox   Cartero   Matraz    : cuando queramos mover esta aplicación a producción, simplemente podemos reemplazar los bits del código de Flask con código para un  . Producción   AWS Lambda  Flask es un marco web que podemos usar para replicar Lambda + API Gateway.  Lambda es un servicio web sin servidor alojado en AWS, que puede ejecutar código basado en eventos escrito en varios idiomas; sin embargo, para esta aplicación usaremos Python.  El flujo de datos es:  Cargamos el encabezado con los datos de identificación y el modelo que queremos usar, este es básicamente nuestro   En el   también agregaremos la   (solo Prod) payload json. encabezado clave de autorización  Realizamos una solicitud del método HTTP POST a Flask App/API Gateway  API Gateway verifica la clave de autorización (clave de API) y, si acepta la solicitud, envía la   a Lambda para su procesamiento. carga útil  FlaskApp/Lambda ejecuta el código subyacente  Lo que obtenemos en el   de la devolución es el ID del usuario previsto si el evento tiene éxito; de lo contrario, obtenemos un mensaje de error.  cuerpo  Como se mencionó anteriormente, todo el código se puede encontrar en la página del proyecto Github:   https://github.com/BogdanAlinTudorache/KeystrokeDynamics  La petición del cartero  Crudo   { "info": { "_postman_id": "c62ddbda-e487-432f-998a-4dfc9313f0fa", "name": "BogdanTudorache", "schema": "https://schema.getpostman.com/json/collection/v2.1.0/collection.json" }, "item": [ { "name": "predict_user", "request": { "method": "POST", "header": [], "body": { "mode": "raw", "raw": "{\n \"Model\": \"RF\",\n \"HT\": {\n \"Mean\": 48.43,\n \"STD\": 23.34\n },\n \"PPT\": {\n \"Mean\": 120.43,\n \"STD\": 37.41\n },\n \"RRT\": {\n \"Mean\": 124.43,\n \"STD\": 45.34\n },\n \"RPT\": {\n \"Mean\": 132.56,\n \"STD\": 47.12\n }\n}", "options": { "raw": { "language": "json" } } }, "url": { "raw": "http://127.0.0.1:5000", "protocol": "http", "host": [ "127", "0", "0", "1" ], "port": "5000" } }, "response": [] } ] }   Puede descargar el archivo desde GitHub.  Cuerpo   { "Model": "RF", "HT": { "Mean": 48.43, "STD": 23.34 }, "PPT": { "Mean": 120.43, "STD": 37.41 }, "RRT": { "Mean": 124.43, "STD": 45.34 }, "RPT": { "Mean": 132.56, "STD": 47.12 } }   La aplicación Flask/la aplicación Lambda  Si queremos probar el proceso en un entorno de pruebas antes de mover todo a AWS, debemos replicar una llamada de un extremo a otro usando Flask.  ¿Cómo iniciar la aplicación Flask?  En GitHub, encontrará la versión completa de flask_lambda_function.py y en cualquier IDE solo necesita ejecutar el script, ya que iniciará automáticamente la aplicación flask.  En mi caso, estoy usando IntelliJ Idea, así que simplemente ejecuto el script (haga clic derecho → ejecutar):   Probando un escenario de la vida real  Una vez que se inicia el script en la parte inferior del IDE, verá la consola de Python informando que el servicio web se inició en el host local y el puerto 5000 (creo que esto es el valor predeterminado, sin embargo, también se puede configurar).   Ahora, cada vez que hagamos una solicitud HTTP POST, activaremos la aplicación flask, simulando un escenario de la vida real.  Solicitud de publicación:   Respuesta de la consola Python:   Respuesta del cartero:   Código profundo   @app.route('/', methods=['GET', 'POST']) def index(): # Bellow code should be uncommented when running in AWS:Lambda # above should be commented as well as flask import + app definition # def lambda_handler(event, context): """ Lambda handler: When a request hits the API gateway linked to this lambda_function this is the function that gets called. The request data is passed as the event variable which is a dictionary object, in this case it the json of the POST request from which we extract the body details """ # Parses the details from the POST request: extracts model and input data # Based on model it imports the trained model from local # Outputs the predicted user based on input data try: prediction = functions.predict_user(request.get_json()) # Below code should be uncommented when running from AWS, above should be commented. # prediction = functions.predict_user(event) return jsonify({'statuscode': 200, 'status': 'success', 'predicted user': str(prediction) }) except Exception as e: return jsonify({'statuscode': 400, 'status': 'error', 'message': str(e)})  El código anterior está configurado en flask-app; sin embargo, al comentar y descomentar ciertas líneas, puede cambiar fácilmente a Lambda.  La estructura es muy simple, simplemente llamamos a otra función, que es predict_user() y proporcionamos como entrada el cuerpo json de la solicitud POST.  predecir_usuario()   def predict_user(event): """ Gets the input details from the body of the POST request and returns the predicted user """ # Print the event for debugging purposes print(event) # Check if the message has the correct body structure if ['Model', 'HT', 'PPT', 'RRT', 'RPT'] == list(event.keys()): print(f"Model is:", event['Model']) if event["Model"] == "SVM": # Load the trained SVM model from the joblib file model_path = os.path.join(basedir, 'models', 'svm_model.joblib') model = joblib.load(model_path) elif event["Model"] == "RF": # Load the trained Random Forest model from the joblib file model_path = os.path.join(basedir, 'models', 'rf_model.joblib') model = joblib.load(model_path) elif event["Model"] == "XGBoost": # Load the trained XGBoost model from the joblib file model_path = os.path.join(basedir, 'models', 'xgb_model.joblib') model = joblib.load('model_path') # Extract the features from the event dictionary features = [ event['HT']['Mean'], event['HT']['STD'], event['PPT']['Mean'], event['PPT']['STD'], event['RRT']['Mean'], event['RRT']['STD'], event['RPT']['Mean'], event['RPT']['STD'] ] # Make a prediction using the loaded model and the extracted features prediction = model.predict([features]) # Return the predicted user return prediction[0]  Esta función está escrita de manera simplista; según el parámetro del modelo, decidimos cargar el modelo de ML previamente entrenado específico.  Con el modelo previamente entrenado hacemos la predicción del usuario y se la devolvemos al solicitante. (   ) ver la última foto de respuesta del cartero  El entrenamiento de los modelos se realizó en   de este artículo,   . la parte I consulte el enlace anterior  Si te gusta el artículo y quieres apoyarme, asegúrate de:   🔔 Sígueme  Bogdan Tudorache   🔔 Conéctate conmigo:   |  LinkedIn Reddit

This story contains new, firsthand information uncovered by the writer.

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Dinámica de pulsaciones de teclas: predicción del usuario: aplicación Lambda

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Una breve introducción a la teoría del cerebro de Boltzmann

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Navegando por las aguas: desarrollo de aplicaciones RAG de nivel de producción con lagos de datos

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Una breve introducción a la teoría del cerebro de Boltzmann

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps