La dynamique de frappe utilisée dans les modèles d'apprentissage automatique de cet article pour la reconnaissance des utilisateurs est la biométrie comportementale. La dynamique de frappe utilise la manière distinctive dont chaque personne tape pour confirmer son identité. Ceci est accompli en analysant les 2 événements de frappe sur Key-Press et Key-Release - qui constituent une frappe sur les claviers d'ordinateur pour extraire les modèles de frappe.  L'article examinera comment ces modèles ML peuvent être utilisés dans des situations réelles pour prédire un utilisateur.  L'article précédent décrivait comment former 3 modèles ML, sur un ensemble de +880 saisies clavier provenant de 100 utilisateurs à qui il a été demandé d'écrire le même texte 12 fois.   https://hackernoon.com/the-application-of-ml-models-in-user-recognition-via-keystroke-dynamics?embedable=true  Les applications que nous utiliserons pour simuler une situation réelle.   L'architecture    : Afin de tester des scénarios réels, nous utiliserons  +  . Sandbox   Facteur   Ballon    : Lorsque nous souhaitons mettre cette application en production, nous pouvons simplement remplacer les bits du code Flask par du code pour un  . Production   AWS Lambda  Flask est un framework Web que nous pouvons utiliser pour répliquer la passerelle Lambda + API.  Lambda est un service Web sans serveur hébergé sur AWS, qui peut exécuter du code piloté par des événements écrit dans différents langages. Cependant, pour cette application, nous utiliserons Python.  Le flux de données est :  Nous chargeons l'en-tête avec les données d'identification et le modèle que nous voulons utiliser, il s'agit essentiellement de notre   Dans l'   nous ajouterons également la   (Prod uniquement) charge utile json. en-tête clé d'autorisation  Nous effectuons une requête de méthode HTTP POST à Flask App/API Gateway  API Gateway vérifie la clé d'autorisation (clé API) et si elle accepte la demande, envoie la   à Lambda pour traitement charge utile  FlaskApp/Lambda exécute le code sous-jacent  Ce que nous obtenons dans le   de retour est l'ID de l'utilisateur prédit si l'événement réussit, sinon nous obtenons un message d'erreur.  corps  Comme mentionné précédemment, tout le code que vous pouvez trouver sur la page du projet Github :   https://github.com/BogdanAlinTudorache/KeystrokeDynamics  La demande du facteur  Brut   { "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": [] } ] }   Vous pouvez télécharger le fichier depuis GitHub.  Corps   { "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 } }   L'application Flask / l'application Lambda  Si nous voulons tester le processus en sandbox avant de tout déplacer vers AWS, nous devons répliquer un appel de bout en bout à l'aide de Flask.  Comment démarrer l'application Flask ?  Dans le GitHub, vous trouverez la version complète de flask_lambda_function.py et dans n'importe quel IDE, il vous suffit d'exécuter le script car il démarrera automatiquement l'application flask.  Dans mon cas, j'utilise IntelliJ Idea donc j'exécute simplement le script (clic droit → exécuter) :   Tester un scénario réel  Une fois le script démarré dans la partie inférieure de l'IDE, vous verrez la console Python vous informant que le service Web a démarré sur localhost et le port 5000 (je pense que c'est la valeur par défaut mais cela peut également être configuré).   Désormais, chaque fois que nous effectuons une requête HTTP POST, nous devrons déclencher l'application flask, simulant un scénario réel.  Requête POST :   Réponse de la console Python :   Réponse du facteur :   Code DeepDive   @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)})  Le code ci-dessus est défini sur flask-app, mais en commentant et en décommentant certaines lignes, vous pouvez facilement passer à Lambda.  La structure est très simple, nous appelons simplement une autre fonction, qui est Predict_user() et fournissons en entrée le corps json de la requête POST.  prédire_utilisateur()   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]  Cette fonction est écrite de manière simpliste, en fonction du paramètre de modèle que nous décidons de charger le modèle ML pré-entraîné spécifique.  Avec le modèle pré-entraîné, nous effectuons la prédiction de l'utilisateur et la renvoyons au demandeur. (   ) voir dernière photo de réponse du facteur  La formation des modèles a été réalisée dans   de cet article,   . la partie I voir lien ci-dessus  Si vous aimez l’article et souhaitez me soutenir, assurez-vous de :   🔔 Suivez-moi  Bogdan Tudorache See More   🔔 Connectez-vous avec moi :   |  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.

Dynamique de frappe — Prédire l'utilisateur — Application Lambda

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Télégramme : le pont de Crypto Island vers le continent

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Télégramme : le pont de Crypto Island vers le continent

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps