この記事のユーザー認識の機械学習モデルで使用されるキーストロークのダイナミクスは、行動生体認証です。キーストローク ダイナミクスは、各人が入力する独特の方法を使用して自分の身元を確認します。これは、コンピュータのキーボードのキーストロークを構成する、キーを押すときとキーを離すときの 2 つのキーストローク イベントを分析して入力パターンを抽出することによって実現されます。 この記事では、これらの ML モデルを実際の状況でユーザーを予測するためにどのように使用できるかを検討します。 前回の記事では、同じテキストを 12 回書くように依頼された 100 人のユーザーからの 880 以上のキーボード入力のセットで 3 つの ML モデルをトレーニングする方法について説明しました。   https://hackernoon.com/the-application-of-ml-models-in-user-recognition-via-keybottom-dynamics?embedable=true 実際の状況をシミュレートするために使用するアプリ。  建築学、建築物、建築様式 : 実際のシナリオをテストするために使用します。 + 。 サンドボックス 郵便屋さん フラスコ    : このアプリケーションを実稼働環境に移行したい場合は、Flask コードのビットを、 。 Production   AWSラムダ  Flask は、Lambda + API Gateway を複製するために使用できる Web フレームワークです。  Lambda は AWS でホストされるサーバーレス Web サービスで、さまざまな言語で記述されたイベント駆動型のコードを実行できますが、このアプリでは Python を使用します。 データフローは次のとおりです。 ヘッダーに識別データと使用したいモデルをロードします。これは基本的に には も追加します (製品のみ) JSON ペイロードです。 ヘッダー 認証キー  Flask App/API Gatewayに対してHTTP POSTメソッドリクエストを行います。  API Gateway は認証キー (API キー) をチェックし、リクエストを受け入れると、処理のために Lambda に送信します。 ペイロードを  FlaskApp/Lambda は基礎となるコードを実行します イベントが成功した場合、戻りの で取得されるのは予測されたユーザーの ID であり、そうでない場合はエラー メッセージが表示されます。  本文 前述したように、すべてのコードは Github プロジェクト ページで見つけることができます。   https://github.com/BogdanAlinTudorache/KeythroughDynamics 郵便配達員のリクエスト 生 { "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": [] } ] } ファイルは GitHub からダウンロードできます。 体 { "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 } }   Flask アプリ / Lambda アプリ すべてを AWS に移行する前にプロセスをサンドボックス テストしたい場合は、Flask を使用してエンドツーエンドの呼び出しを複製する必要があります。  Flask アプリを起動するにはどうすればよいですか?  GitHub には flask_lambda_function.py のフルバージョンがあり、どの IDE でもスクリプトを実行するだけで flask アプリが自動的に起動します。 私の場合は IntelliJ Idea を使用しているので、スクリプトを実行するだけです (右クリック → 実行)。  現実のシナリオをテストする IDE の下部でスクリプトが開始されると、Web サービスがローカルホストとポート 5000 で開始されたことを通知する Python コンソールが表示されます (これはデフォルトだと思いますが、これを構成することもできます)。  これで、HTTP リクエスト POST を実行するたびに、flask アプリをトリガーして、実際のシナリオをシミュレートすることになります。  POSTリクエスト:   Python コンソールの応答:  郵便配達員の応答:  コードのディープダイブ @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)}) 上記のコードは flask-app に設定されていますが、特定の行をコメント化またはコメント解除することで、簡単に Lambda に切り替えることができます。 構造は非常に単純です。別の関数である detect_user() を呼び出し、POST リクエストからの json 本文を入力として提供するだけです。 予測ユーザー()   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] この関数は単純化して記述されており、モデル パラメーターに応じて、特定の事前トレーニングされた ML モデルをロードすることを決定します。 事前トレーニングされたモデルを使用してユーザー予測を行い、それをリクエスターに返します。 ( ) 最後の郵便配達員の応答写真を参照 モデルのトレーニングはこの記事の で行われています。 。 パート I 上記のリンクを参照してください この記事が気に入って私をサポートしていただける場合は、必ず次のことを行ってください。   🔔 フォローしてください ボグダン・トゥドラシュ 🔔 私とつながりましょう:   |  LinkedIn レディット

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.

Autonomous content aggregator platform

Read My Stories

このオーディオは、ストーリーの元の言語で制作されています。

長すぎる; 読むには

Make resilience your competitive advantage

キーストロークのダイナミクス — ユーザーの予測 — Lambda アプリ

About Author

コメント

ラベル

この記事は

Related Stories

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

ユニークなエコシステムを支えるビットコインUTXOのモデル

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

ワークフローを10倍に向上させる方法: 必須アプリ17選

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

ユニークなエコシステムを支えるビットコインUTXOのモデル

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

ワークフローを10倍に向上させる方法: 必須アプリ17選

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps