A dinâmica de pressionamento de tecla usada nos modelos de aprendizado de máquina deste artigo para reconhecimento do usuário é a biometria comportamental. A dinâmica de pressionamento de tecla usa a forma distinta que cada pessoa digita para confirmar sua identidade. Isso é feito analisando os 2 eventos de pressionamento de tecla e liberação de tecla - que constituem um pressionamento de tecla em teclados de computador para extrair padrões de digitação.  O artigo examinará como esses modelos de ML podem ser usados em situações da vida real para prever um usuário.  O artigo anterior descreveu como podemos treinar 3 modelos de ML, em um conjunto de +880 entradas de teclado de 100 usuários que foram solicitados a escrever o mesmo texto 12 vezes.   https://hackernoon.com/the-application-of-ml-models-in-user-recognition-via-keystroke-dynamics?embedable=true  Os aplicativos que usaremos para simular uma situação da vida real.   A arquitetura    : Para testar cenários da vida real, usaremos  +  . Sandbox   Carteiro   Frasco    : Quando quisermos mover este aplicativo para produção, podemos simplesmente substituir os bits do código Flask pelo código de um  . Produção   AWS Lambda  Flask é uma estrutura web que podemos usar para replicar o Lambda + API Gateway.  O Lambda é um serviço web sem servidor hospedado na AWS, que pode executar código orientado a eventos escrito em várias linguagens, porém para este aplicativo usaremos python.  O fluxo de dados é:  Carregamos o cabeçalho com os dados de identificação e o modelo que queremos usar, esse é basicamente o nosso   No   também adicionaremos a   (somente Prod) payload json. cabeçalho chave de autorização  Fazemos solicitação do método HTTP POST para Flask App/API Gateway  O API Gateway verifica a chave de autorização (chave API) e se aceitar a solicitação, envia o   ao Lambda para processamento payload  O FlaskApp/Lambda executa o código subjacente  O que obtemos no   de retorno é o ID do usuário previsto se o evento for bem-sucedido, caso contrário, receberemos uma mensagem de erro  corpo  Conforme mencionado anteriormente, todo o código você pode encontrar na página do projeto no Github:   https://github.com/BogdanAlinTudorache/KeystrokeDynamics  O pedido do carteiro  Cru   { "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": [] } ] }   Você pode baixar o arquivo do GitHub.  Corpo   { "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 } }   O aplicativo Flask / aplicativo Lambda  Se quisermos testar o processo em sandbox antes de mover tudo para AWS, devemos replicar uma chamada ponta a ponta usando Flask.  Como iniciar o aplicativo Flask?  No GitHub, você encontrará a versão completa do flask_lambda_function.py e em qualquer IDE você só precisa executar o script, pois ele iniciará automaticamente o aplicativo flask.  No meu caso, estou usando o IntelliJ Idea, então simplesmente executo o script (clique com o botão direito → executar):   Testando um cenário da vida real  Assim que o script for iniciado na parte inferior do IDE você verá o console python informando que o webservice foi iniciado no localhost e na porta 5000 (acho que isso é o padrão, mas também pode ser configurado).   Agora toda vez que fizermos uma solicitação HTTP POST , teremos acionado o aplicativo flask, simulando um cenário da vida real.  Solicitação POST:   Resposta do console Python:   Resposta do carteiro:   Código 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)})  O código acima está definido como flask-app, no entanto, comentando e descomentando certas linhas, você pode facilmente mudar para Lambda.  A estrutura é muito simples, estamos simplesmente chamando outra função, que é predizer_user() e fornecendo como entrada o corpo json da solicitação POST.  prever_usuário()   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 função é escrita de forma simplista, dependendo do parâmetro do modelo, decidimos carregar o modelo de ML pré-treinado específico.  Com o modelo pré-treinado fazemos a previsão do usuário e devolvemos ao solicitante. (   ) veja a última foto da resposta do Postman  O treinamento dos modelos foi feito na   deste artigo,   . parte I veja link acima  Se você gostou do artigo e gostaria de me apoiar, certifique-se de:   🔔 Siga-me  Bogdan Tudorache   🔔 Conecte-se comigo:   |  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.

Dinâmica de pressionamento de tecla - Prevendo o usuário - Aplicativo Lambda

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Telegram: a ponte da Crypto Island para o continente

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

Telegram: a ponte da Crypto Island para o continente

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps