কীস্ট্রোক ডায়নামিক্সের মাধ্যমে ব্যবহারকারীর স্বীকৃতিতে এমএল মডেলের প্রয়োগ

কীস্ট্রোক ডায়নামিক্স ব্যবহার করে ব্যবহারকারীর স্বীকৃতির জন্য এমএল মডেল

ব্যবহারকারীর স্বীকৃতির জন্য এই নিবন্ধের মেশিন লার্নিং মডেলগুলিতে ব্যবহৃত কীস্ট্রোক গতিবিদ্যা হল আচরণগত বায়োমেট্রিক্স৷ কীস্ট্রোক ডায়নামিক্স স্বতন্ত্র উপায় ব্যবহার করে যা প্রতিটি ব্যক্তি তাদের পরিচয় নিশ্চিত করতে টাইপ করে। এটি কী-প্রেস এবং কী-রিলিজে 2টি কীস্ট্রোক ইভেন্ট বিশ্লেষণ করে সম্পন্ন করা হয় — যা টাইপিং প্যাটার্ন বের করতে কম্পিউটার কীবোর্ডে একটি কীস্ট্রোক তৈরি করে।

ব্যবহারকারীর স্বীকৃতির জন্য 3টি সুনির্দিষ্ট মেশিন-লার্নিং মডেল তৈরি করতে এই নিদর্শনগুলি কীভাবে প্রয়োগ করা যেতে পারে তা এই নিবন্ধটি পরীক্ষা করবে।

এই নিবন্ধটির লক্ষ্য দুটি ভাগে বিভক্ত করা হবে, মেশিন লার্নিং মডেল তৈরি করা এবং প্রশিক্ষণ দেওয়া (1. SVM 2. র্যান্ডম ফরেস্ট 3. XGBoost ) এবং মডেলটিকে একটি বাস্তব লাইভ একক পয়েন্ট API-এ স্থাপন করা যা 5টি ইনপুটের উপর ভিত্তি করে ব্যবহারকারীর পূর্বাভাস দিতে সক্ষম। পরামিতি: ML মডেল এবং 4 কীস্ট্রোক বার।

1. বিল্ডিং মডেল

সমস্যাটি

এই অংশের উদ্দেশ্য হল তাদের কীস্ট্রোক ডেটার উপর ভিত্তি করে ব্যবহারকারীর স্বীকৃতির জন্য ML মডেল তৈরি করা। কীস্ট্রোক ডায়নামিক্স হল একটি আচরণগত বায়োমেট্রিক যা একজন ব্যক্তির পরিচয় যাচাই করার জন্য একজন ব্যক্তি টাইপ করার অনন্য উপায় ব্যবহার করে।

টাইপিং প্যাটার্নগুলি মূলত কম্পিউটার কীবোর্ড থেকে বের করা হয়। কীস্ট্রোক ডায়নামিক্সে ব্যবহৃত প্যাটার্নগুলি মূলত দুটি ঘটনা থেকে উদ্ভূত হয় যা একটি কীস্ট্রোক তৈরি করে: কী-প্রেস এবং কী-রিলিজ।

কী-প্রেস ইভেন্টটি একটি কী-এর প্রাথমিক বিষণ্নতায় সঞ্চালিত হয় এবং সেই কী-এর পরবর্তী প্রকাশে কী-রিলিজ ঘটে।

এই ধাপে, নিম্নলিখিত তথ্য সহ ব্যবহারকারীদের কীস্ট্রোক তথ্যের একটি ডেটাসেট দেওয়া হয়েছে:

• keystroke.csv : এই ডেটাসেটে, 110 জন ব্যবহারকারীর কাছ থেকে কীস্ট্রোক ডেটা সংগ্রহ করা হয়।
• সমস্ত ব্যবহারকারীকে একটি 13-দৈর্ঘ্যের ধ্রুবক স্ট্রিং 8 বার টাইপ করতে বলা হয় এবং কীস্ট্রোক ডেটা (কী-প্রেস সময় এবং প্রতিটি কী-এর জন্য কী-রিলিজ সময়) সংগ্রহ করা হয়।
• ডেটা সেটটিতে 880টি সারি এবং 27টি কলাম রয়েছে।
• প্রথম কলামটি UserID নির্দেশ করে এবং বাকিটি প্রথম থেকে 13 তম অক্ষরের জন্য প্রেস এবং প্রকাশের সময় দেখায়।

আপনার নিম্নলিখিতগুলি করা উচিত:

1. সাধারণত, কাঁচা ডেটা যথেষ্ট তথ্যপূর্ণ নয়, এবং একটি ভাল মডেল তৈরি করতে কাঁচা ডেটা থেকে তথ্যপূর্ণ বৈশিষ্ট্যগুলি বের করার প্রয়োজন হয়৷

   
   

এই বিষয়ে, চারটি বৈশিষ্ট্য:

• Hold Time “HT”

• Press-Press time “PPT”

• Release-Release Time “RRT”

• Release-Press time “RPT”

  
  

চালু করা হয়েছে এবং তাদের প্রত্যেকের সংজ্ঞা উপরে বর্ণিত হয়েছে।

2. keystroke.csv, আপনাকে প্রতিটি পরপর দুটি কী-এর জন্য এই বৈশিষ্ট্যগুলি তৈরি করতে হবে।

3. পূর্ববর্তী ধাপটি সম্পূর্ণ করার পরে, আপনাকে প্রতি সারিতে প্রতিটি বৈশিষ্ট্যের গড় এবং মানক বিচ্যুতি গণনা করা উচিত। ফলস্বরূপ, আপনার প্রতি সারিতে 8টি বৈশিষ্ট্য (4 গড় এবং 4টি মানক বিচ্যুতি) থাকা উচিত। → process_csv()

 def calculate_mean_and_standard_deviation(feature_list): from math import sqrt # calculate the mean mean = sum(feature_list) / len(feature_list) # calculate the squared differences from the mean squared_diffs = [(x - mean) ** 2 for x in feature_list] # calculate the sum of the squared differences sum_squared_diffs = sum(squared_diffs) # calculate the variance variance = sum_squared_diffs / (len(feature_list) - 1) # calculate the standard deviation std_dev = sqrt(variance) return mean, std_dev

 def process_csv(df_input_csv_data): data = { 'user': [], 'ht_mean': [], 'ht_std_dev': [], 'ppt_mean': [], 'ppt_std_dev': [], 'rrt_mean': [], 'rrt_std_dev': [], 'rpt_mean': [], 'rpt_std_dev': [], } # iterate over each row in the dataframe for i, row in df_input_csv_data.iterrows(): # iterate over each pair of consecutive presses and releases # print('user:', row['user']) # list of hold times ht_list = [] # list of press-press times ppt_list = [] # list of release-release times rrt_list = [] # list of release-press times rpt_list = [] # I use the IF to select only the X rows of the csv if i < 885: for j in range(12): # calculate the hold time: release[j]-press[j] ht = row[f"release-{j}"] - row[f"press-{j}"] # append hold time to list of hold times ht_list.append(ht) # calculate the press-press time: press[j+1]-press[j] if j < 11: ppt = row[f"press-{j + 1}"] - row[f"press-{j}"] ppt_list.append(ppt) # calculate the release-release time: release[j+1]-release[j] if j < 11: rrt = row[f"release-{j + 1}"] - row[f"release-{j}"] rrt_list.append(rrt) # calculate the release-press time: press[j+1] - release[j] if j < 10: rpt = row[f"press-{j + 1}"] - row[f"release-{j}"] rpt_list.append(rpt) # ht_list, ppt_list, rrt_list, rpt_list are a list of calculated values for each feature -> feature_list ht_mean, ht_std_dev = calculate_mean_and_standard_deviation(ht_list) ppt_mean, ppt_std_dev = calculate_mean_and_standard_deviation(ppt_list) rrt_mean, rrt_std_dev = calculate_mean_and_standard_deviation(rrt_list) rpt_mean, rpt_std_dev = calculate_mean_and_standard_deviation(rpt_list) # print(ht_mean, ht_std_dev) # print(ppt_mean, ppt_std_dev) # print(rrt_mean, rrt_std_dev) # print(rpt_mean, rpt_std_dev) data['user'].append(row['user']) data['ht_mean'].append(ht_mean) data['ht_std_dev'].append(ht_std_dev) data['ppt_mean'].append(ppt_mean) data['ppt_std_dev'].append(ppt_std_dev) data['rrt_mean'].append(rrt_mean) data['rrt_std_dev'].append(rrt_std_dev) data['rpt_mean'].append(rpt_mean) data['rpt_std_dev'].append(rpt_std_dev) else: break data_df = pd.DataFrame(data) return data_df

MLs প্রশিক্ষণ

এখন যেহেতু আমরা ডেটা পার্স করেছি আমরা ML-কে প্রশিক্ষণ দিয়ে মডেল তৈরি করা শুরু করতে পারি।

ভেক্টর মেশিনকে সাপর্ট কর

 def train_svm(training_data, features): import joblib from sklearn.svm import SVC """ SVM stands for Support Vector Machine, which is a type of machine learning algorithm used: for classification and regression analysis. SVM algorithm aims to find a hyperplane in an n-dimensional space that separates the data into two classes. The hyperplane is chosen in such a way that it maximizes the margin between the two classes, making the classification more robust and accurate. In addition, SVM can also handle non-linearly separable data by mapping the original features to a higher-dimensional space, where a linear hyperplane can be used for classification. :param training_data: :param features: :return: ML Trained model """ # Split the data into features and labels X = training_data[features] y = training_data['user'] # Train an SVM model on the data svm_model = SVC() svm_model.fit(X, y) # Save the trained model to disk svm_model_name = 'models/svm_model.joblib' joblib.dump(svm_model, svm_model_name)

অতিরিক্ত পড়া:

এলোমেলো বন

 def train_random_forest(training_data, features): """ Random Forest is a type of machine learning algorithm that belongs to the family of ensemble learning methods. It is used for classification, regression, and other tasks that involve predicting an output value based on a set of input features. The algorithm works by creating multiple decision trees, where each tree is built using a random subset of the input features and a random subset of the training data. Each tree is trained independently, and the final output is obtained by combining the outputs of all the trees in some way, such as taking the average (for regression) or majority vote (for classification). :param training_data: :param features: :return: ML Trained model """ import joblib from sklearn.ensemble import RandomForestClassifier # Split the data into features and labels X = training_data[features] y = training_data['user'] # Train a Random Forest model on the data rf_model = RandomForestClassifier() rf_model.fit(X, y) # Save the trained model to disk rf_model_name = 'models/rf_model.joblib' joblib.dump(rf_model, rf_model_name)

অতিরিক্ত পড়া:

চরম গ্রেডিয়েন্ট বুস্টিং

 def train_xgboost(training_data, features): import joblib import xgboost as xgb from sklearn.preprocessing import LabelEncoder """ XGBoost stands for Extreme Gradient Boosting, which is a type of gradient boosting algorithm used for classification and regression analysis. XGBoost is an ensemble learning method that combines multiple decision trees to create a more powerful model. Each tree is built using a gradient boosting algorithm, which iteratively improves the model by minimizing a loss function. XGBoost has several advantages over other boosting algorithms, including its speed, scalability, and ability to handle missing values. :param training_data: :param features: :return: ML Trained model """ # Split the data into features and labels X = training_data[features] label_encoder = LabelEncoder() y = label_encoder.fit_transform(training_data['user']) # Train an XGBoost model on the data xgb_model = xgb.XGBClassifier() xgb_model.fit(X, y) # Save the trained model to disk xgb_model_name = 'models/xgb_model.joblib' joblib.dump(xgb_model, xgb_model_name)

অতিরিক্ত পড়া:

আপনি যদি নিবন্ধটি পছন্দ করেন এবং আমাকে সমর্থন করতে চান তবে নিশ্চিত করুন:

🔔 আমাকে অনুসরণ করুন বোগদান টুডোরাচে

🔔 আমার সাথে সংযোগ করুন: LinkedIn | রেডডিট