使机器学习算法适应我的问题

Question

我正在做一个项目，需要你的想法和建议。

首先，让我说说我的问题。

机器有电源键和其他一些按键 只有一个用户具有使用本机的身份验证。有 没有其他认证方式，机器在公司公共区域。

机器正在使用电源按钮和其他一些键的组合。 按键顺序是保密的，但我们不信任它，任何人都可以知道密码并访问机器。

我有能力管理密钥持有时间以及其他一些指标 测量按键之间的时间差异，例如水平或垂直按键时间（差异）。我也可以测量保持时间等。

这些都意味着我有一些输入，

现在我正在尝试通过分析这些输入来获取用户配置文件。

我的想法是让经过身份验证的用户按密码 n 次并创建一个阈值或类似的东西。

这种方法也可以说是BIOMETRICS，任何知道机器按键组合的人都可以尝试密码，但如果超出这个范围就无法访问。

如何将这些应用到我的算法中？我应该从哪里开始？

我不想深入研究机器学习，而且我可以看到，在我的第一次尝试中，我可以得到非常高的误报和误报值，但我可以通过改变我的输入来管理它。

谢谢。

Answer 1

对我来说，这似乎是分类问题的一个很好的候选。您有两个类（正确的密码输入/不正确的密码），您的数据可能是按下按钮的时间（从时间 0 开始）。您可以教授学习算法，但有几个正确密码数据和错误密码数据的示例。一旦您的分类器经过训练并且工作令人满意，您就可以尝试预测新密码输入尝试的正确性。

您可以尝试 Weka 的几个分类器，这是一个基于 GUI 的机器学习工具 http://www.cs.waikato.ac.nz/ml/weka/

您需要将数据采用简单的表格格式，以便在 weka 中进行实验，如下所示：

Attempt No | 1st button time | 2nd button time | 3rd button time | is_correct
-----------|-----------------|-----------------|-----------------|------------
     1     |    1.2          |    1.5          |  2.4            | YES
     2     |    1.3          |    1.8          |  2.2            | YES
     3     |    1.1          |    1.9          |  2.0            | YES
     4     |    0.8          |    2.1          |  2.9            | NO
     5     |    1.2          |    1.9          |  2.2            | YES
     6     |    1.1          |    1.8          |  2.1            | NO

这将是一个训练集。结果（已知）是类 is_correct。您将通过 weka 选择分类器（例如朴素贝叶斯）来运行此数据。这将产生一个可用于预测未来条目的分类器（例如一组规则）。

Answer 2

这类问题的关键是设计好的指标。获得输入值向量后，您可以使用多种机器学习算法之一将其分类为授权或拒绝。所以第一步应该是确定哪些指标（你提到的那些）将是最有用的，并选择其中的一小部分（5-10）。通过平均（例如，任何按键的平均长度，而不是每个键的单独值）来折叠一些可能会受益。然后你需要选择一个算法。对实数向量进行分类的一个很好的方法是支持向量机 - 此时您应该阅读它，特别是“内核”函数是什么，以便您可以选择使用一个。然后，您将需要收集一组学习示例（具有已知结果的向量），用它们训练算法，并在一组新示例上测试训练后的 svm 以查看它的性能。如果简单内核（例如线性）的性能很差，您可以选择使用更高维度的内核。祝你好运！