tổng quan bài toán nhận dạng cách gõ phím

Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Mục lục 1 Nhóm thực hiện 5 2 Tổng quan 5 2.1 Ứng dụng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2 Lịch sử phát triển . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.3 Những tiêu chuẩn đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3 Xây dựng mẫu dữ liệu 7 3.1 Lựa chọn thuộc tính . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.1.1 Scan code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.1.2 Dwell time . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.1.3 Flight time . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.1.4 Xây dựng biểu đồ dựa trên các thuộc tính dwell time và flight time . . . . . . . 9 3.2 Quy trình thu thập mẫu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 3.3 Xây dựng hồ sơ tham chiếu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 4 Các giải thuật phân lớp 14 4.1 Sử dụng mạng nơron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 4.2 Sử dụng độ đo khoảng cách . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 4.2.1 Khoảng cách Euclid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 4.2.2 Khoảng cách Euclid dạng chuẩn . . . . . . . . . . . . . . . . . . . . . . . . . . 16 4.2.3 Khoảng cách Manhattan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 4.2.4 Khoảng cách Manhattan (scaled) . . . . . . . . . . . . . . . . . . . . . . . . . . 18 4.2.5 Khoảng cách Mahalanobis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.2.6 Khoảng cách Mahalanobis dạng chuẩn . . . . . . . . . . . . . . . . . . . . . . . 21 4.2.7 Lân cận gần nhất (Mahalanobis) . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.3 Outlier-count (z-score) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.4 Các giải thuật khác . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 5 Lượng giá giải thuật 22 5.1 Nhu cầu về bộ test chuẩn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 5.2 Cách thu thập dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 5.3 Huấn luyện và kiểm nghiệm giải thuật . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 5.4 Tính toán hiệu quả của mỗi giải thuật . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 6 Ứng dụng demo 27 6.1 Psylock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 6.1.1 Đăng ký . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 6.1.2 Tạo hồ sơ cá nhân . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 1 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím 6.1.3 Xác nhận cách gõ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 6.2 BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 6.2.1 Cài đặt chương trình . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 6.2.2 Đăng ký . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 6.2.3 Tạo hồ sơ cá nhân . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 6.2.4 Xác nhận cách gõ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 7 Tổng kết 41 7.1 Đánh giá ưu khuyết điểm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1 7.1.1 Ưu điểm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 7.1.2 Khuyết điểm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 7.2 Các hướng nghiên cứu tiếp theo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Tài liệu 43 Chỉ mục 44 2 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Danh sách hình vẽ 1 Đồ thị quan hệ giữa FAR, FRR và EER . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2 Đồ thị thể hiện Zero -miss rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3 Flight time . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 4 Biểu đồ theo dwell time . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 5 Biểu đồ digraph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 6 Biểu đồ trigraph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 7 Mạng nơron nhân tạo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 8 Đường cong ROC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 9 Trang chủ Psylo ck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 10 Chọn Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 11 Trang chủ Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 12 Đăng ký Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 13 Mail xá c nhận Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 14 Đăng nhập Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 15 Giao diện ban đầu của Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 16 Đổi sang giao diện tiếng Anh của Psylock Demo . . . . . . . . . . . . . . . . . . . . . 30 17 Giao diện tiếng Anh của Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . . . 30 18 Huấn luyện Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 19 Thông báo huấn luyện xong Psylock Demo . . . . . . . . . . . . . . . . . . . . . . . . 3 1 20 Giao diện Psylock Demo verify . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 21 Giao diện Psylock Demo verify đúng . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 22 Giao diện Psylock Demo verify phát hiện giả mạo . . . . . . . . . . . . . . . . . . . . . 32 23 Chạy tập tin cài đặt BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 24 Bước 1 cài đặt BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 25 Bước 2 cài đặt BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 4 26 Bước 3 cài đặt BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 4 27 Cửa sổ cài đặt BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 5 28 Hoàn tất cài đặt BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 29 Icon BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 30 Màn hình chính BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 31 Màn hình đăng ký BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 32 Huấn luyện BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 33 Hoàn tất huấn luyện BioPassword . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 34 Kích hoạt BioPassword verify . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 35 Màn hình BioPassword verify . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 36 Màn hình BioPassword verify đúng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 37 Màn hình BioPassword verify phát hiện giả mạ o . . . . . . . . . . . . . . . . . . . . . 41 3 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Danh sách bảng 1 Bảng xếp hạng các giải thuật theo Equal-error rate. . . . . . . . . . . . . . . . . . . . 26 2 Bảng xếp hạng các giải thuật theo Zero-miss false alarm rate. . . . . . . . . . . . . . . 26 4 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím 1 Nhóm thực hiện Nguyễn Đức Ho àng - 10 11 076 Phạm Linh Huy - 10 11 026 Huỳnh Nguyễn Kossel - 10 11 033 Hứa Lê Thanh Vy - 10 11 070 2 Tổng quan 2.1 Ứng dụng Để đăng nhập vào những hệ thống như tài khoản ngân hàng, website, hay mạng nội bộ công ty, tài khoản và mật khẩu là một phương thức an ninh rất quen thuộc và được áp dụng rộng rãi cho đến hiện nay. Nhưng đồng hành với phương thức an ninh này cũng có nhiều những vấn đề về bảo mật. Việc giữ bí mật về mật khẩu là một vấn đề hết sức khó khăn và cũng có lắm rủi ro. Những mật khẩu đơn giản thì dễ dàng bị bẻ gãy, những mật khẩu phức tạp thì thật sự khó nhớ. Để giải quyết vấn đề này, r ất nhiều nghiên cứu trên rất nhiều lĩnh vực đã được thực hiện không chỉ ở lĩnh vực mã hoá, mật mã mà còn trên những lĩnh vực nhân trắc học như nhận dạng vân tay, khuôn mặt, bàn tay, (Nhân trắc học dựa trên đặc trưng sinh học) hay nhận dạng giọng nói, chữ viết tay, đánh máy, (Nhân trắc học dựa trên đặ c trưng hành vi). Trong số các hướng nghiên cứu về nhâ n trắc học dựa trên đặc trưng hành vi để áp dụng giải bài toán về bảo mật chứng thực, tài liệu này sẽ trình bày về nhâ n trắc học hành vi dựa trên đặc trưng đánh máy với tên gọi trong thuật ngữ chuyên ngành là Keystroke Dynamics hay Typing Dynamics. Thực chất, kỹ thuật này tập trung vào việc rút trích thông tin đặc trưng từ những tương tác giữa một người và một thiết bị có chức năng như bàn phím và sử dụng thông tin này để tự động chứng thực và/hay định danh ng ười dùng. Ý tưởng cơ bản dựa trên giả thuyết là mỗi người tương tác với bàn phím theo một cách riê ng duy nhất. Giả định những sự tương tác của một người với bàn phím đủ đặc biệt để cung cấp một chữ ký tham chiếu duy nhất. Với một chữ ký có được, nhiệm vụ tiếp theo là phát triển một phương pháp tự động để phân biệt một chữ ký tham chiếu từ một tập hợp tất cả những chữ ký tham chiếu (Thực chất đây là bước phân lớp). Độ chính xác của tiến trình này là mục tiêu chính trong các nghiên cứu. Những nhân tố nào ảnh hưởng đến độ chính xác của sự phân lớp? Đó là những thuộc tính hay thuật toán phân lớp hay sự kết hợp của cả hai? Đó là những câu hỏi đặt ra trên những nghiên cứu trong lĩnh v ực này. 2.2 Lịch sử phát triển Vào thế chiến thứ II khi quân đội truyền tin bằng mã Morse, với một phương pháp được gọi là "The Fist of the Sender" tình báo quân đội đã phát hiện ra rằng mỗi người có một nhịp điệu nhấn tín hiệu riêng duy nhất, điều này có thể giúp họ có thể phân biệt đồng minh hay quân địch. 5 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Năm 19 79, Viện nghiên cứu Stanford (SRI International) phát triển một giải pháp nhân trắc học dựa trên phần cứng sử dụng cùng một nguyên lý như "The Fist of the Sender". Năm 1984, SRI International thực hiện một nghiên cứu cho Viện nghiên cứu quốc gia Hoa Kỳ (the National Bureau of Standards) với việc sử dụng Keystroke Dynamics cho an ninh máy tính. Kết quả của nghiên cứu này đạt đến độ chính xác 98%. Năm 2000, BioPassword giải quyết một vấn đề quan trọng trong việc xác thực người dùng sau khi vượt qua chương trình kiểm định Comparative Testing của the Financial Services Technology Consortium (FSTC)/International Biometric Group (IBG). Chương trình này đo hiệu suất thế giới thực của những công nghệ nhân trắc học hàng đầu trong 2 lĩnh vực IT security và thương mại điện tử. Năm 2001, công nghệ Keystroke Dynamics được tích hợp vào các sản phẩm tiêu dùng từ điện thoại di động cho đến các thiết bị bảo mật cá nhân. Năm 2 002, BioPassword giành được bản quyền công nghệ Keystroke Dynamics và ứng dụng Keystroke Dynamics vào chứng thực mạng, ng ân hàng, thương mại điện tử, y tế, chính phủ và giáo dục. Năm 2007, C ác nghiên cứu về lĩnh vực Keystroke Dynamic của Psylock vào được chung kết giải thưởng danh tiếng Global Security Challenge và đạt giải ba IT-Sec urity Award 2008 của Đức. Với tỉ lệ (FAR/FRR) c ủa mình, Psylock khẳng định vị trí dẫn đầu công nghệ . 2.3 Những tiêu chuẩn đánh giá False Acceptance Rate (FAR) hay (FMR) : Tỷ lệ khả năng hệ thống chấp nhận những input không hợp lệ - Tỷ lệ chấp nhận sai. False Rejection Rate (FRR) hay (FNMR) : Tỷ lệ khả năng hệ thống không chấp nhận những input hợp lệ - Tỷ lệ loại bỏ sai. Equal Error Rate (EER) hay (CER) : Tỷ lệ mà tại đó những lỗi chấp nhận sai và những lỗi loại bỏ sai bằng nhau. Tỷ lệ này càng nhỏ thì hệ thống càng đạt đến độ chính xác cao. Hình 1: Đồ thị quan hệ giữa FAR, FRR và EER [7]. 6 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Zero-miss false-alarm rate (Zero-miss rate): là một độ đo hiệu quả của thuật toán được định nghĩa là tỷ lệ mà tại đó FAR là nhỏ nhất sao cho FRR là nhỏ nhất. Với Hit rate = 1 −F RR và False Alarm Rate = FAR ta có Ze ro-miss rate và EER được minh hoạ như hình sau: Hình 2: Hình 1 tà i liệu [5]. 3 Xây dựng mẫu dữ liệu 3.1 Lựa chọn thuộc tính Về cơ bản Keystroke Dynamics hoạt động với một tiến trình gồ m 3 giai đoạn: • Bước 1: Các đặc điểm tương tác với bàn phím của người dùng được thu thập lại. • Bước 2: Hệ thống phát triển một mô hình mẫu. • Bước 3: Phát sinh quá trình phân lớp dựa trên các đặc điểm đánh máy của người dùng và mô hình mẫu đã được xây dựng. Bước quan trọng nhất của Keystroke Dynamics là việc lựa chọn các đặc điểm đánh máy của người dùng. Mục đích của tiến trình này là thu thập lại các đặc điểm tương tác với bàn phím riêng biệt của mỗi người dùng khác nhau. Các đặc điểm này bao gồm 3 thuộc tính chính sau đây: 1. Scan code: mã vị trí của phím. 7 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím 2. Dwell time: thờ i gian đè một phím. 3. Flig ht time: thời gian giữa các phím. 3.1.1 Scan code Scan code là một giá trị số duy nhất ứng với mỗi phím trên bàn phím. Chẳng hạn khi đánh một ký tự in hoa, sẽ có hai cách. Một là người dùng sẽ ấn phím Caps Lock rồi ấn phím cần đánh. Hai là sử dụng phím Shift + phím cần gõ. Hoặc khi khi cầ n gõ số 1 cũng có hai cách là sử dụng phím 1 ngay bên trên phím Q hoặc gõ phím 1 tại khu vực các phím chỉ toàn là số (khu vực phím Num Lock). Khi đó mã vị trí phím (scan code) của hai phím số 1 này là khác nhau. 3.1.2 Dwell time Dwell time là thời gian người dùng đè một phím cho tới khi nhả ra khi đánh máy. 3.1.3 Flight time Flight time là thời gian đánh n phím liên tục (n thường là 2 hoặc 3). 8 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Hình 3: Flight time [8]. Giải thích: Chữ P nghĩa là Press: lúc bắt đầu nhấn một phím nào đó. Chữ R ng hĩa là Release: lúc thả phím ra. • Dwell time (D1) D1 = R1 −P 1 : từ lúc đè phím cho tới lúc nhả phím ra • Flight time Chia ra 3 loại như sau: 1. Nhả phím - Ấn phím (D2) – Thời gian từ lúc ấn phím đầu tiên cho đến lúc ấn phím tiếp theo. – Là một giá trị dương – D2 = P 2 − P 1. 2. Ấn phím - Ấn phím (D3) – Khoảng thời gian khi nhả phím đầu cho đến lúc ấn phím tiếp theo – Có thể là một giá trị âm nếu phím đầu tiên chưa nhả mà phím tiếp theo đã được ấn xuống. – D3 = P 2 − R1. 3. Nhả phím - Nhả phím (D4) – Khoảng thời gian từ lúc nhả phím thứ nhất đến lúc nhả phím thứ ha i. – Là một giá trị dương. – D4 = R2 −R1 3.1.4 Xây dựng biểu đồ dựa trên các thuộc tính dwell time và flight time Biểu đồ theo dwell time 9 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Hình 4: B iể u đồ trên thể hiện thời gian đánh mỗi ký tự trong chuỗi THE BROWN FOX [8]. Biểu đồ theo Flight tim e Từ đặc điểm c ủa flight time người ta thường xây dựng 2 loại biểu đồ để hỗ trợ trong việc phân lớp. Biểu đồ digraph Biểu đồ digraph được xây dựng dựa trên khoảng thời gian từ lúc bấm phím đầu tiên đến lúc nhấn phím thứ 2. 10 [...]... Tổng quan bài toán nhận dạng cách gõ phím BioPassword Cài đặt chương trình Chạy tập tin cài đặt: Sau đó thực hiện lần lượt các thao tác như sau: Hình 23: Chạy tập tin cài đặt BioPassword Hình 24: Bước 1 cài đặt BioPassword 33 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Hình 25: Bước 2 cài đặt BioPassword Hình 26: Bước 3 cài đặt BioPassword 34 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách. .. • Nhập thêm 29 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Hình 16: Đổi sang giao diện tiếng Anh Psylock Demo Hình 17: Giao diện tiếng Anh Psylock Demo Sau khi làm thao tác trên ta thấy trang web đã có giao diện tiếng Anh như hình dưới: Ta có thể bắt đầu train cho profile: Hình 18: Huấn luyện Psylock Demo 30 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Trang sau hiển thị thông... (Equal-error rate và Zero-miss false alarm rate) 26 Nhóm 34 - K20 6 6.1 6.1.1 Tổng quan bài toán nhận dạng cách gõ phím Ứng dụng demo Psylock Đăng ký Vào trang chủ psylock theo link sau: http://www.psylock.com/en/ Trang chủ hiển thị như sau: Hình 9: Trang chủ Psylock 27 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Ở cuối trang ta thấy có các link sau, click vào link Demo Hình 10: Chọn Psylock... Tổng quan bài toán nhận dạng cách gõ phím (authentication) hoặc nhận dạng (identification) Hầu hết các báo cáo nghiên cứu trong lĩnh vực này đều tập trung vào bài toán chứng thực Bài toán chứng thực đơn giản hơn bài toán nhận dạng, vì nó chỉ là quá trình so khớp 1:1 giữa thông tin đang đăng nhập và BIR liên quan Khi một người đăng nhập vào hệ thống, những thuộc tính đã được ghi nhận trong quá trình đăng... 20 return ( s c o r e s ) ; 21 22 } 19 Nhóm 34 - K20 4.2.5 Tổng quan bài toán nhận dạng cách gõ phím Khoảng cách Mahalanobis Mô tả giải thuật Giải thuật phân lớp này [3] gần giống với giải thuật dùng độ đo Euclid và Manhattan, nhưng cách tính khoảng cách phức tạp hơn nhiều Khoảng cách Mahalanobis có thể xem như một dạng mở rộng của khoảng cách Euclid áp dụng cho độ liên thuộc giữa các thuộc tính đặc... huấn luyện mạng nơron có dữ liệu được lặp lại rất nhiều lần 3 Mạng nơron không được huấn luyện cho trường hợp người dùng có cách gõ phím không nhất quán, hoặc là trường hợp có sai khác lớn trong bộ dữ liệu ghi nhận thời gian gõ 22 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím 4 Người dùng chỉ được thử sai đúng một lần trong giải thuật dùng mạng nơron, trong khi được thử sai đến 2 lần trong Outlier-Count... - K20 4.2.6 Tổng quan bài toán nhận dạng cách gõ phím Khoảng cách Mahalanobis dạng chuẩn Mô tả giải thuật Giải thuật phân lớp dựa trên độ đo này được đề xuất bởi S Bleha [1], còn được tác giả gọi là "Bộ phân lớp Bayes đã được chuẩn hóa" Trong quá trình huấn luyện, vectơ trung bình của tập các vectơ đặc trưng thời gian và ma trận hiệp phương sai được tính toán Trong giai đoạn test, khoảng cách Mahalanobis... 4.2.7 Tổng quan bài toán nhận dạng cách gõ phím Lân cận gần nhất (Mahalanobis) Mô tả giải thuật Giải thuật này được mô tả bởi Cho [2] Trong quá trình huấn luyện, ta sẽ lưu một danh sách các vectơ dùng để huấn luyện, và tính toán ma trận hiệp phương sai Trong giai đoạn test, ta sẽ tính khoảng cách Mahalanobis giữa mỗi vectơ dùng để huấn luyện và vectơ test Độ sai lệch (score) được tính bằng khoảng cách. .. khoảng cách Euclid giữa vectơ đặc trưng thời gian của việc gõ phím đầu vào ở giai đoạn test (test vector) và mean vector được tính toán, nhưng điểm số cuối cùng không được tính trên khoảng cách này mà sẽ được tính trên khoảng cách đã được "chuẩn hoá" lại bằng cách chia cho tích của chuẩn 2 vectơ (test và mean vector) Công thức chung • n là số vectơ dùng để huấn luyện 16 Nhóm 34 - K20 Tổng quan bài toán nhận. .. link sử dụng của email này từ email sẽ được dùng cho việc verify 6.1.3 Xác nhận cách gõ Trang dùng cho việc verify hiển thị như hình sau: Hình 20: Giao diện Psylock Demo verify Nếu hệ thống xác thực người nhập dòng chữ là người đã huấn luyện thì trang sau được hiển thị: 31 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím Hình 21: Giao diện Psylock Demo verify đúng Nếu hệ thống xác thực người . đây: 1. Scan code: mã vị trí của phím. 7 Nhóm 34 - K20 Tổng quan bài toán nhận dạng cách gõ phím 2. Dwell time: thờ i gian đè một phím. 3. Flig ht time: thời gian giữa các phím. 3.1.1 Scan code Scan. cầ n gõ số 1 cũng có hai cách là sử dụng phím 1 ngay bên trên phím Q hoặc gõ phím 1 tại khu vực các phím chỉ toàn là số (khu vực phím Num Lock). Khi đó mã vị trí phím (scan code) của hai phím. - K20 Tổng quan bài toán nhận dạng cách gõ phím (authentication) hoặc nhận dạng (identification). Hầu hết các báo cáo nghiên cứu trong lĩnh vực này đều tập trung vào bài toán chứng thực. Bài toán