基于鼠標(biāo)和鍵盤的終端用戶身份認(rèn)證技術(shù)基礎(chǔ)概述目錄TOC\o"1-3"\h\u22411基于鼠標(biāo)和鍵盤的終端用戶身份認(rèn)證技術(shù)基礎(chǔ)概述 170041.1認(rèn)證框架 161271.2數(shù)據(jù)采集與特征提取 3124331.2.1數(shù)據(jù)采集 3185051.2.2鼠標(biāo)和鍵盤特征提取 4302641.3基于多核學(xué)習(xí)的特征融合 7325981.4實(shí)驗(yàn)設(shè)置與分析 952891.4.1評(píng)估和過程 9180091.4.2實(shí)驗(yàn)結(jié)果與分析 10隨著SVM方法的發(fā)展和應(yīng)用，人們開始關(guān)注核方法，多核學(xué)習(xí)（MultipleKernelLearning，MKL）[62]已廣泛運(yùn)用于各領(lǐng)域，如特征提取[63]、模式分類[64]與回歸[65]和多類目標(biāo)檢測與識(shí)別[66]等，這也為多核學(xué)習(xí)提供了更廣泛的應(yīng)用前景。核方法在許多領(lǐng)域中的得到了實(shí)際且有效的應(yīng)用，由于每個(gè)核函數(shù)在不同的場合表現(xiàn)出不同的性能，因此各種核函數(shù)所的使用場景也大有不同，尤其是樣本特征屬于異構(gòu)或樣本規(guī)模大等問題時(shí)，單一類型的特征往往難以充分表達(dá)樣本信息，然而過多特征又會(huì)產(chǎn)生冗余，從而產(chǎn)生過擬合現(xiàn)象，降低識(shí)別率。由于本文鍵盤特征和鼠標(biāo)特征的差異性，多核學(xué)習(xí)方法非常適用此場景。在本章中提出了一種基于多核學(xué)習(xí)融合鍵盤和鼠標(biāo)行為特征的來進(jìn)行身份認(rèn)證的方法—命名為UAMKL（userauthenticationbasedonMKL），此研究方案的關(guān)鍵是提取重要特征，每種特征對(duì)應(yīng)合適的核函數(shù)進(jìn)行映射，不同的核函數(shù)通過計(jì)算組合成一個(gè)新的核函數(shù)，以此融合特征，再使用融合特征進(jìn)行認(rèn)證，以此提高雙指標(biāo)檢測的可靠性和準(zhǔn)確性。本章重點(diǎn)介紹UAMKL方法的具體實(shí)施步驟，包括數(shù)據(jù)采集和特征提取以及相關(guān)實(shí)驗(yàn)。1.1認(rèn)證框架目前，隨著鍵盤和鼠標(biāo)的大量研究，很多學(xué)者考慮到將鼠標(biāo)和鍵盤結(jié)合起來及進(jìn)行身份認(rèn)證，Ahmed等人[18]首次提出將鍵盤特征和鼠標(biāo)特征融合來提高對(duì)用戶認(rèn)證的準(zhǔn)確性，以此提高身份認(rèn)證的準(zhǔn)確性以及實(shí)際應(yīng)用性。這項(xiàng)研究也為后來對(duì)融合鼠標(biāo)鍵盤融的研究奠定了基礎(chǔ)。如表3-1中的幾篇文獻(xiàn)是結(jié)合鍵盤和鼠標(biāo)動(dòng)力學(xué)進(jìn)行身份認(rèn)證，表中采用的評(píng)價(jià)指標(biāo)包括平均錯(cuò)誤率（EqualErrorRate，EER）、準(zhǔn)確率（Accuracy）、錯(cuò)誤接受率（FalseAcceptRate，F(xiàn)AR）、錯(cuò)誤拒絕率（FalseRejectRate，F(xiàn)RR）。這些文獻(xiàn)選用的用戶量差距過大，認(rèn)證方法都是經(jīng)典的機(jī)器學(xué)習(xí)方法直接訓(xùn)練模型，或者如文獻(xiàn)[23]集成幾種經(jīng)典機(jī)器學(xué)習(xí)方法進(jìn)行認(rèn)證，大量的科研工作在于特征的提取，并且大部分研究檢測方法都是獲取兩類特征直接融合，幾乎沒有研究考慮到鼠標(biāo)和鍵盤兩類特征的差異性，也很少有研究考慮到不可控環(huán)境下數(shù)據(jù)采集對(duì)實(shí)驗(yàn)結(jié)果的影響。表3-1鍵盤和鼠標(biāo)動(dòng)力學(xué)結(jié)合的相關(guān)研究總結(jié)Tab.3-1Summaryoftherelatedresearchesbycombiningkeystrokeandmousedynamics文獻(xiàn)年份用戶數(shù)方法結(jié)果[18]200522NNFAR1.312%、FRR0.651%[67]200761DT、SVM錯(cuò)誤率1.5%[68]200920StatisticalAnalysis、FeedForwardNetworkwithBackPropagation、k-NearestNeighbor(k-NN)Accuracy82.22?96.4%[19]201224BayesianNetwork(BN)EER8.21%[20]201431BN、DT、SVMFAR2.10%、FRR2.24%[21]201567NaiveBayes(NB)、SVMFAR0.1%、FRR0.2%[22]201625DT、Counter-PropagationArtificialNeuralNetwork(CPANN)、ArtificialNeuralNetwork(ANN)、SVMAccuracy62.2%[23]201841RF、SVM、DT、BNAccuracy80.6%在不可控環(huán)境中進(jìn)行用戶識(shí)別是一個(gè)重要的研究方向，因?yàn)檫@樣的環(huán)境更符合實(shí)際情況，為了提高識(shí)別系統(tǒng)的實(shí)用性，經(jīng)對(duì)現(xiàn)有研究調(diào)研，本研究設(shè)計(jì)了一種認(rèn)證方法如框圖3-1所示，本章節(jié)的身份認(rèn)證框架包括采集數(shù)據(jù)、數(shù)據(jù)預(yù)處理、特征提取、特征映射和分類幾大模塊。首先是采用1.2中的方法進(jìn)行數(shù)據(jù)采集，本文選取鍵盤和鼠標(biāo)兩類人機(jī)交互數(shù)據(jù)是真實(shí)環(huán)境中采集，再按照1.2中定義的鍵盤和鼠標(biāo)特征進(jìn)行特征提取和特征選擇，然后采用1.3中的多核學(xué)習(xí)算法進(jìn)行特征映射，最后使用分類器建模并進(jìn)行用戶識(shí)別。圖3-1UAMKL方法框架Fig.3-1UAMKLmethodblockdiagram1.2數(shù)據(jù)采集與特征提取1.2.1數(shù)據(jù)采集為了更加真實(shí)地收集實(shí)驗(yàn)數(shù)據(jù)，在不受控的環(huán)境中通過數(shù)據(jù)收集程序采集21名用戶。采集統(tǒng)一在Windows操作系統(tǒng)下進(jìn)行，使用C++語言編寫的采集程序。用戶可在后臺(tái)運(yùn)行鼠標(biāo)和鍵盤采集程序，采集程序?qū)τ脩舻恼２僮鳑]有任何影響，用戶的操作也不受任何限制，所收集到的數(shù)據(jù)是用戶日常工作中的鍵盤和鼠標(biāo)操作所產(chǎn)生的真實(shí)數(shù)據(jù)。數(shù)據(jù)采集程序采用HOOK技術(shù)，四個(gè)HOOK用于獲取信息和通信。鍵盤數(shù)據(jù)由WH_KEYBOARD獲取，而鼠標(biāo)數(shù)據(jù)由WH_MOUSE收集。鍵盤的每一條原數(shù)據(jù)包括時(shí)間戳、鍵值按下或釋放操作、鍵值，鼠標(biāo)的每一條原數(shù)據(jù)包括操作類型（移動(dòng)，左鍵按下等）、時(shí)間戳、橫坐標(biāo)、縱坐標(biāo)，如圖3-2所示，左邊是鍵盤的原始數(shù)據(jù)格式，右邊是鼠標(biāo)的原始數(shù)據(jù)格式。最后選取了每個(gè)用戶十個(gè)小時(shí)的數(shù)據(jù)，并按時(shí)間片進(jìn)行數(shù)據(jù)處理和特征提取，按時(shí)間片處理是因?yàn)闀r(shí)間片影響描述主體特征的完整性，比如一個(gè)小時(shí)的數(shù)據(jù)，按一分鐘處理來提取特征可得60條樣本，按兩分鐘則可得30條樣本，如表3-2所示，表中列舉按從一分鐘到六分鐘處理后的樣本數(shù)，min表示分鐘。圖3-2鍵盤（左）和鼠標(biāo)（右）原數(shù)據(jù)格式Fig.3-2Keyboard(left)andmouse(right)originaldataformat表3-2按各時(shí)間片處理后的樣本數(shù)Tab.3-2Samplesafterprocessingpertime-slice時(shí)間片OneminTwominsThreeminsFourminsFiveminsSixmins樣本數(shù)12600630042003150252021001.2.2鼠標(biāo)和鍵盤特征提取1.鍵盤特征提取對(duì)于用戶的擊鍵行為，擊鍵時(shí)序特征是根據(jù)時(shí)間來提取的，按鍵時(shí)間點(diǎn)和鍵的釋放時(shí)間點(diǎn)起到關(guān)鍵作用?？梢酝ㄟ^用戶擊鍵時(shí)間點(diǎn)來組合用戶的擊鍵時(shí)間序列，圖3-3是鍵盤特征提取過程的圖形表示。本研究所涉及到的鍵值如表3-3所示，并綜合以往研究定義了兩類鍵盤特征，令，D1是樣本特征集，m是樣本總數(shù)，l是每個(gè)樣本的特征向量維度：單鍵特性是指按鍵保持時(shí)間（從第一個(gè)按鍵按下到釋放按鍵之間的時(shí)間）；釋放-按下（Release-PressTime，R-PT）表示釋放第一個(gè)按鍵到第二個(gè)按鍵按下之間的時(shí)間；按下-釋放（Press-ReleaseTime，P-RT）表示第一個(gè)按鍵按下到第二個(gè)按鍵釋放之間的時(shí)間；按下-按下（Press-PressTime，P-PT）表示第一個(gè)按鍵按下到第二個(gè)按鍵按下之間的時(shí)間；釋放-釋放（Release-ReleaseTime，R-RT）表示第一個(gè)按鍵釋放到第二個(gè)按鍵釋放之間的時(shí)間。本章節(jié)的研究采集數(shù)據(jù)時(shí)所用到鍵值有110個(gè)，單鍵特征110維，組合特征一共是48400維。由于鍵盤特征數(shù)遠(yuǎn)大于樣本數(shù)，容易引起維度災(zāi)難，建模時(shí)間長，所以對(duì)特征進(jìn)行選擇是非常必要的。選用特征選擇方法（LeastAbsoluteShrinkageandSelectionOperator）進(jìn)行特征選擇，如表3-4所示，該表進(jìn)行各時(shí)間片特征進(jìn)行特征選擇的維度統(tǒng)計(jì)。圖3-3鍵盤特征提取表示Fig.3-3Keystrokedynamicsfeature表3-3鍵盤鍵值統(tǒng)計(jì)Tab.3-3Keyvalueused鍵值數(shù)量A~Z260~910NumberKeyboard0~910NumberKeyboard*+Enter-./6F1~F1515Backspace;Tab;Enter;Clear;L-Shift;R-Shift;L-Control;R-Control;L-Alt;R-Alt10Pause;CapsLock;L-Windows;R-Windows;TextKey;Esc;SPACE7PageUp;PageDown2End;Home2LeftArrow;UpArrow;RightArrow;DownArrow4PrtSc;Insert;Delete;Help4NumLock;ScrollLock2;:=+-_/?`~，<.>[{\|]}'"others12表3-4各時(shí)間片特征進(jìn)行特征選擇的維度統(tǒng)計(jì)Tab.3-4Keystrokedynamicsfeaturesdimensionsafterselectingpertime-slice時(shí)間片OneminTwominsThreeminsFourminsFiveminsSixmins特征維度315426363148269926462532鼠標(biāo)特征提取本文所提取的鼠標(biāo)特征參考文獻(xiàn)[18]，定義了如下四種用戶鼠標(biāo)行為:Mouse-Move(記為MM）表示普通的鼠標(biāo)移動(dòng)行為；Drag-and-Drop(記為DD）表示鼠標(biāo)左鍵或右鍵的拖動(dòng)行為；Point-and-Click(記為PC）表示鼠標(biāo)左鍵或右鍵的單擊、雙擊行為；Silence表示無動(dòng)作發(fā)生。為了探究用戶在移動(dòng)方向上的行為特性，本文通過參考文獻(xiàn)[18]，提出了平面上的方向劃分方法，將平面的360°均勻地劃分為8個(gè)方向，編號(hào)為1-8，每個(gè)方向占45°。默認(rèn)用戶動(dòng)作的起始和終點(diǎn)的連線即為動(dòng)作的運(yùn)動(dòng)方向，具體方向劃分如圖3-4。本研究提取以下七類特征共49維，令，D2是樣本特征集，n是樣本總數(shù)，k是每個(gè)樣本的特征向量維度：MovementSpeedcomparedtoTraveledDistance（記為MSD）表示在不同的距離范圍下，用戶鼠標(biāo)行為的平均操作速度。距離分為8段，第一段為1到100，往后間隔均為150pixels，MSD向量的長度為8；AverageMovementspeedpermovementDirection（記為MDA）表示在不同方向下，用戶鼠標(biāo)行為的平均操作速度，MDA向量的長度為8；MovementDirectionHistogram（記為MDH）表示在不同方向下，用戶鼠標(biāo)行為的數(shù)量，MDH向量的長度為8；Thehistogramofthetraveleddistance（記為TDH）表示在不同的距離范圍下，用戶操作的數(shù)量比例，TDH向量的長度為8；MovementelapsedTimeHistogram（記為MTH）表示在不同的持續(xù)時(shí)間范圍下，用戶操作的數(shù)量比例，時(shí)間分為10段，每段的時(shí)間為300ms，MTH向量的長度為10；AverageMovementspeedperTypesofActions（記為ATA）表示在不同鼠標(biāo)動(dòng)作類型下，用戶操作的平均速度，ATA向量的長度為4；ThehistogramofperTypesofActions（記為ATH）表示在不同鼠標(biāo)動(dòng)作類型下，用戶的操作數(shù)量比例，ATH向量的長度為3。圖3-4鼠標(biāo)移動(dòng)方向Fig.3-4Directionofthemousemovements1.3基于多核學(xué)習(xí)的特征融合目前，基于多核的學(xué)習(xí)方法既適用于來源不同的多類特征又適用單類特征，本文基于鍵盤和鼠標(biāo)兩類特征構(gòu)造多核學(xué)習(xí)模型。而鼠標(biāo)數(shù)據(jù)和鍵盤數(shù)據(jù)來源于不同的輸入操作設(shè)備，其提取到的特征差異性非常大，通過隨機(jī)抽樣方法得到的兩類特征分布散點(diǎn)圖如圖3-5和圖3-6所示?？梢钥闯?，鍵盤和鼠標(biāo)特征矩陣都比較稀疏，通過計(jì)算得，鍵盤特征矩陣中零值占比為92%，鼠標(biāo)特征矩陣中零值占比為21.7%，這樣的稀疏性跟采集時(shí)用戶的操作行為有很大關(guān)聯(lián)。另外，鍵盤特征值除了0之外，剩下的特征值集中分布在0到800之間，而鼠標(biāo)特征值集中分布在0到2000之間，并有少數(shù)特征值遠(yuǎn)大于2000，兩類特征值分布具有差異性可解釋為，鍵盤特征是通過擊鍵時(shí)間點(diǎn)提取，用戶擊鍵的各類時(shí)間間隔普遍較短，而鼠標(biāo)特征主要包括頻次數(shù)據(jù)和計(jì)數(shù)數(shù)據(jù)，鼠標(biāo)是可移動(dòng)設(shè)備，導(dǎo)致特征值范圍分布較廣。圖3-5鍵盤特征散點(diǎn)分布Fig.3-5Keystrokefeaturevaluedistributionscatterdiagram圖3-6鼠標(biāo)特征散點(diǎn)分布Fig.3-6Mousefeaturevaluedistributionscatterdiagram由上述的分析可知，鍵盤和鼠標(biāo)特征分布差異大，可選擇MKL方法融合兩類特征以提高識(shí)別精度。在多核框架下，基本核的權(quán)系數(shù)選擇是關(guān)鍵問題。本文用于特征融合的多核算法是AverageMKL[69]，盡管此算法簡單，但是這個(gè)算法非常強(qiáng)大，AverageMKL定義在輸入空間基礎(chǔ)核[69]。在本文中鍵盤和鼠標(biāo)兩類特征對(duì)應(yīng)兩個(gè)不同的核，組合核的計(jì)算如下式(3-1)：(3-1)(3-1)式中，，，系數(shù)表現(xiàn)出特征選擇過程，NewK是一個(gè)新的組合核。本文對(duì)于某個(gè)用戶所提取的鍵盤特征維度遠(yuǎn)大于樣本數(shù)，應(yīng)選用線性核，而鼠標(biāo)特征維度遠(yuǎn)小于樣本量，應(yīng)選用RadialBasisFunction（RBF）核函數(shù)。將鼠標(biāo)和鍵盤行為特征映射到合適的核函數(shù)，所以本文的線性核函數(shù)和RBF核函數(shù)分別對(duì)應(yīng)式(3-2)和式(3-3)。(3-2)(3-3)式(3-3)中，表示RBF核的寬度，并控制核函數(shù)的自適應(yīng)性。1.4實(shí)驗(yàn)設(shè)置與分析1.4.1評(píng)估和過程 利用多分類方法得到的分類精度并不理想[22]，因此本文將多分類問題轉(zhuǎn)化為兩分類問題。我們在實(shí)驗(yàn)中使用的訓(xùn)練和測試數(shù)據(jù)都來自于我們收集的數(shù)據(jù)。將每個(gè)用戶數(shù)據(jù)分為訓(xùn)練集和測試集，其兩者的比例為4:1。用戶i（1<=i<=N）標(biāo)記為合法用戶，其中N=21表示用戶數(shù)，其他用戶j（1<=j<=N-1，i!=j）標(biāo)記為非法用戶。首先，對(duì)于標(biāo)記為合法用戶的每個(gè)用戶，訓(xùn)練樣本被標(biāo)記為正樣本，其余N-1個(gè)用戶被標(biāo)記為非法，訓(xùn)練樣本被標(biāo)記為負(fù)樣本。為了保持正負(fù)樣本的平衡，采用下采樣法從負(fù)樣本中選取與正樣本比例相同的負(fù)樣本。接下來，重復(fù)該實(shí)驗(yàn)，直到每個(gè)剩余用戶j被標(biāo)記為合法用戶。然后，我們將時(shí)間片從1到6個(gè)不同的值中取出來，重復(fù)上述步驟，這樣每個(gè)實(shí)驗(yàn)組就有了不同的分類器模型和不同的分類算法。另外，實(shí)驗(yàn)中使用的傳統(tǒng)性能評(píng)價(jià)指標(biāo)如下：Ti代表合法用戶的測試集，TPi代表合法用戶正確分類的測試集，Tj代表非法用戶的測試集，TPj代表非法用戶正確分類的測試集。Accuracy(記為Acc)代表每個(gè)用戶在測試集下的整體判斷正確率，如式(3-4)：(3-4)FalseMatchRate(記為FMR)代表錯(cuò)誤接受非法入侵者的概率，如式(3-5)：(3-5)FalseNon-MatchRate(denotedFNMR)代表錯(cuò)誤拒絕合法認(rèn)證者的概率，如式3-6：(3-6)本文為了反映整體分類效果，采用平均Accuracy（記為AAcc），平均FalseMatchRate（記為AFMR）和平均FalseNon-MatchRate（記為AFNMR）評(píng)估指標(biāo)，對(duì)應(yīng)的評(píng)估公式分別為(3-7)，(3-8)，(3-9)。除此之外，還采用Stdevp反映不同算法下總體用戶識(shí)別準(zhǔn)確率相對(duì)于平均值的離散程度，如式(3-10)：(3-7)(3-8)(3-9)(3-10)1.4.2實(shí)驗(yàn)結(jié)果與分析本文選擇DT、RF、NB、單類SVM和SVM對(duì)鼠標(biāo)數(shù)據(jù)、鍵盤數(shù)據(jù)進(jìn)行分類，其中DT、RF、NB、單類SVM和SVM為對(duì)照組。值得注意的是，由于實(shí)驗(yàn)環(huán)境、數(shù)據(jù)集等方面的差異，以往研究中很難對(duì)所有實(shí)驗(yàn)進(jìn)行重復(fù)和比較，因此本文選取了其他研究中使用的最新的經(jīng)典分類方法作為本文對(duì)比的基礎(chǔ)。本文的鍵盤特征和鼠標(biāo)特征是身份認(rèn)證領(lǐng)域常用的生物特征，用戶在日常工作中會(huì)在某個(gè)時(shí)間操作一個(gè)或兩個(gè)輸入設(shè)備，使用多核學(xué)習(xí)融合兩種行為特征可以獲得更高的精度，實(shí)驗(yàn)組選擇多核學(xué)習(xí)進(jìn)行特征融合，融合了核函數(shù)的不同特征，獲得了每種核函數(shù)的優(yōu)點(diǎn)，同時(shí)也融合了不同的特征自身有價(jià)值的信息，避免了重要信息的丟失。本文采用的每種算法都采用了五折交叉驗(yàn)證，同時(shí)將數(shù)據(jù)輸入模型之前，最大值和最小值相差太大，實(shí)驗(yàn)前對(duì)樣本集進(jìn)行了歸一化處理。此外，本文中，時(shí)間片的大小對(duì)表達(dá)特征的完整性有很大影響，從而影響不同分類算法的結(jié)果，在這項(xiàng)工作中，實(shí)驗(yàn)將時(shí)間片的大小從1分鐘到6分鐘不等。不同的分類算法對(duì)時(shí)間切片提取的單一特征和融合特征的分類效果不同。為了驗(yàn)證本章所提方法在身份認(rèn)證方面的有效性，進(jìn)行了三組實(shí)驗(yàn)，并分析了三組實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)一：為了驗(yàn)證所提出的基于鼠標(biāo)特征分類算法的有效性，在這部分實(shí)驗(yàn)中只選取了鼠標(biāo)特征進(jìn)行實(shí)驗(yàn)。從圖3-7可以看出，UAMKL的AAcc在1分鐘到6分鐘內(nèi)始終高于對(duì)照組的算法，當(dāng)時(shí)間片為5分鐘時(shí)，AAcc達(dá)到最大值84.5%；SVM、RF和單類SVM在時(shí)間片為5分鐘時(shí)，AAcc達(dá)到最大值，分別為77.9%，78%和76.5%；而DT和NB在時(shí)間片為3分鐘時(shí)達(dá)到最佳效果，對(duì)應(yīng)的AAcc分別為70.5%，66.2%。從圖3-8可以看出，每種算法在1分鐘到6分鐘的時(shí)間內(nèi)都取得了與AFMR和AFNMR相對(duì)應(yīng)的最佳AAcc，UAMKL的AFR和AFNMR遠(yuǎn)低于其他算法，NB分類效果最差，所提出的UAMKL基于鼠標(biāo)特征認(rèn)證有顯著效果。但由于本文所采集的數(shù)據(jù)集與前人研究所用數(shù)據(jù)集有差異，各類算法的總體效果不如之前某些研究得到的效果理想。圖3-7不同時(shí)間片處理鼠標(biāo)特征對(duì)各算法認(rèn)證準(zhǔn)確率的影響Fig.3-7TheAAccofdifferentalgorithmspertime-sliceformousefeature圖3-8不同算法采用鼠標(biāo)特征認(rèn)證最佳的AFMR和AFNMRFig.3-8ThebestresultinAFMRandAFNMRfordifferentalgorithmsformousefeature實(shí)驗(yàn)二：與實(shí)驗(yàn)一類似，為了驗(yàn)證本文算法基于擊鍵特征分類的有效性，本部分實(shí)驗(yàn)選取了擊鍵特征。實(shí)驗(yàn)結(jié)果表明，本文提出的算法在基于擊鍵特征分類方面優(yōu)于對(duì)照組算法。從圖3-9可以看出，從1分鐘到6分鐘中，本文UAMKL算法與其他算法差別不大，但無論時(shí)間片大小如何，其AAcc總是優(yōu)于其他算法，當(dāng)時(shí)間片取5分鐘時(shí)，其AAcc的最大值為80.2%；SVM和NB的AAcc最大值分別為77.4%和70.9%；當(dāng)時(shí)間片為6分鐘時(shí)，RF、單類SVM和DT分別獲得了77.8%、75.6%和75.4%的最佳AAcc結(jié)果。圖3-10顯示了最佳AAcc對(duì)應(yīng)于每種算法的AFMR和AFNMR，我們可以得出結(jié)論，UAMKL的AFNMR遠(yuǎn)低于其他算法，UAMKL和NB的AFNMR最低，但其相對(duì)穩(wěn)定的算法NB的AFNMR過高，AAcc分類效果最差，UAMKL仍有明顯優(yōu)勢。和實(shí)驗(yàn)一一樣，是由于數(shù)據(jù)集的差異性，各類算法效果都不是特別可觀。圖3-9不同時(shí)間片處理鍵盤特征對(duì)各算法認(rèn)證準(zhǔn)確率的影響Fig.3-9TheAAccofdifferentalgorithmspertime-sliceforkeystrokefeature圖3-10同算法采用鍵盤特征認(rèn)證最佳的AFMR和AFNMRFig.3-10ThebestresultinAFMRandAFNMRfordifferentalgorithmsforkeystrokefeature實(shí)驗(yàn)三：本部分實(shí)驗(yàn)選取鍵盤特征和鼠標(biāo)特征兩類特征，將鍵盤特征和鼠標(biāo)特征直接融合用于SVM、RF、DT和NB分類，UAMKL將鍵盤特征和鼠標(biāo)特征映射到不同的核函數(shù)，再將其特征融合用于分類器分類。如圖3-11所示，UAMKL的AAcc先呈現(xiàn)上升，在時(shí)間片取值為5分鐘時(shí)達(dá)到最大值，之后下降，最佳AAcc為89.6%。圖3-12是在時(shí)間片取值為5分鐘時(shí)各種算法下各用戶的準(zhǔn)確率，可發(fā)現(xiàn)本文的算法對(duì)于每個(gè)用戶的分類效果都高于其他算法，并且從表3-5可看出，采用UAMKL分類，Stdevp、AFMR和AFNMR達(dá)到最低，這說明各個(gè)用戶的準(zhǔn)確率差距不大且準(zhǔn)確率高，而采用其他算法用戶認(rèn)證準(zhǔn)確率極不穩(wěn)定，驗(yàn)證了基于多核學(xué)習(xí)用戶識(shí)別的有效性。圖3-11不同算法采用鍵盤特征認(rèn)證最佳的AFMR和AFNMRFig.3-11TheAAccofUAMKLpertime-sliceforfusionfeature圖3-12時(shí)間片為5分鐘每個(gè)用戶不同算法的認(rèn)證效果Fig.3-12TheAAccofdifferentalgorithmsperusersforfusionfeatureextractedin5min表3-5時(shí)間片為5分鐘不同算法效果對(duì)比Tab.3-5Compareofresultsfordifferentalgorithmsin5minSVMDTRFBNOneClassSVMUAMKLStdevp5.2%8.9%6.5%8%5.3%3%AFMR18.5%27.1%20.6%37.2%18.2%8.8%AFNMR15.4%21.5%15.2%22.5%15.9%11.9%AAcc82.9%7