Chứng thực người dùng qua đặc trưng gõ phím

51 CHƯƠNG 4 Thực nghiệm 4.1 Thu thập dữ liệu Thu thập dữ liệu là ghi nhận thời điểm các phím thay đổi trạng thái (key up, key down). Có 2 cách thu thập: - Thu thập bị động: một tiến trình chạy ngầm sẽ thu thập bất cứ phím nào người dùng gõ (Global hook). Tiến trình chạy liên tục theo thời gian. Cách này được sử dụng trong việc thu thập dữ liệu cho giai đoạn chứng thực bị động. - Thu thập chủ động: Người dùng được yêu cầu nhập một đoạn văn bản nhất định và có giới hạn số kí tự. Cách này được sử dụng trong việc thu thập dữ liệu cho giai đoạn chứng thực chủ động. Nội dung thu thập có dạng sau: … Back_Space_Key 16:24:23.219000 22/01/2010 Back_Space_Key 16:24:23.287000 22/01/2010 Left_Soft_Key 16:24:23.559000 22/01/2010 Left_Soft_Key 16:24:23.603125 22/01/2010 1_Key 16:24:29.198000 22/01/2010 1_Key 16:24:29.304625 22/01/2010 7_Key 16:24:29.482625 22/01/2010 7_Key 16:24:29.592125 22/01/2010 … Mỗi cặp thao tác ấn, nhả phím được lưu thành 2 dòng, dòng 1 là thời điểm ấn phím, dòng 2 là thời điểm nhả phím (tính tới mili giây). Trường hợp 2 phím liền nhau ấn-nhả tách biệt (Latency ≥ 0) thì cả 2 dòng ấn-nhả được lưu liên tiếp nhau (như bên trên). Trường hợp phím ấn-nhả chồng nhau, nghĩa là phím trước chưa nhả mà phím sau đã ấn (Latency < 0) thì 2 dòng được lưu không liên tiếp nhau. Ví dụ: … 4_Key 14:50:14.303875 22/01/2010 6_Key 14:50:14.348875 22/01/2010 4_Key 14:50:14.939125 22/01/2010 6_Key 14:50:14.971750 22/01/2010 … 52 Cột 1 là nội dung phím, cột 2 là “giờ:phút:giây.mili giây” của thao tác (ấn/nhả), cột 3 là “ngày/tháng/năm” của thao tác. Trong luận văn này tác giả đã tiến hành thu thập đặc trưng của 14 người khác nhau, trên cùng một loại bàn phím (Qwerty). Thu thập ngầm (dữ liệu chứng thực bị động). Còn trên điện thoại di động, tác giả đã thu thập trên 10 người theo dạng gõ văn bản chỉ định (dữ liệu chứng thực chủ động). 4.2 Rút trích đặc trưng Từ dữ liệu sự kiện phím thu thập được, hệ thống sẽ rút trích thành các đặc trưng gõ phím sau: - Duration: thời gian ấn giữ phím - Latency: thời gian cách nhau giữa 2 phím • Digraph: latency giữa 2 phím liền kề • Trigraph: latency giữa phím 1 và phím 3 (trong bộ 3 phím liền kề) • Teragraph: latency giữa phím 1 và phím 4 (trong bộ 4 phím liền kề) - Error rate: tần suất lỗi Ví dụ: từ những dữ liệu thu thập được như sau: … Back_Space_Key 16:24:23.219000 22/01/2010 Back_Space_Key 16:24:23.287000 22/01/2010 Left_Soft_Key 16:24:23.559000 22/01/2010 Left_Soft_Key 16:24:23.603000 22/01/2010 1_Key 16:24:29.198000 22/01/2010 1_Key 16:24:29.304625 22/01/2010 7_Key 16:24:29.482625 22/01/2010 7_Key 16:24:29.592125 22/01/2010 … DurationX = TimeUpX – TimeDownX LatencyXY = TimeDownY – TimeUpX ErrRate = Số lượng phím BackSpace/Delete trên số lượng phím đã bấm Ta rút trích được các đặc trưng như sau: Đặc trưng Công thức Giá trị (s) DurationBack_Space_Key 16:24:23.287000 - 16:24:23.219000 0.68 DurationLeft_Soft_Key 16:24:23.603125 - 16:24:23.559000 0.44125 Duration1_Key 16:24:29.304625 - 16:24:29.198000 0.106625 Duration7_Key 16:24:29.592125 - 16:24:29.482625 0.1095 LatencyBack_Space-Left_Soft 16:24:23.559000 - 16:24:23.287000 0.272 53 LatencyLeft_Soft_Key-1_Key 16:24:29.198000 - 16:24:23.603000 0.005595 Latency1_Key-7_key 16:24:29.482625 - 16:24:29.304625 0.178 Ngoài các đặc trưng chính trên hệ thống có thể tính toán và cho ra một số đặc trưng khác, như vậy ta có một tập 18 đặc trưng sau: 1. Duration 2. LatencyDownDown 3. LatencyUpUp 4. LatencyDigraph 5. LatencyTrigraph 6. LatencyTeragraph 7. LatencyDigraphLine0 8. LatencyDigraphLine1 9. LatencyDigraphLine2 10. LatencyDigraphLine3 11. LatencyDigraphCluster0 12. LatencyDigraphCluster1 13. LatencyDigraphCluster2 14. ErrorRate 15. FixingType 16. UpperCase 17. NumberKey 18. ReleasePrior Các đặc trưng này sẽ được tổ chức thành dữ liệu của User profile. Trường hợp thu thập bị động, sau n phím ta luôn thu được một tập giá trị của các đặc trưng trên. Mỗi đặc trưng gồm 2 giá trị {mean, variance}. Ví dụ: 103.78 84.29 366.32 185.75 293.96 206.02 207.7 213.65 54 Trường hợp thu thập chủ động, hệ thống chỉ quan tâm đến các đặc trưng 1. Duration 2. Latency 3. LatencyDownDown 4. LatencyUpUp Ví dụ: với PIN “123”, hệ thống sẽ lưu một tập các đặc trưng như sau: 103.78 92.12 122.9 81.11 123.01 210.2 201.8 156.6 173.78 Mỗi tập đặc trưng trên gọi là một mẫu. Hệ thống cần thu thập ít nhất 30 mẫu để đảm bảo các mẫu tuân theo phân phối chuẩn và có khả năng đại diện mẫu. 4.3 Cấu trúc User profile Cấu trúc Profile được sử dụng để lưu trữ đặc trưng trích xuất được. Mỗi người dùng sẽ có một profile, lưu trữ đặc trưng gõ phím của người dùng đó. Cấu trúc tổng quát: UserProfile 55 { // Thông tin người dùng User Info // Chứng thực bị động – Dò tìm {n vector đặc trưng gõ phím bị động} SVM model chứng thực bị động Chromosome GA trong chứng thực bị động (selected feature template) // Chứng thực chủ động – Xác thực {m vector đặc trưng gõ phím chủ động} SVM model chứng thực chủ động Chromosome GA trong chứng thực chủ động (selected feature template) } Trong đó n, m ≥ 30. Cơ chế khởi tạo: Các mẫu sau khi thu thập đủ số lượng sẽ được gán vào tập vector đặc trưng. Sau đó sử dụng mô hình GA-SVM huấn luyện trên tập đặc trưng này. Kết quả là một SVM model và một chromosome tốt nhất (theo GA). 2 thành phần này cũng được lưu vào User profile để sử dụng chứng thực. Cơ chế khai thác: Khi người dùng sử dụng hệ thống, mẫu gõ phím sẽ được thu thập. Sau đó áp template của chromosome có trong profile và dùng SVM model đã có để kiểm tra. Kết quả trả về sau đó sẽ được xử lý theo cơ chế chứng thực đã nêu (3.2). Cơ chế cập nhật theo thời gian: Nếu quá trình kiểm tra là hợp lệ, vector đặc trưng này sẽ được thêm vào tập các vector đặc trưng đã có. Sau một khoảng thời gian t, tập đặc trưng sẽ loại ngẫu nhiên các vector cũ hợn sao cho số lượng còn lại thỏa n, m ban đầu, SVM model sẽ được huấn luyện lại trên tập đặc trưng này. Sau huấn luyện, một SVM model và chromosome tốt nhất lại được cập nhật vào profile. 56 4.4 Huấn luyện và kiểm tra 4.4.1 Trên bàn phím máy tính Mẫu thu thập có 18 đặc trưng khác nhau, mỗi đặc trưng gồm 2 giá trị {mean, variance}: 1. Duration 2. LatencyDownDown 3. LatencyUpUp 4. LatencyDigraph 5. LatencyTrigraph 6. LatencyTeragraph 7. LatencyDigraphLine0 8. LatencyDigraphLine1 9. LatencyDigraphLine2 10. LatencyDigraphLine3 11. LatencyDigraphCluster0 12. LatencyDigraphCluster1 13. LatencyDigraphCluster2 14. ErrorRate 15. FixingType 16. UpperCase 17. NumberKey 18. ReleasePrior Như vậy mỗi mẫu sử dụng trong SVM là 1 vector 36 chiều. Hàm kernel sử dụng trong SVM là RBF. Quá trình thử nghiệm gồm 5 phần: Trên bàn phím máy PC - 2 - class SVM - GA - 2 - class SVM - GA - 1 - class SVM Trên mobile phone - GA - 2 - class SVM - GA - 1 - class SVM 57 4.4.1.1 Two - class SVM Lấy tất cả 36 chiều. Chia data set thành 10 phần. Huấn luyện trên 9 phần và test trên 1 phần còn lại. Việc huấn luyện và test được tiến hành 10 lần tuần tự trên tất cả 10 phần chia. Vd: Lần 1: Train [2, .., 10] & Test [1] Lần 2: Train [1, 3, .. ,10] & Test [2] ... Lần 10: Train [1, .. , 9] & Test [10] Như vậy mỗi user (Ui) sẽ có 1 model (Mi) được huấn luyện trên 9 phần data của user này. Sau đó model Mi sẽ được test trên 10 phần test của 10 user. For i = 1..10 do For u = U1..U10 do Chọn tập test Testui Chọn tập train Trainuj (j=1..10\i) For u = U1..U10 do Modelu = SVMTraining(Trainu) For v = U1..U10 do TestResult = SVMTesting(Modelu , Testui) Dữ liệu thu thập trên 16 người dùng khác nhau. Số lượng mẫu thu thập của mỗi người dùng ~100 mẫu. Mỗi lần test sẽ có 1 Confusion Matrix. Dưới đây là Confusion Matrix tổng của 10 lần test. 58 Avg(FRR) = 0.38 Avg(FAR) = 0.38  EER = 0.38  Độ chính xác = (1 – EER) = 62% 4.4.1.2 GA - Two-Class SVM Việc chia, huấn luyện và kiểm tra tương tự như trên. Nhưng không lấy toàn bộ 36 chiều mà sẽ chọn tập con các chiều trong 36 chiều đó bằng cơ chế chọn lọc của GA. Danh sách chiều được sắp theo thứ tự cho trước. Việc chọn các chiều được đánh đấu qua một đoạn NST là một dãy số nhị phân. Ví dụ: 1 0 0 1 1 0 1 0 0 0 Trong đó các chiều 1, 4, 5, 7 mang số 1 -> được chọn. Các chiều 2, 3, 6, 8, 9, 10 mang số 0 -> không được chọn. Sau khi GA phát sinh một NST như trên. Các bit được bật 1 sẽ lấy giá trị từ index của chiều tương ứng trong data set. Các bit bật 0 không lấy giá trị trong data set. Ví dụ: Vector ban đầu: 1:0.1 2:0.1 3:0.0 4:0.7 5:0.2 6:0.3 7:0.5 8:0.9 9:0.4 10:0.1 Áp lên NST template “1 0 0 1 1 0 1 0 0 0 0” Vector mới cho ra như sau: 1:0.1 4:0.7 5:0.2 7:0.5 Trong đó các chiều (Index) 1, 4, 5, 7 được giữ lại còn các chiều 2, 3, 6, 8, 9, 10 bị bỏ đi bất kể các chiều có giá trị hay không. 59 Hình 4.1 - SVM Mô hình huấn luyện kết hợp GA - SVM 60 Bảng tổng hợp kết quả thử nghiệm trên dữ liệu thu thập từ 14 người dùng thu thập: Lần U1 U2 U3 U4 U5 U6 U7 U8 U9 U10 U11 U12 U13 U14 AVG 1 Acc 0.85 0.90 0.91 0.88 0.93 0.95 0.87 0.95 0.95 0.91 0.95 0.90 0.88 0.94 0.91 Tpos 0.93 1.00 0.93 0.87 1.00 0.80 1.00 0.93 1.00 0.86 0.80 0.80 1.00 0.86 0.91 Tnev 0.84 0.89 0.91 0.88 0.92 0.96 0.86 0.95 0.95 0.91 0.96 0.91 0.87 0.95 0.91 2 Acc 0.86 0.90 0.94 0.87 0.93 0.89 0.86 0.93 0.93 0.89 0.94 0.94 0.89 0.96 0.91 Tpos 0.93 0.93 0.90 0.93 1.00 0.80 0.86 0.86 0.80 0.80 0.86 1.00 1.00 1.00 0.91 Tnev 0.85 0.90 0.94 0.87 0.92 0.90 0.86 0.94 0.94 0.90 0.95 0.93 0.88 0.96 0.91 3 Acc 0.85 0.91 0.93 0.84 0.91 0.95 0.85 0.96 0.92 0.88 0.96 0.93 0.87 0.90 0.90 Tpos 0.93 1.00 0.87 0.83 1.00 0.80 0.86 0.91 0.80 0.80 0.86 1.00 1.00 0.10 0.84 Tnev 0.84 0.90 0.93 0.84 0.90 0.96 0.85 0.96 0.93 0.89 0.97 0.92 0.86 0.96 0.91 4 Acc 0.86 0.90 0.93 0.85 0.92 0.93 0.84 0.93 0.90 0.87 0.93 0.92 0.90 0.95 0.90 Tpos 0.83 0.83 0.87 0.87 1.00 0.80 1.00 0.91 0.80 0.80 0.80 0.80 0.83 1.00 0.87 Tnev 0.86 0.91 0.93 0.85 0.91 0.94 0.83 0.93 0.91 0.87 0.94 0.93 0.91 0.95 0.91 5 Acc 0.86 0.90 0.93 0.84 0.93 0.93 0.86 0.96 0.94 0.88 0.95 0.92 0.90 0.95 0.91 Tpos 0.83 0.83 0.80 0.83 1.00 0.80 1.00 0.91 1.00 0.80 0.86 1.00 0.87 1.00 0.90 Tnev 0.86 0.90 0.94 0.84 0.92 0.94 0.85 0.96 0.93 0.89 0.96 0.91 0.90 0.95 0.91 6 Acc 0.84 0.90 0.92 0.87 0.93 0.89 0.83 0.95 0.90 0.88 0.89 0.92 0.90 0.95 0.90 Tpos 0.83 0.83 0.87 0.83 1.00 0.80 0.86 0.87 0.80 0.80 0.80 0.80 0.87 0.71 0.83 Tnev 0.84 0.90 0.92 0.87 0.92 0.90 0.83 0.96 0.91 0.89 0.90 0.93 0.90 0.97 0.90 7 Acc 0.84 0.91 0.93 0.89 0.93 0.94 0.85 0.95 0.92 0.87 0.92 0.92 0.86 0.95 0.90 Tpos 0.90 1.00 0.80 0.83 1.00 0.80 0.86 0.83 1.00 0.80 0.86 0.80 0.83 1.00 0.88 Tnev 0.83 0.90 0.94 0.89 0.92 0.95 0.85 0.96 0.91 0.88 0.92 0.93 0.86 0.95 0.91 8 Acc 0.85 0.89 0.93 0.89 0.91 0.95 0.83 0.95 0.93 0.91 0.92 0.91 0.90 0.94 0.91 Tpos 0.93 0.93 0.80 0.93 1.00 0.80 1.00 0.87 1.00 0.86 0.80 0.80 0.87 0.71 0.88 Tnev 0.84 0.89 0.94 0.89 0.90 0.96 0.82 0.96 0.92 0.91 0.93 0.92 0.90 0.96 0.91 9 Acc 0.87 0.90 0.93 0.88 0.91 0.95 0.84 0.88 0.94 0.89 0.92 0.91 0.91 0.96 0.91 Tpos 0.93 0.93 0.93 0.87 1.00 0.91 1.00 0.87 1.00 0.86 0.80 0.80 0.93 1.00 0.92 Tnev 0.86 0.90 0.93 0.88 0.90 0.95 0.83 0.88 0.93 0.89 0.93 0.92 0.91 0.96 0.91 10 Acc 0.85 0.91 0.93 0.84 0.91 0.92 0.86 0.94 0.94 0.88 0.95 0.91 0.90 0.96 0.91 Tpos 0.80 1.00 0.87 0.87 1.00 0.93 1.00 0.87 0.80 0.86 0.80 0.80 0.87 1.00 0.89 Tnev 0.85 0.90 0.93 0.84 0.90 0.92 0.85 0.95 0.95 0.88 0.96 0.92 0.90 0.96 0.91 AVG Acc 0.85 0.90 0.93 0.87 0.92 0.93 0.85 0.94 0.93 0.89 0.93 0.92 0.89 0.95 0.91 Tpos 0.88 0.93 0.86 0.87 1.00 0.82 0.94 0.88 0.90 0.82 0.82 0.86 0.91 0.84 0.88 Tnev 0.85 0.90 0.93 0.87 0.91 0.94 0.84 0.95 0.93 0.89 0.94 0.92 0.89 0.96 0.91 61 Độ chính xác khi thử nghiệm là 90.59% True Positive = 88.19% True Negative = 90.77% FAR = 0.1181 ≈ 11% FRR = 0.0923 ≈ 9% EER ≈ 10% Bảng tổng hợp kết quả thử nghiệm trên benchmark data từ 51 người dùng khác nhau (benckmark data tham khảo tại
       
 
 
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 
 

 
 
 

 

 

 
 
 

 
 
 

 
 
 
 
 
 
 
 
 
 
 

 
 
 
 
 

 
 
 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
 
 

 

 
 
 
 
 
 
 
 
 
 



 
 
 
 
62  
 
 
 
 
 
 
 

 
 
 

 

 









 
 
 

 
 
 

 
 
 

 
 
 

 

 

 
 
 

 
 
 





 

 

 
 
 

 
 
 

 
 
 

 
 
 
     Độ chính xác khi thử nghiệm là 96.31% True Positive = 95.98% True Negative = 96.27% FAR = 0.0373 ≈ 4% FRR = 0.0402 ≈ 4% EER = 4% 4.4.1.3 GA - One-Class SVM Bảng tổng hợp kết quả thử nghiệm trên benchmark data từ 51 người dùng benchmark data
       
0.87 0.88 0.87 
0.84 0.82 0.86 
0.86 0.82 0.90 
0.87 0.85 0.88 
0.84 0.78 0.91 
0.85 0.82 0.87 
0.83 0.75 0.90 
0.86 0.82 0.89 
0.87 0.85 0.88 
0.83 0.80 0.86 
0.89 0.90 0.89 63 
0.91 0.95 0.86 
0.84 0.88 0.81 
0.87 0.88 0.86 
0.87 0.90 0.85  
0.90 0.92 0.87  
0.88 0.88 0.89 
0.90 0.92 0.87  
0.87 0.90 0.84  
0.91 0.92 0.89  
0.80 0.90 0.69  
0.87 0.88 0.86  
0.83 0.92 0.74  
0.84 0.98 0.70  
0.86 0.90 0.83  
0.82 0.92 0.70 
0.83 0.85 0.82 
0.82 0.90 0.74  
0.81 0.82 0.80  
0.87 0.95 0.80  
0.90 0.80 1.00  
0.91 0.85 0.97  
0.90 0.80 1.00  
0.92 0.85 0.98 
0.90 0.82 0.98 
0.91 0.82 0.99 
0.89 0.78 1.00 
0.89 0.78 1.00 
0.90 0.82 0.98 
0.91 0.85 0.97 
0.84 0.90 0.79 
0.85 0.90 0.79 
0.86 0.90 0.81 
0.81 0.85 0.76 
0.85 0.90 0.80 
0.83 0.90 0.76 
0.84 0.90 0.78 
0.85 0.92 0.77 
0.85 0.90 0.81 
0.83 0.90 0.77 
0.84 0.72 0.95   0.8624 0.8651 0.8587 64 Độ chính xác khi thử nghiệm là 86.24% True Positive = 86.51% True Negative = 85.87% FAR = 0.1349 ≈ 14% FRR = 0.1413 ≈ 14% EER = 14% 4.4.2 Trên điện thoại di động Dữ liệu được thu thập từ 10 người dùng khác nhau, trên cùng một điện thoại (Nokia N95, symbian S60v3). Dữ liệu thu thập là nội dung bài thơ “Đây thôn Vĩ Dạ” của Hàn Mặc Tử. Mỗi người dùng được yêu cầu gõ 2 lần bài thơ, các thời điểm ấn, nhả phím được ghi lại thành file trên điện thoại, sau đó mỗi cụm 10 kí tự sẽ được nhóm lại để rút trích thành một vector đặc trưng (cơ chế rút trích đặc trưng được thực hiện tương tự như trên bàn phím máy tính). Sau khi có tập các vector đặc trưng của mỗi người dùng cụ thể, 9/10 trong số đó được dùng để huấn luyện và 1/10 còn lại dùng cho việc kiểm tra độ chính xác. Việc huấn luyện và kiểm tra được thực hiện trên máy tính. 4.4.2.1 GA-Two-class SVM Bảng tổng hợp kết quả thử nghiệm với phương pháp nhận dạng là GA - Two class – SVM.
       
0.93 1.00 0.86 
0.83 0.89 0.77 
0.85 0.89 0.81 
0.88 0.88 0.87 
0.78 0.80 0.76 
0.83 0.87 0.78 
0.75 0.73 0.77 
0.86 0.89 0.84 
0.85 0.85 0.85 
0.92 0.91 0.94   0.84805 0.8695 0.8266 Độ chính xác khi thử nghiệm là 84.81% True Positive = 86.95% True Negative = 82.66% 65 FAR = 0.1305 ≈ 13% FRR = 0.1734 ≈ 17% EER = 15% 4.4.2.2 GA-One-class SVM Bảng tổng hợp kết quả thử nghiệm với phương pháp nhận dạng là GA - One class – SVM.
       






 







 







 








 







 







 








 







 







 








 







 







 








 







 







 








 







 







 








 







 







 








 







 







 








 







 







 








 







 







 

  0.8205 0.8190 0.8220 Độ chính xác khi thử nghiệm là 82.05% True Positive = 81.90% True Negative = 82.20% FAR = 0.181 ≈ 18% FRR = 0.178 ≈ 18% EER = 18% 4.5 Nhận xét kết quả Khi chỉ dùng SVM, toàn bộ đặc trưng gõ phím của người dùng sẽ được sử dụng để làm đặc trưng huấn luyện. Do tính khuếch tán dữ liệu, trong các đặc trưng đó sẽ tồn tại các đặc trưng mà giữa 2 người khác nhau có giá trị rất gần nhau. Đây chính là trường hợp nhiễu, những dữ liệu nhiễu này sẽ làm độ chính xác của mô hình giảm đáng kể. Ví dụ: đặc trưng ReleasePrior (tỉ lệ Latency < 0 / Latency ≥ 0) thì 2 người dùng A và B cùng gõ phím bằng 1 tay sẽ có cùng 1 giá trị ≈0. Đặc trưng này sẽ làm nhiễu tập học của SVM từ đó bài toán có những dự đoán sai. 66 Từ khuyết điểm trên, nhu cầu tinh lọc tập đặc trưng là cần thiết. Cần phải tìm ra tập đặc trưng con tối ưu từ tập đặc trưng đang có (mục đích là loại bớt các đặc trưng nhiễu). Và cơ chế hoạt động của GA giúp thực hiện được điều này. Mô hình GA-2-class SVM thích hợp cho việc chứng thực và nhận dạng những hệ thống đa người dùng (nhiều người cùng dùng chung một hệ thống). Khi đó chỉ những người trong hệ thống sẽ được nhận dạng và phân biệt với nhau. Ví dụ hệ thống máy tính dùng chung, hệ thống đào tạo từ xa, máy ATM, … Mô hình GA-1-class SVM thích hợp với những hệ thống một người dùng. Những hệ thống này chỉ cần chứng thực người đang sử dụng có thực sự là chủ của hệ thống hay không. Ví dụ điện thoại di động, Laptop, …