当前位置：文档之家 › 基于遗传算法和灰色关联分析的击键特征识别算法

基于遗传算法和灰色关联分析的击键特征识别算法

  • 格式：pdf
  • 大小：3.65 MB
  • 文档页数：4

收稿日期:2006-11-29;修订日期:2007-01-16 基金项目:国家863计划资助项目(2002AA143021)作者简介:王(1966-),男,陕西定边人,副教授,博士研究生,主要研究方向:图像处理、网络安全; 陈伟伟(1981-),女,山西大同人,硕士研究生,主要研究方向:网络安全; 马建峰(1963-),男,陕西临潼人,教授,博士生导师,主要研究方向:信息安全、图像处理、密码学.文章编号:1001-9081(2007)05-1054-04基于遗传算法和灰色关联分析的击键特征识别算法王 1,2,陈伟伟1,马建峰2(1.陕西师范大学物理学与信息技术学院,陕西西安710062;2.西安电子科技大学计算机网络与信息安全教育部重点实验室,陕西西安710071)(w xuan @snnu )摘 要:基于用户击键特征的身份认证比传统的基于口令的身份认证方法有更高的安全性,现有研究方法中基于神经网络、数据挖掘等算法计算复杂度高,而基于特征向量、贝叶斯统计模型等算法识别精度较低。

为了在提高识别精度的同时有效降低计算复杂度,在研究现有算法的基础上提出了一种基于遗传算法与灰色关联分析的击键特征识别算法。

该算法利用遗传算法根据用户训练样本确定表征用户击键特征的标准特征序列,通过对当前用户击键特征序列与标准特征序列进行灰色关联分析实现用户身份认证。

实验结果表明,该算法识别精度达到神经网络、支持向量机等算法的较高水平,错误拒绝率与错误接受率分别为0%与1.5%。

且计算复杂度低,与基于特征向量的算法相近。

关键词:用户身份认证;击键特征;遗传算法;灰色关联分析中图分类号:TP391.4 文献标识码:AU ser authentication algorith m w ith keystroke featuresbased on genetic al gorith m s and grey rel ati onal ana l ysisWANG Xuan 1,2,C HEN W e i w ei 1,MA Ji a n feng2(1.School of Phy sics and Information T echno logy,Shaanx iN or m al Univers it y,X i an Shaanx i 710062,China ;2.K ey Laboratory of M inistry of Education for C o mpu ter N et w ork s and Infor m ation Securit y,X i d ian Un i vers it y,X i an Shaanx i 710071,China )Abstract :U ser aut henti cation based on keystroke dyna m ics features i s m ore secu re than conventi ona l user authentica ti onapproach on l y based on pass words .T he neura l net w ork and da ta m i n i ng based m ethods present high authentica ti on accuracy ,but have a h i gh com putationa l cost .T he statistica l and vector based m ethods have shown lo w computati onal comp lex ity ,but are l ess accura te i n user authenticati on .In order t o i m prove authenticati on accuracy and reduce co m puta ti ona l co m plex ity synchronously ,a ne w user au t hen ticati on appro ach based on keystroke pa tterns w as proposed .In the proposed approach ,G enetic algor it h m w as emp l oyed to generate t he co mmon keystroke pattern of each user fro m the tra i n i ng se t consisti ng of the user s nor m a l key stroke sa m ples .Then G rey R e lati onal ana lysis me t hod w as app lied to ca l culate the degree of g rey s l ope i ncidence bet ween comm on keystroke pattern and current keystroke pattern ,the resu ltant va l ue w as compared w ith a t hresho ld value deter m i ned by exper i m ent to i m ple m en t user authenticati on .Experi m ental results show t h is approach represents t he same user authenticati on accuracy as neural net work and data m i n i ng based m ethods in ter m s o f Fa lse A cceptance R ate (FAR )and F alse R e jecti on R ate (FRR ),fa lse accep tance rate and fa lse re j ection ra te o f t h i s m ethod are 1.5%and 0%respecti ve l y .It i s a l so show s t hat the compu tati onal co m plex it y of t he propo sed m ethod i s l owe r t han tha t of so m e other m ethods .K ey words :use r authenticati on ;keystroke feature ;g enetic algor it h m;grey relati ona l analysis0 引言采用生物特征识别的身份认证是根据用户独特的生理特征(如指纹、虹膜、语音、击键特征等)来认证用户的合法性。

与传统的身份认证相比,它具有更好的安全性。

在这些生理特征中,击键特征不需要增加新的硬件设备,在用户输入口令时,由系统自动提取其特征,对口令和击键特征同时进行认证,比其他的生物特征使用更加方便。

击键特征用于用户身份认证最先由G a i nes 等人[1]于20世纪80年代提出,此后出现了许多这方面的研究成果。

Leggett [2]和B leha [3]等人用统计分析理论,在假设样本为正态分布的前提下,将测试样本与训练样本进行比较。

该方法识别精度低,需要一定的训练样本而且目前尚没有实验数据和理论依据证明击键特征符合正态分布。

Ru 等人[4]采用了模糊数学的方法,将击键速度分为快、中、慢3个等级后,进行模糊处理并判断,随后T apiador 等人[5]也尝试了模糊算法,但该类方法特征选取不充分,分类不精确,B rown 和R ogers [6]和Cho 等人[7]用神经网络的方法,Enzhe Y u [8]将遗传算法和支持向量机理论结合,获得较好的效果,但所需训练样本空间大、训练时间长。

A yku t Guven [9]等人提出一种基于特征向量的快速识别算法。

他只取该用户上一次成功登录的击键特征向量作为标准向量与测试样本进行比较来确定用户身份,这种简单的处理方法虽然有效降低了计算量,识别速度快,但也同时降低了系统的鲁棒性,导致较高的误报率。

本文基于遗传算法和灰色关联分析理论,提出一种计算复杂度低而识别精确度较高的击键特征用户身份认证算法,第27卷第5期2007年5月计算机应用C o mpu ter App licationsV o.l 27No .5M ay 2007该算法采用全局搜索性强的遗传算法,基于训练样本,得到最佳描述用户击键特征的标准特征序列,然后通过计算当前用户的击键特征序列与合法用户的标准击键特征序列之间的灰色斜率关联度来认证用户的合法身份。

实验结果表明,该算法识别精度可以达到神经网络、支持向量机等算法的较高水平,其正常用户的平均拒绝率(FRR )为0%,非法用户的平均通过率(FAR )为1.5%,而且计算量及识别速度与A ykutG uven [9]等人的算法相近。

1 遗传算法与灰色关联分析1.1 遗传算法遗传算法是一种模拟生物进化过程的随机方法,它的思想来源于生物遗传学和优胜劣汰的生存竞争规则。

它将问题的可能解集通过基因编码构成初始种群(父代)开始迭代,计算父代个体的适应度,满足优化准则,跳出迭代;否则,通过选择、交叉或基因重组、变异等操作形成新的个体(子代),计算子代个体的适应度,子代插入到父代中,重新开始循环,直至满足优化准则,使种群的进化到包含近似最优解的状态。

其流程图如图1所示。

图1 遗传算法的流程1.2 灰色关联分析灰色系统理论由我国学者邓聚龙教授于1982年提出,用于处理信息不完备、不确定,数据较少的系统。

灰色系统理论与概率和数理统计的方法相比,需要的样本空间小,数据不一定服从典型的分布,计算量小,不会出现量化结果和定性分析结果不符的现象;与模糊数学相比,不依赖经验,强调信息优化,研究现实规律[10]。

距离空间只限于点点的距离比较,其距离作为比较的测度,点集拓扑是整体的比较,是领域的比较,但没有测度。

距离空间与点集拓扑空间相结合,就构成了灰色关联分析空间[11]。

它是一种有参考系的、有测度的整体比较。

灰色关联分析是根据序列曲线几何形状的相似程度来判断其联系是否紧密。

曲线相似程度越大,相对应的序列联系越紧密,关联度越大,反之,关联度就小。

灰色关联分析反映出灰色系统各因素之间发展趋势的相似或相异的程度。

合集下载

基于威胁评估的打击目标分配与优先级排序方法简析

基于威胁评估的打击目标分配与优先级排序方法简析

基于威胁评估的打击目标分配与优先级排序方法简析发布时间：2022-07-06T08:54:11.672Z 来源：《科学与技术》2022年3月第5期作者：白柯鑫李璐杨宇凌解俊文[导读] 在当前航空兵对地攻击作战目标选择过程中白柯鑫李璐杨宇凌解俊文北方自动控制技术研究所，山西省太原市 030006摘要：在当前航空兵对地攻击作战目标选择过程中，提出了一种威胁评估的打击目标分配以及优先级排序方法。

在此过程中，需要结合任务的目标以及战略价值、目标对战机的直接威胁以及多种因素在目标威胁评估中的重要意义与作用。

通过灰色关联分析法对拟打击地面目标进行威胁评估。

随后结合目标威胁程度以及攻击编队的实际情况，利用分权算法对目标进行划分，保证目标与攻击机编队之间的全面分配。

关键字:威胁评估；目标分配；优先级排序；在对地供给作战计划的过程中，最关键性的内容就是对地面目标进行打击目标分配以及优先级排序。

根据选择目标以及攻击的范围，充分发挥出兵力以及火力运用的价值与意义。

在以往的打击目标排序基本都是采取层次分析法与灰色关联分析法，而目标处理过于单一。

本文将结合目标以及攻击编队，将目标威胁程度以及攻击编队目标作为分配因素，进而能够得出面向目标以及攻击编队整体地面目标打击的优先级排序。

1.基于威胁评估的打击目标分配与优先级排序方法之间的关系目标威胁评估作为打击优先级排序的前提条件。

在建立多目标攻击系统过程中，目标威胁评估作为复杂性较强的内容，特别是因为造成地面目标威胁程度的因素多种多样，其中包括了目标的距离、方位、类型以及配备武器威力与机动能力等等。

而每种因素对于目标所造成的威胁程度有着明显的不同。

涉及到定性因素与定量因素，有些因素的部分信息已知，而有些则是未知信息，具有灰色关联性。

根据灰色系统理论中关联度的基本思想分析，其主要就是按照曲线之间的相似程度来决定关联度，或者通过定量算法分析系统中各因素的关联程度[1]。

而目标分配作为打击优先级排序的关键，同时也是现代作战指挥控制系统中关键性的功能与作用，主要就是通过已知的敌我之间互相威胁程度，在空中突击作战过程中通过一定的分类策略，科学分配我方的兵力与资源，保证我方的各火力单元整体优势被充分的发挥出来。

灰色遗传算法

灰色遗传算法

灰色遗传算法灰色遗传算法是一种结合了灰色系统理论和遗传算法的优化算法。

灰色系统理论是由中国科学家陈纳德在上世纪80年代提出的一种描述不确定系统的理论，而遗传算法则是一种模拟自然进化过程的优化算法。

将两者结合起来，灰色遗传算法可以更好地处理不确定性问题，并找到更优的解决方案。

灰色遗传算法的核心思想是通过模拟自然界的进化过程，逐步优化问题的解决方案。

它以一种基因编码的方式表示解决方案空间，并通过遗传操作（如选择、交叉和变异）对解决方案进行迭代优化。

而与传统的遗传算法不同的是，灰色遗传算法在选择操作中引入了灰色系统理论的思想。

灰色系统理论的核心概念是灰色关联度，它可以用来描述不确定因素对系统的影响程度。

在灰色遗传算法中，灰色关联度被用来评估个体的适应度，即解决方案的优劣程度。

通过灰色关联度的计算，灰色遗传算法可以更准确地评估解决方案，从而更好地引导遗传操作的进行，提高优化的效果。

灰色遗传算法在解决实际问题时具有一定的优势。

首先，它能够处理不确定性因素，对于那些难以建立准确模型的问题具有较好的适应性。

其次，灰色遗传算法能够在解空间中进行全局搜索，避免陷入局部最优解。

此外，灰色遗传算法还可以根据问题的特点进行相应的改进和优化，提高算法的效率和准确性。

灰色遗传算法在实际应用中有着广泛的应用。

例如，在工程领域中，灰色遗传算法可以用来进行工艺优化、参数调节等问题的求解。

在金融领域中，灰色遗传算法可以用来进行股票预测和投资组合优化等问题的求解。

在物流领域中，灰色遗传算法可以用来进行路径规划和资源调度等问题的求解。

灰色遗传算法是一种结合了灰色系统理论和遗传算法的优化算法，具有处理不确定性问题和全局优化的能力。

它在实际问题的求解中具有一定的优势，并且有着广泛的应用前景。

通过不断改进和优化，灰色遗传算法将在更多领域发挥其优势，为问题的求解提供更好的解决方案。

基于遗传算法的灰色预测模型优化研究

基于遗传算法的灰色预测模型优化研究

基于遗传算法的灰色预测模型优化研究本文将介绍基于遗传算法的灰色预测模型优化研究。

首先，我们将简要介绍灰色预测模型的基本概念。

灰色预测模型是一种特殊的数学模型，用于预测复杂系统中的变化趋势。

它的基本思想是将一些现象看作是由“灰色”部分和“白色”部分组成的，其中灰色部分指那些数据量较少或者不够稳定的部分，白色部分则是指那些数据量较大或者较为稳定的部分。

通过对灰色部分的分析，我们可以预测系列的未来趋势，从而帮助我们制定更好的决策。

然而，灰色预测模型也有其局限性。

它需要一定的经验和专业知识来确定模型参数，而这往往是一项非常困难的任务。

为了解决这一问题，我们考虑将遗传算法引入到灰色预测模型中。

遗传算法是一种优化算法，它的基本思想是通过对个体的基因进行变异、重组等操作来不断优化个体适应度，从而进化出更优秀的个体。

在灰色预测模型中，我们可以把个体看作是一组模型参数，通过遗传算法优化这些参数，从而得到更准确的预测结果。

具体来说，我们可以将灰色预测模型的参数设置为个体基因。

在遗传算法中，我们首先随机生成一些初始个体，然后对每个个体进行交叉、变异等操作，从而获得新的个体。

我们按照个体适应度对它们进行排序，选取适应度最好的个体作为下一代的父代，然后重复上述过程，直到获得满意的预测结果为止。

实验结果表明，将遗传算法引入到灰色预测模型中可以显著提高预测准确率。

例如，我们可以将其应用于股票市场预测中。

通过对历史数据进行分析，我们可以得到一个初始的灰色预测模型，然后使用遗传算法对模型参数进行优化。

在测试集上进行的实验表明，基于遗传算法的灰色预测模型可以得到比传统灰色预测模型更准确的预测结果。

综上所述，基于遗传算法的灰色预测模型可以显著提高预测准确率，为决策制定提供了有力的支持。

然而，它仍然存在一些局限性，例如，对于某些复杂系统，很难确定合适的模型参数。

因此，未来的研究可以进一步探索如何结合其他算法，以寻求更好的灰色预测模型优化方法。

基于遗传算法和灰色关联分析的击键特征识别算法

基于遗传算法和灰色关联分析的击键特征识别算法


!
n
n
y =
! y ( t),
t= 1
y ( t) = y ( t +
t) - y ( t); t 的斜率 ;
y ( t) 为比较序列 Y ( t) 在 t到 t + t t到 t +
当 X ( t) , Y ( t) 皆 为 1 时距的离散序列时 , X ( t) 与 Y ( t) 在 t 的灰色斜率关联系数公式 简写为 : x ( t) 1+ x ( t) = x ( t) x ( t) y ( t) 1+ + x x y 定义 Y ( t) 的灰色斜率关联度 n- 1 1 = ( t) n - 1 t= 1
!
2 本文算法
2 . 1 击键特征模型 击键特征是指人在敲 击键盘 时的力 量和速 度特性 , 不 同 的人 , 敲 击键盘的 节奏 模式 就不 相同 , 属 于人 的生 物特 征 之 一。击键特征主 要体 现在 : 击 键延 迟时 间 ( keystroke duration ti m e) 和击 键间隔时间 ( keystroke latency ti m e) , D ( i) 表示 第 i 键的延迟时间 , 指第 i 键按 下与第 i 键弹 起之间 的时间 , L ( i) 表 示第 i键与第 i+ 1键的间隔时间 , 指第 i键弹起到第 i+ 1键 按下之间的时间。 击键特征序列由 D ( i) 和 L ( i) 共同 构成。 对于 m 位长 的 密码 , 击键 延迟时间 和击键 间隔时 间分别 为 : D ( i), i = 1 , 2, , m 和 L ( i), i = 1 , 2, 示如下 : 2 . 2 , m - 1。 特征序列长为 2 m - 1 , 其表 , D (m - 1), L (m - 1), D (m )