Jubatusを使ったキーストローク認証を試してみた

1. +
Jubaanomalyで
キーストローク認証
小田哲(@oda_satoshi)

2. +
jubaanomaly
 Breunigらによって提案された、データサンプルの周辺データ
集合の密集度に応じた異常値を割り振る異常検出アルゴリズム
LOF(Local Outlier Factor)をサポート
 オンライン処理、分散処理ができるように改良
 0.4.0に新機能として追加

3. +
キーストローク認証
 個人ごとにキーボードの打鍵リズムは異なる、という仮説を利
用した認証
 特殊なハードウェアが不要なため、Web越しの認証として優秀
 精度は指紋、静脈などの生体認証に比べれば低いがリスクベース認
証におけるリスク算出の一要素としてならば十分利用できる

4. +
予備実験：
0
50000
100000
150000
200000
250000
300000
350000
1
2
3
4
5
㍃秒
‘oda.satoshi’を5回入力した時の、タイプ間隔分布

5. +
そのまま入れてもダメらしい
 [[inf], [inf], [inf], [inf], [inf], [inf], [inf], [inf], [inf], [inf]]
 (´・ω・｀)
 パラメタチューニング
 LOFのパラメタを調整する。
 fv_converterを調整する。

6. +
LOFのparameterを調整
 "parameter" : {
"nearest_neighbor_num" : 10,
"reverse_nearest_neighbor_num" : 30,
"method" : "euclid_lsh",
"parameter" : {
"lsh_num" : 512,
"table_num" : 4,
"seed" : 1091,
"probe_num" : 1,
"bin_width" : 256,
"retain_projection" : false }
}

7. +
距離をすべての点に対して追加
のたびに更新すると、オンライ
ン処理しきれない（時間に間に
合わない）ので
の点から近い順に10点が
(10近傍)のみ更新する。
対象の周辺点の密度の均一度
"nearest_neighbor_num" : 3,
"reverse_nearest_neighbor_num" : 10,
の点から近い順に3点が(3
近傍)がLOFの密度を計算する
ために使われる点。

8. +
Euclid-LSHのパラメタ
fv [a, b, c, …] seedを元に整数値に
ランダム射影
[0,…bin_width]
lsh_num個
probe_num
table_num
retain_projectionが
falseだと毎回導出
基本的には演算時間、メモリを食う分、精度があがる可能性がある。
bin_widthだけは、適切な量子化幅を設定しないとまともな値が出ない。

9. +
converterの調整
 FAQ（http://jubat.us/ja/faq.html）
 1: それぞれの特徴値を正規化する
 近傍探索は各特徴のスケールの違いに影響されます。全ての特徴値
を正規化 (0.0 から 1.0 に制限) するか、標準化 (標準偏差が約 1.0 と
なるように) するのが望ましいでしょう。
 converterの設定
"num_types": {
"KEYINPUT": {
"method": "dynamic",
"path": "libnormalize_num_feature.so",
"function": "create",
"max": "50000.0",
"min": "0.0"
}
"num_rules": [
{"key" : "*", "type" : "KEYINPUT"}
]

10. +
それなりに動くように
 精度はこれから
 100回ぐらい学習しておけばあとは、それなりのスコアが出るよう
になった。一方、他人が入力すると、とても大きな値 or Infが出
る。
 Jubatus-exampleに近日公開予定