31、基于固定文本和自由文本击键动态的机器学习与深度学习探索

基于固定文本和自由文本击键动态的机器学习与深度学习探索

在当今数字化时代，生物识别认证和识别技术在网络安全领域的重要性日益凸显。击键动态作为一种独特的生物识别方式，凭借其无需特殊硬件、可被动收集数据等优势，正逐渐成为研究热点。本文将深入探讨基于固定文本和自由文本击键动态的机器学习与深度学习技术。

固定文本击键动态的研究成果

在固定文本击键动态的研究中，对多种机器学习技术进行了测试和分析。通过对比实验，发现采用数据增强的XGBoost表现最佳，多层感知器（MLP）的性能也十分接近。以下是不同模型的准确率对比：
| 模型 | 准确率（%） |
| — | — |
| XGBoost - augment (our research) | 96.39 |
| ELM (Ravindran, et al.) | 89.27 |
| XGBoost (Dwivedi, et al.) | 95.96 |
| CNN (Dwivedi, et al.) | 94.24 |
| SVM/NEAT (Baynath, et al.) | 95.50 |
| MLP (Gedikli, et al.) | 94.70 |
| CNN (Çeker, et al.) | 84.28 |
| MLP (Maheshwary, et al.) | 93.59 |
| XGBoost (Krishna, et al.) | 93.79 |

从表格中可以清晰地看出，我们的XGBoost - augment模型取得了最高的准确率，相较于以往的研究有了一定的提升。

自由文本击键动态的