선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 5 가지 타입의 학습데이터에 타입에 맞는 2(广100개의 비툭이 패턴을 생성하여 학습데이터에 첨가하여 총 13번의 신경망 학습을 수행하였다. 학습데이터 구성 기법을 테스트하기위해서 다믄 환경(학습에 사용된 사용자 패턴이 수집된 기기와 다른 기기에서 타이핑 패턴을 수집)에서 사용자의 타이핑패턴을 수집한다.
- 5 이상에서 생성하였匸}. 5 번의 테스트 패턴, 다른 환경에서 수집된 20번의 사용자 패턴과 L5개의 비특이 패턴을 모두 사용하여 총 40번의 테스트 패턴을 구성하여 테스트를 진행한다. 비득이 패턴 수와 신경망 입력 데이터구성에 따른 1종 인식 오류와 2종 인식 오류는 표7에 있으며 RMSE의 변화를 그그림 I에 나타내었다.
- 본 연구에서는 감독 학습 기능을 가진 신경망과 사용자고유의 사용자 타이핑 패턴에 대한 시간변수를 사용하여 새료운 사용자 인식 모델을 개발하였다. 사용자 패턴의 시간변수의 평균과 표준편차를 이용하여 비특이 패턴을 생성하여 표준편차에 따른 모델 성능을 검증하였다.
- 사용자 인식 모델을 개발하였다. 사용자 패턴의 시간변수의 평균과 표준편차를 이용하여 비특이 패턴을 생성하여 표준편차에 따른 모델 성능을 검증하였다. 수집된 사용자 타이핑 패턴의 시간변수를 5 종류 유형으로 분류하여 신경망의 입력으로 이용하였다.
- 생성된 비특이 패턴의 a 에 따른 영향 분석하기 위해서 각각 5, 10, 15, 20 개의 비특이 패턴을 생성하여 학습패턴에 추가하여 학습데이터를 구성한다. 검출 성능을 측정하여 인식성능을 표4에 나타내었으며 RMSE(Root Mean Squared Error)< 표5에 표시하였다.
- 사용자 패턴의 시간변수의 평균과 표준편차를 이용하여 비특이 패턴을 생성하여 표준편차에 따른 모델 성능을 검증하였다. 수집된 사용자 타이핑 패턴의 시간변수를 5 종류 유형으로 분류하여 신경망의 입력으로 이용하였다. 인식 오류를 접근 권한이 있는 사용자를 침입자로 판단하는 1종 인식 오류와 접근 권한이 없는 사용자를 접근 권한이 없는 사용자로 판단하는 2종 인식 오류로 구분하여 인식 성능을 평가하였다.
- 수집된 사용자 타이핑 패턴의 시간변수를 5 종류 유형으로 분류하여 신경망의 입력으로 이용하였다. 인식 오류를 접근 권한이 있는 사용자를 침입자로 판단하는 1종 인식 오류와 접근 권한이 없는 사용자를 접근 권한이 없는 사용자로 판단하는 2종 인식 오류로 구분하여 인식 성능을 평가하였다.
- 각각 2가지의 다른 환경에서 10번의 타이핑 패턴을 수집한다. 입력 데이터 구성에 따른 2종 인식 오류둘 확인하기 위해서 15개의 비득이 패턴을 생성하여 테스트 패턴에 추가하였다. 비득이 패턴은 3장에서의 결과를 바탕으로 표준편차 2.
대상 데이터
- 수집된 3 종류의 사용자 타이핑 패턴의 시간 변수를 표 6와 같이 5가지 타입으로 구분하여 신경망 학습데이터를 구성한다.
이론/모형
- 인식 모델 개발을 위해서 역전파 신경망 (Backpropagation Neural Network-BPNN) (3)을 이용하였다. 은닉층은 1개이며 은닉 뉴런 수는 5이다.
- 은닉층은 1개이며 은닉 뉴런 수는 5이다. 학습 규칙으로는 일반화된 델타 규칙을 적용하였다
※ AI-Helper는 부적절한 답변을 할 수 있습니다.