基于集成学习和双并行自适应机制的击键动力学认证方法

身份认证是指在计算机系统中确认操作者身份的过程,击键动力学作为一种成本低廉、难以模仿的身份认证方式得到许多学者的广泛关注。然而,现有的方法往往存在误判率和漏判率偏高、泛化能力差等弊端。针对以上问题,本文提出一种将集成学习和自适应更新机制结合的方式,在提高模型分类性能的同时适应新数据中的特征变化。通过使用公开的CMU数据集和通用的评估指标(EER)将本文的方法与其他先进的技术进行比较,实验表明本文所提出的二次集成学习方法性能优异,使用双并行自适应更新机制后表现出可靠的泛化能力,在CMU数据集上得到了3.22%的EER,模型性能优于相同实验条件下的同类研究。