СОДЕРЖАНИЕ

«НЕЙРОКОМПЬЮТЕРЫ»: РАЗРАБОТКА, ПРИМЕНЕНИЕ, №12, 2007

СОДЕРЖАНИЕ

1. Проблемы обучения нейронных сетей большой размерности 1.1. Биометрико-нейросетевое управление криптографическими механизмами защиты информации. Фунтиков В.А., Ефимов О.В., Иванов А.И. Показано, что переход от классических нейронных сетей с одним выходом к нейросетевым преобразователям биометрия-код с 256-ю, 512-1024-мя выходами позволяет на несколько порядков снизить вероятности ошибочного пропуска «Чужого». Одновременно удается повысить безопасность аппаратно-программных средств биометрико-нейросетевой защиты […]

 

Декабрь 01st, 2007

1. Проблемы обучения нейронных сетей большой размерности 1.1. Биометрико-нейросетевое управление криптографическими механизмами защиты информации. Фунтиков В.А., Ефимов О.В., Иванов А.И. Показано, что переход от классических нейронных сетей с одним выходом к нейросетевым преобразователям биометрия-код с 256-ю, 512-1024-мя выходами позволяет на несколько порядков снизить вероятности ошибочного пропуска «Чужого». Одновременно удается повысить безопасность аппаратно-программных средств биометрико-нейросетевой защиты информации за счет исключения атаки на последний бит решающего правила и растворения биометрического шаблона в параметрах нейросети.

1.2. Идеальная машина обучения нейросетевых приложений – технически реализуемые стратегии наращивания уровня сложности искусственного интеллекта. Иванов А.И. Захаров С.М. Рассмотрены различные типы машин обучения. Сформулировано понятие идеальной машины обучения, способной перерабатывать не только «хорошие», но и «плохие» данные при минимальном числе примеров обучения. Показано, что близость реальной машины обучения к идеальной во многом определяется выбором нейросетевого базиса и выходной размерностью вектора-решения.

1.3. Оценка потенциальных возможностей идеальной машины обучения, способной использовать «плохие» и «очень плохие» данные. Капитуров Н.В., Хозин Ю.В., Иванов А.И. Доказано, что созданная машина обучения нейросетевых преобразователей «биометрия-код» способна использовать любые биометрические данные как «плохие» так «очень плохие». Выведено аналитическое соотношение, позволяющее оценить ожидаемое выходное качество нейросети, обученной близко к идеальной машиной обучения.

1.4. Статистическое описание идеального нейросетевого преобразователя «биометрия-код»: «информационный» вечный двигатель. Надеев Д.Н., Иванов А.И., Малыгин А.Ю. Введено понятие идеального нейросетевого преобразователя «биометрия-код» вектора управления. Показано, что выходные коды идеального нейросетевого преобразователя описываются биномиальным законом распределения. Рассмотрен эффект неограниченного увеличения размерности выходного кода нейросетевого преобразователя, который в этой ситуации может рассматриваться как «информационный» вечный двигатель, позволяющий неограниченно увеличивать качество принимаемых решений.

1.4.1. Информационный показатель КПД нейросетевых преобразователей «биометрия-код». Иванов А.И., Волчихин В.И. Обсуждена проблема вычисления эквивалентной длины выходного ключа нейропреобразователя, совпадающей по своей стойкости к атакам подбора с ключом симметричной криптосхемы. Предложено оценивать КПД нейропреобразователя как отношение длины его эквивалентного ключа к длине реального выходного ключа.

1.5. Применение средств многомерной нейросетевой биометрии – путь к безопасному обмену в открытом информационном пространстве. Захаров О. С., Иванов А.И., Хозин Ю.В. Показано, что из-за не идеальности нейросетевого преобразователя «биометрия-код» ощутимый рост качества наблюдается только до некоторого предела увеличения числа выходов. Для реальных нейросетевых преобразователей рост качества принимаемых ими решений ограничен.

1.6. Оценка остаточных корреляционных связей выходов при тестировании нейросетевых преобразователей «биометрия-код». Иванов А.И. Рассмотрены процедуры оценивания парных и групповых корреляционных связей выходов нейросетевых преобразователей «биометрия-код». Показано, что прямое вычисление многомерных коэффициентов корреляции бесперспективно. Предложено два типа косвенных процедур оценки коэффициентов групповой корреляции и корреляции внутри группы выходов.

1.7. Связь коэффициента парной корреляции выходов нейропреобразователя «биометрия-код» со среднеквадратическим отклонением меры Хемминга образов «Чужие». Надеев Д.Н., Иванов А.И. Показано, что учет не нулевых корреляционных связей между выходами нейропреобразователя приводит к существенному изменению плотности распределения биномиального закона распределения значений. Дана номограмма связи коэффициента парной корреляции со среднеквадратическим отклонением нормированной меры Хемминга множества все «Чужие».

1.8. Синтез таблиц вероятности ошибок первого и второго рода для неидеальных биометрико-нейросетевых преобразователей с 256 выходами. Надеев Д.Н. Приведены таблицы вероятностей ошибок первого и второго рода для неидеальных биометрико-нейросетевых преобразователей с 256 выходами, построены номограммы зависимости вероятности ошибок «Своего» и «Чужого» от среднеквадратического отклонения ненормированной меры Хэмминга.

1.9. Обучение искусственных нейронных сетей на предельно малых выборках из одного-двух примеров. Захаров С.М., Иванов А.И. Рассмотрена на примерах проблема снижения объемов обучающей выборки до минимально возможных размеров. Показано, что обучение на одном примере возможно при заранее построенной модели среднестатистического образа «Свой». Увеличение числа примеров до 2, 3, … позволяет уточнить границы допустимых значений биометрических параметров модели «Свой». Сделан вывод о возможности технической реализации близкого к идеальному алгоритму обучения на одном или двух примерах.

2.1. Экспресс-тестирование высоконадежных нейросетевых преобразователей «биометрия-код» после их обучения. Федулаев В.В., Малыгин А.Ю., Надеев Д.Н., Иванов А.И. Показана необходимость экспресс-тестирования высоконадежных нейросетевых преобразователей «биометрия-код» на конкретных примерах после их обучения. Показано, что тестовой выборки из 300 примеров «Чужой» достаточно для осуществления предварительной оценки стойкости нейросетевого средства защиты к атакам случайного подбора.

2.2. Тестирование стойкости биометрико-нейросетевой защиты информации посредством искусственного ослабления. Майоров А. В., Захаров О.С., Иванов А.И., Малыгин А.Ю., Федулаев В.В. Показано, что стойкость биометрико-нейросетевого хранителя ключа не может быть оценена обычным подбором. Описан численный эксперимент в соответствии с которым преобразователь биометрия-код искусственно ослабляют, подставляя на часть его входов данные «Свой», оставшуюся часть входов считают неизвестной и осуществляют ее подбор.

2.3. Задачи Межведомственной лаборатории тестирования биометрических устройств и технологий при факультете военного обучения Пензенского государственного университета. Волчихин В.И., Малыгин А.Ю., Олейник Ю.И. Показана необходимость обязательной сертификации и стандартизации для обеспечения безопасности информационных технологий и подготовки национальных стандартов в области высоконадежной биометрии, требующей дополнительных исследований. Рассмотрены особенности исследований и задачи Межведомственной лаборатории тестирования биометрических устройств и технологий при факультете военного обучения ПГУ.

2.4. Реализация атаки подбора расположения особых точек: оценка стойкости нейросетевых преобразователей рисунков отпечатков пальцев в код ключа доступа. Фунтиков Д.А., Хозин Ю.В., Агафонов С.Л., Иванов А.И. Программно реализована атака подбора неизвестного расположения особых точек рисунка отпечатка пальца. Показано, что от числа особых точек существенно зависит стойкость биометрической защиты к атакам подбора. Приведена таблица оценки стойкости биометрической защиты в случае реализации классических алгоритмов идентификации. Дана таблица прогнозов использования нейронной сети большого размера для преобразования рисунка отпечатка пальца в код ключа доступа.

2.5. Предварительная обработка биометрических данных: извлечение псевдодинамики из «мертвой» рукописной надписи. Воячек С.А., Иванов А.И. Показано, что «мертвая» рукописная надпись может быть преобразована в псевдодинамику ее воспроизведения. При этом возникают неоднозначности, связанные с неопределенностью направления движения пера, которая может быть исключена привлечением единого правила принятия решения, что существенно сокращает число вариантов псевдодинамики написания рукописных букв и знаков.

3.1. Оценка размеров баз биометрических образов для корректного тестирования высоконадежных нейросетевых преобразователей. Малыгин А.Ю., Волчихин В.И., Федулаев В.В., Безяев А.В. Показано, что для тестирования средств высоконадежной биометрии необходимо создавать реальные базы биометрических образов больших размеров. Знание законов распределения в созданных базах позволяет значительно сократить размеры этих баз, время тестирования устройств и перейти от термина «оценка» стойкости к термину «измерение» биометрической стойкости средств защиты.

3.2. Балансировка и тиражирование баз естественных биометрических образов. Малыгин А.Ю. Показано, что под каждый тип биометрических образов необходимы критерии представительности тестовой выборки. При наличие критериев представительности тестовой выборки представительность самой выборки не зависит от ее размеров.

3.3. Требования к синтетическим базам биометрических образов. Малыгин А.Ю., Федулаев В.В., Надеев Д.Н, Иванов А.И. Показано, что для полного тестирования средств высоконадежной биометрии необходимо иметь сверхбольшие базы биометрических образов.Рассмотрены основные требования к синтетическим базам и разным типам генераторов для формирования этих баз.

4.1. Формирование национальной политики России по развитию и стандартизации средств высоконадежной и высокозащищенной биометрико-нейросетевой аутентификации. Герасименко В.Г., Кирсанов Ю.Г., Язов Ю.К. Показано, что происходит активное внедрение биометрических технологий для защиты интересов частных граждан и государственных интересов обеспечения общественной безопасности; вводится в действие порядка 50 национальных и международных биометрических стандартов; возрастает роль защиты биометрических данных граждан и обеспечения высоконадежной биометрической аутентификации. Россия является первой страной, разработавшей для себя национальный стандарт по обеспечению требований к средствам высоконадежной биометрической аутентификации.

4.2. Корректное связывание смежных терминов «нейроинформатики», «биометрии» и «защиты информации». Герасименко В.Г., Язов Ю.К., Иванов А.И., Ефимов О.В., Фунтиков В.А. Показано, что при создании стандартов по высоконадежной биометрико-нейросетевой аутентификации возникает проблема стыковки терминов из различных областей прикладных знаний. Предложено определять в рамках каждого документа необходимые сочетания терминов и использовать только строго определенные их последовательности.

4.3. Законодательно метрологические предпосылки для осуществления корректных измерений стойкости нейросетевых преобразователей «биометрия-код» к атакам подбора. Малыгин А.Ю., Волчихин В.И., Иванов А.И., Фунтиков В.А. Рассмотрены классическая постановка задачи и корректные измерения для обычной и высоконадежной биометрии, возникающие при этом проблемы и пути их решения.

4.4. Нейросетевое обезличивание медицинского документообарота – эффективный прием биометрической защиты персональных данных. Ашенбренер И.В., Иванов А.И., Рыбалкин С.Б. Показано, что размещение биометрического образа человека в нейросетевом контейнере позволяет обеспечить анонимность больного и исключить возможность злоупотреблений своей анонимностью со стороны больного. Показано как врач и больной одновременно оказываются защищены от возможных взаимных злоупотреблений.

There are no responses so far.
Leave your response

You must be logged in to post a comment.