Статья 1417

Название статьи

МНОГОМЕРНЫЙ ПОРТРЕТ ЦИФРОВЫХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ИДЕАЛЬНОГО
«БЕЛОГО ШУМА» В СВЕРТКАХ ХЭММИНГА 

Авторы

Волчихин Владимир Иванович, доктор технических наук, профессор, президент Пензенского государственного университета (Россия, г. Пенза, ул. Красная, 40),  president@pnzgu.ru
Иванов Александр Иванович, доктор технических наук, доцент, начальник лаборатории биометрических и нейросетевых технологий, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), ivan@pniei.penza.ru 
Юнин Алексей Петрович, ведущий специалист, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), alexey_82@mail.ru
Малыгина Елена Александровна, кандидат технических наук, научный сотрудник, межотраслевая лаборатория тестирования биометрических устройств и технологии, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40),  mal890@yandex.ru

Индекс УДК

519.24; 53; 57.017

DOI

10.21685/2072-3059-2017-4-1

Аннотация

Актуальность и цели. Целью работы является получение описания идеального портрета «белого шума», позволяющего контролировать его качество на малых тестовых выборках.
Материалы и методы. Вычисление энтропии по Шеннону для цифровых последовательностей длинной в 256 бит является вычислительно сложной задачей. В связи с этим вычислительную сложность задачи понижают через переход в пространство расстояний Хэмминга при тестировании нейросетевых преобразователей биометрия-код по ГОСТ Р 52633.3. В этом случае возникает свертывание размерности решаемой задачи, однако такой вычислительный прием может оказаться некорректным на малых тестовых выборках.
Результаты. Предложено использовать несколько сверток Хэмминга, выполняемых в полях по модулю 2, 4, 8 и выше. При этом растет объем информации о близости портрета анализируемой цифровой последовательности к портрету идеального «белого шума». Дан перечень дефектов реального «белого шума», наблюдаемого в пространствах сверток Хэмминга. Даны оценки погрешности параметров наблюдаемого портрета «белого шума», возникающие из-за конечного размера тестовой выборки.
Выводы. При «глубоком» контроле хеширующих свойств нейросетевых преобразователей биометрия-код процедур рекомендуемых ГОСТ Р 52633.3 недостаточно. Необходимо дополнять контроль качества «белого шума» в обычном пространстве расстояний Хэмминга, вычисленном сверткой кодов по модулю два, свертками Хэмминга в полях с большим значением модуля.

Ключевые слова

нейросетевой преобразователь биометрия-код, биометрические данные, большая размерность данных, свертки Хэмминга, «белый шум»

 

 Скачать статью в формате PDF

Список литературы

1. ГОСТ Р 52633.3–2011. Защита информации. Техника защиты информации. Тестирование стойкости средств высоконадежной биометрической защиты к атакам подбора. – М., 2011.
2. Кобзарь, А. И. Прикладная математическая статистика. Для инженеров и научных работников / А. И. Кобзарь. – М. : Физматлит, 2006. – 816 с.
3. ГОСТ Р 52633.0–2006. Защита информации. Техника защиты информации. Требования к средствам высоконадежной биометрической аутентификации. – М., 2006.
4. ГОСТ Р 52633.5–2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия–код доступа. –М., 2011.
5. Иванов, А. И. Корректное квантово-континуальное преобразование данных, многократно ускоряющее оценку вероятности ошибок биометрической аутентификации личности / А. И. Иванов, А. В. Безяев, А. В. Елфимов, С. Е. Вятчанин // Специальная техника. – 2017. – № 1. – С. 48–51.
6. Иванов, А. И. Многомерный статистический анализ качества биометрических данных на предельно малых выборках с использованием критериев среднего геометрического, вычисленного для анализируемых функций вероятности / А. И. Иванов, К. А. Перфилов, Е. А. Малыгина // Измерение. Мониторинг. Управление. Контроль. – 2016. – № 2 (16). – С. 58–66.
7. Ахметов, Б. Б. Многомерный статистический анализ биометрических данных сетью частных критериев Пирсона / Б. Б. Ахметов, А. И. Иванов, А. В. Безяев, Ю. В. Фунтикова // Вестник Национальной академии наук Республики Казахстан. –  Алматы, 2015. – № 1. – С. 5–11.
8. Волчихин, В. И. Эффект снижения размера тестовой выборки за счет перехода к многомерному статистическому анализу биометрических данных / В. И. Волчихин, А. И. Иванов, Н. И. Серикова, Ю. В. Фунтикова // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2015 – № 1 (33). – С. 50–59.
9. Юнин, А. П. Оценка энтропии легко запоминаемых, длинных паролей со смыслом в ASII кодировке для русского и английских языков / А. П. Юнин, О. В. Корнеев // Труды научно-технической конференции кластера пензенских предприятий, обеспечивающих безопасность информационных технологий. – Пенза, 2016. – Т. 10. – С. 40–42. – URL: http://пниэи.рф/activity/science/BIT/T10-p40.pdf
10. Безяев, А. В. Типовая схема защиты нейросетевых архивов биометрических данных некриптографическим хешированием через применение линейной рекурренты подсчета контрольных сумм CRC-4 / А. В. Безяев, А. И. Иванов, О. В. Корнеев // Труды научно-технической конференции кластера пензенских предприятий, обеспечивающих безопасность информационных технологий. – Пенза, 2016. – Т. 10. – С. 15–20. – URL: http://пниэи.рф/activity/science/BIT/T10-p15.pdf

 

Дата создания: 06.02.2018 10:02
Дата обновления: 03.07.2018 09:46