Статья 2417

Название статьи

РЕГУЛЯРИЗАЦИЯ ВЫЧИСЛЕНИЯ ЭНТРОПИИ ВЫХОДНЫХ СОСТОЯНИЙ НЕЙРОСЕТЕВОГО ПРЕОБРАЗОВАТЕЛЯ БИОМЕТРИЯ-КОД, ПОСТРОЕННАЯ НА РАЗМНОЖЕНИИ МАЛОЙ ВЫБОРКИ ИСХОДНЫХ ДАННЫХ 

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
Банных Андрей Григорьевич, аспирант, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), ibst@pgzgu.ru

Индекс УДК

519.24; 53; 57.017

DOI

10.21685/2072-3059-2017-4-2

Аннотация

Актуальность и цели. Целью работы является регуляризация вычисления энтропии длинных кодов с зависимыми разрядами на малой тестовой выборке.
Материалы и методы. Алгоритм построен на предсказании вероятности появления редких событий, использующий гипотезу нормального распределения расстояний Хэмминга. Предложено отказаться от вычисления математического ожидания и стандартного отклонения на малых выборках. Предложено размножать исходные данные через добавление к ним мутаций, полученных от генератора псевдослучайного шума. Даны ограничения на амплитуду генератора шума мутаций.
Результаты. Показано, что при переходе в пространство расстояний Хэмминга наблюдается логарифмическое сжатие размеров исходного алфавита спектра выходных состояний нейросетевой молекулы преобразователя биометрия-код. Это в итоге позволяет выполнять быстрое тестирование преобразователей через вычисление их энтропии.
Выводы. Предложенная процедура регуляризации вычислений позволяет получить точность оценки значения энтропии нейросетевого преобразователя на выборке в 21 опыт такую же, как точность вычислений, обеспечиваемую стандартными процедурами вычислений по ГОСТ Р 52633.3 на выборке из 2100 опытов. Наблюдается примерно 100-кратный рост устойчивости вычислений.

Ключевые слова

статистический анализ малых выборок, предсказание вероятности появления редких событий, искусственные нейронные сети, энтропия

 

 Скачать статью в формате PDF

Список литературы

1. Яглом, А. М. Вероятность и информация / А. М. Яглом, И. М. Яглом. – М. : Дом Книги, 2007. – 512 с.
2. Juels, A. A Fuzzy Commitment Scheme / A. Juels, M. Wattenberg // Proc. ACM Conf. Computer and Communications Security (1–4 November, 1999). – Singapore, 1999. – P. 28–36.
3. Monrose, F. Cryptographic key generation from voice / F. Monrose, M. Reiter, Q. Li, S. Wetzel // In Proc. IEEE Symp. on Security and Privacy (14–16 May, 2001). – Okland, California USA, 2001. – P. 202–213.
4. Dodis, Y. Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy / Y. Dodis, L. Reyzin, A. Smith // EUROCRYPT. – 2004. – Data April 13. – P. 523–540.
5. Hao, F. Crypto with Biometrics Effectively / Feng Hao, Ross Anderson, and John Daugman // IEEE Transactions on computers. – 2006. – Vol. 55, № 9.
6. Иванов, А. И. Среда моделирования «БиоНейроАвтограф». Программный продукт создан лабораторией биометрических и нейросетевых технологий, размещен с 2009 г. на сайте АО «ПНИЭИ» / А. И. Иванов, О. С. Захаров. – URL:http://пниэи.рф/activity/science/noc.htm (для свободного использования университетами России, Белоруссии, Казахстана).
7. Волчихин, В. И. Быстрые алгоритмы обучения нейросетевых механизмов биометрико-криптографической защиты информации : монография / В. И. Волчихин, А. И. Иванов, В. А. Фунтиков. – Пенза : Изд-во ПГУ, 2005. – 273 с.
8. Технология использования больших нейронных сетей для преобразования нечетких биометрических данных в код ключа доступа : монография / Б. С. Ахметов, А. И. Иванов, В. А. Фунтиков, А. В. Безяев, Е. А. Малыгина. – Алматы, Казахстан : LEM, 2014. – 144 c. – URL: http://portal.kazntu.kz/files/publicate/2014-06-27- 11940.pdf
9. Малыгин, А. Ю. Быстрые алгоритмы тестирования нейросетевых механизмов биометрико-криптографической защиты информации / А. Ю. Малыгин, В. И. Волчихин, А. И. Иванов, В. А. Фунтиков. – Пенза : Изд-во ПГУ, 2006. – 161 с.
10. ГОСТ Р 52633.3–2011. Защита информации. Техника защиты информации. Тестирование стойкости средств высоконадежной биометрической защиты к атакам подбора. – М., 2011.
11. Серикова, Н. И. Оценка правдоподобия гипотезы о нормальном распределении по критерию Джини для сглаженных гистограмм, построенных на малых тестовых выборках / Н. И. Серикова, А. И. Иванов, Ю. И. Серикова // Вопросы радиоэлектроники. Сер.: СОИУ. – 2015. – Вып. 1. – С. 85–94.
12. Иванов, А. И. Сравнение мощности хи-квадрат критерия и критерия Крамерафон Мезиса для малых тестовых выборок биометрических данных / А. И. Иванов, А. И. Газин, С. Е. Вятчанин, К. А. Перфилов // Надежность и качество сложных систем. – 2016. – № 2 (14). – С. 67–72.
13. 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.
14. ГОСТ Р 52633.2–2010. Защита информации. Техника защиты информации. Требования к формированию синтетических биометрических образов, предназначенных для тестирования средств высоконадежной биометрической аутентификации. – М., 2010.
15. Solving the inverse task of neural network biometrics without mutations and Jenkins "nightmare" in the implementation of genetic algorithms / B. Akhmetov, S. Kachalin, А. Ivanov, А. Bezyaev, К. Mukapil // Computational and Informational Technologies in Science, Engineering and Education (CITech-2015) : International Conference. – Almaty, Kazakhstan, 2015 – P. 89–92.

 

Дата создания: 06.02.2018 10:02
Дата обновления: 27.03.2018 14:21