Искусственный интеллект в защищенном исполнении: преимущества замены классических искусственных нейронов на нейроны среднего геометрического и среднего гармонического 

Виталий Сергеевич Лукин, младший научный сотрудник регионального учебно-научного центра «Информационная безопасность», Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), E-mail: ibst@pnzgu.ru
Александр Иванович Иванов, доктор технических наук, доцент, научный консультант, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), E-mail: ivan@pniei.penza.ru
Константин Александрович Перфилов, главный специалист Центра информационных технологий связи и защиты информации, УМВД России по Пензенской области (Россия, г. Пенза, ул. Пушкина, 159), E-mail: perfilov58@gmail.com 

004.8, 004.032.26 

DOI

10.21685/2072-3059-2021-3-5 

Актуальность и цели. Ответственные приложения искусственного интеллекта должны быть выполнены в защищенном исполнении. Одним из направлений создания таких приложений является использование больших искусственных нейронных сетей, например, состоящих из персептронов автоматически обученных по ГОСТ Р 52633.5. Целью работы является замещение классических персептронов на искусственные нейроны среднего геометрического и среднего гармонического. Материалы и методы. Персептроны выполняют обогащение биометрических данных через их накапливание в линейном пространстве, т.е. их можно рассматривать как искусственные нейроны среднего арифметического. Искусственные хи-квадрат нейроны и нейроны Махалонобиса накапливают данные в пространстве среднего квадратического отклонения. Рассматривается переход к иным классам искусственных нейронов путем формальной замены пространства накопления данных на среднее геометрическое и среднее гармоническое. Результаты. Преимущество нейронов среднего геометрического и среднего гармонического в том, что их программная реализация не требует предварительного вычисления первых статистических моментов малых выборок биометрических данных. Последнее снимает проблему сокрытия статистических моментов образа «Свой» через шифрование таблиц связей и весовых коэффициентов сети искусственных нейронов. Выводы. Применение искусственных нейронов среднего геометрического и среднего гармонического является перспективным направлением создания нейросетевых решающих правил искусственного интеллекта в защищенном от извлечения знаний исполнении. 

Ключевые слова

искусственные нейроны, нейроны среднего гармонического, нейроны среднего геометрического, защита искусственного интеллекта 

 Скачать статью в формате PDF

1. Иванов А. И., Захаров О. С. Среда моделирования «БиоНейроАвтограф» [Программный продукт создан лабораторией биометрических и нейросетевых технологий, размещен с 2009 г. на сайте АО «ПНИЭИ»]. URL: http://пниэи.рф/activity/ science/noc/bioneuroautograph.zip
2. Иванов А. И. Автоматическое обучение больших искусственных нейронных сетей в биометрических приложениях : учеб. пособие. Пенза, 2013. 30 с. URL: http://пниэи.рф/activity/science/noc/tm_IvanovAI.pdf
3. Язов Ю. К., Волчихин В. И. [и др.]. Нейросетевая защита персональных биометрических данных. М. : Радиотехника, 2012. 157 с.
4. Иванов А. И., Куприянов Е. Н. Защита искусственного интеллекта: ортогонализация статистико-нейросетевого анализа малых выборок биометрических данных : препринт. Пенза : Изд-во ПГУ, 2020. 72 с.
5. Волчихин В. И., Иванов А. И. Нейросетевая молекула: решение обратной задачи биометрии через программную поддержку квантовой суперпозиции на выходах сети искусственных нейронов // Вестник Мордовского университета. 2017. Т. 27, № 4. С. 518–523.
6. Техническая спецификация (проект, публичное обсуждение членами ТК 26 заканчивается в 2020 году) «Криптографическая защита информации. Защита нейросетевых биометрических контейнеров с использованием криптографических алгоритмов». Пенза, 2020.
7. Dodis Y., Reyzin L., Smith A. Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy // Proc. EUROCRYPT, 2004. April 13. P. 523–540.
8. Monrose F., Reiter M., Li Q., Wetzel S. Cryptographic key generation from voice // Proc. IEEE Symp. on Security and Privacy, 2001. P. 202–213.
9. Ramírez-Ruiz J., Pfeiffer C., Nolazco-Flores J. Cryptographic Keys Generation Using FingerCodes // Advances in Artificial Intelligence. IBERAMIA-SBIA, 2006. P. 178–187.
10. Волчихин В. И., Иванов А. И., Малыгина Е. А., Юнин А. П. Соотношение мощности нейронов с линейным и квадратичным обогатителями биометрических данных // Известия высших учебных заведений. Поволжский регион. Технические науки. 2018. № 1 (45). С. 17–25.
11. Малыгина Е. А. Биометрико-нейросетевая аутентификация: перспективы применения сетей квадратичных нейронов с многоуровневым квантованием биометрических данных : препринт. Пенза : Изд-во ПГУ, 2020. 114 с.
12. Иванов А. И., Безяев А. В., Малыгина Е. А., Серикова Ю. И. Второй национальный стандарт России по быстрому автоматическому обучению больших искусственных нейронных сетей на малых выборках биометрических данных // Безопасность информационных технологий : сб. науч. ст. по материалам I Всерос. науч.-техн. конф. Пенза, 2019. С. 174–177.
13. Перфилов К. А. Критерий среднего геометрического, используемый для проверки достоверности статистических гипотез распределения биометрических данных // Безопасность информационных технологий : тр. науч.-техн. конф. кластера пензенских предприятий. Пенза, 2014. Т. 9. С. 92–93.
14. Ахметов Б. С., Иванов А. И., Перфилов К. А. Использование среднего геометрического, ожидаемой и наблюдаемой функций вероятности как статистического критерия оценки качества биометрических данных. // Труды Международного симпозиума Надежность и качество. 2015. Т. 2. С. 281–283.
15. Перфилов К. А., Иванов А. И., Проценко Е. Д. Расширение многообразия статистических критериев, используемых при проверке гипотез распределения значений биометрических данных // Европейский союз ученых. 2015. № 4–5 (11). С. 9–12.
16. Иванов А. И., Перфилов К. А., Малыгина Е. А. Многомерный статистический анализ качества биометрических данных на предельно малых выборках с использованием критериев среднего геометрического, вычисленного для анализируемых функций вероятности // Измерение. Мониторинг. Управление. Контроль. 2016. № 2 (16). С. 58–66.
17. Иванов А. И., Банных А. Г., Куприянов Е. Н. Коллекция искусственных нейронов эквивалентных статистическим критериям для их совместного применения при проверке гипотезы нормальности малых выборок биометрических данных // Безопасность информационных технологий : сб. науч. ст. по материалам I Всерос. науч.-техн. конф. Пенза, 2019. С. 163–172.
18. Иванов А. И., Перфилов К. А., Лукин В. С. Нейросетевое обобщение семейства статистических критериев среднего геометрического и среднего гармонического для прецизионного анализа малых выборок биометрических данных // Информационно-управляющие телекоммуникационные системы, средства поражения и их техническое обеспечение : сб. науч. ст. Всерос. науч.-техн. конф. / под общ. ред. В. С. Безяева. Пенза : НПП «Рубин», 2019. С. 50–63.
19. Marshalko G. B. On the security of a neural network-based biometric authentication scheme // Математические вопросы криптографии. 2014. Т. 5. С. 87–98.
20. Bogdanov D. S., Mironkin V. O. Data recovering for a neural network-based biometric authentication scheme. // CTCrypt. Preproceedings, 2018. P. 262–273. URL: https://ctcrypt.ru/files/2018/23_Bogdanov.pdf
21. Безяев А. В. Биометрико-нейросетевая аутентификация: обнаружение и исправление ошибок в длинных кодах без накладных расходов на избыточность : препринт. Пенза : Изд-во ПГУ, 2020. 40 с.