| Авторы |
Юнин Алексей Петрович, специалист, Пензенский научно-исследовательский электротехнический институт (Россия,
г. Пенза, ул. Советская, 9), E-mail: pniei@penza.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), E-mail: ivan@pniei.penza.ru
Ратников Кирилл Андреевич, специалист, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), E-mail: pniei@penza.ru
Кольчугина Елена Анатольевна, доктор технических наук, профессор, кафедра математического обеспечения и применения ЭВМ, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), E-mail: kea@pnzgu.ru
|
| Аннотация |
Актуальность и цели. Целью работы является повышение корректности вычисления энтропии длинных кодов со слабо зависимыми разрядами, порождаемыми нейросетевыми преобразователями биометрия-код или хэшированием биометрических данных средствами облегченной криптографии.
Материалы и методы. Классические процедуры Шеннона не могут быть использованы для вычислений, так как требуют использования огромного статистического материала. Для сокращения затрат вычислительных ресурсов используется отображение обычных кодов пространство сверток Хэмминга.
Результаты. Предложено рассматривать портрет белого шума в системе сверток Хэмминга, полученных в разных системах счисления. Это эквивалентно тесту множества обезьян, каждая из которых одновременно печатает на множестве печатающих машинок совершенно разных конструкций, созданных под разные языки и разные системы письменности. Чем больше используется печатающих машинок, тем быстрее множество обезьян совместными усилиями создадут осмысленную фразу на одном из возможных языков.
Выводы. В пространстве множества сверток Хэмминга оценка качества белого шума становится корректной, если нам заранее известны параметры распределений контролируемых сверток. При этом надежность оценок тем выше, чем больше контролируется различных сверток Хэмминга и чем выше размерность вычисляемых функционалов. Так как NIST США рекомендует порядка 16 тестов на случайность, предложено применять не менее 16 типов сверток Хэмминга, построенных для различных систем счисления.
|
| Список литературы |
1. 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.
2. 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.
3. Техническая спецификация (проект, публичное обсуждение начато с 01.02.2017 членами ТК 26 «Криптографическая защита информации»). Защита нейросетевых биометрических контейнеров с использованием криптографических алгоритмов. – URL: https://tc26.ru
4. Dodis, Y. Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy / Y. Dodis, L. Reyzin, A. Smith // Proc. EUROCRYPT. – 2004. – April 13. – P. 523–540.
5. Monrose, F. Cryptographic key generation from voice / F. Monrose, M. Reiter, Q. Li, S. Wetzel // Proc. IEEE Symp. on Security and Privacy. – 2001. – P. 202–213.
6. Ramírez-Ruiz, J. Cryptographic Keys Generation Using FingerCodes / J. Ramírez-Ruiz, C. Pfeiffer, J. Nolazco-Flores // Advances in Artificial Intelligence – IBERAMIA-SBIA. – 2006 (LNCS 4140). – P. 178–187.
7. Hao, F. Crypto with Biometrics Effectively / F. Hao, R. Anderson, J. Daugman // IEEE TRANSACTIONS ON COMPUTERS. – 2006. – Vol. 55, № 9. – P. 1073–1074.
8. Иванов, А. И. Нечеткие экстракторы: проблема использования в биометрии и криптографии / А. И. Иванов // Первая миля. – 2015. – № 1. – С. 40–47.
9. Иванов, А. И. Сопоставительный анализ показателей конкурирующих технологий биометрико-криптографической аутентификации личности / А. И. Иванов // Защита информации. ИНСАЙД. – 2014. – № 3. – С. 32–39.
10. 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: www.пниэи.рф, http://пниэи.рф/activity/science/noc./bioneuroautugraph.zi.
11. Иванов, А. И. Автоматическое обучение больших искусственных нейронных сетей в биометрических приложениях : учеб. пособие к пакету лабораторных работ, выполняемых в среде моделирования «БиоНейроАвтограф». – Пенза : ОАО
«ПНИЭИ», 2013. – 27 с. – URL: http://пниэи.рф/activity/science/noc/tm_IvanovAI.pdf
12. Иванов, А. И. Многомерная нейросетевая обработка биометрических данных с программным воспроизведением эффектов квантовой суперпозиции / А. И. Иванов. – Пенза : ОАО «ПНИЭИ», 2016. – 133 с. – URL: http://пниэи.pф/ activity/science/BOOK16.pdf
13. Волчихин, В. И. Многомерный портрет цифровых последовательностей идеального «белого шума» в свертках Хэмминга / В. И. Волчихин, А. И. Иванов, А. П. Юнин, Е. А. Малыгина // Известия высших учебных заведений. Поволжский
регион. Технические науки. – 2017. – № 4 (44). – С. 4–13.
14. Юнин, А. П. Оценка энтропии легко запоминаемых, длинных паролей со смыслом в ASCII кодировке для русского и английского 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
15. Волчихин, В. И. Нейросетевая молекула: решение обратной задачи биометрии через программную поддержку квантовой суперпозиции на выходах сети искусственных нейронов / В. И. Волчихин, А. И. Иванов // Вестник Мордовского университета. – 2017. – Т. 27, № 4. – С. 518–523.
|
