ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С МНОГОУРОВНЕВЫМИ
КВАНТОВАТЕЛЯМИ В ТЕХНОЛОГИИ БИОМЕТРИКО-НЕЙРОСЕТЕВОЙ АУТЕНТИФИКАЦИИ

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
Фунтиков Вячеслав Александрович, кандидат технических наук, генеральный директор Пензенского научно-исследовательского электротехнического института
(Россия, г. Пенза, ул. Советская, 9), pniei@penza.ru
Малыгина Елена Александровна, аспирант, Пензенский государственный университет
(Россия, г. Пенза, ул. Красная, 40), mal890@yandex.ru

612.087.1; 519.7; 519.66

Актуальность и цели. В настоящее время вопросы аутентификации личности с использованием биометрических данных становятся актуальными. Преимущество искусственных нейронных сетей большого размера над классическими кодами с обнаружением и исправлением ошибок обусловлено тем, что они в момент обучения способны учитывать реальные распределения многомерных вероятностей биометрических данных, тогда как все классические коды с обнаружением и исправлением ошибок строились в гипотезе равновероятного распределения ошибок. Целью данной работы является изменение парадигмы нейросетевой обработки; предложено от бинарных нейронов (персептронов) перейти к использованию нейронов с многоуровневыми квантователями.
Материалы и методы. Сравнение проведено с использованием комплексного показателя качества кодов – энтропии (близости их к «белому шуму»). Для кодов длиной порядка 20 бит расчет энтропии может быть проведен по Шеннону. Для более длинных кодов ресурсов современных машин не-достаточно. Предложено анализировать только начальный участок кодовых последовательностей возрастающей длины. Далее строится экстраполирующий полином и предсказывается ожидаемое значение энтропии длинных кодов.
Результаты. Результирующее значение 256-мерной энтропии кодов нейросетевого преобразователя оказалось выше, чем 51-мерная энтропия кодов «нечет-кого экстрактора». Выигрыш обусловлен увеличение длины био-кода несмотря на то, что длинные коды имеют более высокий уровень корреляции их разрядов. Переход от бинарных нейронов к нейронам с многоуровневыми квантователями увеличивает выигрыш примерно в миллион раз.
Выводы. При переходе от бинарных нейронов к троичным нейронам длина выходного кода увеличивается в два раза, а их энтропия увеличивается примерно в полтора раза. Выигрыш, связанный с ростом энтропии биокодов, растет с числом уровней квантования в каждом нейроне. При этом проблемы обучения нейронных сетей усиливаются. Необходимо модифицировать стандартный алгоритм обучения ГОСТ Р 52633.5–2011 под сети, состоящие из смеси обычных бинарных нейронов и троичных нейронов.

Ключевые слова

искусственные нейронные сети, преобразование биометрии в код, бинарные квантователи, многоуровневые квантователи, нейроны с большим числом квантовых состояний.

 Скачать статью в формате PDF

1. Juels, A. A Fuzzy Commitment Scheme / A. Juels, M. Wattenberg // Proc. ACM Conf. Computer and Communications Security, 1999. – P. 28–36
2. Monrose, F. Cryptographic key generation from voice / F. Monrose, M. Reiter, Q. Li, S. Wetzel // In Proc. IEEE Symp. on Security and Privacy, 2001.
3. Juels, A. A Fuzzy Vault Scheme / A. Juels, M. Sudan // IEEE International Sympo-sium on Information Theory, 2002.
4. Dodis, Y. Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy / Y. Dodis, L. Reyzin, A. Smith // In EUROCRYPT, Data April 13, 2004. – P. 523–540.
5. Yang, S. Automatic Secure Fingerprint Verification System Based on Fuzzy Vault Scheme / S. Yang, I. Verbauwhede // Proc. IEEE ICASSP, 2005. – P. 609–612.
6. Cauchie, S. From features extraction to strong security in mobile environment: A new hybrid system / S. Cauchie, T. Brouard, H. Cardot // On the Move to Meaningful Internet Systems 2006: OTM 2006 Workshops, Springer, 2006. – P. 489–498,
7. Ramírez-Ruiz, J. Cryptographic Keys Generation Using FingerCodes / J. Ramírez-Ruiz, C. Pfeiffer, J. Nolazco-Flores // Advances in Artificial Intelligence – IBERAMIA-SBIA, 2006. – P. 178–187.
8. Arakala, A. Fuzzy Extractors for Minutiae-Based Fingerprint Authentication / A. Arakala, J. Jeffers, K. J. Horadam // Advances in Biometrics (LNCS 4642), Springer, 2007. – P. 760–769.
9. Lee, Y. J. Biometric Key Binding: Fuzzy Vault Based on Iris Images / Y. J. Lee, K. Bae, S. J. Lee, K. R. Park, J. Kim // Proceedings of 2nd International Conference on Biometrics. – Seoul, South Korea, 2007, August. – P. 800–808.
10. Nandakumar, K. Fingerprint-Based Fuzzy Vault: Implementation and Performance / K. Nandakumar, A. K. Jain, S. Pankanti // IEEE Transactions on Information Forensics and Security, 2007. – Vol. 2(4). – P. 744–757.
11. Balakirsky, V. B. Constructing Passwords from Biometrical Data / V. B. Balakir-sky, A. R. Ghazaryan, A. J. Han Vinck // Advances in Biometrics (LNCS 5558), Springer, 2009. – P. 889–898.
12. Kanade, S. Multi-Biometrics Based Cryptographic Key Regeneration Scheme / S. Kanade, D. Petrovska-Delacretaz, B. Dorizzi // Proceedings of the 3rd IEEE interna-tional conference on Biometrics: Theory, applications and systems, 2009. – P. 333–339.
13. Иванов, А. И. Биометрическая идентификация личности по динамике подсознательных движений : моногр. / А. И. Иванов. – Пенза : Изд-во ПензГУ, 2000. – 156 с.
14. Волчихин, В. И. Быстрые алгоритмы обучения нейросетевых механизмов биометрико-криптографической защиты информации. : моногр. / В. И. Волчихин, А. И. Иванов, В. А. Фунтиков. – Пенза : Изд-во ПензГУ, 2005. – 273 с.
15. Язов, Ю. К. Нейросетевая защита персональных биометрических данных /
Ю. К. Язов, В. И. Волчихин, А. И. Иванов, В. А. Фунтиков, И. Г. Назаров ; ред. Ю. К. Язов. – М. : Радиотехника, 2012. – 157 с.
16. Ахметов, Б. С. Алгоритмы тестирования биометрико-нейросетевых механиз-мов защиты информации : моногр. / Б. С. Ахметов, В. И. Волчихин, А. И. Иванов, А. Ю. Малыгин. – Алматы, Республика Казахстан : Изд-во КазНТУ им. Сатпаева, 2013. – 152 с.
17. Akhmetov, B. Biometric Technology in Securing the Internet Using Large Neural Network Technology / B. Akhmetov, A. Doszhanova, A. Ivanov, T. Kartbaev and
A. Malygin // World Academy of Science, Engineering and Technology. Singapore. – 2013, July. – Issue 79. – P. 129–138.