Қазақстан республикасы білім және ғылым министрлігі министерство образования и науки республики казахстан
«Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева
жүктеу/скачать 5,71 Mb. Pdf көрінісі
|
- Бұл бет үшін навигация:
- Материалы XXXIX Республиканской научно-практической конференции студентов
- «Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева «Нҧрлы жол - путь в будущее»
- Классический подход к тестированию относительно «слабых» нейросетевых решений низкой размерности
- Особенности обучения и тестирования относительно «слабых» биометрико- нейросетевых решений
«Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева «Нҧрлы жол - путь в будущее»
129 добровольца уйдет 10 17 лет, что сущест-венно больше возраста Земли. Даже если привлечь к работе все население Пензенской облас-ти (1,42 млн жителей), сроки создания базы сократятся до 10 11 лет, что также превышает воз-раст Земли, солнечной системы и нашей галактики. Из подобных достаточно простых
расче-тов вытекает бесперспективность всех попыток оценки стойкости современных биометрико- нейросетевых преобразователей прямым численным экспериментом. Эта задача сопоставима по своей сложности с задачей подбора криптографического ключа [10]. Необходимо подчеркнуть, что по мере информатизации современного общества про-блемы его информационной безопасности будут усиливаться. В частности, по прогнозам специалистов уже в ближайшее время обществом будет ощущаться проблема «цифрового неравенства» граждан. Предполагается, что уже в очень близком будущем электронный до-кументооборот получит широкое распространение. Как следствие, повсеместно станет ис-пользоваться электронная цифровая подпись (ЭЦП). Широкое использование ЭЦП ставит всех в неравные условия. Например, если рас- сматривать цифровые права банкира и рядового гражданина, то юридически они равны, од-нако практически это далеко не так. Доверие к электронной цифровой подписи банкира на-много выше доверия к ЭЦП рядового гражданина [10]. Это связано с тем, что у банкира есть сейф, охрана, таким образом, он может обеспечить надежное хранение своего личного крип-тографического ключа, формирующего электронную цифровую подпись электронного доку-мента. В отличие от банкира, ключ формирования ЭЦП которого всегда хранится в сейфе, рядовой гражданин не может себе этого позволить. Его ключ формирования ЭЦП, скорее всего, будет храниться в кошельке (или кармане), что автоматически ставит его в более уяз-вимое положение. Именно это обстоятельство и называется действительным «цифровым неравенством», когда декларированная для всех одинаковая юридическая значимость электронной цифровой подписи на деле будет иметь разный уровень доверия. Ликвидировать подобное неравенство может только государство, предпринимая спе-циальные меры, уравнивающие цифровые права всех граждан независимо от их социального статуса. Предвидя возникновение и усиление «цифрового неравенства», государству необхо-димо создавать специальные механизмы, сглаживающие изначальное неравенство. В плане противодействия «цифровому неравенству» своих граждан Россия по праву занимает лидирующее положение, формальным подтверждением является разработка ею своего национального стандарта [11], регламентирующего требования к средствам высоко-надежной биометрии. Одним из главных требований ГОСТа [11] является наличие средств встроенного контроля вероятности ошибок средств защиты или вероятности удачи атаки подбора. Проблема состоит в том, что биометрический пароль (рукописный или голосовой) пользователь должен сохранить в тайне от всех. Пользователь должен сам придумать удоб-ную для него цифровую комбинацию, слово, фразу. При этом пользователю нельзя доверять среднестатистическим характеристикам, заявленным производителем. Тайный биометрический образ может оказаться слабым и обеспечивать низкую стой-кость защиты к атакам подбора. Чтобы убедиться в стойкости нейросетевой защиты на кон-кретном биометрическом образе, после обучения нейросети необходимо протестировать стойкость преобразователя. Для этого необходимо использовать специальные методы уско-ренного тестирования стойкости биометрико-нейросетевой защиты [10, 13, 14]. Возникает целый комплекс вопросов, связанный с ускоренным тестированием средств биометрико-нейросетевой защиты. Кроме того, к этому комплексу примыкают вопросы сер-тификации и полного (неускоренного) тестирования средств защиты самим производителем или некоторым независимым (например, государственным) органом
«Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева «Нҧрлы жол - путь в будущее»
130 сертификации (испыта-ний). В свою очередь, испытательный центр (лаборатория) должен иметь соответствующие методики испытаний и большие базы случайных биометрических образов, верно отражаю-щих реальную статистику распределения биометрических параметров «Своих» пользовате-лей и наиболее вероятную статистику (тактику) организации потенциальнымзлоумышлен-ником атак подбора. Результатом многолетних исследований, проведенных в научной школе Пензенского государственного университета (ПГУ) стала разработка д.т.н., профессором В.И. Волчихи-ным, д.т.н., профессором А.И.Ивановым, д.т.н., профессором А.Ю. Малыгиным быстрых ал-горитмов обучения и тестирования механизмов обучения больших искусственных нейрон-ных сетей. Применение этих алгоритмов позволило решить задачу увеличения входного массива данных для обучения нейронной сети и тем самым значительно повысить качество выходного решения, при минимальных временных затратах на сам процесс обучения искус-ственной нейронной сети. Принципиальным технологическим прорывом является переход к полностью автоматизированному (абсолютно устойчивому) обучению искусственных ней-ронных сетей неограниченного размера. Впервые в мире стало возможным создавать систе-мы полностью автоматической высоконадежной биометрико-нейросетевой аутентификации личности, как локальной, так и дистанционной, в открытом информационном пространстве. Коллектив научной школы Пензенского государственного университета активно со-трудничает с зарубежными учеными, ведущих исследования в данной области. Так в 2010 году был подписан Меморандум между ПГУ и одним из ведущих вузов Республики Казах-стан – Казахским национальным техническим университетом имени К.И. Сатпаева. Научное
направление возглавил директор Института информационных и телекоммуникационных технологий университета, доктор технических наук, профессор Ахметов Б.С. Совместными усилиями ученых научных школ ПГУ и КазНТУ выполняется ряд со- вместных НИР, наиболее значимая из которых «Исследование вариантов реализации и раз-работка действующего лабораторного образца ON-LINE системы биометрического обезли-чивания электронных историй болезней для медицинского учреждения» успешно выполня-ется в настоящее время на базе научных лабораторий университетов. Готовится к изданию учебное пособие и курс лабораторных работ по высоконадежной биометрико-нейросетевой аутентификации, которые не имеют мировых аналогов. Опубликован ряд статей в ведущих зарубежных научных журналах. Сделаны доклады на международных конференциях и симпозиумах в Германии, Индии, Испании, Казахстане, Польше, России, Сингапуре, США и Южной Корее. Готовятся и защищаются кандидатские диссертации в России и диссертации PhDдок-тора в Казахстане по исследуемой тематике. Монография может быть полезна для профессорско-преподавательского состава, док-торантов и аспирантов Казахского национального технического университета имени К.И. Сатпаева и Пензенского государственного университета.
Переход от парадигмы классического программирования (от парадигмы переноса в программу полностью детерминированных знаний) к парадигме обучения программ нечет-ким знаниям (например, обучения программного эмулятора нейросети на примерах) приво-дит к резкому возрастанию роли тестирования полученных нейросетевых решений. Тестиро-ваниенейросетевых решений становится неотъемлемым элементом их обучения (програм-мирования). Классической рекомендацией является дробление всех примеров пополам и ис-пользование первой половины для обучения, а второй половины – для тестирования [15-17].
«Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева «Нҧрлы жол - путь в будущее»
131 С одной стороны, тратить половину примеров обучения на промежуточное тестиро-вание – это расточительство, однако, с другой стороны, такой подход является гарантией статистической сбалансированности процедур обучения и тестирования. Естественно, что с ростом числа примеров в обучающей выборке проблема их статистической балансировки ослабляется. Для иллюстрации этой связи на рисунке 1.1 приведены аппроксимации распре-деления примеров рукописных образов «а» (центр – m1), рукописных образов «в» (центр – m2) и тестовой выборки образов «а» (центр – mt).
Рисунок 1.1 – Расхождение порядка 35 % от площадей распределений обучающей выборки из 6 образов «а» с центром m1 и тестовой выборки из 6 образов «а» с центром mt
Из рисунка 1.1 видно, что тестовая выборка из 6 образов «а» расходится примерно на 35 % с аналогичной обучающей выборкой этого же образа.
Если мы увеличим тестовую и обучающую выборку до 16 примеров, то получим ситуацию, отображенную на рисунке 1.2. По мере роста размеров обучающей и тестовой выборок ошибочное расхождение между их распределениями падает.
Рисунок 1.2 – Расхождение порядка 7 % от площадей распределений обучающей выборки из 16 образов «а» с центром m1и тестовой выборки из 16 образов «а» с центром mt
Приведенные выше рисунки получены в среде моделирования нейронных сетей «Нейропреподаватель», предназначенной для проведения студентами лабораторных работ. В этом программном продукте для отображения законов распределения значений используется их аппроксимация в виде нормального закона распределения значений. Эта
«Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева «Нҧрлы жол - путь в будущее»
132 форма представ-ления не случайна. Если рассматривать один из выходов любой нейронной сети, то мы будем иметь некоторый пороговый элемент на выходе сумматора. Сумматор, как известно, являет-ся нормализующим элементом. В соответствии с известной предельной теоремой статистики [18, 19] суммирование множества независимых (слабо зависимых) случайных величин с про-извольными законами распределений в итоге дает распределение, близкое к нормальному. Эта связь асимптотическая, чем больше входов у сумматора, тем сумматор лучше нормали-зует выходные данные. Естественно, что у сумматора последнего нейрона весовые коэффи - циенты будут разными, однако это никак не отражается на содержании асимптотической связи. При любых весовых коэффициентах сумматор остается нормализующим элементом, что дает формальное право широко использовать гипотезу нормальности выходных законов распределения его данных. Гипотеза нормальности законов распределения данных на выходе сумматора нейрона является весьма эффективным инструментом предсказания ожидаемого качества принимаемых последним нейроном решений. Используя эту гипотезу, мы можем оценить вероятности ошибок первого рода и второго рода вообще без привлечения дополни-тельных тестовых примеров по следующей формуле: Если воспользоваться соотношением (1.1) для оценки вероятностей ошибок, то для ситуации на рисунке 1.1 мы получим Р 1 = Р 2 = = 1 – Ф 0 (2,6) = 0,004, а для ситуации с большим числом примеров, отображенной на рисунке 1.2, мы получим худшие результаты предсказания Р 1 = Р 2 = 1 – Ф
0 (1,9) = 0,024. Сравнивая приведенные выше прогнозы, можно допустить ошибку, предположив, что на малых обучающих выборках получаются лучшие результаты обучения. То, что это далеко не так, показывают тестовые выборки. Учет поправки на тестирование осуществляется сле-дующим образом: Особенности обучения и тестирования относительно «слабых» биометрико- нейросетевых решений В предыдущем параграфе была рассмотрена общая постановка задачи разделения двух сопоставимых по размерам классов образов. Такая постановка задачи не характерна для биометрии. Биометрические системы обучаются таким образом, чтобы выделять из общего широкого класса случайных образов «Все чужие» узкий подкласс «Свой». Для этой цели при обучении нейросети используется несколько примеров образов «Свой», примером могут служить образы, отображенные на рисунке 1.3. Очевидно, что число примеров образов «Свой», используемых при обучении, не должно быть слишком большим. Это связано не только с обеспечением мер безопасности в процессе обучения нейросети, но и с учетом интересов самого пользователя. Поэтому произ-водители стараются создавать максимально дружественные к пользователю биометрические системы.
Рисунок 1.3 – Пример обучающей выборки «Свой», состоящей из 9 рукописных образов слова-пароля «Пенза» «Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева «Нҧрлы жол - путь в будущее»
133 Проведенное реальное тестирование показало, что обычный пользователь, прошед- ший краткий ознакомительный курс с устройствами ввода рукописного слова-пароля: план-шетом или экраном карманного персонального компьютера и программным обеспечением, обычно без особого напряжения способен воспроизвести до 20 примеров предложенного им слова-пароля, затрачивая на это примерно 2–3 мин времени. Практическая работа по сбору баз натуральных биометрических образов написания слова-пароля показывает, что если требовать от пользователя воспроизводить большее число примеров своих биометрических образов, то они воспроизводят их с явной неохотой. Види-мо, системы, требующие воспроизведения 40, …, 60 примеров для обучения, будут иметь существенно ограниченное использование при доступе только к очень ответственным при-ложениям. Численность примеров случайных образов «Все чужие» может быть любой. Эти образы необязательно воспроизводить рукою в процессе обучения, они могут быть зашиты в программу обучения, и, соответственно, их число определяется только технологическими по-требностями конкретного алгоритма обучения. На рисунке 1.4 приведены 9 примеров таких случайных рукописных образов, которые вполне могут являться частью более обширной обу-чающей выборки.
Рисунок 1.4 – Пример обучающей выборки «Чужие», состоящей из 9 случайно выбранных рукописных образов
Обычно после обучения относительно «слабые» биометрико-нейросетевые системы с одним выходом имеют вероятность ошибок первого и второго рода на уровне от 0,01, …, 0,05. В качестве примера на рисунке 1.5 даны выходные распределения подобной системы биометрической защиты.
Рисунок 1.5 – Результат обучения одного нейрона выделять рукописный образ «Свой» из множества случайных рукописных образов «Чужие» (P ЕЕ = 0,008)
В результате обучения нейронов быстрыми декорреляционными алгоритмами [1, 20, 21, 22, 23] происходит выталкивание выделяемого узкого биометрического образа «Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева «Нҧрлы жол - путь в будущее»
134 «Свой» на периферию более общего (более широкого) множества случайных образов «Все чужие». Одной из важных особенностей биометрических систем защиты информации является то, что для них не существует проблемы оценки вероятности ошибок первого рода (ошибоч-ного отказа «Своему»). Во-первых, параметр P 1 не является критическим для работоспособ-ности биометрической защиты и может изменяться в широких пределах от 0,01 до 0,25. Зна-чение этого параметра имеет скорее психологическое, чем практическое значение. Даже в наихудшем случае P 1 = 0,25 пользователь получает отказ в доступе с вероятностью 0,016, ес-ли система предоставляет ему хотя бы три попытки. Если система относится к классу высо-конадежных [11], то она вообще может не иметь ограничений по числу попыток доступа, т. е. реальное значение P 1 для «настырного» легального пользователя высоконадежной биомет-рии всегда является нулевым. В
связи с вышеизложенным в системах биометрической защиты стараются вообще не жертвовать примерами образов «Свой» на тестирование. Все примеры дефицитных образов «Свой» используются для обучения. Проблема прогноза значения параметра P 1
решается пу-тем вычисления параметров нормального закона распределения выходных значений образов «Свой» и расчетами по формуле (1.1). Тестирование на образах «Чужие» для «слабых» сис-тем биометрической защиты также не является особо трудной проблемой [24, 25, 26]. При вероятностях ошибок второго рода на уровне P 2 ≈ 0,001 для прямых статистических оценок достаточно базы случайных биометрических образов порядка 100000 примеров. Сбор, хра-нение и использование подобных баз тестовых образов при современных технических воз-можностях не представляет сколько-нибудь значимых трудностей. CПИCOК ИCПOЛЬЗOВAННOЙ ЛИТЕPAТУPЫ
1 Волчихин В. И. Быстрые алгоритмы обучения нейросетевых механизмов биомет- рико-криптографической защиты информации /В. И. Волчихин, А. И. Иванов, В. А. Фунтиков. – Пенза: Изд-во Пенз. гос. ун-та, 2005. – 276 с. 1.
technolo-gy in securing the Internet using large neural network technology //World Academy of science, En-gineering and technology, – Singapore. 2013, – Iss.79, – P.129-138 2.
биометрии. 3.
ISO/IEC 1.37.19795.1. Процедуры выполнения тестирования и отчетов в биометрии. Часть 1: Принципы и структура. 4.
биометрии. Часть 2: Методикитестирования. 5.
ISO/IEC 1.37.19795.3. Процедуры выполнения тестирования и отчетов в биометрии. Часть 3: Специальныеметодикитестирования. 6.
биометрии. Часть 4: Специальныепрограммытестирования. 7.
Dodis Y. Extractors: How to Generate Strong Keys from Biometrics and Other Noisy Da-ta
/YevgeniDodis, Leonid
Reyzin, Adam
Smith //April
13, 2004.
www.cs.bu.edu/~reyzin/fuzzy.html. 8.
Малыгин А. Ю. Повышение качества решений через увеличение размерности вы-
ходного вектора нейросетевых преобразователей биометрия/код //А. Ю. Малыгин, А. И. Иванов, О. В. Ефимов //Надежность и качество – 2006: Сб. материалов Междунар. симп. – Пенза: Изд-во Пенз. гос. ун-та, 2006. – С. 15–17. 10 Волчихин В. И. Тестирование стойкости нейросетевых механизмов биометрико- «Транспортная наука и инновации», посвященная Посланию Президента РК Н.А. Назарбаева «Нҧрлы жол - путь в будущее»
135 криптографической защиты информации /В. И. Волчихин, А. Ю. Малыгин, Ю. И. Олейник //Современные технологии безопасности. – М.: ООО «Информ-Эстейт», 2005. – № 1 (12). –С. 36–38.
жүктеу/скачать 5,71 Mb. Достарыңызбен бөлісу:
|