SCI Библиотека

Рассматривается проблема обнаружения и корректировки ошибок в выходном коде нейронной сети, заранее обученной распознавать уникальный биометрический образ человека. Использование для этой цели обычных самокорректирующихся кодов с высокой избыточностью возможно, однако приводит к многократному сокращению длины получаемого из выходного кода криптографического ключа аутентификации. Рассматриваемые в работе коды формируют синдромы ошибок в виде отдельно хранящихся коротких фрагментов хеш-функции. Исправление ошибок ведется перебором возможных состояний выходного кода путем изменения одного, двух, трех разрядов, что не приводит к значительному сокращению длины получаемого ключа. Ускорение перебора выполняется определением показателей стабильности наиболее слабых разрядов выходного кода. Преимущества рассматриваемых в работе процедур обнаружения и исправления ошибок возникают в ситуации, когда данные нейросетевого решающего правила искусственного интеллекта биометрических приложений защищены криптографическими механизмами от исследования. Классические самокорректирующиеся коды с высокой избыточностью не способны править разряды кодов после их защиты шифрованием. Предложенные же коды без избыточности оказываются частично гомоморфны к некоторым криптографическим механизмам размножения ошибок.

Освещены актуальные вопросы использования сетей линейных нейронов (персептронов) и квадратичных нейронов с многоуровневым квантованием биометрических данных в биометрических средствах аутентификации личности. Проведен краткий анализ возникновения и использования искусственных нейронных сетей в контексте бионических представлений, копирования наблюдаемых эффектов в сетях естественных нейронов. Приведена сравнительная оценка мощности линейных и квадратичных нейронов, рассмотрены их достоинства и недостатки. Подробно описаны алгоритмы обучения и тестирования сетей квадратичных нейронов с многоуровневым квантованием биометрических данных в средствах высоконадежной биометрико-нейросетевой аутентификации личности, выполненных в защищенном от исследования варианте. Издание будет полезно студентам, аспирантам и научным работникам, занимающимся вопросами применения нейронных сетей в биометрических средствах защиты информации.

Доверенный сильный искусственный интеллект и доверенный слабый искусственный интеллект отличаются кардинально по затратам ресурсов на их тестирование. При тестировании сильного искусственного интеллекта обычными методами затраты памяти и вычислительных ресурсов оказываются огромны. Классическая статистика активно использует коэффициенты корреляции двух переменных или коэффициенты автокорреляции одной переменной. Нейросетевой статистический анализ применим к данным очень высокой размерности, он строится как некоторое подобие классического низкоразмерного статистического анализа. В этом отношении кроссвертки и автосвертки кодов по Хэммингу являются, в некотором смысле, высокоразмерными аналогами обычных двухмерных коэффициентов корреляции. Издание предназначено для обучающихся, аспирантов, преподавателей, инженеров, занимающихся проблемами применения нейросетевого искусственного интеллекта для решения задач биометрии и иных приложений искусственного интеллекта в защищенном от исследования исполнении.

Рассматриваются нейросетевые технологии статистической обработки малых выборок, основанной на использовании быстрых алгоритмов автоматического обучения и быстрых алгоритмов тестирования нейросетевых преобразователей. Основной задачей вводного курса является снятие барьера, возникшего сегодня между классической статистикой и технологиями создания и применения нейросетевых решений. В качестве базовой основы курса используется программное средство моделирования нейросетевых преобразователей биометрических данных рукописных легко запоминаемых парольных фраз в длинный очень трудно запоминаемый людьми личный криптографический ключ. Обучение начинается с вводной лекции и самостоятельного выполнения трех лабораторных работ, это позволяет обучающимся самостоятельно получить первоначальные навыки по обучению искусственных нейронных сетей и их тестированию. Курс ориентирован на курсантов и адъюнктов, уже владеющих основами математической статистики. Специальных знаний по нейроинформатике (программированию) от обучаемых не требуется, также нет необходимости в освоении глубоких знаний, относящихся к физико-математическим наукам.