Тема: АЛГОРИТМ ОЦЕНКИ КОРРЕЛЯЦИОННОЙ СЦЕПЛЕННОСТИ 256 РАЗРЯДОВ ВЫХОДНОГО КОДА НЕЙРОСЕТИ ДЛЯ ПРИМЕРОВ БИОМЕТРИЧЕСКОГО ОБРАЗА «ЧУЖОЙ»

В настоящее время в активно развивающейся сфере информационно­коммуникационных технологий обозначился целый ряд проблем. Одной из наиболее важной из них является надежная защита информации в открытом информационном пространстве и высоко достоверная локальная и дистанционная аутентификация пользователей.
Информационное общество предполагает активное использование Интернет ресурсов. Государственные и частные структуры создают на своих сайтах личные кабинеты пользователей. К сожалению, существующая практика парольной защиты доступа к личным кабинетам обладает существенной уязвимостью. Пользователи не способны запоминать длинные случайные пароли. Владелец информационного ресурса не может быть уверен в том, что к личному электронному кабинету получил доступ именно его хозяин.
Для усиления защиты доступа к электронным кабинетам в настоящее время разрабатываются технологии биометрической аутентификации личности путем преобразования личных биометрических данных человека в его криптографический ключ или длинный пароль доступа, используются рукописные парольные фразы [1], которые позволяют выделить порядка 416 биометрических параметров. Недостаток слишком «коротких ключей» полностью отсутствует у нейросетевых преобразователей биометрия-код [2].
Использование биометрических систем в бизнесе существенно поднимет уровень безопасности, способствует укреплению трудовой дисциплины на предприятии или в офисе.
Доверие к средствам высоконадежной биометрической аутентификации определяется результатами их тестирования, выраженными в форме гарантий производителя, подтвержденных при необходимости сертификационными документами.
Основными параметрами, характеризующим безопасность биометрической аутентификации, являются:
FAR - Коэффициент ложного пропуска (англ. False Acceptance Rate) - также именуется «ошибкой 2 рода» Р2;
FRR - Коэффициент ложного отказа (англ. False Rejection Rate) - также именуется «ошибкой 1 рода» Pi;
Уровень сложности фальсификации - это отражение объема усилий и затрат, которые потребуются компрометации системы (подмена реального биометрического признака человека).
Для полноценного становления будущих специалистов по информационной безопасности возникает потребность их обучения тестированию нейросети на ее стойкость к атаками подбора.
В данной работе затрагиваются описанные выше вопросы.
Целью ВКР является вычисление коэффициентов корреляции ключей длинной в 256 бит на выходах нейросети, полученных при возбуждении нейросети примерами одного биометрического образа «Чужой».
Для достижения данной цели необходимо выполнить следующее:
• обзор средств тестирования биометрической аутентификации;
• расчет оценки вероятности ошибок второго рода и энтропии выходных кодов преобразователя биометрия-код;
• рассчитать оценка корреляционной сцепленности кодов откликов внутри двух групп образов «Чужой»;
• подтвердить результаты численного моделирования через меру Хемминга (методика Ратникова).
Купить

Подводя итоги ВКР, можно сделать вывод, что решены все поставленные задачи и достигнута цель ВКР.
Проведен обзор нормативной документации по биометрической аутентификации в ходе которого установлено, что в России действует более 50 стандартов по нейросетевой статистической обработке биометрических данных: 44 международных стандарта комитета ISO/IEC JTC1 sc 37 (Биометрия) и семь национальных стандартов технического комитета 362 «Защита информации» Росстандарта России.
Проведен обзор методов биометрической аутентификациии и средств тестирования биометрической аутентификации, в том числе среды моделирования «БиоНейроАвтограф».
В среде моделирования «БиоНейроАвтограф» были получены примеры образов «Чужой», представленные 21 рукописным словом «Хопер» и 21 рукописным образом «Сура». Выполнены обучение нейросети «БиоНейроАвтограф» и тестирование нейросети на ее стойкость к атаками подбора, пользуясь образами «Чужой» с формированием файлов ключей в виде строк бинарных состояний (256 бит) с определением ошибки второго рода Р2.
С использованием среды математического моделирования MathCAD выполнены вычисления коэффициентов корреляции между длинными кодами, полученными примерами одного биометрического образа путем чтения достоверных данных, построены графики распределения коэффициентов корреляции для образов «Хопер» и «Сура».
В подтверждение результатов численного моделирования было создано программное обеспечение вычисляющее расстояния Хэмминга между анализируемыми кодовыми последовательностями по контрольной методике аспиранта Ратникова. В результате проделанной работы можно сделать вывод, что использование нейросетевых преобразователей биометрия-код повышает уровень защиты информации и стойкость к атакам подбора.
Для проведения дальнейших исследований в данной области рекомендовано модифицировать среду моделирования «БиоНейроАвтограф», которая является некоммерческим продуктом, разработанным лабораторией биометрических и нейросетевых технологий ОАО «ПНИЭИ» для высших учебных заведений России, путем добавления функции прямого вычисления коэффициентов корреляции.
По результатам дипломного проекта была написана статья: «Нейросетевая биометрия: подтверждение гипотезы обратных шкал для метрики корреляционной сцепленности и метрики расстояний Хэмминга при их применении к ключам-откликам на примере одного образа «Чужой» авторов К. А. Горбунова, В. В. Никитина, которая принята к публикации в сборнике научных статей по материалам III Всероссийской научно-технической конференции «Безопасность информационных технологий» и будет размещена в системе РИНЦ (Приложение Г).
На основании вышесказанного констатируем факт, что указ Президента России В. В Путина № 490 от 10.10.2019 «О развитии искусственного интеллекта в Российской Федерации» выполняется.
Таким образом, все пункты технического задания на выпускную квалификационную работу выполнены полностью.
Купить