Скачать статью в pdf.

УДК 621.865.8:004.032.26

DOI: 10.15507/2658-4123.030.202002.300-312

 

Быстрая оценка энтропии длинных кодов с зависимыми разрядами на микроконтроллерах с малым потреблением и низкой разрядностью (обзор литературы по снижению размерности задачи)

 

Иванов Александр Иванович
начальник лаборатории биометрических и нейросетевых технологий АО «Пензенский научно-исследовательский электротехнический институт» (440000, Россия, г. Пенза, ул. Советская, д. 9), доктор технических наук, доцент, Researcher ID: R-4514-2019, ORCID: https://orcid.org/0000-0003-3475-2182, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Банных Андрей Григорьевич
аспирант кафедры информационной безопасности систем и технологий ФГБОУ ВО «Пензенский государственный университет» (440026, Россия, г. Пенза, ул. Красная, д. 40), ORCID: https://orcid.org/0000-0003-4776-5273, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Введение. Целью работы является снижение требований к разрядности и производительности процессоров доверенной вычислительной среды при оценке энтропии длинных кодов с зависимыми разрядами.
Материалы и методы. Используются процедуры тестирования, рекомендованные национальными стандартами России. Используется переход от анализа обычных длинных кодов к расстояниям Хэмминга между случайными кодами «Чужой» и кодом образа «Свой».
Результаты исследования. Показано, что переход к представлению данных нормальным законом распределения в пространстве расстояний Хэмминга делает связь между математическим ожиданием и энтропией практически линейной. Построены низкоразрядные таблицы, связывающие первые статистические моменты распределения расстояний Хэмминга с энтропией длинных кодов. При вычислениях показатель коррелированности разрядов исследуемых кодов может изменяться в широких пределах.
Обсуждение и заключение. Вычисление математического ожидания и стандартного отклонения легковыполнимы на малоразрядных микроконтроллерах с низким потреблением. Пользуясь синтезированными таблицами, от младших статистических моментов расстояний Хэмминга удается легко переходить к энтропии длинных кодов. Задача вычисления энтропии многократно ускоряется в сравнении с процедурами Шеннона и становится реализуемой на дешевых малоразрядных процессорах.

Ключевые слова: микроконтроллеры с малым потреблением, тестирование нейронных сетей, энтропия длинных кодов, зависимые разряды, код

Для цитирования: Иванов, А. И. Быстрая оценка энтропии длинных кодов с зависимыми разрядами на микроконтроллерах с малым потреблением и низкой разрядностью (обзор литературы по снижению размерности задачи) / А. И. Иванов, А. Г. Банных. – DOI 10.15507/2658-4123.030.202002.300-312 // Инженерные технологии и системы. – 2020. – Т. 30, № 2. – С. 300–312.

Заявленный вклад соавторов: А. И. Иванов – формулирование основной концепции, цели и задачи исследования, проведение расчетов, подготовка текста, формирование выводов; А. Г. Банных – проведение численного эксперимента, синтез таблиц для быстрого вычисления энтропии длинных кодов на малоразрядных процессорах.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила 15.01.2020; принята к публикации 20.02.2020;
опубликована онлайн 30.06.2020

 

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Juels, A. A Fuzzy Commitment Scheme / A. Juels, M. Wattenberg. – DOI 10.1145/319709.319714 // CCS’99: Proceedings of the 6^th ACM Conference on Computer and Communications Security. – 1999. – Pp. 28–36. – URL: https://dl.acm.org/doi/10.1145/319709.319714 (дата обращения: 29.04.2020).

2. Ramírez-Ruiz, J. A. Cryptographic Keys Generation Using Finger Codes / J. A. Ramírez-Ruiz, C. F. Pfeiffer, J. Nolazco-Flores. – DOI 10.1007/11874850_22 // Advances in Artificial Intelligence – IBERAMIA- SBIA. – 2006. – Pp. 178–187. – URL: https://link.springer.com/chapter/10.1007/11874850_22 (дата обращения: 29.04.2020).

3. Ушмаев, О. В. Алгоритмы защищенной верификации на основе бинарного представления топологии отпечатка пальцев / О. В. Ушмаев, В. В. Кузнецов // Информатика и ее применения. – 2012. – Т. 6, № 1. – С. 132–140. – URL: http://www.ipiran.ru/journal/issues/2012_01_eng/ (дата обращения: 29.04.2020). – Рез. англ.

4. Иванов, А. И. Протоколы биометрико-криптографического рукопожатия: защита распределенного искусственного интеллекта интернет-вещей нейросетевыми методами / А. И. Иванов, П. А. Чернов / Системы безопасности. – 2018. – № 6. – С. 50–59. – URL: http://cs.groteck.ru/SS_6_2018/index.html?pn=&pageNumber= (дата обращения: 29.04.2020).

5. Ivanov, A. Statistical Description of Output States of the Neural Network “Biometrics-code” Transformers / A. Ivanov, B. Akhmetov, V. Funtikov [et al.] // Progress in Electromagnetics Research Symposium : PIERS Proceedings. – Moscow, 2012. – Pp. 62–65. – URL: https://piers.org/pierspublications/PIERS2012MoscowFinalProgram.pdf (дата обращения: 29.04.2020).

6. Ахметов, Б. С. Дополнение нечетких биометрических данных морфинг-размножением примеров родителей в нескольких поколениях примеров потомков / Б. С. Ахметов, С. В. Качалин, А. И. Иванов // Вестник КазНТУ. – 2014. – № 4 (104). – С. 194–199. – URL: https://official.satbayev.university/download/document/7138/ВЕСТНИК-2014 №4.pdf (дата обращения: 29.04.2020). – Рез. англ.

7. Малыгин, А. Ю. Требования к синтетическим базам биометрических образов и генераторам для их формирования / А. Ю. Малыгин, В. В. Федулаев, Д. Н. Надеев [и др.] // Нейрокомпьютеры: разработка, применение. – 2007. – № 12. – С. 60–64. – URL: http://www.radiotec.ru/article/3747 (дата обращения: 29.04.2020). – Рез. англ.

8. Akhmetov, B. Morph-Reproduction Examples of Parents in Several Generations of Examples Descen / B. Akhmetov, A. Ivanov, A. Malyghin [et al.] // International Conference on Global Trends in Academic Research. – Lumpur, 2014. – Pp. 188–190. – URL: https://globalilluminators.org/conferences/icmrp-2014-kuala-lumpur-malaysia/icmrp-full-paper-proceeding-2014/ (дата обращения: 29.04.2020).

9. Волчихин, В. И. Регуляризация вычисления энтропии выходных состояний нейросетевого преобразователя биометрия-код, построенная на размножении малой выборки исходных данных / В. И. Волчихин, А. И. Иванов, А. Г. Банных. – DOI 10.21685/2072-3059-2017-4-2 // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2017. – № 4. – С. 14–23. – URL: https://izvuz_tn.pnzgu.ru/tn2417 (дата обращения: 29.04.2020).

10. Akhmetov, B. Solving the Inverse Task of Neural Network Biometrics without Mutations and Jenkins “Nightmare” in the Implementation of Genetic Algorithms / B. Akhmetov, S. Kachalin, A. Ivanov [et al.] // International Conference “Computational and Informational Technologies in Science, Engineering and Education”. – 2015. – URL: http://conf.ict.nsc.ru/citech-2015/en/reportview/261166 (дата обращения: 29.04.2020).

11. Качалин, С. В. Алгоритм генетического обращения матриц нейросетевых функционалов без дефектов «кошмара» Дженкина / С. В. Качалин // Евразийский Союз Ученых. – 2015. – № 4 (13). – С. 59–62. – URL: https://euroasia-science.ru/tehnicheskie-nauki/алгоритм-генетического-обращения-ма/ (дата обращения: 29.04.2020).

12. Качалин, С. В. Направленное морфинг-размножение биометрических образов, исключающее эффект вырождения их популяции / С. В. Качалин, А. И. Иванов // Вопросы радиоэлектроники. – 2015. – № 1. – С. 76–85.

13. Надеев, Д. Н. Связь энтропии выходных состояний нейросетевых преобразователей биометрия-код с коэффициентами парной корреляции / Д. Н. Надеев, В. А. Фунтиков, А. И. Иванов // Нейрокомпьютеры: разработка, применение. – 2012. – № 3. – С. 74–77. – URL: http://www.radiotec.ru/article/10426 (дата обращения: 29.04.2020). – Рез. англ.

14. Ахметов, Б. С. Моделирование длинных биометрических кодов, воспроизводящих корреляционные связи выходных данных нейросетевого преобразователя / Б. С. Ахметов, В. И. Волчихин, С. В. Куликов [и др.] // Нейрокомпьютеры: разработка, применение. – 2012. – № 3. – С. 40–43. – URL: http://www.radiotec.ru/article/10418 (дата обращения: 29.04.2020). – Рез. англ.

15. Bezyaev, V. On the Issue of Modeling Long Biometric Codes with Dependent Bit States / V. Bezyaev, I. Serikov, A. Kruchinin [et al.] // Progress in Electromagnetics Research Symposium : PIERS Proceedings. – Moscow, 2012. – Pp. 62–65. – URL: https://piers.org/pierspublications/PIERS2012MoscowAbstracts.pdf (дата обращения: 29.04.2020).

16. Ivanov, A. I. Reducing the Size of a Sample Sufficient for Learning Due to the Symmetrization of Correlation Relationships Between Biometric Data / A. I. Ivanov, P. S. Lozhnikov, Yu. I. Serikova. – DOI 10.1007/s10559-016-9838-x // Cybernetics and Systems Analysis. – 2016. – Issue 52. – Pp. 379–385. – URL: https://link.springer.com/article/10.1007%2Fs10559-016-9838-x (дата обращения: 29.04.2020).

17. Волчихин, В. И. Быстрый алгоритм симметризации корреляционных связей биометрических данных высокой размерности / В. И. Волчихин, Б. Б. Ахметов, А. И. Иванов // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2016. – № 1. – С. 3–7. – URL: https://izvuz_tn.pnzgu.ru/tn1116 (дата обращения: 29.04.2020).

18. Ivanov, A. I. Simplification of Statistical Description of Quantum Entanglement of Multidimensional Biometric Data Using Simmetrization of Paired Correlation Matrices / A. I. Ivanov, A. V. Bezyaev, A. I. Gazin // Journal of Computational and Engineering Mathematics. – 2017. – Vol. 4, Issue 2. – Pp. 3–13. ‒ URL: https://jcem.susu.ru/jcem/article/view/110 (дата обращения: 29.04.2020).

19. Качалин, С. В. Оценка устойчивости алгоритмов обучения больших искусственных нейронных сетей биометрических приложений / С. В. Качалин // Вестник СибГАУ. – 2014. – № 3 (55). – С. 68–72. – URL: https://vestnik.sibsau.ru/vestnik/897/ (дата обращения: 29.04.2020). – Рез. англ.

20. Иванов, А. И. Номограммы оценки погрешности, коэффициентов корреляции, вычисленных на малых выборках биометрических данных / А. И. Иванов, Ю. И. Серикова // Вопросы радиоэлектроники. – 2015. – № 12. – С. 123–130.

21. Волчихин, В. И. Компенсация методических погрешностей вычисления стандартных отклонений и коэффициентов корреляции, возникающих из-за малого объема выборок / В. И. Волчихин, А. И. Иванов, Ю. И. Серикова // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2016. – № 1. – С. 45–49. – URL: https://izvuz_tn.pnzgu.ru/tn9116 (дата обращения: 29.04.2020).

22. Иванов, А. И. Корректировка методической погрешности вычисления статистических моментов четвертого порядка для малых выборок биометрических данных / А. И. Иванов, Ю. И. Серикова, А. Г. Банных // Модели, системы, сети в экономике, технике, природе и обществе. – 2016. – № 4 (20). – С. 108–114. – URL: https://mss.pnzgu.ru/mss416 (дата обращения: 29.04.2020).

23. Akhmetov, B. Evaluation of Multidimensional Entropy on Short Strings of Biometric Codes with Dependent Bits / B. Akhmetov, A. Ivanov, V. Funtikov // Progress in Electromagnetics Research Symposium : PIERS Proceedings. – Moscow, 2012. – Pp. 66–69. – URL: https://piers.org/pierspublications/PIERS2012MoscowFinalProgram.pdf (дата обращения: 29.04.2020).

24. Иванов, А. И. Биометрическая аутентификация личности: обращение матриц нейросетевых функционалов в пространстве метрики Хемминга / А. И. Иванов, Е. А. Малыгина // Вопросы защиты информации. – 2015. – № 1. – С. 23–29. – URL: http://izdat.ntckompas.ru/editions/magazine_news/detail.php?ELEMENT_ID=20164&SECTION_ID=155&ID=184 (дата обращения: 29.04.2020).

25. Волчихин, В. И. Оценка эффекта ускорения вычислений, обусловленного поддержкой квантовой суперпозиции при корректировке выходных состояний нейросетевого преобразователя биометрии в код / В. И. Волчихин, А. И. Иванов, А. В. Безяев [и др.]. – DOI 10.21685/2072-3059-2017-1-4 // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2017. – № 1. – С. 43–55. – URL: https://izvuz_tn.pnzgu.ru/tn4117 (дата обращения: 29.04.2020).

26. 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. – DOI 10.15507/0236-2910.027.201704.518-529 // Вестник Мордовского университета. – 2017. – Т. 27, № 4. – С. 518–529. – URL: http://vestnik.mrsu.ru/index.php/en/articles2-en/56-17-4/358-10-15507-0236-2910-027-201704-04 (дата обращения: 29.04.2020). – Рез. англ.

27. Гулов, В. П. Перспектива нейросетевой защиты облачных сервисов через биометрическое обезличивание персональной информации на примере медицинских электронных историй болезни (краткий обзор литературы) / В. П. Гулов, А. И. Иванов, Ю. К. Язов [и др.]. – DOI 10.12737/article_5947d5509f0411.58967456 // Вестник новых медицинских технологий. – 2017. – Т. 24, № 2. – С. 220–225. – URL: https://naukaru.ru/en/nauka/article/17188/view (дата обращения: 29.04.2020). – Рез. англ.

28. Иванов, А. И. Оценка вероятности ошибок биометрической аутентификации на малых выборках, использующая гипотезу бета-распределения расстояний Хэмминга / А. И. Иванов, А. В. Безяев, А. В. Елфимов [и др.] // Специальная техника. – 2017. – № 1. – С. 48–51.

29. Ivanov, A. I. A Simple Nomogram for Fast Computing the Code Entropy for 256-Bit Codes That Artificial Neural Networks Output / A. I. Ivanov, P. S. Lozhnikov, A. G. Bannykh // Journal of Physics: Conference Series. – 2019. – Vol. 1260, Issue 2. – URL: https://iopscience.iop.org/article/10.1088/1742-6596/1260/2/022003/meta (дата обращения: 29.04.2020).

 

Контент доступен под лицензией Creative Commons Attribution 4.0 License.