Оценка надежности верификации автографа на основе искусственных нейронных сетей, сетей многомерных функционалов Байеса и сетей квадратичных форм
Иванов А.И., Ложников П.С., Сулавко А.Е.

 

АО «Пензенский научно-исследовательский электротехнический институт», Пенза, Россия,

ФГБОУ ВО «Омский государственный технический университет» (ОмГТУ), Омск, Россия

Аннотация:
Осуществлено экспериментальное сравнение «широких» искусственных нейронных сетей из различных функционалов для верификации автографа подписанта. Собрана база автографов субъектов для проведения вычислительного эксперимента. Подтверждено, что повышение размерности решающих правил (функционалов) до определенного момента приводит к снижению вероятностей ошибок верификации подписи, увеличение количества нейронов сети уменьшает число ошибок, а также многомерный функционал Байеса работает тем лучше, чем выше корреляция между признаками и его размерность. Наилучший результат по верификации автографа получен с использованием сетей многомерных функционалов Байеса: вероятность ошибок 1-го и 2-го рода составила 0,0288 и 0,0232 соответственно.

Ключевые слова:
нейронные сети, сети квадратичных форм, многомерные функционалы Байеса, особенности воспроизведения подписи, биометрические признаки.

Цитирование:
Иванов, А.И. Оценка надежности верификации автографа на основе искусственных нейронных сетей, сетей многомерных функционалов Байеса и сетей квадратичных форм / А.И. Иванов, П.С. Ложников, А.Е. Сулавко // Компьютерная оптика. – 2017. – Т. 41, № 5. – С. 765-774. – DOI: 10.18287/2412-6179-2017-41-5-765-774.

Литература:

  1. The Global State of Information Security® Survey 2016. PricewaterhouseCoopers [Electronical Resource]. – URL: http://www.pwc.com/gx/en/issues/cyber-security/information-security-survey/download.html (request date 27.06.2016).
  2. Иванов, А.И. Технология формирования гибридных документов / А.И. Иванов, П.С. Ложников, А.Е. Само­туга // Кибернетика и системный анализ. – 2014. – Т. 50, № 6. – С. 152-156.
  3. ГОСТ Р 52633.0-2006. Защита информации. Техника защиты информации. Требования к средствам высоконадёжной биометрической аутентификации. – М.: Стандартинформ, 2006. – 24 с.
  4. Ложников, П.С. Экспериментальная оценка надёжности верификации подписи сетями квадратичных форм, нечёткими экстракторами и персептронами / П.С. Ложников, А.Е. Сулавко, А.В. Ерёменко, Д.А. Волков // Информационно-управляющие системы. – 2016. – № 5(84). – С. 73-85. – DOI: 10.15217/issn1684-8853.2016.5.73.
  5. Dodis, Y. Fuzzy extractors: How to generate strong keys from biometrics and other noisy / Y. Dodis, L. Reyzin, A. Smith // International Conference on the Theory and Applications of Cryptographic Techniques (EUROCRYPT 2004). – 2004. – C. 523-540. – DOI: 10.1007/978-3-540-24676-3_31.
  6. Ахметов, Б.С. Технология использования больших нейронных сетей для преобразования нечетких биометрических данных в код ключа доступа: Монография / Б.С. Ахметов, А.И. Иванов, В.А. Фунтиков, А.В. Безяев, Е.А. Малыгина. – Алматы: ТОО «Издательство LEM», 2014. – 144 с.
  7. Иванов, А.И. Нейросетевая защита конфиденциальных биометрических образов гражданина и его личных криптографических ключей. Монография / А.И. Иванов. – Пенза: ПНИЭИ, 2014. – 57 с.
  8. Галушкин, А.И. Синтез многослойных систем распознавания образов / А.И. Галушкин. – М.: «Энергия», 1974. – 368 с.
  9. Hinton, G.E. Training products of experts by minimizing contrastive divergence. Neural Computation. – 2002. – Vol. 14, Issue 8. – P. 1771-1800. – DOI: 10.1162/089976602760128018.
  10. Hafemann, L.G. Writer-independent feature learning for offline signature verification using deep convolutional neural networks / L.G. Hafemann, R. Sabourin, L.S. Oliveira // 2016 International Joint Conference on Neural Networks (IJCNN). – 2016. – P. 2576-2583. – DOI: 10.1109/IJCNN.2016.7727521.
  11. Колмогоров, А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного / А.Н. Колмогоров // Доклады АН СССР. – 1957.– Т. 114, № 5. – С. 953-956.
  12. ГОСТ Р 52633.5-2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа. – М.: Стандартинформ, 2011. – 20 с.
  13. Иванов, А.И. Нейросетевые алгоритмы биометрической идентификации личности / А.И. Иванов. – Серия: Нейрокомпьютеры и их применение. – Вып. 15. – М.: Радиотехника, 2004.– 144 с. – ISBN: 978-5-93108-048-2.
  14. Иванов, А.И. Идентификация подлинности рукописных автографов сетями Байеса-Хэмминга и сетями квадратичных форм / А.И. Иванов, П.С. Ложников, Е.И. Качайкин // Вопросы защиты информации. – 2015. – № 2. – С. 28-34.
  15. Ложников, П.С. Биометрическая идентификация рукописных образов с использованием корреляционного аналога правила Байеса / П.С. Ложников, А.И. Иванов, Е.И. Качайкин, А.Е. Сулавко // Вопросы защиты информации. – 2015. – № 3.– С. 48-54.
  16. Иванов, А.И. Снижение размеров достаточной для обучения выборки за счёт симметризации корреляционных связей биометрических данных / А.И. Иванов, П.С. Лож­ников, Ю.И. Серикова // Кибернетика и системный анализ. – 2016. – Т. 52, № 3. – С. 49-56.
  17. Безяев, А.В. Оптимизация структуры самокорректирующегося био-кода, хранящего синдромы ошибок в виде фрагментов хеш-функций / А.В. Безяев, А.И. Иванов, Ю.В. Фунтикова // Вестник УрФО. Безопасность в информационной сфере. – 2014. – № 3(13). – С. 4-13.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20