Перспектива совместного использования двоичных и троичных искусственных нейронов при анализе качества «белого» шума в пространстве сверток Хэмминга, вычисленных по разным модулям
DOI:
https://doi.org/10.22213/2410-9304-2022-3-88-93Ключевые слова:
проверка гипотезы «белого» шума, двоичный нейрон, троичный нейрон, избыточный код с обнаружением и исправлением ошибокАннотация
Работа посвящена задаче упрощения тестирования качества бинарных последовательностей, полученных либо от физических генераторов шума, либо из нестабильной части биометрических данных человека. Решаемая проблема порождена тем, что часто используемый тест «случайного нажатия клавиш обезьяной» имеет экспоненциальную вычислительную сложность. Как результат, такой тест может быть реализован только на достаточно мощной вычислительной машине. В работе показано, что самый простой тест качества «белого» шума выполняется путем подсчета единиц. Его можно рассматривать как частный случай свертки Хэмминга, вычисленной по модулю два при сравнении с единичным кодом «111...11». Дано обобщение этого теста на его аналоги, использующие свертки Хэмминга, вычисленные по модулям 2 и 256. Приводятся программы на языке MathCAD для выполнения численных экспериментов. Даны распределения амплитуд вероятности спектральных линий Хэмминга. Предложено усилить проверку гипотезы «белого» шума дополнительным анализом с использованием троичных искусственных нейронов. Приводится оценка выигрыша от перехода к совместному использованию бинарных и троичных искусственных нейронов при проверке гипотезы «белого» шума для той или иной бинарной последовательности. Рассматриваемые в статье вычислительные процедуры не требуют значимых вычислительных ресурсов. Они ориентированы на реализацию в маломощных низко потребляющих доверенных контроллерах SIM-карт или микро-SD-карт. Это обстоятельство обусловлено линейной вычислительной сложностью всех тестов, построенных на использовании сверток Хэмминга, независимо от значений модулей, по которым они вычисляются. Также не влияет на вычислительную сложность число уровней выходных квантователей того или иного искусственного нейрона.Библиографические ссылки
Варновский Н. П, Шокуров А. В. Гомоморфное шифрование // Труды Института системного программирования РАН. 2007. Т. 12. С. 27-36.
Brakerski Z., Gentry C., Vaikuntanathan V. Leveled fully homomorphic encryption without bootstrapping. Theoretical Computer Science, 2012. Pp. 309-325.
Аракелов Г. Г. Вопросы применения прикладной гомоморфной криптографии // Вопросы кибербезопасности. 2019. № 5(33). С. 70-74. DOI: 10.21681/2311-3456-2019-5-70-74.
Минаков С. С. Основные криптографические механизмы защиты данных, передаваемых в облачные сервисы и сети хранения данных // Вопросы кибербезопасности. 2020. № 3 (37). С. 66-75. DOI: 10.21681/2311-3456-2020-05-66-75.
Варновский Н. П., Захаров В. А., Шокуров А. В. К вопросу о существовании доказуемо стойких систем облачных вычислений // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. 2016. № 2. С. 32-46.
Астахова Л. В., Султанов Д. Р., Ашихмин Н. А. Защита облачной базы персональных данных с использованием гомоморфного шифрования // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2016. Т. 16, № 3. С. 52-61. DOI: 10.14529/ctcr160306.
Alan M. Dunn, Owen S. Hofmann, Brent Waters, Emmett Witchel. Cloaking Malware with the Trusted Platform Module // SEC'11 Proceedings of the 20th USENIX conference on Security. - USENIX Association, 2011.
Задорожный Д. И., Корнеева А. М., Фомичев В. М. Патент RU 2628213. Способ генерации случайных двоичных последовательностей с использованием компьютера и действий пользователя. МПК G06F 7/58. Опубликовано: 15.08.2017. Бюл. № 23.
Bassham L., Rukhin A., Soto J., Nechvatal J., Smid M., Leigh S., Levenson M., Vangel M., Heckert N. and Banks D. (2010), A Statistical Test Suite for Random and Pseudorandom Number Generators for Cryptographic Applications, Special Publication (NIST SP), National Institute of Standards and Technology, Gaithersburg, MD, [online], https://tsapps.nist.gov/publication/get_pdf.cfm?pub_id=906762 (Accessed June 16, 2022).
Миненко А. И. Экспериментальное исследование эффективности тестов для проверки генераторов случайных чисел // Вестник СибГУТИ. 2010. № 4. С. 36-46.
Григорьев А. Ю. Методы тестирования генераторов случайных и псевдослучайных последовательностей // Ученые записки УлГУ. Серия: Математика и информационные технологии. 2017. № 1. С. 22-28.
Харин Ю. С., Ярмола А. Н., Петлицкий А. И. Методы и алгоритмы статистического тестирования генераторов случайных и псевдослучайных последовательностей в системах информационной безопасности // Искусственный интеллект. 2006. № 3. С. 793-803.
Иванов А. И., Юнин А. П. Эмбрион искусственного интеллекта: компактная нейросетевая проверка качества случайных последовательностей, полученных из биометрических данных : препринт. Пенза : Изд-во ПГУ, 2021. 68 с. ISBN 978-5-907364-80-6.
Малыгина Е. А. Биометрико-нейросетевая аутентификация: перспективы применения сетей квадратичных нейронов с многоуровневым квантованием биометрических данных : препринт. Пенза: Изд-во ПГУ, 2020. 114 с. ISBN 978-5-907262-88- 1.
Оценка качества «белого» шума: реализация теста «стаи обезьян» через множество сверток Хэмминга, построенных на разных системах счисления / А. П. Юнин, А. И. Иванов, К. А. Ратников, Е. А. Кольчугина // Известия высших учебных заведений. Поволжский регион. Технические науки. 2018. № 4 (48). С. 54-64. DOI 10.21685/2072-3059-2018-4-5.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Александр Иванович Иванов, Алексей Петрович Юнин, Михаил Анатольевич Бояршинов, Алексей Петрович Иванов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.