Ko'z, burun, og'iz sohalari (qiymatlar yuz sohasiga qarab normallashtirildi)

-=0,9 xato ehtimoli o'zgarmaydi (3.16 va 3.19-rasmlarga qarang).

		a
	0,15	Net
		Bayes-Xamming
Xatoehtimolitekshirish
	0,10

0,05	FRR	FAR

• 
  10 20 30 40 50 OstonaH
  

	0,6	b
		Net
	0,5	perseptronlar
		GOST bo'yicha
Xatoehtimolitekshirish	0,10
	0.4	P52633.5-2011
	0.3	FRR

0.2	FAR

• 
  10 20 30 40 50 OstonaH
  

Tarqatish zichligi

0,5	v
	Net
0.4	perseptronlar
	GOST bo'yicha
0.3	P52633.5-2011
0.2	"Meniki"
0.1	"Begona"

• 
  10 20 30 40 50 OstonaH
  

3.17-rasm - Ta'sir qilishHustidaFRR va FAR (a,b), tarqatishHtuzatish uchun qabul qilindi


kod (v)
Olingan natijalarni (3.9-jadval) kamroq ma'lumotli xususiyatlar to'plamini (funktsiyalar mahsulotining sinuslari va kosinuslarida harmonikaning ikki o'lchovli va uch o'lchovli amplitudalari) qo'shish orqali yaxshilash mumkin.x(t)y(t) vax(t)y(t),p(t), bir, ikki va uch o'lchovli Furye seriyalarining koeffitsientlari o'rtasidagi korrelyatsiya koeffitsientlari, shuningdek, to'lqinli o'zgarishlar). Ko'rib chiqilgan xususiyatlar tizimi nuqtai nazaridan maksimalga egar(da r-0, 3.3-rasmga qarang). Xususiyatlarning taxminan 50% [0; 0,3] oralig'iga to'g'ri keladi; ular Pearson-Xamming tarmoqlari tomonidan tahlil qilinishi kerak. 30% dan ortig'i oraliqda korrelyatsiya moduliga ega [0,3; 0.7], bu xususiyatlar GOST R 52633.5 ga muvofiq o'qitilgan perseptron tarmoqlari tomonidan qayta ishlanishi kerak. Belgilarning taxminan 30% -r->0,5-0,7 ko'p o'lchovli Bayes-Xamming korrelyatsiya funktsiyalari tarmoqlari tomonidan qayta ishlanishi kerak. Bir necha turdagi neyronlar tarmog'ini yaratish orqali siz FRR va FARni kamaytirishingiz mumkin.

172

Koeffitsientpasayish	miqdorlar
Koeffitsientpasayish	miqdorlar

xatolar ehtimollik O'rta

	6	Bayesian-Pirson-Xemming tarmog'i
		Pearson-Xamming tarmog'i
%	5	Perseptronlar tarmog'i GOST R 52633.5-2011
xatolar,	4
	3
	2
	bitta
	0	50	yuz	150	200	250

%	10								Neyronlar soni
	sakkiz
xatolar,
	6
	4
	2
	0		2		3		4		6			12				28	36		45		55
										sakkiz			o'n olti		yigirma
							Neyron kirishlar soni (o'lchov) Bayes-
0,05		Xamming tarmog'i
				11,5% 12,9% 14,8% 11,7% 11,6% 13,3% 11%																12 %
0,04
0,03
0,02
0,01
	0		0,025				0,050		0,075	0,100			0,125		0,150		0,175				0,200

Shakl 3.18 - Eshik chegarasining oshishi bilan tekshirish xatolar ehtimolini kamaytirish qiymatlarH

Shu kabi hisoblash tajribasi doimiy monitoring ma'lumotlari (yuz tasvirlari va klaviatura qo'lyozmasi) asosida sub'ektlarning tasvirlarini tekshirish uchun o'tkazildi. Yaratilgan parol kalitini tekshirishda qaror Hamming masofasidan kelib chiqqan holda qabul qilindiH. Tajriba uchta versiyada takrorlandi: tarmoqlarning kirishlari 30, 60 va 150 s davomiylikdagi monitoring ma'lumotlaridan hisoblangan xususiyat qiymatlari vektorlari bilan oziqlangan (o'rtacha tabiiy biometrik tasvirlar sintez qilingan, sinov namunalari soni). har bir turdagi mos ravishda 12000, 6000 va 2400 ta). Bunday holda, takroriy xususiyatlarning o'rtacha qiymatlari oldindan hisoblab chiqilgan. Bu atribut qiymatining barqarorligini oshirish - standart og'ishni kamaytirish imkonini beradi (3.20-rasm). Shu sababli, monitoring davomiyligining oshishi va ko'proq xarakterli qiymatlarning to'planishi bilan xatolar sonining kamayishiga erishish mumkin (3.10-jadval). Kuzatuv vaqtining oshishi bilan xatolar ehtimoli sezilarli darajada kamayadi.

173

3.19-rasm - 125 ta sub'ekt uchun tekshirish xatosi ehtimoli (bo'sagida)H>0)

174
3.9-jadval - sub'ektlarni imzo bilan tekshirish ishonchliligining eng yaxshi olingan parametrlari

Tarmoq turi	FRR, H=0	FAR, H=0	tarmoq sozlamalari,	FRR, H>0	FAR, H>0	Parametrlar	O'rtacha
			H=0			tarmoqlar, H>0	∆Ha, %
Bayes-Pirson-	0,0421	0,0308	n=8;N=200	0,0407	0,029	n=4;N=250	2,08%
Hamming
Pearson-	0,0317	0,0421	n=14;N=200	0,0236	0,0459	n=5;N=50	3,59%
Hamming
NPBK GOST R	0,0307	0,0361	n=16;N=250	0,0307	0,0361	n=16;N=250	0,6%
52633.5
Bayes-Xamming	0,034	0,0312	-=0,05;-=0,5	0,0288	0,0232	-=0,05;-=0,5	12,38%

Kuzatuv vaqti 150 s bo'lgan holda, ob'ektlarni har qanday belgilar bilan tekshirishda xatolar ehtimoli nolga yaqin, perseptronlar bundan mustasno (hech qanday xato qayd etilmagan, shuning uchun siz taxminiy tenglikni -0 yoki shunga ko'ra ko'rsatishingiz mumkin) bajarilgan tajribalar soni bo'yicha xato ehtimoli 0,0005 dan kam).

xususiyat qiymatlari Ehtimollik zichligi

12			3
10
sakkiz			2
6			bitta
4
2	4
0
	– 0,26 –0,20 –0,13 –0,07	0	0,07 0,13 0,20 0,26 0,33

Signal qiymati


3.20-rasm - Kuzatuv vaqtining oshishi bilan xususiyatlarning o'rtacha qiymatlarining standart og'ishini kamaytirish (bitta- "Meniki"30 s2- "Meniki"60 s3- "Meniki"150 s4—

barcha "o'zga sayyoraliklar")

175
3.10-jadval - yuz va klaviatura qo'l yozuvi bo'yicha sub'ektlarni tekshirish ishonchliligining eng yaxshi olingan parametrlari

belgilar	Vaqt	Tarmoq turi	Parametrlar	FRR	FAR
	monitoring		tarmoqlar
Yuz	30 soniya	Pearson-Xemming	N=50, n=5	0,0014	0,002
Klaviatura qo'l yozuvi	30 soniya	perseptronlar	N=80, n=10	0,058	0,0636
Yuz + klaviatura qo'lyozmasi	30 soniya	Bayes-Pirson-Xamming	N=120, n=5	0,002	0,0036
Yuz	60 soniya	Pearson-Xemming	N=80, n=15	-0	0,0002
Klaviatura qo'l yozuvi	60 soniya	perseptronlar	N=200, n=50	0,034	0,043
Yuz + klaviatura qo'lyozmasi	60 soniya	perseptronlar	N=60, n=25	0,002	0,0009
Yuz	150 soniya	Har qanday	Har xil	-0	-0
Klaviatura qo'l yozuvi	150 soniya	Har qanday (perseptronlardan tashqari)	Har xil	-0	-0
Yuz + klaviatura qo'lyozmasi	150 soniya	Har qanday	Har xil	-0	-0

Parol kalitidagi xatolarni qo'shimcha tuzatish 1 va 2-turdagi xatolar ehtimolini sezilarli darajada kamaytirishga imkon beradi (buni A ilovasida keltirilgan xato grafiklaridan ko'rish mumkin).
3.7. Uchinchi bob bo'yicha xulosalar


Ushbu bobda biometrik xususiyatlarni tadqiq qilish uchun etarli miqdordagi baza to'plangan. Qo'lda yozilgan tasvirlar (parollar yoki avtograflar), klaviatura qo'lyozmasi va yuzlar belgilarining maydoni taklif etiladi. Belgilar turli tomonlardan ko'rib chiqiladi. Ushbu maqolada ko'rib chiqilganlarning barchasidan eng ma'lumot beruvchi teri rangi va ko'z rangini tavsiflovchi belgilardan foydalanish taklif etiladi. Belgilangan xususiyatlarning o'zaro korrelyatsiya bog'liqligi va ularning qiymatlarining ehtimollik zichliklarining kesishish joylari baholari berilgan. Aniqlanishicha, oʻzaro kuchli bogʻliqlikka ega boʻlgan koʻplab xususiyatlar juftligi mavjud boʻlib, biometrik xususiyatlarning korrelyatsiya kuchi turli mavzularda sezilarli darajada farq qilishi mumkin, bu esa insonni tanib olish uchun qoʻshimcha maʼlumot beradi. Xususiyatlarning axborot mazmuni baholandi [66].

Ish jarayonida farqli ko'p o'lchovli Bayes funksiyalaridan foydalangan holda bog'liq biometrik xususiyatlarni qayta ishlash taklif qilindi [41, 53].

176
Ko'p o'lchovli Bayes funksionali qanchalik yaxshi ishlaydi, xususiyatlarning teng korrelyatsiya koeffitsienti qanchalik yuqori va uning o'lchami qanchalik baland bo'lishi eksperimental ravishda tasdiqlangan. Taklif etilayotgan funktsiya kvadratik shakllardan farq qiladi, ular xususiyatlar o'rtasidagi korrelyatsiya mustahkamlanganda samaradorligini yo'qotadi. Ko'p o'lchovli Bayes funktsiyalari, aksincha, ularning ish faoliyatini yaxshilaydi.


Bayes-Xemming tarmoqlari kvadrat shakllar va perseptronlar tarmoqlari bilan to'ldirilishi juda muhimdir. Bayes tarmoqlari boshqa texnologiyalarga qarama-qarshi yo'l tutadi.


Biometrik ma'lumotlarning korrelyatsiyasining oshishi [41, 53] Bayes tarmoqlarining ish faoliyatini yaxshilaydi va ularni sozlashni soddalashtiradi. Ko'rib chiqilgan barcha boshqa texnologiyalar


uchun biometrik ma'lumotlarning korrelyatsiyasini oshirish ta'siri aksincha. Shu munosabat bilan, turli xil yaqinlik o'lchovlari (funksionallari) asosida hisoblash elementlari (neyronlar) asosida


neyron tarmoq PBK ni loyihalash taklif etiladi. Kvadrat shakllar va perseptronlar zaif korrelyatsiya qilingan xususiyatlarni qayta ishlash uchun ishlatilishi mumkin, ko'p o'zgaruvchan Bayes


funksiyalari kuchli korrelyatsiya qilinganlarni qayta ishlash uchun ishlatilishi mumkin. Qaror qabul qilish qoidalarini amalga oshirishda, hisoblash resurslarini tejashning ma'nosi yo'q. Yaqin


xatolik ehtimoli bo'lgan bir nechta qaror qoidalari tarmog'ini shakllantirish va ularning natijalarini birlashtirib, sub'ektni tanib olishning integral xatosi nuqtai nazaridan sezilarli daromad olish


mumkin. Ko'p o'lchovli Bayes funksiyalari tarmog'i (Bayes-Xamming tarmog'i - 12,38%) xatolarni shu tarzda kamaytirish uchun eng yuqori potentsialga ega, eng past potentsial esa


perseptronlardir (<1%). Biometrik ma'lumotlarga asoslangan kodni yaratishda shunga o'xshash effektga neyron tarmog'ining birinchi qatlamining chiqishidagi bir nechta noto'g'ri bitlarni


tuzatish orqali erishish mumkin [5]. Qoidalar turli yo'llar bilan xatolarga yo'l qo'ygan, ya'ni ular to'liq o'zaro bog'liq bo'lmagan holda, qaror qabul qilish qoidalari sonini ko'paytirish maqsadga


muvofiqdir. PBC gibrid neyron tarmog'ining bunday modeli qanchalik yaxshi ishlaydi, ko'proq xususiyatlar va boshqalar sub'ektni tanib olishning integral xatosi bo'yicha sezilarli daromad olish


mumkin. Ko'p o'lchovli Bayes funksiyalari tarmog'i (Bayes-Xamming tarmog'i - 12,38%) xatolarni shu tarzda kamaytirish uchun eng yuqori potentsialga ega, eng past potentsial esa


perseptronlardir (<1%). Biometrik ma'lumotlarga asoslangan kodni yaratishda shunga o'xshash effektga neyron tarmog'ining birinchi qatlamining chiqishidagi bir nechta noto'g'ri bitlarni


tuzatish orqali erishish mumkin [5]. Qoidalar turli yo'llar bilan xatolarga yo'l qo'ygan, ya'ni ular to'liq o'zaro bog'liq bo'lmagan holda, qaror qabul qilish qoidalari sonini ko'paytirish maqsadga


muvofiqdir. PBC gibrid neyron tarmog'ining bunday modeli qanchalik yaxshi ishlaydi, ko'proq xususiyatlar va boshqalar sub'ektni tanib olishning integral xatosi bo'yicha sezilarli daromad olish


mumkin. Ko'p o'lchovli Bayes funksiyalari tarmog'i (Bayes-Xamming tarmog'i - 12,38%) xatolarni shu tarzda kamaytirish uchun eng yuqori potentsialga ega, eng past potentsial esa


perseptronlardir (<1%). Biometrik ma'lumotlarga asoslangan kodni yaratishda shunga o'xshash effektga neyron tarmog'ining birinchi qatlamining chiqishidagi bir nechta noto'g'ri bitlarni


tuzatish orqali erishish mumkin [5]. Qoidalar turli yo'llar bilan xatolarga yo'l qo'ygan, ya'ni ular to'liq o'zaro bog'liq bo'lmagan holda, qaror qabul qilish qoidalari sonini ko'paytirish maqsadga


muvofiqdir. PBC gibrid neyron tarmog'ining bunday modeli qanchalik yaxshi ishlaydi, ko'proq xususiyatlar va boshqalar Ko'p o'lchovli Bayes funksiyalari tarmog'i (Bayes-Xamming tarmog'i -


12,38%) xatolarni shu tarzda kamaytirish uchun eng yuqori potentsialga ega, eng past potentsial esa perseptronlardir (<1%). Biometrik ma'lumotlarga asoslangan kodni yaratishda shunga


o'xshash effektga neyron tarmog'ining birinchi qatlamining chiqishidagi bir nechta noto'g'ri bitlarni tuzatish orqali erishish mumkin [5]. Qoidalar turli yo'llar bilan xatolarga yo'l qo'ygan, ya'ni


ular to'liq o'zaro bog'liq bo'lmagan holda, qaror qabul qilish qoidalari sonini ko'paytirish maqsadga muvofiqdir. PBC gibrid neyron tarmog'ining bunday modeli qanchalik yaxshi ishlaydi, ko'proq


xususiyatlar va boshqalar Ko'p o'lchovli Bayes funksiyalari tarmog'i (Bayes-Xamming tarmog'i - 12,38%) bu yo'l bilan xatolarni kamaytirish uchun eng yuqori potentsialga ega va perseptronlar

eng past (<1%). Biometrik ma'lumotlarga asoslangan kodni yaratishda shunga o'xshash effektga neyron tarmog'ining birinchi qatlamining chiqishidagi bir nechta noto'g'ri bitlarni tuzatish orqali erishish m

177
qaror qabul qilish qoidalari turlari ishtirok etadi. Shu bilan birga, PBK ning murakkabligi klassik neyron tarmoqlardan va ularni "xatolarni orqaga qaytarish" orqali o'rganish algoritmlaridan farqli o'laroq, o'quv namunasi hajmining oshishiga olib kelmaydi.


Hisoblash eksperimentlari natijalari turli xil xatolarni tuzatish kodlari (Hadamar, BCH, xususan Reed-Solomon) va turli funktsiyalarga asoslangan sun'iy neyronlar tarmoqlari asosida loyqa ekstraktorlar yordamida aniqlangan xususiyatlar asosida kalit ketma-ketliklarini yaratish ishonchliligini baholash uchun olinadi. (perseptronlar, Pearson, Bayes ko'rsatkichlari).-Pirson, Evklid va ko'p o'lchovli Bayes funksiyalari) va ularning tarmoqlari parametrlari (neyronlar soni, ularning kirishlari va boshqalar) maxsus o'z-o'zini tuzatish kodlari bilan barqaror bo'lmagan bitlarni keyingi tuzatish bilan [27, 51, 54, 69, 172]. Loyqa ekstraktorlar kalitlar ketma-ketligini yaratish ishonchliligi (xatolar ehtimoli va natijada shifrlash kaliti, ES yoki parol uzunligi) bo'yicha neyron tarmoqlardan sezilarli darajada past ekanligi eksperimental ravishda tasdiqlangan.


Standart kompyuter uskunalarini kuzatish vaqtining oshishi bilan [48, 53, 70] klaviatura qo'l yozuvi va yuz parametrlari asosida mavzuni tekshirishda (kalitlar ketma-ketligini yaratish) xato qarorlar sonini sezilarli darajada kamaytirish mumkin. 150 soniyali kuzatuv vaqti bilan yuz xususiyatlari va klaviatura qo'lyozmasi alohida va birgalikda foydalanilganda xatolik ehtimoli deyarli nolga kamayadi. Ikki mustaqil tasvir birlashtirilganda, tizimni soxtalashtirish ehtimoli ancha murakkablashadi. Eksperiment natijalariga ko'ra, tuzilgan PBC asosida yuz va klaviatura qo'l yozuvi bo'yicha biometrik autentifikatsiya qilishda xatoliklarning ehtimoli:

• 
  ob'ektni kuzatish vaqti 30 s, FRR = 0,002, FAR = 0,0036; ob'ektni
  

• 
  kuzatish vaqti 60 s, FRR = 0,002, FAR = 0,0009;
  

178

• 
  mavzuni monitoring qilish vaqtida150 s - FRR < 0,0005, FAR < 0,0005. Qo'lda yozilgan tasvirlar asosida biometrik autentifikatsiya qilish uchun eng yaxshi natija
  

Bayes-Xamming tarmog'i asosida olingan va quyidagini tashkil etdi: FRR = 0,0288; FAR = 0,0232.

Kvadrat shakllar va Bayes funksiyalarining kamchiligi shundaki, ular biometrik standartni buzadi. Har xil turdagi neyronlardan PBC yaratishda biometrik standartni himoya qilish uchun GOST talablarini bajarish talab qilinadi.

179

4. 
   Biometrik ma’lumotlarni tahlil qilish uchun neyron tarmoq algoritmlari asosida elektron imzo va ko‘p faktorli autentifikatsiya
   

Axborot jamiyatining rivojlanishi korporativ aralash ish jarayonini amalga oshirishga imkon beruvchi ishonchli korporativ hisoblash muhitini shakllantirish zaruratiga olib keladi [141]. Asosiy qo'shimcha talablardan biri bu korporativ ESni shakllantirish vositalarining xodimlarning vakolatlarini almashish bo'yicha til biriktirish tahdidiga qarshi turish qobiliyatidir. Axborot tizimining egasi shaxsiy ESni shakllantirish huquqi xodimning shaxsiyatidan ajralmas ekanligiga va u tomonidan til biriktirish orqali hech kimga berilishi mumkin emasligiga ishonch hosil qilishi kerak.


Shubhasiz, odamning ochiq biometrik tasviri, masalan, ochiq kalit (login) sertifikatiga joylashtirish orqali ochiq saqlanishi mumkin. Ochiq biometrik ma'lumotlarni ochiq kalitga aylantiruvchi har qanday narsa bo'lishi mumkin. U faqat birinchi va ikkinchi turdagi xatolar ehtimoli uchun funktsional talablarga ega.


Boshqa talablar biometrik himoyaga nisbatan qo'llaniladi. Korporativ ESni shakllantirish uchun shaxsiy kalit ishonchli himoyalangan bo'lishi kerak, ya'ni biometrik himoya maxsus talablarga javob berishi kerak [11]. Xususan, korporativ axborot tizimidan neyron tarmoq konteynerlari bazasini o‘g‘irlashning oldini olish yoki o‘z-o‘zini shifrlash bilan himoyalangan neyron tarmoq konteynerlaridan foydalanish kerak.


Hozirgi vaziyatni uchta ehtimollik bilan tavsiflash mumkin:


- FRR - birinchi turdagi xatolar ehtimoli (o'zinikiga kirishni rad etish); FAR -

• 
  ikkinchi turdagi xatolar ehtimoli (boshqa birovning xatosizligi);
  

180
-KEWA (ruxsatsiz bilim olish) - bu birinchi urinishda himoyalangan konteynerdan bilim olish tahdidini amalga oshirish ehtimoli.


Bu ehtimolliklarning uchligi muhim, birinchi yaqinlashishda ularning umumiyligini geometrik o'rtacha bilan tavsiflash mumkin [11]:

To'liq xato

-

3FRR-FAR-KEWA

(4.1)

Shubhasiz, ehtimollarning har birining past qiymatini alohida-alohida olishdan ko'ra, ehtimollik uchligining past darajasini ta'minlash (4.1) ancha qiyin. Shuningdek, agar uchlik ehtimolining har qanday juftligi minimallashtirilsa, texnik muammo soddalashtiriladi. Ikkinchisi, biometrik standartni himoya qilmaydigan biometrik vositalar o'rtacha ko'rsatkichga ega bo'lishi kerakligini anglatadi


geometrik 2FRR- FARbir xil vositalar bilan solishtirganda ancha kam biometrik tasvirlarni murosalardan himoya qilishni ta'minlash.


Ko'p o'lchovli Bayes funktsional tarmoqlari biometrik ma'lumotlarni himoya qila olmaydi, ammo ular dinamik biometrik tasvirlarni qayta ishlashda sun'iy neyron tarmoqlar, loyqa ekstraktorlar, kvadrat shakllar bilan solishtirganda birinchi va ikkinchi turdagi xatolarning o'rtacha geometrik ehtimolini sezilarli darajada kamaytiradi.


Ushbu bob taklif qilingan asoslar asosida ESni autentifikatsiya qilish, yaratish va tekshirish usullari va algoritmlarini ishlab chiqishga bag'ishlangan.


2 ni kamaytirishga imkon beruvchi PBK modellariFRR-FAR, shuningdek, variantlarni ishlab chiqish neyron tarmog'ining kvadratik va Bayes funktsiyalari jadvalini bilimlarni olish va KEWA baholash tahdididan himoya qilish.