Очиқ кодли операцион тизимларда шифрлаш ва архивлашни ташкил этиш

1-бит ўзгарса
, 64-бит ўзгарса		, 13-бит ўзгарса		, 33-бит ўзгарса
k	mw		mw		mw		mw
1	3,49	0,49	1	0	2,84	0,49	1,1	0
2	6,8	4,24	3	0,72	5,74	3,69	3,51	2,13
3	10,37	13,47	5,82	2,56	9,6	13,15	7,97	8,85
4	15,54	22,75	9,243	9,19	15,04	23,82	13,17	23
5	21,11	28,2	13,56	19,21	21,81	34,83	19,2	34,98
6	26,27	30,36	19,07	28,72	27,29	30,15	25,33	32,34
7	29,86	24,25	23,81	32,73	30,56	20,61	29,49	23,8
8	31,08	18,7	27,54	28,93	31,71	16,79	31,52	18,91
9	31,73	17,37	30,15	21,32	32,01	15,94	31,88	16,65
10	31,9	15,89	31,36	17,7	32,06	16,55	31,98	15,66
11	32,16	16,46	31,86	17,49	32,13	16,15	31,86	15,66
12	32,2	15,16	32,04	16,29	32,07	14,62	31,79	14,95
13	32,08	15,52	31,9	16,25	32,02	16,08	31,91	16,1
14	32,12	16,22	31,76	16,31	31,97	15,85	31,98	15,97
15	32,04	15,98	31,92	15,74	31,89	16,49	31,87	15,41
16	31,83	15,44	31,96	16,15	31,96	16,36	31,74	15,79
17	32	15,98	31,9	16,16	32,06	15,86	31,82	16,81
18	32,18	15,33	31,87	15,15	32,01	16,79	31,93	15,47
19	32,04	16,69	31,81	16,35	32	16,26	31,67	15,76
20	32	16,49	31,86	15,75	32,06	16,28	31,68	15,64
21	32,12	15,58	31,96	16,93	31,98	16,93	31,94	15,25
22	32,11	15,84	31,99	14,74	32,13	15,15	32,09	15,94
23	32,02	15,78	32,02	14,98	32,24	15,82	32,28	16,46
24	31,99	15,62	31,94	16,08	32,15	15,86	32,05	15,79
25	32,12	15,29	31,93	15,96	32,02	15,8	31,79	15,26
26	32,15	15,67	31,95	16,03	31,89	15,06	31,88	16,44
27	32,12	15,62	31,96	16,76	31,82	16,22	31,92	14,82
28	32,21	16,77	31,87	16,01	31,94	15,56	32,01	15,83
29	32,37	15,87	31,83	15,12	32	15,36	32,12	16,66
30	32,27	15,71	31,93	16,69	32,13	15,45	32,2	14,92
31	31,98	16,1	31,94	15,65	32,12	14,54	31,95	15,86

Бир томондан, оддий матнда битнинг бир вақтнинг ўзида циклнинг барча чиқувчи битларига ўзгартириш таъсирининг математик далиллари бир текис фарқ қиладиган тўғри матнга мос келадиган жуфт шифр матнларининг ортогоналлигидир (ўзаро боғлиқ бўлмаганлиги) m_w = 32. Агар мутлақо тасодифий 64-битли блокни (мустақил иккилик белгиларидан иборат) кўражиган бўлсак, у холда бундай блоклардаги нолга тенг бўлмаган битлар сони учун тақсимот қонуни паратрларга эга биномиал ҳисобланади.
m_w = np₀ = 64 = 32,
= np₀(1- p₀) = 64 = 16 .
np₀(1- p₀) ≥ 10 қийматида, тахминий яқинлашиш даражаси юқори бўлган биномиал тақсимот, эҳтимоллик тақсимотининг нормал қонуни билан таққосланади (Муавр-Лаплас формуласи асосида). m_w қийматнинг хосил бўлган қийматлари тасодифий ва 32 га тенг. Юқорида келтирилган саволга аниқ жавобни олиш учун, агар ишонч оралиғи усулларидан фойдаланилади. Яъни эҳтимоллик тақсимотининг номаълум параметрларининг тахминий қийматлари тўпламини тузиш учун махсус ишлаб чиқилган математик статистика усули моҳияти қуйидагича:
X₁, X₂, …, Х_n, n ≥ 2 номаълум параметрларга эга бўлган бир хил нормал қонунга бўйсунадиган мустақил тасодифий ўзгарувчиларнинг EX_i = θ₁ ва
DX_i = θ₂ интервал баҳолашни u(θ) = θ₁ тузиш талаб этилади.

(1)

Тасодифий ўзгарувчи Стюдент тақсимланишининг c_n-1 даражасига бой сунади ва номаълум q₁ ва q₂(| ₁| ≤ ∞, ₂ > 0) параметрларига боғлиқ бўлмаганлиги сабабли, ҳар қандай t учун ходисанинг эҳтимолиги фақат t га боғлиқ бўлиб қолаверади [3].

(2)

Агар, кўрсатлиган интервалда баҳолаш c учун q₁ қабул қилинса, у
= { , га боғлиқ бўлмаган қуйидаги P_c( , ) = P{|T| < t} = 1 α эҳтимоллик интервалига мос келади. Бундай интерваллар оралиғи ишонч эҳтимолликлар оралиғи ва унинг чегаралари ишонч интервали чегаралари деб аталади.
Синов тариқасида уч турдаги матнли файллар танлаб олинди. Очиқ кодли тизмларда ГОСТ стандарти асосида очиқ калитлар ёрдамида шифрлаш дастури exe файлари фақат битта сеан калити билан шифрлашда, 10% кам бўлмаган сиқиш самарадорлигини кўрсатади (1- расм).



1-расм. Шифрланган матнлар ва очиқ матнларнинг сиқиш алгоритми фарқи
Бу бундай файлларда бир хил матнларнинг мавжудлиги кўплиги билан чунтирилади, қолган барча файлларда эса хар хил сеан калитларида яхшироқ натижаларни олиш мумкин. Шуни хулоса қилиш мумкинки юқорида кўрсатилган статистик таҳлил ва очиқ кодли операцион тизимлардаги шифрлаш алгоритмлари учун фойдланилаётган ГОСТ стандарти 1 – жадвалдаги методик таҳлил асосида бардошлилигини кўришимиз мумкин.
Фойдаланилган адабиётлар
[1] Encyclopedia of modern Cryptography and Internet Security - From AutoCrypt and Exponential Encryption to Zero-Knowledge-Proof Keys. Bertram, Linda A. / Dooble, Gunther van (2019).
[2] Modern Cryptography: Applied Mathematics for Encryption and Information Security. William Easttom (2020).
[3] Modern Cryptography for Cybersecurity Professionals. Lisa Bock (2021).


NEYRON TARMOQ ALGORITMLARI ASOSIDA SPAM XABARLARNI FILTRLASH


Haydarov E.D.(Muhammad al-Xorazmiy nomidagi TATU, assistent)
Sayfullayev SH.B. (Muhammad al-Xorazmiy nomidagi TATU, assistent)

Elektron pochta xabarlari kundalik hayotdagi eng muhim dasturlardan biriga aylandi. Elektron pochta foydalanuvchilari sonining doimiy o‘sishi spam elektron pochta deb ham ataladigan kiruvchi elektron pochta xabarlari sonining ko‘payishiga olib keldi. Natijada spamni tekshirish jarayoni axborot xavfsizligining ajralmas qismi hisoblanadi. Bu juda ko‘p resurs talab qiladi. Axborot xavfsizligi jarayonini optimallashtirish uchun mavjud xavfsizlik tizimining bir qismiga aylangan neyron tarmoqlardan foydalaniladi. Bu axborotlarni himoya qilish sohasidagi eng istiqbolli yo‘nalishlardan biri hisoblanadi.

Xabarlar almashinuvidagi asosiy vazifalardan biri spam-xabarlar deb ataladigan zararli xabarlarni ya‘ni foydalanuvchi e‘tiborini talab qilmaydigan ma‘lumotlarni o‘z ichiga olmaydigan xabarlarni, masalan, keraksiz tovarlarni reklama qilish yoki noqonuniy daromad olish uchun takliflarni filtrlash yoki tekshirish jarayonidir. Spamni filtrlash algoritmlari bunday xabarlarni filtrlash uchun mo‘ljallangan, ammo bunda noto‘g‘ri ijobiy natijalarga olib kelishi ehtimolligi mavjud. Shunig uchun internet orqali foydalanuvchilarga yuborilgan spam xabarlarni o‘tkazib yuborish ehtimolini kamaytirish yo‘lini topish muhim masalalardan biridir. Ushbu maqolada taklif etilayotgan usulni qo‘llash ilgari ko‘rsatilgan ehtimollikni kamaytiradi.
Spam elektron pochta xabarlarini aniqlash uchun filtrlash algoritmlaridan foydalanish uchun filtrlanadigan elektron pochta xabarlarining asosiy xususiyatlarini aniqlash kerak.
Bu xususiyatlar quyidagilardir:

• 
  so‘zlarni takrorlanishi;
  
• 
  xabardagi iboralar;
  
• 
  belgilarning umumiy soni, tinish belgilari, raqamlar, bo‘sh joy belgilari, so‘zlar;
  
• 
  har bir belgining chastotasi, maxsus belgilar;
  
• 
  so‘zlarning, jumlalarning o‘rtacha uzunligi;
  
• 
  so‘z uzunligi chastotasi taqsimoti;
  
• 
  xilma-xillik o‘lchovi;
  
• 
  noyob so‘zlar soni.
  

Xususiyatlarni tanlab olish uchun spam uchun eng xos bo‘lgan so‘zlar, belgilar va boshqa matn elementlarini o‘z ichiga olgan lug‘at ishlatiladi.
Asosiy xususiyatlarni tanlash aniq filtrlash algoritmini tanlashga bevosita ta‘sir qiladi. Ba‘zi algoritmlar uchun yakuniy natija dastlabki ma‘lumotlarga bog‘liq, ya‘ni, agar xususiyatlarni tanlashda harflarning noto‘g‘ri parametrlarini tanlasangiz, noto‘g‘ri pozitiv natijalar ehtimolini oshirishingiz mumkin. Ushbu xususiyatlardan kelib chiqqan holda, bir-birini to‘ldiradigan turli xil parametrlarga tayangan holda matnni spamga tegishliligini kompleks tarzda baholash va qaror qabul qilishda baholashni aniqlashtirish mumkin.
Spam xabarlarni filtrlash uchun avval olingan xabar xususiyatlarini matn va ma‘lumotlarni tasniflash algoritmlari bilan qayta ishlash kerak. Spam xabarlarni aniqlashning Sun‘iy neyron tarmoq algoritmlari va klassik algoritmlarga asoslangan usullari mavjud.
Klassik algoritmlar - statistik ma‘lumotlarni tahlil qilish va matematik hisob-kitoblar usullaridan foydalanishga asoslangan usullar va algoritmlar. Bularga quyidagilar kiradi:

• 
  Naive Bayes klassifikatori;
  
• 
  k-eng yaqin qo‘shnilar usuli;
  
• 
  qo‘llab-quvvatlovchi vektor usuli;
  
• 
  genetik algoritmlar.
  

Sun‘iy neyron tarmoqlarga asoslangan filtrlash algoritmlari vazifani bloklarga ajratish uchun mo‘ljallangan. Shu bilan birga, har bir blok klassik algoritmlarga qaraganda oddiyroq protseduralar bilan qayta ishlanadi, bu algoritm ketma-ketligini buzmasdan tarmoqlarni dinamik ravishda kengaytirish imkonini beradi. Ushbu algoritmlarga quyidagilar kiradi:

• 
  nusxasini tanib olish;
  
• 
  perseptron;
  
• 
  Koxonen neyron tarmog‘i;
  
• 
  o‘z-o‘zidan tashkil etilgan Koxonen xaritasi.
  

O‘qitilmagan neyron tarmoqlarga asoslangan algoritmlardan foydalanish istalmagan natijalarga olib keladi, ya‘ni spam xabarlarni o‘tkazib yuborishi mumkin. Ushbu kamchilikni tarmoqni o‘qitish yoki o‘z-o‘zini o‘qitishning dastlabki bosqichida neyron tarmoqlarga asoslangan algoritmlar va klassik algoritmlarni birlashtirish orqali kamaytirish mumkin.
Filtrlashda asl xabarlardan alohida ma‘lumotlar olinadi, ular spam-xabarlarni o‘z ichiga olishi mumkin, bu xabarlarning miqdoriy xususiyatlarini ifodalaydi. Filtrni bajarish vaqtini qisqartirish uchun bu xususiyatlar parallel ravishda qayta ishlanishi mumkin.
Spam elektron pochta xabarlarini filtrlashda klassik algoritmlardan foydalaniladi, chunki ular allaqachon yaxshi o‘rganilgan. Ulardan biri Naive Bayes klassifikatoridir. Uning mohiyati ma‘lum bir xabarning spam bo‘lish ehtimolini aniqlashdir. Kamchiliklardan biri - spam-xabarlarni tavsiflovchi asosiy xususiyatlar to‘plamini oldindan aniqlash zarurligi, ya‘ni o‘z-o‘zini o‘rganadigan neyron tarmoqlari mavjud emas. Afzalligi tez bajarish vaqti. Algoritmni o‘rgatishda spam xabarlarida individual xususiyatlarning paydo bo‘lish ehtimoli quyidagi formula bo‘yicha hisoblanadi:
,
bu yerda m - spam xabarlar soni, n - C xarakterli barcha elektron pochta xabarlari soni.
Shuningdek spam elektron pochta xabarlarini filtrlashda klassik bo‘lmagan algoritmlar ham qo‘llaniladi. Neyron tarmog‘ining asosiy xususiyatlarini tahlil qilish Bayes spam filtrlashni eslatadi, bu yerda har bir so‘z yoki ibora uchun elektron pochtani spam sifatida aniqlash koeffitsiyentini o‘rnatishingiz mumkin. Biroq, Bayes filtridan farqli o‘laroq, bu yerda koeffitsiyentlar tarmoq neyronlari orasidagi og‘irliklar bo‘lib, ular o‘rganish jarayonida dinamik ravishda o‘zgarishi mumkin, bu esa neyron tarmoqning umumlashtirish qobiliyati tufayli to‘plangan tajriba asosida yangi va ilgari noma‘lum bo‘lgan spamni samarali aniqlash imkonini beradi. Neyron tarmoqlar yuzaki jihatdan Naive Bayes klassifikatoriga o‘xshaydi, lekin strukturaviy jihatdan farq qiladi.
Bunday neyron tarmoq yashirin qatlamli ko‘p qatlamli perseptron yoki Koxonen tarmog‘i sifatida tizimli ravishda amalga oshirilishi mumkin.
Perseptron tarmog‘ini amalga oshirish oson va kirish parametrlari soni n xarakteristikalar kiritish vektorining o‘lchamiga teng (yuqorida olingan xarakteristikalardan foydalanganda n = 8) perseptrondir. U matnda spamni aniqlash ehtimoli qiymatini chiqaradigan yagona neyronga ega, u 0 dan 1 gacha qiymatni oladi. Perseptron tarmog‘i spam mavjudligi haqida qaror qabul qilish funksiyasini bajaradi.
Koxonen tarmog‘idan ham foydalanish mumkin, u ma‘lumotlarni klasterlashni amalga oshiradi, bu esa matnning yo‘nalishini yanada samarali aniqlash imkonini beradi, shu jumladan klasterlash bosqichida oddiy matndan voz kechadi. Koxonen tarmog‘ining neyroni asosiy versiyada quyidagi shaklga ega:

Bu formulada j-neyronning i-xarakteristikasining og‘irligidir.
Odatda juda ko‘p sonli neyronlar eng yuqori chiqishga ega “eng yaxshi” neyronni topish uchun ishlatiladi. Olingan qiymat spam va oddiy pochta o‘rtasidagi chegarani belgilaydigan chegara bilan tekshiriladi.
Neyron tarmoqlar, xuddi biologik organizmlar kabi, mavjudligining boshida, o‘qitilmagan, ya‘ni ularni o‘qimasdan ishlatib bo‘lmaydi. Yetarli darajada o‘rganilmagan neyron tarmoqlaridan foydalanishdagi xatolarni minimallashtirish uchun klassik algoritmlardan foydalanish kerak, chunki ular neyron tarmoqqa nisbatan noto‘g‘ri musbat ehtimolini kamroq ko‘rsatadi. Biroq, keyinchalik klassik algoritmlardan olingan haqiqiy ma‘lumotlar va natijalar bo‘yicha o‘qitiladigan neyron tarmoqlar klassik algoritmlarga qaraganda yuqori unumdorlikda noto‘g‘ri musbat ehtimolga ega bo‘ladi.
Xulosa qilib aytadigan bo‘lsak ma‘lumotlarni, xususan, elektron pochta va undagi xabarlarni filtrlash uchun ishlatiladigan algoritmlar orasida samarali, lekin noto‘g‘ri musbat ehtimoli yuqori va aniq, lekin sekin ishlaydigan algoritmlar mavjud. Klassik algoritmlar bilan neyron tarmoqlardan birgalikda foydalanish spam xabarlar sonini kamaytirish, shuningdek, ularni filtrdan o‘tish ehtimolini kamaytirish imkonini beradi.