Введение
ГЛАВА 1. Анализ составных фрагментов технологий биометрической аутентификации
1.1. Обзор методов измерения параметров статических биометрических образов личности 17
1.1.1. Использование рисунка сосудов глазного дна 18
1.1.2. Использование радужной оболочки глаза 19
1.1.3. Особенности геометрии кисти руки 20
1.1.4. Папиллярный рисунок пальцев руки 21
1.1.5. Индивидуальные особенности геометрии лица 23
1.1.6. Термографическое наблюдение лицевых артерий и вен 26
1.1.7. Идентификация по венам руки 26
1.1.8. Другие статические методы идентификации 27
1.2. Обзор методов измерения параметров динамических биометрических образов личности 27
1.2.1. Принципы, объясняющие стабильность динамической биометрии 27
1.2.2. Идентификация личности по рукописной подписи и динамике ее воспроизведения 35
1.2.3. Идентификация личности по клавиатурному почерку 45
1.2.4. Идентификация личности по особенностям голоса 49
1.2.5. Другие методы биометрической идентификации по динамике подсознательных движений 58
1.3. Особенности режимов биометрической идентификации и аутентификации 59
1.3.1. Биометрическая идентификация в широком и узком смысле... 59
1.3.2. Биометрическая аутентификация личности 63
1.3.3. Многообразие протоколов биометрической аутентификации... 68
1.4. Обобщенная структура систем биометрической идентификации и аутентификации личности по особенностям динамики подсознательных действий 75
1.5. Анализ атак на биометрические системы идентификации и аутентификации 80
1.5.1. Атака перехвата предъявляемого биометрического образа... 80
1.5.2. Атака прямого подбора известного биометрического образа 81
1.5.3. Атака подбора неизвестного биометрического образа 82
1.5.4. Атака на автомат обучения 82
1.5.5. Атака на биометрический эталон 83
1.5.6. Атака на содержание решающего правила 84
1.5.7. Атака на «последний бит» решающего правила 85
1.6. Проблемы использования искусственных нейронных сетей в биометрических системах идентификации и аутентификации личности 86
1.6.1. Низкое быстродействие процедур итерационного обучения искусственных нейронных сетей 87
1.6.2. Плохая устойчивость итерационных алгоритмов обучения 91
1.6.3. Отсутствие гарантий качества обучения нейронных сетей 92
1.6.4. Проблема отсутствия представительной выборки образов «Все Чужие» 93
1.6.5. Проблема отсутствия достаточно полного аналитического описания искусственных нейронных сетей 94
1.7. Формулировка основных требований к нейросетевым технологиям
биометрической аутентификации и задач исследования 95
ГЛАВА 2. Использование теории рядов вольтерра для аналитического описания искусственных нейронных сетей
2.1. Описание искусственного нейрона функциональным рядом Вольтерра 99
2.2. Проблемы идентификации многомерных ядер Вольтерра и пути их решения 102
2.2.1. Приведение ядер Вольтерра к симметричной форме 104
2.2.2. Независимость вычислительной сложности аппроксимационной идентификации ядер Вольтерра от их порядка 109
2.2.3. Одномерная аппроксимация ядер Вольтерра 111
2.2.4. Двухмерная аппроксимация ядер Вольтерра 116
2.2.5. Идентификация ядер Вольтерра с учетом гистерезиса нелинейных элементов 123
2.3. Особенности аппроксимации ядер Вольтерра при
детерминированных входных воздействиях 126
2.3.1. Ортогональная идентификация ядер Вольтерра на синусоидальных входных воздействиях 130
2.3.2. Ортогональная идентификация ядер Вольтерра на несинусоидальных входных воздействиях 133
2.3.3. Переход от модели Гаммерштейна к эквивалентной модели Винера на синусоидальных сигналах 135
2.4. Наблюдение сечений ядер Вольтерра по главной диагонали на
случайных входных сигналах 137
2.4.1. Регуляризация одномерных алгоритмов идентификации ядер Вольтерра при входных случайных воздействиях 140
2.4.2. Ортогонализация одномерных алгоритмов идентификации ядер Вольтерра при входных случайных воздействиях 142
2.4.3. Пересчет параметров модели Гаммерштейна в параметры модели Винера на «белом» шуме 145
2.4.4. Процедуры наблюдения сечений ядер Вольтерра на «белом» шуме вне главной диагонали 147
2.5. Размерность задачи обучения искусственных нейронных сетей (приемы понижения размерности) 150
2.5.1. Понижение размерности задачи обучения нейронных сетей через их симметризацию 152
2.5.2. Понижение размерности задачи через явное разделение линейных и нелинейных операций в модели объекта 153
2.5.3. Понижение вычислительной сложности через совместное использование моделей Гаммерштейна с моделями Винера 154
ГЛАВА 3. Обучение линейных элементов искусственных нейронных сетей
3.1. Алгоритмы обучения, имеющие линейную вычислительную
сложность и вычислительную сложность выше и кубической 156
3.2. Алгоритмы обучения с квадратичной вычислительной сложностью 160
3.3. Модель злоумышленников "Все Чужие" 164
3.4. Снижение размерности задачи описания качества обучения
биометрической системы 166
3.5. Оценка качества обучения линейного нейрона 168
ГЛАВА 4. Алгоритмы быстрого обучения нелинейных нейронных сетей
4.1. Выбор формы нелинейного элемента для нейронных сетей систем биометрической аутентификации 171
4.2. К вопросу о точности исходных данных и гладкости, отыскиваемых при обучении нейросетевых решений 173
4.3. Механизм улучшения качества решения, принимаемого нейронными сетями при введении в них нелинейных элементов . 176
4.4. Декомпозиция нейронной сети на последовательность линейных и нелинейных слоев 178
4.5. Преимущества и недостатки модели Гаммерштейна в сравнении с моделью Винера 180
4.6. Симметризация настраиваемой нейронной сети 181
4.7. Выбор постоянного смещения нелинейного элемента,
исключающий «паралич» настраиваемого нейрона 184
4.8. Оптимизация масштаба входного сигнала нелинейного элемента 187
4.9. Преимущества и недостатки быстрых алгоритмов обучения
искусственных нейронных сетей 190
Глава 5. Измерение качества входных данных и предсказание ожидаемого качества обучения нейросети биометрических систем
5.1. Корректная постановка задачи предсказания качества обучения
нейронной сети биометрической системы 192
5.2. Классификация пользователей биометрических систем 193
5.3. Симметризация линейной части нейрона для прогноза качества его обучения 197
5.4. Предсказание качества обучения для алгоритмов линейной вычислительной сложности 202
5.5. Синтез таблицы предсказания качества обучения для алгоритмов квадратичной вычислительной сложности 205
5.6. Использование таблиц предсказания качества обучения для сравнения входных разнородных данных 207
5.7. Предварительное измерение качества данных перед обучением искусственных нейронных сетей 208
ГЛАВА 6. Неиросетевое объединение протоколов криптографической и биометрической аутентификации
6.1. Электронные деньги - потребность е-бизнеса, е-банкинга и Internet-торговли 211
6.2. Стойкость к перебору параметров протоколов парольной, криптографической и биометрической аутентификации 216
6.3. Корректная стыковка протоколов биометрической, парольной и криптографической аутентификации , 220
6.4. Расширяющиеся нейронные сети для синтеза личного биометрического ключа 221
6.5. Оценка длины синтезируемого личного ключа при использовании только нелинейных преобразований 225
6.6. Улучшение параметров личного ключа при переходе к совместному использованию линейных и нелинейных элементов сети 229
6.7. Многослойные нейронные сети для синтеза личных криптографических ключей пользователя 231
6.8. Организация процедуры внутрисетевого перемешивания входных данных за пределами области «Свой» 233
6.9. Многообразие вариантов программных средств организации биометрического доступа к защищенной информации 234
6.10. Не криптографические способы привязки программного обеспечения к биометрии личности пользователя 237
6.11. Аудит биометрической информации как одна из эффективных мер повышения защищенности информационных технологий 240
ГЛАВА 7. Малопараметрическая имитация биометрических данных с симметричными и асимметричными корреляционными матрицами
7.1. Проблема простого синтеза примеров биометрических данных с плавно изменяемым качеством 245
7.2. Синтез векторов некоррелированных входных данных 247
7.3. Синтез векторов равнокоррелированных входных данных 252
7.4. Синтез векторов со знакопеременной, но равной по модулю взаимной корреляцией данных 254
7.5. Синтез векторов со знакопостоянными, но случайными по модулю значений коэффициентами корреляции 256
7.6. Формирование зависимых данных со случайными дисперсиями и случайной знакопеременной матрицей коэффициентов корреляции 259
7.7. Синтез зависимых данных с ленточными матрицами коэффициентов корреляции 261
7.8. Синтез зависимых данных с Марковской корреляционной матрицей 263
ГЛАВА 8. Условия эквивалентности симметричных и асимметричных нейронных сетей
8.1. Эквивалентность искусственных нейронных сетей для некоррелированных входных данных с одинаковыми и разными математическими ожиданиями 266
8.2. Эквивалентность искусственных нейронных сетей для некоррелированных входных данных с одинаковыми и разными среднеквадратическими отклонениями 269
8.3. Два типа условий симметризации искусственных нейронных сетей 271
8.4. Полная эквивалентность данных с равными по модулю коэффициентами корреляции 275
8.5. Эквивалентность искусственных нейронных сетей с входными данными, имеющими равную корреляцию и три разных значения коэффициентов корреляции 279
8.6. Эквивалентность искусственных нейронных сетей с данными, имеющими нормальный закон распределения значений коэффициентов корреляции 282
8.7. Симметризация искусственных нейронных сетей, разделяющих множества «Свой» и «Чужой» с существенно разными эквивалентными коэффициентами корреляции 286
ГЛАВА 9. Синтез автоматов для обучения искусственных нейронных сетей биометрических систем
9.1. Синтез табличного автомата для обучения сужающейся искусственной нейронной сети с заданной структурой 290
9.2. Синтез табличного автомата для обучения сужающейся ИНС с заранее не определенной структурой связей 295
9.3 Синтез автомата для формирования сети нелинейных элементов, преобразующих тайный образ «Свой» в личный ключ пользователя 299
9.4 Синтез автомата для обучения расширяющейся однослойной ИНС, преобразующей тайный образ «Свой» в бинарный личный ключ 301
9.5 Синтез автомата для обучения расширяющейся однослойной ИНС, преобразующей тайный образ «Свой» в личный ключ из цифр с основанием более двух 304
9.6 Синтез автомата для обучения расширяющейся многослойной ИНС, преобразующей тайный образ «Свой» в личный ключ 309
9.7. Связь качества входных данных и необходимого числа входов искусственной нейронной сети 312
9.8. Задание необходимого числа примеров обучения при входных данных разного качества 315
9.9. Рост числа примеров обучения при увеличении числа входов у искусственных нейронов 318 9.10. Расчет ограничителей при реализации вычислительных процедур декорреляции биометрических входных данных 320
ГЛАВА 10. Оценка вычислительной сложности алгоритмов обучения и тестирования искусственных нейронных сетей
10.1. Обобщенная вычислительная сложность процедур обучения искусственных нейронных сетей 323
10.2. Устойчивость алгоритмов обучения искусственных нейронных сетей 325
10.3 Оценка сокращения времени обучения при отказе от итерационных алгоритмов обучения ; 328
10.4 Вычислительная сложность декорреляционных алгоритмов обучения нелинейных нейронных сетей 331
10.5. Оценка вычислительной сложности обучения по алгоритму с оптимизацией структуры связей ИНС 333
10.6. Оценка вычислительной сложности обучения по алгоритму со случайным выбором связей ИНС 335
10.7. Оценка вычислительной сложности атак перебора возможных значений биометрических параметров 337
10.8. Сокращение затрат вычислительных ресурсов при сертификации нейросетевых продуктов удаленной биометрической аутентификации 341
10.9. Стандартизация нейросетевых биометрических технологий... 342
Заключение 350
Литература
