БЫСТРАЯ ОЦЕНКА КАЧЕСТВА ОБУЧЕНИЯ СЕТИ ИСКУССТВЕННЫХ НЕЙРОНОВ С ИСПОЛЬЗОВАНИЕМ КВАНТОВОГО ОРАКУЛА, ПРЕДСКАЗЫВАЮЩЕГО ВЕРОЯТНОСТИ ПОЯВЛЕНИЯ РЕДКИХ СОБЫТИЯ АЛГОРИТМОМ ГОСТ Р 52633.3

Волчихин Владимир Иванович, доктор технических наук, профессор, президент Пензенского государственного университета (440026, Россия, г. Пенза, ул. Красная, 40), vvi@pnzgu.ru 
Безяев Александр Викторович, кандидат технических наук, ведущий специалист, Пензенский филиал ФГУП НТЦ «Атлас» (440026, Россия, г. Пенза, ул. Советская, 9), Bezyaev_Alex@mail.ru 
Иванова Надежда Александровна, аналитик, ООО «БиоКрипт» (440031, Россия, г. Пенза, ул.Окружная, 111), ivan@pniei.penza.ru 
Серикова Юлия Игоревна, магистрант, Пензенский государственный университет (440026, Россия, г. Пенза, ул. Красная, 40), julia-ska@yandex.ru

519.24; 53; 57.017

DOI

10.21685/2307-4205-2017-1-4

Актуальность и цели. Целью работы является оценка выигрыша от использования квантового оракула при тестировании качества обучения сети искусственных нейронов. Актуальность работы обусловлена необходимостью тестирования нейронной сети после каждого ее обучения или дообучения.
Материалы и методы. Алгоритм тестирования нейронной сети на малой выборке по ГОСТ Р 52633.3
рассматривается с позиций квантовой кибернетики и с позиций классической статистики. В пространстве расстояний Хэмминга квантовая суперпозиция выходных состояний нейронной сети хорошо описывается нормальным законом распределения значений.
Результаты. Показано, что квантовый оракул, предсказывающий вероятность появления редких событий, случайного угадывания «Чужим» кода «Свой», дает ускорение тестирования пропорционально обратной величине вероятности ошибок второго рода. Чем надежнее средство биометриконейросетевой аутентификации, тем больше выигрыш от использования квантового оракула.
Выводы. Отказ от классического тестирования, построенного на ожидании редких событий, позволяет снизить размеры тестовой базы с 1 000 000 образов «Чужой» до 32 образов, что эквивалентно снижению затрат на сбор и подготовку данных примерно на пять порядков.

Ключевые слова

статистический анализ малых выборок, качество обучения искусственных нейронных сетей, квантовая суперпозиция

 Скачать статью в формате PDF

1. Dodis, Y. Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy / Y. Dodis, L. Reyzin, A. Smith // Proc. EUROCRYPT. – 2004. – Р. 523–540.
2. Monrose, F. Cryptographic key generation from voice / F. Monrose, M. Reiter, Q. Li, S. Wetzel // Proc. IEEE Symp. on Security and Privacy, 2001. – Р. 202–213.
3. Ramírez-Ruiz, J. Cryptographic Keys Generation Using FingerCodes / J. Ramírez-Ruiz, C. Pfeiffer, J. Nolazco-Flores // Advances in Artificial Intelligence – IBERAMIA-SBIA (LNCS 4140). – 2006. –Р. 178–187.
4. Hao, F. Crypto with Biometrics Effectively / F. Hao, R. Anderson, J. Daugman // IEEE TRANSACTIONS ON COMPUTERS. – 2006. – Vol. 55, № 9. – P. 1073–1074.
5. Технология использования больших нейронных сетей для преобразования нечетких биометрических данных в код ключа доступа : моногр. / Б. С. Ахметов, А. И. Иванов, В. А. Фунтиков, А. В. Безяев, Е. А. Малыгина. – Алматы. : Изд-во LEM, 2014. – 144 c. – URL: http://portal.kazntu.kz/files/publicate/2014-06-27-11940.pdf
6. Ахметов, Б. С. Алгоритмы тестирования биометрико-нейросетевых механизмов защиты информации /Б. С. Ахметов, В. И. Волчихин, А. И. Иванов, А. Ю. Малыгин. – Алматы : КазНТУ им. Сатпаева, 2013. – 152 с. – URL: http://portal.kazntu.kz/files/publicate/2014-01-04-11940.pdf.
7. Иванов, А. И. Нечеткие экстракторы: проблема использования в биометрии и криптографии / А. И. Иванов // Первая миля. – 2015. – № 1. – С. 40–47.
8. ГОСТ Р 52633.0-2006. Защита информации. Техника защиты информации. Требования к средствам высоконадежной биометрической аутентификации.
9. ГОСТ Р 52633.5-2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа.
10. ГОСТ Р 52633.3-2011. Защита информации. Техника защиты информации. Тестирование стойкости средств высоконадежной биометрической защиты к атакам подбора.
11. Иванов, А. И. Среда моделирования «БиоНейроАвтограф» / А. И. Иванов, О. С. Захаров. – Пенза :АО «ПНИЭИ», 2009. – URL: http://пниэи.рф/activity/science/noc.htm
12. Иванов, А. И. Многомерная нейросетевая обработка биометрических данных с программным воспроизведением эффектов квантовой суперпозиции / А. И. Иванов. – Пенза : АО «ПНИЭИ», 2016. – 133 с. – URL: http://пниэи.pф/activity/science/BOOK16.pdf
13. Нильсон, М. Квантовые вычисления и квантовая информация / М. Нильсон, И. Чанг. – М. : Мир, 2006. – 821 с.
14. Кулагин, В. П. Циклические континуально-квантовые вычисления: усиление мощности хи-квадрат критерия на малых выборках / В. П. Кулагин, А. И. Иванов, А. И. Газин, Б. Б. Ахметов // Аналитика. –2016. – № 5 (30). – С. 22–29.
15. Перспективы создания циклической континуально-квантовой хи-квадрат машины для проверки статистических гипотез на малых выборках биометрических данных и данных иной природы / В. И. Волчихин, А. И. Иванов, Д. В. Пащенко, Б. Б. Ахметов, С. Е. Вятчанин // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2017. – № 1. – С. 3–7.
16. Использование среднего геометрического, ожидаемой и наблюдаемой функций вероятности как статистического критерия оценки качества биометрических данных / Б. С. Ахметов, А. И. Иванов, К. А. Перфилов, Е. Д. Проценко, Д. С. Пащенко // Труды Международного симпозиума Надежность и качество. – 2015. – Т. 2. – С. 283–285.
17. Быстрый алгоритм оценки высокоразмерной энтропии биометрических образов на малых выборках / Б. Б. Ахметов, А. И. Иванов, А. Ю. Малыгин, А. В. Безяев, А. И. Газин // Труды Международного симпозиума Надежность и качество. – 2015. – Т. 2 – С. 285–287.