Журнал "Системы Безопасности" № 6‘2023

Ц И Ф Р О В А Я Т Р А Н С Ф О Р М А Ц И Я , И И , И Н Т Е Р Н Е Т В Е Щ Е Й 130 Принципиально важным является то, что сверт- ка данных (2) экспоненциально снижает раз- мерность задачи с 256-мерной до одномерной. Кроме того, свертка данных (2) является хоро- шим нормализатором распределения ее выход- ных состояний. То есть из пространства обра- ботки дискретных данных (2) мы можем вер- нуться к континуальным представлениям, через вычисление математического ожидания E("h") и стандартного отклонения σ ("h") расстояний Хэмминга. Математическое ожидание E("h") и стандарт- ное отклонение σ ("h") уже являются континуу- мами. Опираясь на них и на гипотезу нормаль- ного распределения, мы можем предсказать вероятность ошибок второго рода, минуя сбор, хранение, использование огромной базы био- метрических тестовых образов. Возникает эко- номия памяти примерно в миллиард раз. Нет необходимости привлечения облаков и серве- ров, вполне достаточно офисной вычислитель- ной машины для выполнения лабораторной работы студентом любого русскоязычного уни- верситета. Заметим, что все вышесказанное относится к нейроморфным вычислениям, ориентирован- ным на обработку биометрических данных сту- дентами со скромными вычислительными ресурсами. При этом оптимизм по поводу ней- роморфных вычислений значительно усилива- ется в силу того, что многократный переход континуально-квантового барьера приводит к накоплению выигрыша по экономии памяти [10] и по экономии энергопотребления. Почти физическое гиперраспараллеливание вычислений в нейроморфных архитектурах В начале статьи было показано, что увеличение числа ядер в современных процессорах являет- ся предпосылкой для линейного распараллели- вания вычислений: чем больше ядер, тем боль- ший потенциал распараллеливания у того или иного процессора. Однако как воспользоваться этим потенциалом, неизвестно. Очевидно, что создать программу, "хорошо" распараллеливающую вычисления между небольшим числом ядер, проще, чем програм- му, "хорошо" распараллеливающую вычисления между большим числом ядер. В этом контексте нейросетевые преобразования выгодно отли- чаются от обычных вычислений, если обмен данными между нейронами минимален и ней- роны заранее предобучены на все случаи жизни. Такая ситуация не возникает сама по себе, ее нужно изначально создавать. Напри- мер, такая ситуация возникает для сетей, обучающихся "на лету" [15], нейроны которых воспроизводят работу классических статистиче- ских критериев. В этом случае каждое ядро про- цессора может содержать существенно разное программное обеспечение, но все они не нуж- даются в программировании (все они заранее предобучены, заранее запрограммированы). В заранее запрограммированные ядра нужно только подавать реальные данные, а они будут откликаться состоянием "0" или "1" их бинарных нейронов. Кажется, что это та же самая схема линейного распараллеливания вычислительной нагрузки между ядрами-нейронами. На самом деле это далеко не так. Оказалось, что внесение минимальных измене- ний в программу каждого из ядер (группу ней- ронов одного ядра) позволяет существенно снизить потребность в числе необходимых ядер процессора [16, 17]. Так, если заменить бинар- ные нейроны Q = 2 на троичные нейроны Q = 3 (в программе квантователей нейрона добав- ляется еще одно условие сравнения), необхо- димое число ядер процессора значительно сни- жается. В работе [16] столь примитивное изме- нение позволяет вместо 300 бинарных искус- ственных нейронов использовать 30 троичных нейронов. Число ядер процессора сократилось в 10 раз при одной и той же достоверности принятия решения. В итоге мы получаем 10-кратное снижение энергозатрат при том же уровне достоверности принимаемых решений. Кроме того, практика программирования показала, что дальнейшее увеличение Q-арности нейронов, воспроизво- димых каждым ядром процессора, приводит к дальнейшему росту эффективности вычислений (снижению энергозатрат). Расплачиваться за это приходится только усложнением предобучения искусственных нейронов. Усложняется не техни- ческая реализация вычислителя, а предобуче- ние (предварительное программирование каж- дого конкретного ядра). На данный момент предсказать влияние роста Q-арности нейронов на снижение потребления и усложнение обучения не удается. Сегодня это можно сделать только опытном путем через затраты на реальное программирование и на реальное тестирование. Перечисленные выше возможности принципи- альны для повышения безопасности нейросете- вой биометрии. Современные многоядерные процессоры – это не более чем удобная абстракция. В реальном мире необходимо ней- росетевую биометрию уплотнить до размеще- ния в доверенном контроллере СИМ-карты или RFID-карты. Такой шаг позволит существенно повысить уровень информационной безопасно- сти поддержки цифровых гражданских прав личности. Хотелось бы, чтобы этот важный шаг поддержки цифровых гражданских прав пер- вой сделала Россия. Литература: 1. McCulloch, Warren S.; Pitts, Walter (1943). "A logical calculus of the ideas immanent in nervous activity". Bulletin of Mathematical Biophysics. 5 (4): 115–133. 2. Donald Olding Hebb. The Organization of Beha- vior: A Neuropsychological Theory. Wiley, 1949. 3. Николлс Д., Мартин Р., Валлас Б., Фукс П. От нейрона к мозгу. Пер. с англ. П. Балабана, А. Галкина, Р. Гиниатуллина, Р. Хазипова, Л. Хируга. М.: Едиториал УРСС, 2003. 672 с. 4. Волчихин В., Иванов А., Фунтиков В., Малы- гина Е. Перспективы использования искусствен- ных нейронных сетей с многоуровневыми кван- тователями в технологии биометрико-нейросе- тевой аутентификации // Известия высших учебных заведений. Поволжский регион. Техни- ческие науки. 2013. № 4. С. 88–99. 5. Малыгина, Е. Биометрико-нейросетевая аутентификация: перспективы применения сетей квадратичных нейронов с многоуровне- вым квантованием биометрических данных: препринт. Пенза: Изд-во ПГУ. 2020. 114 с. 6. Иванов А. Искусственные математические молекулы: повышение точности статистических оценок на малых выборках (программы на языке MathCAD): препринт. Пенза: Изд-во Пен- зенского госуниверситета. 2020. 36 с. 7. Нильсон М., Чанг И. Квантовые вычисления и квантовая информация. М.: Мир. 2006 г. 821 с. 8. Душкин Р. Квантовые вычисления и функцио- нальное программирование. ДМК Пресс. 2015. 234 с. 9. Сандомирская Ю. Искусственный интеллект и нейроморфные вычисления: второе дыхание // Коммерсантъ наука. 2021. № 47. С. 26–29. 10. Иванов А. Искусственный интеллект высо- кого доверия: ускорение вычислений и эконо- мия памяти при тестировании больших сетей искусственных нейронов на малых выборках // Системы безопасности. 2020. № 5. С .60–62. 11. ГОСТ Р 52633.3–2011 Защита информации. Техника защиты информации. Тестирование стойкости средств высоконадежной биометри- ческой защиты к атакам подбора. 12. ГОСТ Р 52633.2–2010 Защита информации. Техника защиты информации. Требования к формированию синтетических биометриче- ских образов, предназначенных для тестирова- ния средств высоконадежной биометрической аутентификации. 13. Иванов А., Захаров О. Среда моделирова- ния "БиоНейроАвтограф". Программный про- дукт, создан лабораторией биометрических и нейросетевых технологий, размещен с 2009 г. на сайте АО "ПНИЭИ" http://пниэи.рф/activi- ty/science/noc/bioneuroautograph.zip для сво- бодного использования любым русскоязычным университетом. 14. ГОСТ Р ИСО/МЭК 19795–1–2007 Автома- тическая идентификация. Идентификация био- метрическая. Эксплуатационные испытания и протоколы испытаний в биометрии. Часть 1. Принципы и структура. 15. Иванов А. Бионика: обучение "на лету" с использованием генетически по-разному пред- обученных искусственных нейронов // Системы безопасности. 2023. № 4. С. 122–125. 16. Волчихин В., Иванов А., Иванов А., Ерёмен- ко Р., Савинов К. Номограммы для сравнения корректирующих способностей бинарных и троичных нейронов, используемых при мно- гокритериальной проверке гипотезы независи- мости данных малых выборок. //Известия вузов. Поволжский регион. Технические науки. 2022. № 4. С. 5–16. 17. Иванов А., Савин К., Еременко Р. Эффект перехода от применения бинарных искусствен- ных нейронов к троичным нейронам при совместном использовании пяти классических статистических критериев проверки гипотез нормальности или равномерности распределе- ний малых выборок // Вестник Пермского уни- верситета. Математика. Механика. Информати- ка. 2022. Вып. 3 (58). С. 59–67. n декабрь 2023 – январь 2024 www.secuteck.ru Ваше мнение и вопросы по статье направляйте на ss @groteck.ru