RU2734906C1

RU2734906C1 - Method of express-testing means of highly reliable biometric-neural network authentication of a person using a "friend" biometric images base

Info

Publication number: RU2734906C1
Application number: RU2020124294A
Authority: RU
Inventors: Сергей Васильевич Туреев; Николай Вячеславович Кадыков; Елена Александровна Малыгина; Александр Иванович Иванов; Александр Викторович Безяев
Original assignee: Акционерное общество «Научно-исследовательский институт систем связи и управления»
Priority date: 2020-07-22
Filing date: 2020-07-22
Publication date: 2020-10-26

Abstract

FIELD: computer equipment.

SUBSTANCE: invention relates to computer engineering for biometric identification and personal authentication. In the declared method, the biometric-code converter is trained on images of the "Friend" base in order to obtain "Foe" images, carrying out morphing and mutation operations of examples of the image "Friend", creating a base of synthetic examples of the image "Foe", from which pairs of images-parents "Foe" are formed, parallel performance of mutation and morphing procedures of "Foe" parent image pairs in order to preserve correlation matrix of "Foe" images, permutations of mathematical expectations of biometric parameters of images, cyclic supply of one synthetic example of image "Foe" to input of trained neural network converter of biometry-code and after reception of access key code at its output, its removal from memory of "Friend" base, comparison of output codes of access key "Friend" and "Foe" with Hemming measure, calculation of error probability of 2nd kind.

EFFECT: technical result consists in reducing the volume of the "Foe" image base and the computational resources required for its testing while maintaining the reliability of testing high-reliability biometric-neural network authentication of the individual on the probability of occurrence of errors of the second kind.

1 cl, 2 dwg

Description

Изобретение относится к биометрической идентификации и аутентификации личности и может быть использовано в системах защиты информации и разграничения доступа.The invention relates to biometric identification and authentication of a person and can be used in information security and access control systems.

Из уровня техники известен способ безопасной биометрической аутентификации по патенту на изобретение RU 2406143 C2 (патентообладатель: Иванов А.И., МПК: G06K 9/03, G07D 7/00, опубл. 10.12.2010). Способ биометрической аутентификации заключается в преобразовании данных биометрического образа человека в самокорректирующийся код биометрического образа, способный обнаруживать и исправлять ошибки, а также в индикации ошибки ввода биометрического образа при обнаружении в самокорректирующемся коде числа ошибок, которое код не может исправить. В способе вводят данные нескольких биометрических образов и преобразуют каждый из них в самокорректирующийся код. При аутентификации правильность ввода каждого из биометрических образов индицируют с помощью индикатора и отображают самокорректирующийся код биометрического образа с положительным результатом аутентификации. В итоге оценивают общее число обнаруженных неисправимых ошибок в каждом из анализируемых кодов и отображают индикатором коды биометрических образов, имеющие число ошибок, превышающее его корректирующую способность на несколько бит, которое самокорректирующийся код может исправить.A method of secure biometric authentication is known from the prior art according to the patent for invention RU 2406143 C2 (patent holder: Ivanov A.I., IPC: G06K 9/03, G07D 7/00, publ. 10.12.2010). The method of biometric authentication consists in converting the data of a person's biometric image into a self-correcting biometric image code capable of detecting and correcting errors, as well as indicating an error in entering a biometric image when a number of errors is detected in a self-correcting code that the code cannot correct. In the method, the data of several biometric images is entered and each of them is converted into a self-correcting code. During authentication, the correctness of entering each of the biometric images is indicated by an indicator and a self-correcting code of the biometric image with a positive authentication result is displayed. As a result, the total number of detected uncorrectable errors in each of the analyzed codes is estimated and the indicator displays the codes of biometric images that have the number of errors exceeding its correcting ability by several bits, which the self-correcting code can correct.

Известен также способ динамической биометрической аутентификации личности по особенностям почерка по патенту на изобретение RU 2541131 C2 (патентообладатель: ФГБОУ ВПО "Юго-Западный государственный университет", МПК: G06K 9/62, опубл. 10.02.2015). Способ заключается в дискретизации многокомпонентного аналогового сигнала, воспроизводящего динамику воспроизведения рукописного текста, квантовании дискретных отсчетов, формировании матрицы квантованных отсчетов, ее преобразовании к цифровому виду, по значениям ее элементов вычисления идентификационной матрицы. Определение индивидуальных особенностей почерка производят по идентификационной матрице, полученной путем двумерного дискретного преобразования Хаара. Для этого создают базу эталонных параметров образцов почерка пользователей, допущенных в компьютеризированную систему, в виде интервала изменения каждого идентификационного параметра. Вновь вводимого в систему пользователя идентифицируют по идентификационной матрице, полученной путем двумерного дискретного преобразования Хаара. Затем вычисляют максимальное и минимальное значения идентифицируемых параметров. Определяют расстояние Хемминга как общее число выпадений идентификационных параметров за интервалы допустимых значений эталонных параметров образцов почерка пользователей, допущенных в компьютеризированную систему. Решение о допуске произвольного пользователя в систему принимают, если расстояние Хемминга минимально, в противном случае формируют сообщение о несанкционированной попытке входа в систему.There is also known a method of dynamic biometric authentication of a person according to the peculiarities of handwriting under the patent for invention RU 2541131 C2 (patent holder: FGBOU VPO "South-West State University", IPC: G06K 9/62, publ. 10.02.2015). The method consists in discretizing a multicomponent analog signal reproducing the dynamics of handwritten text reproduction, quantizing discrete samples, forming a matrix of quantized samples, converting it to digital form, according to the values of its elements for calculating an identification matrix. Determination of the individual characteristics of handwriting is carried out using an identification matrix obtained by two-dimensional discrete Haar transform. For this, a base of reference parameters of handwriting samples of users admitted to the computerized system is created in the form of an interval of change for each identification parameter. The newly entered user into the system is identified by the identification matrix obtained by the two-dimensional discrete Haar transform. Then the maximum and minimum values of the identified parameters are calculated. The Hamming distance is determined as the total number of occurrences of identification parameters for the intervals of acceptable values of the reference parameters of the handwriting samples of users admitted to the computerized system. The decision to admit an arbitrary user to the system is made if the Hamming distance is minimal; otherwise, a message is generated about an unauthorized attempt to enter the system.

Известен также способ биометрической аутентификации пользователя по патенту на изобретение RU 2552189 C1 (патентообладатель: ГКОУ ВПО Академия Федеральной службы охраны Российской Федерации, МПК: G06K 9/62, опубл. 10.06.2015), заключающийся в том, что предварительно создают базу идентификационных параметров образцов почерка пользователей, допущенных в компьютеризированную систему. Далее пользователю, входящему в систему контроля допуска, предлагают выполнить произвольную запись образца рукописного почерка. Полученный аналоговый сигнал преобразуют в цифровую форму, формируя матрицу квантованных отсчетов, по значениям ее элементов вычисляют матрицу коэффициентов. Элементы матрицы коэффициентов сравнивают с соответствующими элементами матриц зарегистрированных пользователей, и распознаваемый пользователь считается инцидентным эталонной записи, если эта разница минимальна. После того, как аналоговый сигнал преобразуют в цифровую форму, определяют джиттер аналогового сигнала, отношение числа значений джиттера аналогового сигнала, превышающих первое пороговое значение, к общему числу значений джиттера аналогового сигнала. Сравнивают рассчитанное отношение со вторым пороговым значением, в случае, если рассчитанное отношение не превышает второе пороговое значение, вычисляют с помощью двумерного дискретного косинусного преобразования матрицу коэффициентов, иначе вновь осуществляют запись образца почерка.There is also known a method of biometric user authentication under the patent for invention RU 2552189 C1 (patent holder: GKOU VPO Academy of the Federal Security Service of the Russian Federation, IPC: G06K 9/62, publ. 06/10/2015), which consists in the fact that pre-create a base of identification parameters of samples the handwriting of users admitted to the computerized system. Further, the user entering the admission control system is prompted to perform a random recording of a sample of handwritten handwriting. The received analog signal is converted into digital form, forming a matrix of quantized samples, the values of its elements are used to calculate the matrix of coefficients. The elements of the coefficient matrix are compared with the corresponding elements of the registered users' matrices, and the recognized user is considered incident to the reference record if this difference is minimal. After the analog signal is digitized, the jitter of the analog signal is determined as the ratio of the number of jitter values of the analog signal exceeding the first threshold to the total number of jitter values of the analog signal. The calculated ratio is compared with the second threshold value, if the calculated ratio does not exceed the second threshold value, a matrix of coefficients is calculated using a two-dimensional discrete cosine transformation, otherwise the handwriting sample is recorded again.

Наиболее близким аналогом заявляемого изобретения является способ идентификации человека по его биометрическому образу по патенту на изобретение RU 2292079 C2 (патентообладатель: ФГУП "Пензенский научно-исследовательский электротехнический институт", МПК: G06K 9/66, опубл. 20.01.2007). В известном способе с использованием заданного кода предварительно обучают искусственную нейронную сеть на примерах биометрических образов идентифицируемого человека, описание обученной искусственной нейросети в виде таблицы включают в состав документа, идентифицирующего личность человека, при идентификации человека его биометрический образ преобразуют в контролируемые параметры, которые преобразуют в выходной код с помощью нейронной сети, сравнивают выходной код с заданным кодом и при их совпадении принимают положительное решение об идентификации человека.The closest analogue of the claimed invention is a method for identifying a person by his biometric image under the patent for invention RU 2292079 C2 (patentee: FSUE Penza Research Electrotechnical Institute, IPC: G06K 9/66, publ. 20.01.2007). In the known method, using a given code, an artificial neural network is preliminarily trained using examples of biometric images of an identified person, a description of the trained artificial neural network in the form of a table is included in the document identifying a person's identity, when a person is identified, his biometric image is converted into controlled parameters, which are converted into an output code using a neural network, the output code is compared with the given code and, if they match, a positive decision is made about the person's identification.

Раскрытое в наиболее близком аналоге изобретение позволяет решить вопрос обучения искусственной нейронной сети на примерах биометрических образов, однако не раскрывает процедуры экспресс-тестирования качества ее обучения, что напрямую влияет на вероятности ошибок первого рода - вероятность ошибочного отказа «Своему» пользователю в биометрической аутентификации и второго рода - вероятность ошибочной аутентификации «Чужого» как «Своего» (ошибочная аутентификация).The invention disclosed in the closest analogue makes it possible to solve the problem of training an artificial neural network using examples of biometric images, but does not disclose the procedure for express testing the quality of its training, which directly affects the probability of errors of the first kind - the probability of erroneous refusal to the “Own” user in biometric authentication and the second kind - the probability of erroneous authentication of the "Stranger" as "Own" (erroneous authentication).

Задачей заявляемого изобретения является разработка способа экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием тестовых образов «Чужой», сформированных непосредственно из образов эмбриона базы биометрических образов «Свой». The objective of the claimed invention is to develop a method express testing of highly reliable biometric-neural network authentication means using test images "Alien", formed directly from the images of the embryo from the base of biometric images "Svoy".

Техническим результатом изобретения, достигаемым при его осуществлении, является обеспечение сокращения объема базы образов «Чужой» и требуемых для ее тестирования вычислительных ресурсов при сохранении надежности тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности на вероятность появления ошибок второго рода. The technical result of the invention, achieved during its implementation, is to reduce the volume of the "Alien" image base and the computational resources required for its testing while maintaining the reliability of testing the means of highly reliable biometric-neural network authentication of a person for the likelihood of errors of the second kind.

Указанная задача решается, а технический результат достигается за счет того, что способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием эмбриона базы биометрических образов «Свой» заключается в том, что он включает этапы, на которых после обучения нейросетевого преобразователя биометрия-код на N_св примерах эмбриона базы биометрических образов «Свой» осуществляют размножение N_св примеров эмбриона базы биометрических образов «Свой» для получения N_чуж синтетических примеров базы биометрических образов «Чужой», где N_чуж>> N_св, выполняемое посредством морфинга биометрических параметров примеров-потомков для каждого из биометрических параметров пары примеров-родителей из эмбриона базы биометрических образов «Свой», с последующей мутацией биометрических параметров примеров-потомков; формирование базы N_чуж синтетических примеров биометрических образов «Чужой», из которой получают N_чуж/2 пар примеров биометрических параметров образов-родителей; мутацию примеров биометрических параметров примеров образов-родителей, осуществляемую посредством случайного переноса биометрических параметров на заданную для каждого биометрического параметра константу, при котором возможны частичные потери естественных корреляционных связей между биометрическими параметрами примеров образов-родителей; параллельно с мутацией осуществляют морфинг образов-потомков для каждой пары примеров биометрических параметров образов-родителей при помощи линейной интерполяции биометрических параметров образов-родителей синтезируют новые биометрические примеры образа «Чужой», осуществляя перестановки математических ожиданий биометрических параметров примеров образов-потомков, полученных посредством мутации и морфинга образов-родителей, таким образом, чтобы сохранить корреляционные связи биометрических параметров у примеров образов-потомков, присутствующие у образов-родителей; формируют синтетический образ «Чужой» и проводят его нейросетевое преобразование в четкий однозначный код ключа доступа в обученном на N_св примерах эмбриона базы биометрических образов «Свой» нейросетевом преобразователе биометрия-код; сравнивают кодовые отклики на синтетический образ «Чужой» нейросетевого преобразователя биометрия-код с кодом «Свой», определяют распределение значения показателя критерия Хемминга и вероятность ошибки второго рода появления кодового отклика «Свой» при предъявлении образа «Чужой». The specified problem is solved, and the technical result is achieved due to the fact that the method of express testing of highly reliable biometric-neural network authentication of a person using the embryo of the base of biometric images "Svoy" consists in the fact that it includes the stages at which, after training the neural network converter biometrics code for N _s examples of the embryo of the base of biometric images "Own" carry out the reproduction of N _s examples of the embryo of the base of biometric images of "Own" to obtain N _foreign synthetic examples of the base of biometric images "Alien", where N _alien >> N _sv , performed by morphing biometric parameters examples-descendants for each of the biometric parameters of a pair of examples-parents from the embryo of the database of biometric images "Own", with subsequent mutation of the biometric parameters of examples-descendants; formation of a database of N _alien synthetic examples of biometric images "Alien", from which N _alien / 2 pairs of examples of biometric parameters of parent images are obtained; mutation of examples of biometric parameters of examples of parental images, carried out by random transfer of biometric parameters to a constant specified for each biometric parameter, in which partial loss of natural correlations between biometric parameters of examples of parental images is possible; in parallel with the mutation, morphing of offspring images is carried out for each pair of examples of biometric parameters of parent images using linear interpolation of biometric parameters of parent images, new biometric examples of the “Alien” image are synthesized by rearranging the mathematical expectations of biometric parameters of examples of offspring images obtained by mutation and morphing of parental images, in such a way as to preserve the correlations of biometric parameters in examples of offspring images that are present in parental images; form a synthetic image "Alien" and carry out its neural network transformation into a clear unambiguous access key code in the biometric-code base of biometric images trained on N _s examples of the embryo; comparing the code responses to the synthetic image "Alien" of the neural network converter biometrics-code with the code "Own", determine the distribution of the value of the Hamming criterion and the probability of a second kind of error of the appearance of the code response "Own" when presenting the image "Alien".

Заявленное изобретение поясняется чертежами (фигуры 1, 2), на которых изображены алгоритм способа экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием эмбриона базы биометрических образов «Свой» (фиг. 1) и схема операции по перестановке математических ожиданий при синтезе нового биометрического образа (фиг. 2), и позициями обозначены:The claimed invention is illustrated by drawings (Figures 1, 2), which show an algorithm of a method for express testing of means of highly reliable biometric-neural network authentication of a person using an embryo of the base of biometric images "Svoy" (Fig. 1) and a diagram of an operation to rearrange mathematical expectations in the synthesis of a new biometric image (Fig. 2), and the positions are designated:

1 - эмбрион базы образа «Свой»;1 - embryo of the base of the image "Svoy";

2 - морфинг и мутация примеров образа «Свой»;2 - morphing and mutation of examples of the "Own" image;

3 - база синтетических примеров образа «Чужой»;3 - base of synthetic examples of the “Alien” image;

4 - формирование пар образов-родителей;4 - the formation of pairs of parent images;

5 - мутация пар образов-родителей;5 - mutation of pairs of parent images;

6 - морфинг пар образов-родителей;6 - morphing of pairs of parent images;

7 - перестановка математических ожиданий биометрических параметров;7 - permutation of mathematical expectations of biometric parameters;

8 - синтетический пример образа «Чужой»;8 - a synthetic example of the “Alien” image;

9 - нейросетевой преобразователь биометрия-код;9 - neural network converter biometrics-code;

10 - выходной код ключа доступа;10 - access key output code;

11 - сравнение выходных кодов ключа доступа по мере Хемминга;11 - comparison of the output codes of the access key as Hamming;

12 - расчет вероятности ошибки 2 рода.12 - calculation of the probability of a type 2 error.

Все более широкое использование мобильных средств обработки и хранения различного рода информации, например, планшетных компьютеров, ставит задачу как безопасного доступа к ним, так и хранения на них данных. Единственным способом сохранения мобильности пользователя и обеспечения ему достаточно высоких гарантий защиты его личного ключа является применение нейросетевых биометрических контейнеров - структурированных блоков данных, содержащих параметры обученного нейросетевого преобразователя биометрия-код, реализованных программно в доверенной вычислительной среде. В этом случае стойкость нейросетевого хранителя к атакам подбора может быть сделана сопоставимой со стойкостью растворенного в параметрах нейросети ключа. Для исключения атак на стык ключа и его нейросетевого хранителя целесообразно размещать их в одной доверенной вычислительной среде физически выполненной в виде не вскрываемого малогабаритного модуля со средствами самоуничтожения информации при попытках взлома.The increasing use of mobile means of processing and storing various kinds of information, for example, tablet computers, sets the task of both secure access to them and storing data on them. The only way to preserve the user's mobility and provide him with sufficiently high guarantees of protecting his private key is to use neural network biometric containers - structured data blocks containing the parameters of a trained neural network biometrics-code converter, implemented in software in a trusted computing environment. In this case, the resistance of the neural network keeper to brute force attacks can be made comparable to the resistance of the key dissolved in the parameters of the neural network. To exclude attacks on the junction of the key and its neural network custodian, it is advisable to place them in one trusted computing environment physically made in the form of an unbreakable small-sized module with means of self-destruction of information when attempting to break.

Средство высоконадежной биометрико-нейросетевой аутентификации личности (согласно ГОСТ Р 52633.0-2006) - это средство биометрической аутентификации, способное принимать аутентификационное решение высокой надежности, имеющее в своем составе: биометрические механизмы преобразования биометрических данных в векторы биометрических параметров большой размерности, преобразователь биометрия-код ключа (пароля), механизм криптографической аутентификации. Для повышения качества средств высоконадежной биометрико-нейросетевой аутентификации необходимо проводить процедуру тестирования. Для этого необходимо сформировать базы биометрических образов, размеры которых должны гарантировать подтверждение заданных характеристик тестируемых средств. Средство биометрической аутентификации может быть отнесено к высоконадежным только после его обучения на биометрическом образе «Свой» достаточно высокой информативности, уровень которой оценивается встроенными средствами прогнозирования ожидаемой стойкости к атакам подбора и вероятностями возникновению ошибочной аутентификации: ошибок первого рода - вероятности ошибочного отказа пользователю из группы «Свой» в доступе при биометрической аутентификации, и ошибок второго рода - вероятности ошибочной аутентификации пользователя из группы «Чужой» как пользователя из группы «Свой».A tool for highly reliable biometric-neural network authentication of a person (according to GOST R 52633.0-2006) is a biometric authentication tool capable of making a highly reliable authentication solution, which includes: biometric mechanisms for converting biometric data into vectors of biometric parameters of large dimension, a biometric-key code converter (password), cryptographic authentication mechanism. To improve the quality of highly reliable biometric-neural network authentication tools, it is necessary to carry out a testing procedure. To do this, it is necessary to form a database of biometric images, the dimensions of which should ensure confirmation of the specified characteristics of the tested means. A biometric authentication tool can be classified as highly reliable only after it has been trained on the “Own” biometric image of sufficiently high information content, the level of which is assessed by the built-in means of predicting the expected resistance to brute-force attacks and the probabilities of erroneous authentication: type 1 errors - the probability of erroneous refusal to a user from the group “ Own "in access for biometric authentication, and errors of the second kind - the probability of erroneous authentication of a user from the" Stranger "group as a user from the" Own "group.

Наиболее сложной частью задачи является тестирование стойкости обученных преобразователей биометрия-код к атакам подбора. Как правило, создать достаточно большой объем естественных биометрических образов по требованиям ГОСТ Р 52633.12009 технически невозможно. По этой причине приходится многократно увеличивать размеры тестовой базы биометрических образов за счет синтетических биометрических образов, созданных по ГОСТ Р 52633.22010. The most difficult part of the problem is testing the resistance of trained biometrics-code converters to brute force attacks. As a rule, it is technically impossible to create a sufficiently large volume of natural biometric images in accordance with the requirements of GOST R 52633.12009. For this reason, it is necessary to multiply the size of the test base of biometric images due to synthetic biometric images created in accordance with GOST R 52633.22010.

Еще одной проблемой является то, что биометрические образы «Чужой» не являются изначально дискретными как пароли или ключи. Невозможно абсолютно точно указать дискретное кодовое состояние образа «Чужой». В связи с этим возникают дополнительные проблемы по взаимному упорядочиванию образов «Чужой» в тестовых базах и гарантиям равномерности заполнения пространства возможных кодовых состояний. Все эти проблемы не только усложняют процесс тестирования стойкости преобразователя биометрия-код к атакам подбора, но и требуют значительных временных, людских и финансовых затрат.Another problem is that Alien biometric images are not inherently discrete like passwords or keys. It is impossible to absolutely accurately indicate the discrete code state of the "Alien" image. In this regard, additional problems arise in the mutual ordering of the “Alien” images in test bases and guarantees of uniformity of filling the space of possible code states. All these problems not only complicate the process of testing the resistance of the biometrics-code converter to brute-force attacks, but also require significant time, human and financial costs.

С целью устранения указанных выше недостатков предлагается способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием эмбриона базы биометрических образов «Свой» на вероятность возникновения ошибок второго рода (фиг.1). In order to eliminate the above disadvantages, a method is proposed for express testing of highly reliable biometric-neural network authentication of a person using the embryo of the base of biometric images "Own" for the likelihood of errors of the second kind (Fig. 1).

Под термином «Эмбрион базы образов «Свой»» для целей настоящего изобретения понимается полноценная обучающая база образов «Свой». На основе эмбриона базы образов «Свой» циклически синтезируется единичные образы «Чужой», полученные методами мутаций и морфинга образов «Свой», созданные из нескольких примеров естественного образа «Свой», полученных введением биометрических данных человека в «чистую», изолированную (доверенную) среду. Эмбрион базы образов «Свой» предназначен для экспресс-формирования обучающей базы образов «Свой» и единичных образов «Чужой» для тестирования средств высоконадежной биометрико-нейросетевой аутентификации, состоящей из N_св примеров образа «Свой». Использованные после обучения и тестирования примеры образа «Свой» удаляются из памяти эмбриона, в которой остаются только параметры обученного нейросетевого преобразователя биометрия-код, что обеспечивает безопасность образа «Свой» и экономит память эмбриона.For the purposes of the present invention, the term "Embryo of the base of images" Own "means a full-fledged training base of images" Own ". On the basis of the embryo of the "Own" image base, single "Alien" images are cyclically synthesized, obtained by the methods of mutations and morphing of "Own" images, created from several examples of the natural "Own" image obtained by introducing a person's biometric data into a "pure", isolated (trusted) Wednesday. The embryo of the "Svoy" image base is intended for the express-formation of the "Svoy" educational base of images and single "Alien" images for testing the means of highly reliable biometric-neural network authentication, consisting of N _c examples of the "Svoy" image. The examples of the “Own” image used after training and testing are deleted from the embryo's memory, in which only the parameters of the trained neural network converter biometrics-code remain, which ensures the safety of the “Own” image and saves the embryo's memory.

Доверие к средствам высоконадежной биометрико-нейросетевой аутентификации определяется результатами их тестирования, выраженными в форме гарантий производителя. Для тестирования таких средств необходимы базы биометрических образов «Свой» и «Чужой», размеры которых должны быть достаточными для подтверждения характеристик тестируемых средств.Trust in the means of highly reliable biometrical-neural network authentication is determined by the results of their testing, expressed in the form of manufacturer's guarantees. To test such means, databases of biometric images "Friend" and "Alien" are required, the sizes of which must be sufficient to confirm the characteristics of the tested means.

Необходимые для достоверного тестирования размеры баз биометрических образов «Свой» малы: зачастую достаточным является количество примеров N_св = 30 и более, и формирование таких баз легко осуществимо самим пользователем. Размеры тестовых баз образов «Чужой» должны быть существенно больше: N_чуж = 10⁵ и более образов. Соответственно, процесс создания баз естественных биометрических образов «Чужой» является крайне длительным и трудоемким. Создать базы такого размера в короткие сроки невозможно. В связи с этим, при тестировании ограничиваются малыми базами естественных образов «Чужой» размерами 10³ - 10⁴ образов, непосредственно полученными с тестируемого средства высоконадежной биометрико-нейросетевой аутентификации. Дополняют такие базы естественными биометрическими образами «Чужой», ранее полученными при тестировании средств аутентификации с аналогичными биометрическими преобразователями. Размеры тестовой базы, кроме того, могут быть увеличены за счет применения искусственно синтезированных (синтетических) биометрических образов, повторяющих основные свойства естественных биометрических образов. The sizes of the bases of biometric images "Svoy" required for reliable testing are small: often the number of examples N _sv = 30 or more is sufficient, and the formation of such bases is easy to implement by the user himself. The sizes of the test bases of "Alien" images should be significantly larger: N _alien = 10 ⁵ and more images. Accordingly, the process of creating databases of natural biometric images "Alien" is extremely long and laborious. It is impossible to create databases of this size in a short time. In this regard, when testing, they are limited to small bases of natural images "Alien" with sizes of 10 ³ - 10 ⁴ images, directly obtained from the tested means of highly reliable biometric-neural network authentication. Such databases are supplemented with natural “Alien” biometric images, previously obtained during testing of authentication means with similar biometric converters. In addition, the size of the test base can be increased through the use of artificially synthesized (synthetic) biometric images that repeat the basic properties of natural biometric images.

Особенность предложенного способа заключается в том, что синтезированный пример образа «Чужой» из эмбриона образа «Свой» подается непосредственно на вход обученного на образах «Свой» нейросетевого преобразователя биометрия-код, и после получения данных меры Хемминга и записи их в таблицу, сгенерированный образ уничтожается и на вход подается следующий образ «Чужой». Затем цикл повторяется снова, эмпирически оцененное минимальное количество циклов - 128, при котором уже можно делать прогноз возникновения вероятности ошибки появления кодового отклика «Свой» при предъявлении образа «Чужой». Предложенный способ позволяет создать малогабаритный защищенный модуль, позволяющий использовать доверенную среду вычисления, в которой находятся: низко разрядный вычислитель, небольшой объем памяти, системный монитор, обеспечивающий функционирование эмбриона, нейросетевой преобразователь биометрия-код, примеры образа «Свой». The peculiarity of the proposed method is that the synthesized example of the “Alien” image from the embryo of the “Own” image is fed directly to the input of the biometrics-code neural network converter trained on the “Own” images, and after receiving the Hamming measure data and writing them into the table, the generated image is destroyed and the next image "Alien" is fed to the input. Then the cycle is repeated again, the empirically estimated minimum number of cycles is 128, at which it is already possible to predict the occurrence of the probability of an error in the appearance of the code response "Own" when presenting the image "Alien". The proposed method allows you to create a small-sized secure module that allows you to use a trusted computing environment, which contains: a low-bit computer, a small amount of memory, a system monitor that ensures the functioning of the embryo, a neural network converter biometrics-code, examples of the "Own" image.

Для определения вероятности ошибки второго рода для целей настоящего изобретения может быть использована мера Хемминга, позволяющая определить количество не совпавших разрядов кодовых откликов преобразователя биометрия-код на образы «Чужой» с кодом ключа доступа «Свой». To determine the probability of an error of the second kind for the purposes of the present invention, the Hamming measure can be used, which makes it possible to determine the number of unmatched digits of code responses of the biometrics-code converter to the “Alien” image with the access key code “Own”.

Заявленный способ осуществляют следующим образом (фиг.1).The claimed method is carried out as follows (figure 1).

Предварительно проводят обучение нейросетевого преобразователя биометрия-код на N_св примерах эмбриона базы биометрических образов «Свой».Pre-training the neural network is carried out biometrics code converter for N _{communication} Examples embryo base biometric images "His".

Далее эмбрион базы биометрических образов «Свой» используют для получения тестовых примеров образов «Чужой». Для этого осуществляют размножение N_св примеров эмбриона базы биометрических образов «Свой» для получения N_чуж синтетических примеров базы биометрических образов «Чужой», где N_чуж >> N_св. Для размножения используют способ морфинга биометрических параметров примеров-потомков для каждого из биометрических параметров пары примеров-родителей из эмбриона базы биометрических образов «Свой». Морфинг, проводимый посредством линейной интерполяции биометрических параметров примеров-родителей «A» и «B», заключается в нахождении промежуточных значений биометрических параметров - биометрических примеров-потомков, - для каждого из параметров пары биометрических примеров-родителей в соответствии с методикой ГОСТ Р 52633.2-2010 «Защита информации. Техника защиты информации. Требования к формированию синтетических биометрических образов, предназначенных для тестирования средств высоконадежной биометрической аутентификации». Значения каждого i-го биометрического параметра

каждого из биометрических примеров-потомков вычисляются по формуле:Further, the embryo of the base of biometric images "Own" is used to obtain test examples of the "Alien" images. To do this, N _s examples of the embryo of the base of biometric images "Own" are multiplied to obtain N _foreign synthetic examples of the base of biometric images "Alien", where N _alien >> N _sv . For reproduction, a method of morphing the biometric parameters of examples-offspring is used for each of the biometric parameters of a pair of examples-parents from the embryo of the base of biometric images "Svoy". Morphing, carried out by linear interpolation of biometric parameters of parent examples "A" and "B", consists in finding intermediate values of biometric parameters - biometric examples-offspring - for each of the parameters of a pair of biometric parent examples in accordance with the methodology of GOST R 52633.2- 2010 “Information Security. Information security technology. Requirements for the formation of synthetic biometric images intended for testing highly reliable biometric authentication means ”. The values of each i-th biometric parameter

each of the descendant biometric examples are calculated by the formula:

,

где j - порядковый номер потомка (j = 1, 2, …, k _AB);where j is the serial number of the descendant ( j = 1, 2,…, k _AB );

k _AB - количество потомков примеров-родителей «A» и «B». k _AB - the number of descendants of parent examples "A" and "B".

Применение морфинга биометрических примеров позволяет сохранить практически все естественные корреляционные связи биометрических параметров, присутствующие у биометрических примеров-родителей, что позволяет использовать синтетическую базу, равноценную базе естественной, и получить более достоверные результаты тестирования.The use of morphing biometric examples allows you to preserve almost all natural correlations of biometric parameters present in biometric parental examples, which allows you to use a synthetic base, equivalent to the natural base, and get more reliable test results.

Одновременно из примеров-родителей посредством мутации получают синтетические биометрические примеры примеров-потомков, основанные на случайном изменении биометрических параметров примеров-родителей. Simultaneously, synthetic biometric examples of offspring examples based on random changes in the biometric parameters of parent examples are obtained from the parent examples.

Мутацию биометрических параметров примеров-родителей производят в соответствии с алгоритмом, приведенным в ГОСТ Р 52633.2-2010. А именно, для каждого примера-родителя проводят вычисление математического ожидания каждого i-го контролируемого биометрического параметра E_пример (

). Вычисляют стандартное отклонение каждого из контролируемых биометрических параметров σ_пример (

). Каждый параметр

исходного (мутируемого) биометрического примера изменяется на величину Δ

, полученную от случайного генератора с нормальным законом распределения значений с математическим ожиданием

и стандартным отклонением, равным трети Δ

_{i max}, где Δ

_{i max} - расстояние до ближайшей границы E_пример (

) ± 3·σ_пример(

) от значения

. При этом возможны частичные потери естественных корреляционных связей между биометрическими параметрами примеров образов-родителей.The mutation of the biometric parameters of the parent examples is performed in accordance with the algorithm given in GOST R 52633.2-2010. Namely, for each parent example, the mathematical expectation of each i-th controlled biometric parameter E is calculated_example(

). Calculate the standard deviation of each of the monitored biometric parameters σ_example(

). Each parameter

the original (mutable) biometric example changes by the value Δ

obtained from a random generator with normal distribution of values with mathematical expectation

and a standard deviation of one third Δ

_{i max}, where Δ

_{i max} -distance to the nearest border E_example (

) ± 3 σ_example(

) on the value

... In this case, partial loss of natural correlations between the biometric parameters of examples of parental images is possible.

При этом морфинг-размножение и мутация биометрических примеров-родителей в совокупности приводят к частичному вырождению корреляционных связей синтетических примеров-потомков.At the same time, morphing-reproduction and mutation of biometric examples-parents in the aggregate lead to a partial degeneration of correlations of synthetic examples-descendants.

На основе совокупности N_чуж сгенерированных синтетических примеров-потомков, полученных после мутации и морфинг-размножения, формируют базу синтетических примеров биометрических образов «Чужой» размером N_чуж образов, в преимущественном варианте равным 1200 образов.On the basis of the set of N _foreign generated synthetic examples-offspring obtained after mutation and morphing-propagation, a base of synthetic examples of biometric images "Alien" with the size of N _foreign images is formed, in the predominant variant equal to 1200 images.

Затем выбирают N_чуж/2 пар (600) пар примеров биометрических параметров образов-родителей, для каждой из которых осуществляют процедуры мутации и морфинга образов. Мутация образов состоит в следующем: по всем имеющимся примерам вычисляются математические ожидания каждого i-го контролируемого биометрического параметра E_образ (

). Затем вычисляется стандартное отклонение каждого из контролируемых биометрических параметров σ_образ (

). Каждый параметр

исходного (мутируемого) биометрического образа изменяется на величину Δ

и стандартным отклонением, равным Δ

_{i max} /3, где Δ

_{i max} - расстояние до ближайшей границы E_образ (

) ± 3·σ_образ(

) от значения

. Мутации биометрических примеров ослабляют естественные корреляционные связи между параметрами биометрических образов «Чужой».Then choose N_stranger/ 2 pairs (600) pairs of examples of biometric parameters of parental images, for each of which procedures of mutation and morphing of images are performed. The mutation of images is as follows: for all available examples, the mathematical expectations of each i-th controlled biometric parameter E_form(

). Then the standard deviation of each of the monitored biometric parameters σ is calculated_form(

). Each parameter

the original (mutable) biometric image changes by the value Δ

and standard deviation equal to Δ

_{i max} / 3, where Δ

_{i max} -distance to the nearest border E_form (

) ± 3 σ_form(

) on the value

... Mutations in biometric patterns weaken the natural correlations between the parameters of the “Alien” biometric images.

Известно, что корреляционная матрица данных биометрического образа не зависит от значений математических ожиданий ее параметров. Это означает, что для полного сохранения корреляционной матрицы достаточно синтезировать новые биометрические образы путем нескольких сотен перестановок математических ожиданий биометрических параметров. Для такой перестановки случайным образом выбирают индексы математических ожиданий, сгенерированных посредством морфинга и переноса образов, и осуществляют синтез нового образа путем перестановки математических ожиданий (фиг. 2), сохраняющей первоначальную корреляционную матрицу, и тем самым уменьшая число поколений образов-потомков и сокращая время тестирования при направленном извлечении данных образа «Свой» из обученной нейронной сети. Эффективность подобных процедур размножения данных подтверждается тем, что можно синтезировать порядка 60 поколений образов-потомков почти без потери значений стандартного отклонения биометрических данных и вырождения корреляционных связей образов-потомков.It is known that the correlation matrix of biometric image data does not depend on the values of the mathematical expectations of its parameters. This means that in order to completely preserve the correlation matrix, it is sufficient to synthesize new biometric images by several hundred permutations of the mathematical expectations of biometric parameters. For such a permutation, the indices of the mathematical expectations are randomly selected, generated by morphing and transferring images, and the synthesis of a new image is carried out by permuting the mathematical expectations (Fig. 2), which preserves the original correlation matrix, and thereby reducing the number of generations of descendant images and reducing the testing time with directed extraction of data from the "Own" image from a trained neural network. The effectiveness of such data multiplication procedures is confirmed by the fact that it is possible to synthesize about 60 generations of offspring images with almost no loss of the values of the standard deviation of biometric data and the degeneration of correlations of offspring images.

Далее формируют синтетический образ «Чужой» и проводят его нейросетевое преобразование в четкий однозначный код ключа доступа в обученном на N_св примерах эмбриона базы биометрических образов «Свой» нейросетевом преобразователе биометрия-код. После этого память эмбриона базы «Свой», отведённую под эту операцию, очищают.Next form synthetic image "Alien" and its neural network is carried out conversion into an unambiguous clear key access code for trained on examples embryo N _{communication} base biometric images "Its" neural network converter biometrics code. After that, the memory of the embryo of the "Svoy" base allocated for this operation is cleared.

Затем сравнивают кодовые отклики на синтетический образ «Чужой» нейросетевого преобразователя биометрия-код с кодом «Свой» и определяют распределение значения показателя критерия Хемминга (h). Приближенная оценка вероятности ошибки второго рода P₂ тестируемого нейросетевого преобразователя биометрия-код оценивается в рамках гипотезы нормальности закона распределения значений показателей критерия Хэмминга: Then, the code responses to the synthetic image "Alien" of the neural network converter biometrics-code are compared with the code "Own" and the distribution of the value of the Hamming criterion indicator (h) is determined. An approximate estimate of the probability of an error of the second kind P _{2 of the} tested neural network converter biometrics-code is estimated within the framework of the hypothesis of the normality of the law of distribution of the values of the Hamming criterion indicators:

.

...

Стойкость к атакам подбора кода ключа вычисляется как величина, обратная P₂. По форме и параметрам распределения значений критерия Хэмминга осуществляется прогнозирование появление нулевого значения. Вероятность появления нулевого значения критерия Хэмминга соответствует коллизии (ошибки второго рода) - ситуации появления кодового отклика «Свой» при предъявлении одного из образов «Чужой».Resistance to brute-force attacks is calculated as the reciprocal of P ₂ . According to the form and parameters of distribution of values of the Hamming criterion, the prediction of the appearance of a zero value is carried out. The probability of the appearance of a zero value of the Hamming criterion corresponds to a collision (errors of the second kind) - the situation of the appearance of a code response “Own” when one of the images “Alien” is presented.

Таким образом, заявленное изобретение позволяет создать способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием тестовых образов «Чужой», сформированных непосредственно из образов эмбриона базы биометрических образов «Свой», который обеспечивает сокращение объема базы образов «Чужой» и требуемых для ее тестирования вычислительных ресурсов с сохранением надежности тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности на вероятность появления ошибок второго рода. Использование эмбриона базы «Свой» позволяет пользователю после обучения нейросетевого преобразователя биометрия-код самостоятельно протестировать его уровень стойкости к атакам подбора без компрометации образа «Свой», что особенно важно для мобильных средств высоконадежной биометрико-нейросетевой аутентификации личности.Thus, the claimed invention allows you to create a method express testing of highly reliable biometric-neural network identification tools using test images "Alien", formed directly from the embryo images of the base of biometric images "Svoy", which reduces the volume of the database of "Alien" images and the computing resources required for testing it while maintaining the reliability of testing means of highly reliable biometric-neural network authentication of a person for the likelihood of errors of the second kind. The use of the embryo of the "Svoy" database allows the user, after training the neural network converter biometrics-code, to independently test its level of resistance to selection attacks without compromising the "Svoy" image, which is especially important for mobile means of highly reliable biometric-neural network identity authentication.

Claims

Способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием базы биометрических образов «Свой», заключающийся в том, что он включает этапы, на которых после обучения нейросетевого преобразователя биометрия-код на N_св примерах базы биометрических образов «Свой» осуществляют:"Own", consists in the fact that it comprises the steps of: after training the neural network converter biometrics code for N _{communication} base examples biometric images "Its" Method rapid testing means highly reliable biometrics-neural network identity authentication using a database of biometric images is carried out:

- размножение N_св примеров базы биометрических образов «Свой» для получения N_чуж синтетических примеров базы биометрических образов «Чужой», где N_чуж>> N_св, выполняемое посредством морфинга биометрических параметров примеров-потомков для каждого из биометрических параметров пары примеров-родителей из базы биометрических образов «Свой», с одновременным генерированием синтетических примеров-потомков мутацией биометрических параметров примеров-родителей;- multiplication of N _sv examples of the base of biometric images "Own" to obtain N _alien synthetic examples of the base of biometric images "Alien", where N _alien >> N _sv , performed by morphing the biometric parameters of examples-descendants for each of the biometric parameters of a pair of examples-parents from base of biometric images "Own", with the simultaneous generation of synthetic examples-offspring by mutation of biometric parameters of examples-parents;

- формирование базы N_чуж синтетических примеров биометрических образов «Чужой», из которой получают N_чуж/2 пар примеров биометрических параметров образов-родителей;- formation of a database of N _alien synthetic examples of biometric images "Alien", from which N _alien / 2 pairs of examples of biometric parameters of parent images are obtained;

- мутацию примеров биометрических параметров примеров образов-родителей, осуществляемую посредством случайного переноса биометрических параметров на заданную для каждого биометрического параметра константу, при котором возможны частичные потери естественных корреляционных связей между биометрическими параметрами примеров образов-родителей;- mutation of examples of biometric parameters of examples of parental images, carried out by random transfer of biometric parameters to a constant specified for each biometric parameter, at which partial loss of natural correlations between biometric parameters of examples of parental images is possible;

- параллельно с мутацией осуществляют морфинг образов-потомков для каждой пары примеров биометрических параметров образов-родителей при помощи линейной интерполяции биометрических параметров образов-родителей;- in parallel with the mutation, morphing of child images is carried out for each pair of examples of biometric parameters of parent images using linear interpolation of biometric parameters of parent images;

- синтезируют новые биометрические примеры образа «Чужой», осуществляя перестановку математических ожиданий биометрических параметров примеров образов-потомков, полученных посредством мутации и морфинга образов-родителей, таким образом, чтобы сохранить корреляционные связи биометрических параметров у примеров образов-потомков, присутствующих у образов-родителей; - synthesize new biometric examples of the “Alien” image by rearranging the mathematical expectations of the biometric parameters of the examples of the offspring images obtained by mutation and morphing of the parent images, in such a way as to preserve the correlations of biometric parameters in the examples of the offspring images that are present in the parent images ;

- формируют синтетический образ «Чужой» и проводят его нейросетевое преобразование в четкий однозначный код ключа доступа в обученном на N_св примерах базы биометрических образов «Свой» нейросетевом преобразователе биометрия-код;- forming a synthetic image "Alien" and its neural network is carried out conversion into an unambiguous clear key access code for trained to N _{communication} base examples biometric images "Its" neural network biometrics code converter;

- сравнивают кодовые отклики на синтетический образ «Чужой» нейросетевого преобразователя биометрия-код с кодом «Свой», определяют распределение значения показателя критерия Хемминга и вероятность ошибки второго рода появления кодового отклика «Свой» при предъявлении образа «Чужой».- comparing the code responses to the synthetic image "Alien" of the neural network converter biometrics-code with the code "Own", determine the distribution of the value of the Hemming criterion and the probability of a second kind of error of the appearance of the code response "Own" when presenting the image "Alien".