Система багатофакторної автентифікації на основі нейронних мереж
Тип публікації :
Стаття
Дата випуску :
29 грудня 2021 р.
Автор(и) :
Кулінич, О.
Інститут спеціального зв’язку та захисту інформації НТУУ КПІ імені Ігоря Сікорського
Роскот, А.
Інститут спеціального зв’язку та захисту інформації НТУУ КПІ імені Ігоря Сікорського
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Випуск :
1(5)
Початкова сторінка :
55
Кінцева сторінка :
62
Цитування :
[APA 7] Кулінич, О., & Роскот, А. (2021). Система багатофакторної автентифікації на основі нейронних мереж. Безпека інформаційних систем і технологій, (1(5)), 55–62. https://doi.org/10.17721/ISTS.2021.1.53-60
[ДСТУ] Кулінич О., Роскот А. Система багатофакторної автентифікації на основі нейронних мереж. Безпека інформаційних систем і технологій. 2021. № 1(5). С. 55—62. DOI: 10.17721/ISTS.2021.1.53-60 (дата звернення: 25.07.2026).
Біометричний підхід вважають одним із найактуальніших у системах ідентифікації та автентифікації. В
основі біометричного методу лежить аналіз унікальних характеристик людини. Розпізнавання обличчя – важ
ливе завдання, адже є першим етапом ідентифікації, щоб виявити, кому належить обличчя і чи є воно в базі
даних, спочатку потрібно його локалізувати. Для розв’язання цієї задачі застосовують різні підходи, серед
них: емпіричні методи, метод на основі навчання, метод на основі порівняння із шаблоном, метод на основі
контурних моделей. У розпізнаванні обличчя системі, яка розв’язує таку задачу, необхідно врахувати сукуп
ність факторів: відмінності облич різних людей, зміна ракурсу обличчя, можливість наявності певних особли
востей, зміна виразу обличчя, наявність перешкод на зображенні, що можуть частково перекривати об’єкт,
умови зйомки. Штучний інтелект є і полем для розвитку, і викликом. Зважаючи на те, що розробки машинного
навчання та штучного інтелекту часто орієнтовані на оброблення великих масивів даних, а алгоритми ма
шинного навчання прямо залежать саме від якості інформації, яку він обробляє, то втручання та дезінформа
ція можуть вивести з ладу подальшу роботу алгоритму, що може призвести до неправильних висновків, у
коректності яких буде важко переконатися, оскільки великі масиви даних. Вибір методу для розв’язання задачі
виявлення обличчя залежить від конкретної задачі й умов, в яких повинен функціонувати алгоритм. У статті
розглянуто та проаналізовано можливості нейронних мереж для застосування в системі багатофакторної
автентифікації. Розглянуто варіанти можливих реалізацій із використанням штучної мережі, перспективи
розвитку цих мереж і їхню важливість у наш час. Проаналізовано сучасні дослідження у вказаній сфері серед
провідних країн світу. Одним із методів для застосування є алгоритм розпізнавання облич EIGENFACE. Роз-
глянуто перспективи використання нейронних мереж, штучного інтелекту, виконано огляд особливостей нав
чання штучної нейронної мережі й алгоритму EIGENFACE для застосування в системі багатофакторної авте
нтифікації та запропоновано етапи для вдосконалення цього алгоритму на основі теорії нечітких множин. У
роботі з’ясовано, що таке нейронна мережа, штучний нейрон, роботу алгоритму розпізнавання Eigenface, оскі
льки знання принципу роботи алгоритму значно полегшує застосування на практиці, розглянуто процес навчання
з метою подальшої можливої реалізації. Запропоновано додаткові етапи вдосконалення алгоритму за допомогою
теорії нечітких множин, яка стає потужним інструментом для побудови інтелектуальних апаратно
програмних систем розпізнавання образів. Упровадження в алгоритм нечіткого фільтра обчислює нечіткий при
ріст, так що зображення стають менш чутливими до локальних змін структур, меж об'єктів. Фільтр забезпе
чуватиме високий ступінь розрізнення між шумом і структурними об'єктами зображення. Сегментація дозволяє
розбивати зображення на менші частини, що значно покращує розпізнавання системою.
основі біометричного методу лежить аналіз унікальних характеристик людини. Розпізнавання обличчя – важ
ливе завдання, адже є першим етапом ідентифікації, щоб виявити, кому належить обличчя і чи є воно в базі
даних, спочатку потрібно його локалізувати. Для розв’язання цієї задачі застосовують різні підходи, серед
них: емпіричні методи, метод на основі навчання, метод на основі порівняння із шаблоном, метод на основі
контурних моделей. У розпізнаванні обличчя системі, яка розв’язує таку задачу, необхідно врахувати сукуп
ність факторів: відмінності облич різних людей, зміна ракурсу обличчя, можливість наявності певних особли
востей, зміна виразу обличчя, наявність перешкод на зображенні, що можуть частково перекривати об’єкт,
умови зйомки. Штучний інтелект є і полем для розвитку, і викликом. Зважаючи на те, що розробки машинного
навчання та штучного інтелекту часто орієнтовані на оброблення великих масивів даних, а алгоритми ма
шинного навчання прямо залежать саме від якості інформації, яку він обробляє, то втручання та дезінформа
ція можуть вивести з ладу подальшу роботу алгоритму, що може призвести до неправильних висновків, у
коректності яких буде важко переконатися, оскільки великі масиви даних. Вибір методу для розв’язання задачі
виявлення обличчя залежить від конкретної задачі й умов, в яких повинен функціонувати алгоритм. У статті
розглянуто та проаналізовано можливості нейронних мереж для застосування в системі багатофакторної
автентифікації. Розглянуто варіанти можливих реалізацій із використанням штучної мережі, перспективи
розвитку цих мереж і їхню важливість у наш час. Проаналізовано сучасні дослідження у вказаній сфері серед
провідних країн світу. Одним із методів для застосування є алгоритм розпізнавання облич EIGENFACE. Роз-
глянуто перспективи використання нейронних мереж, штучного інтелекту, виконано огляд особливостей нав
чання штучної нейронної мережі й алгоритму EIGENFACE для застосування в системі багатофакторної авте
нтифікації та запропоновано етапи для вдосконалення цього алгоритму на основі теорії нечітких множин. У
роботі з’ясовано, що таке нейронна мережа, штучний нейрон, роботу алгоритму розпізнавання Eigenface, оскі
льки знання принципу роботи алгоритму значно полегшує застосування на практиці, розглянуто процес навчання
з метою подальшої можливої реалізації. Запропоновано додаткові етапи вдосконалення алгоритму за допомогою
теорії нечітких множин, яка стає потужним інструментом для побудови інтелектуальних апаратно
програмних систем розпізнавання образів. Упровадження в алгоритм нечіткого фільтра обчислює нечіткий при
ріст, так що зображення стають менш чутливими до локальних змін структур, меж об'єктів. Фільтр забезпе
чуватиме високий ступінь розрізнення між шумом і структурними об'єктами зображення. Сегментація дозволяє
розбивати зображення на менші частини, що значно покращує розпізнавання системою.
Галузі знань та спеціальності :
12 Інформаційні технології
Галузі науки і техніки (FOS) :
Інженерія та технології
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.06 MB
Контрольна сума :
(MD5):f504c4f1aa091d7966bffda6cf203e2b
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution 4.0 International