1. JCPEE
  2. Всі випуски
  3. Випуск 10, Номер 2, 2020
  4. Шифрування текстових повідомлень з допомогою багатошарових нейронних мереж

Шифрування текстових повідомлень з допомогою багатошарових нейронних мереж

JCPEE.
2020;
Випуск 10, Номер 2
: pp. 1-6
https://doi.org/10.23939/jcpee2020.02.001
Автори:
  1. Володимир Бригілевич
  2. Назар Пелипець
  3. Василь Рабик
1
Інститут технічного машинобудування Державної вищої школи технологій та економіки в Ярославі
2
Кафедра сенсорної та напівпровідникової електроніки Львівського національного університету імені Івана Франка
3
Кафедра радіофізики та комп'ютерних технологій Львівського національного університету імені Івана Франка

Розглянуто алгоритм шифрування/ дешифрування текстових повідомлень з використанням MLNN, який складається з трьох кроків: навчання нейронної мережі на основі навчаючих пар, сформованих з базового набору символів, що зустрічаються в тексті; шифрування повідомлення з використанням ваг прихованих шарів; його дешифрування з використанням ваг вихідного шару. Сформовано необхідні умови для успішного шифрування/ дешифрування цим алгоритмом, підкреслено його обмеження. Описано архітектуру і алгоритм навчання MLNN. Приведено експериментальні дослідження з допомогою програми NeuralNet: навчання MLNN методами BP(Sequential), BP(Batch), Rprop, QuickProp; приклад шифрування/ дешифрування текстового повідомлення.

шифрування
дешифрування
multilayer neural networks
training algorithms
NeuralNet program
  1.  B.Schneier, Applied cryptography: Protocols, Algorithms, Source Code in C, Triumf, p. 815, 2012.
  2. E.Volna, M.Kotyrba, V.Kocian, and M.Janosek, “Cryptography Based On Neural Network” // in Proc. 26th European Conference on Modeling and Simulation, pp. 386–391, 2012.
  3. V.Sagar and K.Kumar, “A Symmetric Key Cryptographic Algorithm Using Counter Propagation Network (CPN)”, in Proc. 2014 ACM International Conference on Information and Communication Technology for Competitive Strategies, vol. ISBN, no. 978-1-4503-3216-3, 2014.
  4. K.Shihab, “A backpropagation neural network for computer network security”, Journal of Computer Science, vol. 2, no. 9, pp. 710–715, 2006.
  5. Choi-Kuen Chan, Chi-Kwong Chan, L.P. Lee, L.M. Cheng, Encryption system based on neural network, Communications and Multimedia Security Issues of the New Century, Springer, pp. 117–122, 2001.
  6. M.Arvandi, S.Wu, A.Sadeghian, W.W.Melek, and I.Woungang, “Symmetric cipher design using recurrent neural networks”, in Proc. IEEE International Joint Conference on Neural Networks, pp. 2039– 2046, 2006.
  7. V.Bihday, V.Brygilevych, , Y.Hychka, N. Pelypets, V.Rabyk, “Recognition of Handwritten Images Using Multilayer Neural Networks IEEE 2019”, in Proc. 11th International Scientific and Practical Conference on Electronics and Information Technologies, ELIT 2019 – Proceedings.
  8. Simon Haykin, Neural Networks: A Comprehensive Foundation 2nd edition, Prentice Hall, NJ, USA ©1998, 842p, ISBN:0132733501.
  9. M.Riedmiller and H.Brawn, RPROP - a fast adaptive learning algorithms. Technacal Report // Karlsruhe: University Karlsruhe. 1992. http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid= 6A4F81B00868291D27499A6AADC6C330?doi=10.1.1.52.4576&rep=rep1&type=pdf
  10. S. E. Fahlman, “Faster Learning Variations on Backpropagation: An Empirical Study”, in Proc. 1988 Connectionist Models Summer School, pp. 38 -51, 1988.