Розроблення мобільних засобів нейроподібного криптографічного шифрування та дешифрування даних у реальному часі

2021;
: cc. 84 - 95
1
Національний університет "Львівська політехніка", м. Львів, Україна
2
Кафедра радіофізики та комп'ютерних технологій Львівського національного університету імені Івана Франка
3
Національний університет "Львівська політехніка", м. Львів, Україна

Сформовано вимоги, вибрано метод і розглянуто основні етапи розроблення мобільних засобів нейроподібного криптографічного шифрування та дешифрування даних у реальному часі. Показано, що розроблення мобільних засобів нейроподібного криптографічного шифрування та дешифрування даних у реальному часі з високою ефективністю використання обладнання зво- диться до мінімізації апаратних затрат із забезпеченням множини вимог, характеристик і обме- жень. Вдосконалено таблично-алгоритмічний метод обчислення скалярного добутку завдяки можливості роботи з операндами з плаваючою комою та орієнтовано його на апаратно-програмну реалізацію. Розроблено на базі універсального процесорного ядра, доповненого спеціалізованими модулями, мобільні засоби нейроподібного криптографічного шифрування та дешифрування даних, які за рахунок взаємопоєднання універсального та спеціалізованого підходів, програмних і апаратних засобів забезпечують ефективну реалізацію алгоритмів криптографічного шифрування та дешифрування даних у реальному часі. Запропоновано для досягнення високих техніко- економічних показників під час реалізації спеціалізованих модулів нейроподібного крипто- графічного шифрування та дешифрування даних у реальному часі використовувати багато- операндний підхід, таблиці макрочасткових добутків і базис елементарних арифметичних операцій. Реалізовано з використанням мови програмування апаратури VHDL та середовища розроблення Quartus II вер. 13.1 на FPGA спеціалізовані модулі нейроподібного криптографічного шифрування та дешифрування даних. Здійснено оцінювання апаратних і часових параметрів розробленого спеціалізованого модуля нейроподібного криптографічного дешифрування даних.

  1. Volna E., Kotyrba M., Kocian V., Janosek M. (2012). Cryptography Based On Neural Network. Proceedings of the 26th European Conference on Modeling and Simulation, pp. 386-391. phttps://doi.org/10.7148/2012-0386-0391
  2. Shihab K. (2006). A backpropagation neural network for computer network security. Journal of Computer Science, Vol. 2, No. 9, pp. 710-715. phttps://doi.org/10.3844/jcssp.2006.710.715
  3. Sagar V., Kumar K. (2014). A Symmetric Key Cryptographic Algorithm Using Counter Propagation Network (CPN). Proceedings of the 2014 ACM International Conference on Information and Communication Technology for Competitive Strategies, ISBN 978-1-4503-3216-3. phttps://doi.org/10.1145/2677855.2677906
  4. Arvandi M., Wu S., Sadeghian A., Melek W.W., Woungang I. (2006). Symmetric cipher design using recurrent neural networks. Proceedings of the IEEE International Joint Conference on Neural Networks, pp. 2039- 2046. phttps://doi.org/10.1109/IJCNN.2006.246972
  5. Tsimbal Yu. V. (2018). Neural network method of symmetric data encryption. Bulletin of the National University «Lviv Polytechnic». Series: Information systems and networks. № 901. S. 118-122.
  6. Tsmots I., Tsymbal Y., Skorokhoda O., Tkachenko R. (2019). Neural-like methods and hardware structures for real-time data encryption and decryption. Computer Science and Information Technology, CSIT-2019: Proceedings of the XIV International Scientific and Technical Conference, September 17-20, 2019, Lviv, Ukraine. C. 248-253. phttps://doi.org/10.1109/STC-CSIT.2019.8929809
  7. Khavalko Viktor, Tsmots Ivan. (2019). Image classification and recognition on the base of autoassociative neural network usage. 2019 IEEE 2-nd Ukraine conference on electrical and computer engineering, UKRCON-2019 : conference proceedings (Lviv, Ukraine, July 2-6, 2019). C. 1118-1121. phttps://doi.org/10.1109/UKRCON.2019.8879774
  8. Tsmots Ivan, Rabyk Vasyl, Skorokhoda Oleksa, Teslyuk Taras. (2019). Neural element of parallel-stream type with preliminary formation of group partial products. Electronics and information technologies (ELIT-2019) : proceedings of the XI-th International scientific and practical conference, 16 -18 September, 2019, Lviv, Ukraine. C. 154-158. phttps://doi.org/10.1109/ELIT.2019.8892334
  9. Tsmots I., Rabyk V., Skorokhoda O., Tsymbal Y. (2021). Neural-like real-time data protection and transmission system. Advances in Intelligent Systems and Computing (AISC). Vol. 1293 : Advances in Intelligent Systems and Computing V. Selected papers from the International conference on computer science and information technologies. phttps://doi.org/10.1007/978-3-030-63270-0_8
  10. Tsmots I. G, Lukaschuk Yu. A., Havalko V. M, Rabik V. G. (2019). Models of neuro-like element of parallel-parallel type. Modeling and information technology. Vip. 86. S. 119-126.
  11. Tsmots Ivan, Skorokhoda Oleksa, Ignatyev Ihor, Rabyk Vasyl. (2017). Basic Vertical-Parallel Real Time Neural Network Components. Proceedings of XIIth International Scientific and Technical Conference CSIT 2017. 5-8 September 2017. Lviv, Ukraine, pp. 344-347. phttps://doi.org/10.1109/STC-CSIT.2017.8098801
  12. Tsmots I. G, Skorokhoda O. V. (2011). Device for calculating the scalar product. Patent of Ukraine for utility model №66138, bull. № 24.
  13. Tsmots I. G, Skorokhoda O. V., Teslyuk V. M. (2013). Device for calculating the scalar product. Patent of Ukraine for the invention №101922, 13.05.2013 bull. № 9.
  14. Tsmots I. G, Skorokhoda O. V., Medikovsky M. O. (2019). Device for calculating the scalar product. Patent of Ukraine for the invention №118596, 11.02.2019, bull. № 3.
  15. Tsmots I. G, Teslyuk V. M, Teslyuk T. V, Medikovsky M. O, Tsymbal Y. V. (2019). Device for calculating the sums of paired products. Patent of Ukraine № 120210, 25.10.2019, bull. № 20/2019.