Описано розробку базових компонентів системи нейромережевого захисту, кодування передачі даних на основі інтегрованого підходу, який містить удосконалений метод нейромережевого шифрування (дешифрування) даних і метод адаптивного баркероподібного кодування (декодування) даних, які орієнтовані на сучасну елементну базу. Для розробки системи обрано принципи спеціалізації та адаптації апаратно-програмних засобів до структури алгоритмів нейроподібного шифрування (дешифрування) даних, архітектури нейромережі та розрядності баркероподібного коду. Запропоновано архітектуру системи, що враховує змінний склад обладнання та модульність. Вдосконалено метод нейромережевого шифрування (дешифрування) даних, який внаслідок розпаралелення процесу шифрування (дешифрування) та використання таблиць макрочасткових добутків забезпечує зменшення часу шифрування (дешифрування) при програмній реалізації. Розроблено метод адаптивного баркероподібного кодування / декодування, який внаслідок врахування співвідношення сигнал/шум забезпечує високу завадостійкість та зменшує час передачі даних. Описано апаратні засоби системи, яку створено з використанням розроблених базових компонентів нейромережевого захисту та баркероподібного кодування даних. З використанням створеної системи визначено, що виконання операцій нейромережевого криптографічного шифрування (дешифрування) блоків даних на базі мікрокомп'ютера здійснюється у часі, близькому до реального. Час формування і навчання нейромережі становить біля 200 мс, а виконання процедур шифрування та дешифрування становить відповідно біля 35 мс та 30 мс і не залежить істотно від обраної конфігурації нейроподібної мережі.
[1] 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, 2039–2046.
[2] Chang, A. X. M., Martini, B., & Culurciello, E. (2015). Recurrent neural networks hardware implementation on FPGA: arXiv preprint arXiv:1511.05552.
[3] Chi, Zhang, Wei, Zou, Liping, Ma, & Zhiqing, Wang. (2020). Biologically inspired jumping robots: A comprehensive review, Robotics and Autonomous Systems, vol. 124.
https://doi.org/10.1016/j.robot.2019.103362
[4] Corona-Bermúdez, E., Chimal-Eguía, J. C., & Téllez-Castillo, G. (2022). Cryptographic Services Based on Elementary and Chaotic Cellular Automata. Electronics, 11(4), 613.
https://doi.org/10.3390/electronics11040613
[5] Diamantaras, K. I., & Kung, S. Y. (1996). Principal Component Neural Networks. Theory and Applications (Wiley, 1996), 270 p.
[6] Haikin, S. (2016). Neural networks: full course ( 2nd ed . add. and revised). (Trans. from English). Moscow: Williams.
[7] Khan, S., Han, L., Lu, H., Butt, K., Bachira, G., & Khan, N. (2019). A New Hybrid Image Encryption Algorithm Based on 2D-CA, FSM-DNA Rule Generator, and FSBI. IEEE Access 2019, 7, 81333–81350.
https://doi.org/10.1109/ACCESS.2019.2920383
[8] Korchenko, O., Tereykovsky, I., & Biloshchytsky, A. (2016). Methodology of development of neural network means of information security of Internet-oriented information systems. "Nash Format".
[9] Ostapov, S. (2013). Information security technologies. Kharkiv: KhNEU.
[10] Riznik, O. Ia., Tkachenko, R. O., & Kinash, Iu. Ye. (2019). Neiromerezheva tekhnologiia zakhistu ta peredachi danikh u realnomu chasi z vikoristanniam shumopodibnikh kodiv. Innovatciini tekhnologii u rozvitku suchasnogo suspilstva: zbirnik tez dopovidei mizhnarodnoi naukovo-praktichnoi konferentcii (Lviv, 18–19 kvitnia 2019 r.), 19–23. [In Ukrainian].
https://doi.org/10.1007/s00092-019-2378-8
[11] Rudenko, O., & Bodyansky, E. (2006). Artificial neural networks. Kharkiv: SMIT Company Ltd.
[12] 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. https://doi.org/10.1145/2677855.2677906
[13] Shihab, K. A. (2006). Backpropagation neural network for computer network security. Journal of Computer Science, vol. 2, no. 9, 710–715.
[14] Śledź, S., Ewertowski, M. W., & Piekarczyk, J. (2021). Applications of unmanned aerial vehicle (UAV) surveys and Structure from Motion photogrammetry in glacial and periglacial geomorphology. Geomorphology 2021, 378 p.
https://doi.org/10.1016/j.geomorph.2021.107620
[15] Tcimbal, Iu. V. (2018). Neiromerezhevii metod simetrichnogo shifruvannia danikh. Visnik Natcionalnogo universitetu "Lvivska politekhnika". Seriia: Informatciini sistemi ta merezhi, 901, 118–122. [In Ukrainian].
[16] Tereykovsky, I. (2007). Neural networks in the means of protection of computer information. Polygraph Consulting.
[17] Tkachenko, R., Tkachenko, P., Izonin, I., & Tsymbal, Y. (2018). Learning-based image scaling using neural-like structure of geometric transformation paradigm. Advances in Soft Computing and Machine Learning in Image Processing, Springer, 537–565. https://doi.org/10.1007/978-3-319-63754-9_25
[18] Tsmots, I. G., Rabik, V. G., & Lukashhuk, Iu. A. (2021). Rozroblennia mobilnikh zasobiv neiropodibnogo kriptografichnogo shifruvannia ta deshifruvannia danikh u realnomu chasi. Visnik Natcionalnogo universitetu "Lvivska politekhnika". Seriia: Informatciini sistemi ta merezhi, 9, 84–95. [In Ukrainian].
https://doi.org/10.23939/sisn2021.09.084
[19] Tsmots, I., Rabyk, V., Riznyk, O., & Kynash, Y. (2019). Method of Synthesis and Practical Realization of Quasi-Barker Codes. 2019 IEEE 14th International Conference on Computer Sciences and Information Technologies (CSIT), Lviv, Ukraine, 76–79. https://doi.org/10.1109/STC-CSIT.2019.8929882
[20] Tsmots, I., Teslyuk, V., Teslyuk, T., Lukashchuk, Y. (2021). The method and simulation model of element base selection for protection system synthesis and data transmission. International Journal of Sensors, Wireless Communications and Control, 11(5), 518–530. https://doi.org/10.2174/2210327910999201022194630
[21] Tsmots, I., Tsymbal, Y., Khavalko, V., Skorokhoda, O., & Tesluyk, T. (2018). Neural-Like Means for Data Streams Encryption and Decryption in Real Time. Processing of the 2018 IEEE 2nd International Conference on Data Stream Mining and Processing, DSMP 2018, 438–443.
https://doi.org/10.1109/DSMP.2018.8478513
[22] Tsmots, I., Tsymbal, Yu., Skorokhoda, O., & Tkachenko, R. (2019). Neural-like Methods and Hardware Structures for Real-time Data Encryption and Decryption. Proceedings of 14th International Scientific and Technical Conference (CSIT), Lviv, Ukraine, 3. 248–253.
https://doi.org/10.1109/STC-CSIT.2019.8929809
[23] Tsymbal, Yu. (2018). Neural network method of symmetric data encryption. Bulletin of the Lviv Polytechnic National University. Information systems and networks, 901, 118–122.
[24] Verma, A., & Ranga, V. (2020). Security of RPL based 6LoWPAN Networks in the Internet of Things: A Review. IEEE Sens. J., 20, 5666–5690.
https://doi.org/10.1109/JSEN.2020.2973677
[25] Volna, E., Kotyrba, M., Kocian, V., & Janosek, M. (2012). Cryptography Based On Neural Network. Proceedings of the 26th European Conference on Modeling and Simulation, 386–391.
https://doi.org/10.7148/2012-0386-0391
[26] Wang, M., Cong, S., & Zhang, S. (2018). Pseudo Chirp-Barker-Golay coded excitation in ultrasound imaging, 2018 Chinese Control And Decision Conference (CCDC), Shenyang, 4035–4039.
https://doi.org/10.1109/CCDC.2018.8407824
[27] Wang, S., & He, P. (2018). Research on Low Intercepting Radar Waveform Based on LFM and Barker Code Composite Modulation, 2018 International Conference on Sensor Networks and Signal Processing (SNSP), Xian, China, 297–301. https://doi.org/10.1109/SNSP.2018.00064
[28] Zhou, K., Kang, Y., Huang, Y., & Feng, E. (2007). Encrypting Algorithm Based on RBF Neural Network. Proceedings of the IEEE Third International Conference on Natural Computation, 1, 765–768.
https://doi.org/10.1109/ICNC.2007.353