АРХІТЕКТУРА ТА РЕАЛІЗАЦІЯ БАЗОВИХ КОМПОНЕНТІВ СИСТЕМИ НЕЙРОМЕРЕЖЕВОГО ЗАХИСТУ І КОДУВАННЯ ПЕРЕДАЧІ ДАНИХ

https://doi.org/10.23939/ujit2022.01.053
Надіслано: Травень 06, 2022
Прийнято: Травень 19, 2022

Ци­ту­вання за ДСТУ: Цмоць І. Г., Опо­тяк Ю. В., Різник О. Я., Бе­резь­кий О. М., Лу­ка­щук Ю. А. Архі­текту­ра та ре­алі­за­ція ба­зо­вих компо­нентів систе­ми нейро­ме­ре­же­во­го за­хисту і ко­ду­вання пе­ре­да­чі да­них. Укра­їнсь­кий журнал інформа­ційних техно­ло­гій. 2022, т. 4, № 1. С. 53–62.

Ci­ta­ti­on APA: Tsmots, I. G., Opo­ti­ak, Yu. V., Riznyk, O. Ya., Be­rezsky, O. M., & Lu­kashchuk, Yu. A. (2022). Archi­tectu­re and imple­menta­ti­on of ba­sic compo­nents of ne­ural network pro­tecti­on system and da­ta transmissi­on co­ding. Ukra­ini­an Jo­urnal of Informa­ti­on Techno­logy, 4(1), 53–62. https://doi.org/10.23939/ujit2022.01.053

1
Національний університет "Львівська політехніка", м. Львів, Україна
2
Національний університет «Львівська політехніка», кафедра автоматизованих систем управління
3
Національний університет "Львівська політехніка", м. Львів, Україна
4
Західноукраїнський національний університет, м. Тернопіль, Україна; Національний університет "Львівська політехніка", м. Львів, Україна
5
Національний університет "Львівська політехніка", м. Львів, Україна

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