05 июня 2008
Фунтиков В.А., Иванов А.И., Ефимов О.В. Основные преимущества высоконадежной, высокоинтеллектуальной, анонимной биометрии тайных образов человека.
В. Фунтиков, А.Иванов, О. Ефимов.
Современные технологии безопасности №4, 2007
В связи с тем, что открытые для всех неизменяемые по воле человека биометрические образы непригодны для защиты частной информации граждан [1] рассмотрим технологии, позволяющие получать тайные биометрические образы человека. Одной из таких технологий является анализ динамики воспроизведения человеком рукописного пароля. Если никто не знает пароль, то этот рукописный образ относится к тайным биометрическим образам человека. Пример рукописного пароля «Пенза» и динамики кривых колебаний пера Y(t), X(t) при его написании приведены на рисунке 1.
Рисунок 1. Пример рукописного слова "Пенза" и соответствующих ему колебаний пера во времени по двум координатам
У каждого из нас в юности сформировался свой особый рукописный почерк. Используя эту нашу уникальность, мы можем существенно усилить обычный пароль, если будем воспроизводить его своею рукой (своим уникальным почерком).
Еще одной технологией формирования тайного биометрического образа человека является технология анализа особенностей произнесения им голосового пароля. На рисунке 2 приведена кривая изменения звукового давления, характерная для одного из людей, произнесшего парольное слово «Пенза». Обычно энергетика сигнала, воспроизводящего одно и то же слово, произнесенное разными людьми, оказывается очень похожа. То есть, анализируя звуковой сигнал только по его энергии (кривая синего цвета на рисунке 2), мы не можем надежно распознавать людей.
Рисунок 2. Пример произнесения голосового пароля "Пенза" с отображением формы звуковых колебаний при воспроизведении разных фонем
Надежно удается различать людей только в том случае, когда мы начинаем детально исследовать то, как человек произносит ту или иную фонему. Фрагменты особенностей произнесения каждой из формант отображены на рисунке 2 красным цветом (масштаб времени кривых красного цвета в 10 раз растянут по сравнению с масштабом кривой синего цвета). При анализе индивидуальность голоса может быть выявлена несколькими различными методами [2], дающими сходные вероятностные характеристики.
Дополнительно к анализу динамики рукописного почерка и динамики голосового сигнала, возможно применение технологии анализа клавиатурного почерка (если у человека клавиатурный почерк ранее выработан). К сожалению, использовать клавиатурный почерк при идентификации человека удается далеко не всегда, подавляющее большинство современных пользователей компьютеров набирает текст крайне медленно, двумя пальцами (одним пальцем левой руки и одним пальцем правой руки), то есть у них клавиатурный почерк просто не выработан. По этой причине ветвь биометрических технологий, занимающаяся анализом клавиатурного почерка, развивается крайне вяло и не имеет особых шансов на коммерческий успех соответствующих программных продуктов.
Как следует из [1] на биометрические системы защиты может быть осуществлено множество типовых атак. Одними из самых эффективных являются атаки на биометрический шаблон. Скрывать шаблон обычным шифрованием нельзя, так как в зашифрованном виде он становится непригодным для применения. Приходится расшифровывать биометрический шаблон и, соответственно, хранить в программе защиты ключ для расшифровывания. Последнее недопустимо для систем обеспечивающих информационную безопасность (хранить в одной программе ключ и шифротекст недопустимо).
Одним из путей сокрытия биометрического шаблона является переход от классического решающего правила к использованию сети искусственных нейронов. При этом необходимость в хранении биометрического шаблона в явной форме отпадает (рисунок 3). При переходе к использованию сети искусственных нейронов биометрический шаблон растворяется в параметрах ее связей, настраиваемых при обучении.
Рисунок 3. Схема процедур биометрической идентификации с классическим нейросетевым решением
То, что биометрический шаблон оказался спрятанным в нейросетевом контейнере положительно сказывается на безопасности. Использование искусственных нейронных сетей - это реальный путь обеспечения анонимности биометрической защиты. Проблема шифрования биометрических шаблонов замещается на проблему быстрого автоматического обучения многослойных нейронных сетей. Как показала практика, создать автомат, способный обучать 1-но, 2-х и 3-х слойные нейронные сети вполне реально, если отказаться от применяемого сегодня метода обратного распространения ошибки. Итерационный метод обратного распространения ошибки оказывается слишком медленным и сильно неустойчивым при применении его для обучения многослойных нейронных сетей. В работе [3] описан более эффективный метод неитерационного послойного обучения, позволяющий сделать процесс автоматического обучения более устойчивым и сократить время автоматического обучения примерно в 1000 раз. При использовании нового подхода к обучению удается сократить время обучения до 1 минуты, что вполне приемлемо для практики. Ждать 1000 минут или 16 часов при использовании обычных медленных алгоритмов обучения пользователям неудобно.
Еще одной крайне важной проблемой биометрической защиты является проблема атак на последний бит решающего правила [1]. Как видно из рисунка 3 переход к использованию искусственных нейронных сетей с несколькими входами и одним выходом не решает этой проблемы. Ее удается решить только в том случае, когда применяется множество нейронных сетей, каждая из которых порождает на своем выходе состояние «О» или «1» соответствующее одному разряду криптографического ключа доступа к информации.
Блок-схема процедур биометрической аутентификации, выполненных с нейросетевым преобразованием биометрии в код ключа доступа, приведена на рисунке 4. Все устройства этого типа [4] должны давать на выходах множества нейронных сетей код ключа доступа при возбуждении входов нейронных сетей биометрическим образом «Свой». В случае возбуждения нейронных сетей данными случайного образа «Чужой» на выходах нейронной сети появляется случайный код.
Безопасное решение принимается криптопротоколом. Атаковать правильно построенный криптопротокол бессмысленно, подобрать длинный код ключа доступа (например, ключ длиной 256 бит) так же практически невозможно. В итоге, выполненное по новым технологиям средство биометрической защиты [4] становится высокозащищенным от множества атак и самое главное от атаки на «последний бит» решающего правила. Если хакер начнет добросовестно исследовать программу биометрической защиты, то вместо одного последнего бита он наткнется на 256 «последних битов» ключа доступа. Для нейтрализации защиты, выполненной по обычной технологии, хакеру достаточно поменять один последний бит. В программе, выполненной по новой технологии, хакеру приходится подбирать значение кода ключа, что является задачей высокой вычислительной сложности. В итоге получается, что новая технология позволяет создавать высоконадежные средства биометрической защиты, для которых нельзя построить автоматическую программу «crack» эффективного взлома программ множества пользователей. Теперь для каждого пользователя необходимо подбирать его индивидуальный код ключа доступа, что несопоставимо по затратам с процедурой замещения одного бита. У хакеров изымается основной стимул их исследований — возможность тиражирования одной удачной атаки. Теперь каждого пользователя придется атаковать заново, знания, полученные при исследовании программ защиты предыдущих пользователей, применить не удается.
Еще одним важным преимуществом новой технологии является ее высокая интеллектуальность и надежность. Высокая интеллектуальность и высокая надежность неразрывно связаны между собой. Обычно все современные устройства (в том числе и нейросетевые) нельзя рассматривать как высокоинтеллектуальные. Так, современное устройство, выполненное по блок-схеме рисунка 3, обычно способно анализировать порядка 40 входных биометрических параметров и принимать решение с вероятностью ошибок 10-3. При этом трехслойная нейросеть будет содержать порядка 60 нейронов, что сопоставимо с интеллектом пиявки [3]. Ожидать от примитивного интеллекта пиявки надежных решений не приходится.
При переходе к новым технологиям, выполненным по блок-схеме рисунка 4, число нейронных сетей (размер искусственного мозга) увеличивается в 256 раз, то есть примерно на два порядка. Подобное увеличение размеров искусственного мозга приводит качественному изменению ситуации (от интеллекта пиявки мы переходим к интеллекту улитки [3]). Стократное усиление искусственного интеллекта дает выигрыш по качеству принимаемых решений примерно в миллиард раз (десять в девятой степени). Как следствие, вероятность ошибок высокоинтеллектуальных средств защиты удается снизить с 10-3 до 10-12 на 9 порядков. Добиться аналогичных результатов, оставаясь в рамках низкоинтеллектуальных систем с малым числом малых нейронных сетей или с еще более примитивным классическим решающим правилом, невозможно. Высокая интеллектуальность новых технологий неразрывно связана с высоким качеством принимаемых биометрических решений и высоким уровнем обеспечиваемой биометрией защитой.
Рисунок 4. Схема процедур биометрической аутентификации с нейросетевым преобразованием биометрии в ключ
Еще одним принципиально важным свойством новых технологий является их анонимность. Если в программе будет лежать только обученная нейронная сеть, то по ней нельзя восстановить биометрию и имя ее владельца. Даже если спланировать и осуществить специальную атаку по компрометации анонимности владельца нейросети и по результатам атаки связать конкретную нейросеть с именем ее владельца, то по параметрам этой нейросети следить за человеком всю его оставшуюся жизнь не получится. Если человек изменит свой код ключа доступа или изменит свой биометрический образ, таблицы описания переобученной нейронной сети кардинально меняются. В свою очередь без обеспечения анонимности невозможно создавать действительно надежные системы электронной торговли, электронного банкинга, электронного голосования.
Литература
- Иванов А.И. Перечень основных уязвимостей, возникающих при применении открытых неизменяемых биометрических образов в гражданских приложениях защиты персональной информации /Современные технологии безопасности № 2008 г. (статья 1 этого же журнала).
- Иванов А.И. Идентификация человека по особенностям его голоса. «Современные технологии безопасности» № 3,2003г., с. 25-28.
- Волчихин В.И., Иванов А.И., Фунтиков В.А. Быстрые алгоритмы обучения нейросетевых механизмов биометрика-криптографической защиты информации. Монография. Пенза-2005 г. Издательство Пензенского государственного университета, 273 с.
- ГОСТ Р 52633-2006 «Защита информации. Техника защиты информации. Требования к средствам высоконадежной биометрической аутентификации».
Об авторах: В.Фунтиков, А. Иванов, д.т.н., О. Ефимов, к.т.н
Источник: журнал "Современные технологии безопасности"
