ЖУРНАЛ СТА №4/2023

на уровне признаков: первый – оптими- зация по алгоритму светлячков, а вто- рой – сочетание теории фракталов и ал- горитма светлячков, также для выпол- нения предварительной обработки при- меняется метод быстрого преобразова- ния Фурье (FFF) и метод опорных векто- ров (SVM). В последние годы эта тенден- ция была определяющей, а методы аутентификации с помощью ИИ лиди- руют с точки зрения безопасности и со- вместимости с максимально возмож- ным количеством реальных систем. Рассмотримметод безопасной переда- чи данных и обнаружение злоумыш- ленников в системе биометрической аутентификации. Новый метод безопас- ной передачи данных при биометриче- ской аутентификации основан на тех- нологиях извлечения признаков с после- дующей их классификацией. Здесь зло- умышленник обнаруживается путём сбора биометрической базы данных умного здания на основе IoT. Функции обработанных данных извлекаются с по- мощью анализа основных компонентов на основе ядра (KPCA). Затем обработан- ные признаки классифицируются с ис- пользованием свёрточной архитектуры VGG 16. Затем вся сеть защищается с по- мощью протокола детерминированной доверительной передачи (DTTP). Общая архитектура предлагаемого метода пред- ставлена на рис. 1. Чтобы получить более точные и каче- ственные данные, необходимо провести нормализацию данных для масштаби- рования характеристик, чтобы они со- ответствовали заданному максималь- ному и минимальному значению, обыч- но между единицей и нулем, как пока- зано в уравнении (1). Это является од- ним из подходов к предварительной об- работке данных. . (1) В уравнении (1) приведена техника преобразования значений (MMN, MMS) так, что они располагаются в диапазоне от 0 до 1. Далее использовалась свёрточ- ная нейронная сеть VGG16, результаты работы которой достигают точности 92,7%в задачах распознавания объектов на изображении. Обучение модели про- водилось на базе более чем 14 миллио- нов изображений, принадлежащих к 1000 классам. Безопасная передача дан- ных основана на использовании прото- кола детерминированного доверия (DTTP). Данный протокол способствует пересылке пакетов для каждого узла с помощью комбинированных значений доверия (CTV). Каждый сенсорный узел в предлагае- мом методе имеет CTV, основанный на следующих факторах оценки доверия: ● идентификация: содержит информа- цию о местоположении узла, а также его идентификатор; ● чувствительность данных: этот эле- мент включает в себя сбор данных и определение времени события; ● согласованность: уровень согласо- ванности узла представлен этим фак- тором. CTV отражает общуюнадёжность узла, определяемую с использованием трёх указанных выше параметров. С их помо- щью можно идентифицировать вредо- носные или взломанные узлы на основе этих функций и фильтровать данные из сети. Понижая илиповышая CTV, узел ис- ключается или добавляется. Каждый агрегатор идентифицирует пакет, добав- ляя его хеш-значение к CTV, и передаёт его узлу назначения. Узел назначения проверяет хеш-значение, и проверяется CTV всех узлов. CTV увеличивается, если хеш-значение подтверждается; в про- тивном случае он уменьшается. Соответ- ствующий узел считается вредоносным, если CTV падает ниже уровня доверия. С течением времени значения доверия для соседних узлов непрерывно меняют- ся. Если узел делает несколько незначи- тельных ошибок при приёме или пере- даче событий, это мало влияет на значе- ние доверия, которое оценивают его со- седи. В противном случае, если узел по- стоянно передаёт неточные данные или редко связывается со своими соседними узлами, его значение доверия падает и приближается к –1. В результате на этом этапе можно обнаружить и классифици- ровать некоторые вредоносные или скомпрометированные узлы, которые регулярно передают противоречивые или недостоверные данные. Ниже приведён алгоритм, который демонстрирует работу безопасной пе- редачи данных на основе DTTP. Для проверки надёжности предло- женных алгоритмов распознавания ис- ОБ ЗОРЫ СТА 4/2023 63 www.cta.ru Рис. 1. Общая архитектура безопасной передачи данных Предварительная обработка для удаления шума и сглаживания Извлечение данных на основе ядра КРСА DTTP на основе безопасности сети Классификация на основе VGG16Net Параметрический анализ Модуль для формирования IoT набора данных Набор биометрических данных умного здания