{"title":"Узагальнена аналітична модель попередніх налаштувань для нейроподібного криптографічного шифрування даних","authors":"І. Г. Цмоць, Ю. А. Лукащук","doi":"10.36930/40330211","DOIUrl":null,"url":null,"abstract":"Розроблено узагальнену аналітичну модель попередніх налаштувань для реалізації нейроподібного шифрування даних. Основними компонентами є блок формування архітектури нейроподібної мережі, блок обчислення матриць вагових коефіцієнтів і блок обчислення таблиць макрочасткових добутків, реалізація якої забезпечує зменшення часу налаштування. Проаналізовано останні дослідження та публікації щодо актуальності проблем під час реалізації нейроподібного криптографічного шифрування даних. Саме тут на допомогу приходить узагальнена аналітична модель попередніх налаштувань. У роботі сформульовано правила для формування архітектури нейроподібної мережі. Структура нейроподібної мережі для криптографічного шифрування даних визначається кількістю нейроподібних елементів. Також розроблено блок обчислення матриць вагових коефіцієнтів. Для цього використано метод сингулярного розкладу матриці та метод обертання Якобі, для знаходження власних векторів і власних значень. Розроблено імітаційну модель для демонстрації роботи цього блоку обчислення, як приклад використано навчальну матрицю розмірністю 13×16 з попередньо заданою архітектурою. Розроблено блок обчислення макрочасткових добутків на підставі таблично-алгоритмічного методу. Розроблено імітаційну модель на підставі матриці вагових коефіцієнтів з розрядністю 8 та заданою архітектурою нейроподібної мережі. Також для обох блоків обчислення розроблено гнучкий користувацький інтерфейс та описано детальне користування ним. Для реалізації поставлених задач обрано мову програмування C# і середовище розроблення Visual Studio 2022. Як технологію розроблення обрано Windows Forms. Для матричних операцій було підключено бібліотеку Accord.Math. Практичною цінністю є те, що розроблені засоби забезпечують швидке обчислення коефіцієнтів для заданої архітектури нейромережі. У підсумку використання такої узагальненої моделі попередніх налаштувань забезпечить швидкість та безпеку шифрування даних.","PeriodicalId":33529,"journal":{"name":"Naukovii visnik NLTU Ukrayini","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-04-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Naukovii visnik NLTU Ukrayini","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.36930/40330211","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Розроблено узагальнену аналітичну модель попередніх налаштувань для реалізації нейроподібного шифрування даних. Основними компонентами є блок формування архітектури нейроподібної мережі, блок обчислення матриць вагових коефіцієнтів і блок обчислення таблиць макрочасткових добутків, реалізація якої забезпечує зменшення часу налаштування. Проаналізовано останні дослідження та публікації щодо актуальності проблем під час реалізації нейроподібного криптографічного шифрування даних. Саме тут на допомогу приходить узагальнена аналітична модель попередніх налаштувань. У роботі сформульовано правила для формування архітектури нейроподібної мережі. Структура нейроподібної мережі для криптографічного шифрування даних визначається кількістю нейроподібних елементів. Також розроблено блок обчислення матриць вагових коефіцієнтів. Для цього використано метод сингулярного розкладу матриці та метод обертання Якобі, для знаходження власних векторів і власних значень. Розроблено імітаційну модель для демонстрації роботи цього блоку обчислення, як приклад використано навчальну матрицю розмірністю 13×16 з попередньо заданою архітектурою. Розроблено блок обчислення макрочасткових добутків на підставі таблично-алгоритмічного методу. Розроблено імітаційну модель на підставі матриці вагових коефіцієнтів з розрядністю 8 та заданою архітектурою нейроподібної мережі. Також для обох блоків обчислення розроблено гнучкий користувацький інтерфейс та описано детальне користування ним. Для реалізації поставлених задач обрано мову програмування C# і середовище розроблення Visual Studio 2022. Як технологію розроблення обрано Windows Forms. Для матричних операцій було підключено бібліотеку Accord.Math. Практичною цінністю є те, що розроблені засоби забезпечують швидке обчислення коефіцієнтів для заданої архітектури нейромережі. У підсумку використання такої узагальненої моделі попередніх налаштувань забезпечить швидкість та безпеку шифрування даних.
已经开发了以前设置的通用分析模型来实现神经加密。主要组成部分是神经网络架构构建块、加权因子矩阵计算块和宏观利润表计算块，-减少配置时间的实现。最近的研究和出版物已经分析了神经图形加密实施过程中的当前问题。这就是以前设置的常规分析模型的用武之地。制定规则以形成神经网络的架构。用于密码加密的神经网络的结构决定了神经元件的数量。还开发了权重系数矩阵计算块。用于此的方法是矩阵的顺序布局和Jacobi旋转方法，以找到其自己的向量和值。已经开发了一个仿真模型来演示该块的工作，作为具有先前给定架构的学习矩阵13×16的示例。使用表格算法方法开发了一个宏观利润计算块。基于8°的加权系数矩阵，开发了一个模拟模型，并通过神经网络架构给出。还开发了一个灵活的用户界面，并对这两个块的详细使用进行了描述。选择C#编程语言和Visual Studio 2022环境来执行任务集。Windows窗体已被选为开发技术。Accord.Math库已启用矩阵运算。实际价值在于，所开发的工具为给定的神经结构提供了系数的快速计算。总之，使用这种通用的先前配置模型将提供数据加密速度和安全性。
京公网安备 11010802042870号
京ICP备2023020795号-1
分享
求助内容：
应助结果提醒方式：
扫码关注我们
