CC BY
52
Том 10. № 5 (59). 2015
Ю. Н. Лавренков, канд. техн. наук, Калужский филиал МГТУ им. Н. Э. Баумана, georglawr@yandex.ru
Л. Г. Комарцова, докт. техн. наук, профессор, Калужский филиал МГТУ им. Н. Э. Баумана, lkomartsova@yandex.ru
Безопасность передачи информации по беспроводным каналам связи на базе нейросетевых модулей
В статье рассмотрена возможность применения нейросетевых методов для осуществления безопасной передачи информации в беспроводных сетях связи . Приведен пример организации сети связи, состоящей из пространственно разнесенных передатчиков сигнала синхронизации и одного централизованного передатчика информационных сообщений . Предлагается использовать нейронную сеть, основу архитектуры которой составляют динамические нейронные модули с развитой системой обратных связей, предназначенной для формирования информационных сообщений и защиты канала связи . Предложена модель цифрового динамического нейрона для генерации сигналов синхронизации всей системы, которые применяются для корректного приема информационных групп . Выполнена разработка алгоритмов обучения нейросетевых модулей в соответствии с особенностями их внутренней структуры .
Ключевые слова: динамические нейронные модули, беспроводная передача данных, нейро-сетевые алгоритмы обучения, алгоритмы поиска с самонастройкой, нейроны с возбуждающе-тормозящей динамикой
введение
Для создания каналов передачи данных между составными компонентами сложных технических систем часто применяются устройства, позволяющие организовать односторонние радиоканалы транспортировки информации (пример: микроконтроллеры серии г1.Р1С со встроенным микромощным передатчиком) [1]. Их применение позволяет организовать простые сети связи для обмена управляющими командами и данными. Для обеспечения безопасности передаваемой информации предлагается использовать две нейросетевые структуры, которые позволяют обеспечить транспортировку данных без применения методов скремблирования информации [2]. Концепция применения нейронных сетей в качестве универсального алгоритма, обеспечиваю-
щего безопасную передачу информации, основана на возможности конструирования гибких систем практически любой сложности на основе различных классов нейросе-тевых элементов [3].
Постановка задачи и описание алгоритма
Предлагаемая схема организации беспроводной передачи информации показана на рис. 1.
На рис. 1 показана сеть связи, состоящая из шести передатчиков с антеннами, образующими зоны покрытия от A до F. Каждый передатчик оснащен всенаправленной антенной. На рисунке показаны области перекрытия сигналов от передатчиков: FE — область действия антенн передатчиков F и E, ABCF — зона уверенного приема сиг-
Рис. 1. Структурная схема организации
сети связи Fig. 1. Block diagram of the organization of the communication network
налов от передатчиков A, B, C, F и т. д. Зона перекрытия сигналов от всех передатчиков будет расположена в центральной области под номером 10. Передатчики используются для трансляции синхросигнала, позволяющего выделить передаваемую информацию из передаваемого в эфир радиосигнала. В каждый момент времени активен только один передатчик. Для принятия кор-
ректного синхросигнала надо постоянно находиться в области № 10, чтобы быть уверенным в корректном приеме сигнала тактирования [4]. На рис. 2 показаны сигналы, генерируемые передатчиками в разные моменты времени в областях от A до F (активация передатчиков производится в порядке А ^ B ^ C ^ D ^ E ^ F), и сигналы, принимаемые в зонах покрытия AB и BC.
Чтобы получить корректный синхросигнал, необходимо находиться в зоне 10, в противном случае будут получаться элементы сигнала синхронизации (например, на рис. 2 сигналы в зонах AB и BC), что не позволит правильно принять информационный сигнал.
Алгоритм генерации синхросигнала должен иметь достаточную сложность, чтобы было невозможно восстановить сигнал, находясь в других областях покрытия антенн передатчиков [5]. Для решения этой проблемы предлагается использовать искусственные динамические нейроны.
Необходима также защита передаваемой информации. Сигналы синхронизации передает группа передатчиков. Не зная точного
Рис. 2. Синхросигналы в разных зонах приема Fig. 2. Synchronization signals in different areas of reception
места пересечения покрытии всех станции, невозможно принять правильные информационные сообщения. Считается, что станция, передающая данные, представлена одним передатчиком, работающим в диапазоне частот, отличном от диапазона станций, формирующих синхросигнал. Для невозможности определения моментов передачи данных и времени простоя предлагается использовать нейронную сеть, выполненную на основе динамических нейронных модулей, генерирующую определенный информационный трафик. Передаваемая информация будет встраиваться в посылаемые последовательности путем адаптивного изменения синхросигнала, что позволит скрыть транслируемую информацию и моменты времени активности передающей станции.
Разработка нейросетевых модулей и алгоритмов обучения
Разработанная нейросетевая структура для генерации фоновых информационных последовательностей базируется на применении динамических нейронных модулей (ДНМ), которые представляют собой модели искусственных нейронов с развитой системой обратных связей (ОС) [6]. Сигналы обратной связи могут поступать как от самого нейрона, так и от других ДНМ, входящих в состав нейросетевой структуры. ДНМ со сложной архитектурой включают в себя вычислительные операции для обработки сигнала ОС: функциональные преобразования, умножение на весовые коэффициенты, суммирование с сигналами от различных структур ДНМ. Каждый ДНМ имеет собственное внутреннее состояние, определяющее динамические характеристики всей нейросетевой системы в целом.
Так как доступно применение большого количества вариантов нелинейных функциональных преобразований внутри модуля, введение различных типов синаптических соединений как внутри модуля, так и между отдельными элементами нейронной сети, становится возможным создание дина-
мических нейросетевых моделей с нелинейными характеристиками для решения сложных вычислительных задач. В работе предлагается использовать динамические нейронные модули, структура которых соответствует динамическому модулю 5-го класса (рис. 3) [7]. Выбор нейросетевых модулей данного класса обусловлен наличием развитой сети комплексных обратных связей, позволяющих строить компактные системы для управления и контроля.
Разработанная архитектура нейронной сети содержит два типа модифицированных ДНМ. Первый модифицированный ДНМ показан на рис. 4: f1, f4 f5 — функция гиперболического тангенса; f2 — функция гиперболического синуса; f6 — функция синуса; f3 — функция симметричной гауссовской кривой, которая задается формулой
-0,5( х-с)2
£,( х) = е 82
(1)
где с — максимум функции (с = 0,78); 8 — коэффициент концентрации (8 = 0,95).
Весовые коэффициенты имеют следующие значения: w1 = -0,255, w2 = 0,35, Wз = 0,75, w4 = 0,85, w5 = -0,18, w6 = 0,85. Для коэффициентов, входящих в цепи обратной связи, установлены следующие значения: wa = -0,15, wв = -0,85, w,1 = 0,55. Кроме переменных параметров, значения которых можно изменять алгоритмом обучения, в состав ДНМ входит группа констант: с1 = 0,15, с2 = 0,5, необходимых для поддержания работы колебательного режима (аналог источников энергии для осциллирующих систем) [8].
В рассматриваемый модуль были внесены конструктивные изменения.
1. Входной сигнал для ДНМ представляет собой последовательность задержанных входных сигналов. Для осуществления возможности получения такой последовательности в модуль введен банк элементов задержки.
2. Взвешенный пороговый сигнал (сигнал с весом w0 на рис. 3) заменен на произ-
\ 49
Vol. 10. No. 5 (59). 2015
Рис. 3. Структурный граф базового ДНМ 5-го класса Fig. 3. Structural graph of the 5th grade basic dynamic neural module
ведение значения константы с1, амплитуды входного сигнала и его задержки на 4 такта работы системы. Модификация необходима для адаптивной перестройки состояния ДНМ в зависимости от амплитуды входного сигнала.
3. Константа в базового ДНМ (см. рис. 3) оказывает воздействие на амплитуду сигнала обратной связи через сумматор S2. В рассматриваемом элементе введен дополнительный умножитель М2 для возможности изменения сигнала ОС в зависимости от состояния нейронного модуля. Для этого оценивается амплитуда задержанного на 2 и 4 такта работы системы входного сигнала, выход сумматора S1 и сигнал с функции f4 на входе элемен-
та. Выбор источников сигналов состояния ДНМ именно в этих точках обусловлен тем, что предложенная архитектура позволяет успешно ввести в разработанную нейронную сеть сигнал глобальной ОС для получения выходного сигнала с заданными характеристиками.
Второй модифицированный ДНМ показан на рис. 5: f1 — функция гиперболического синуса; fг — функция гиперболического тангенса; ^ — функция симметричной гаус-совской кривой (с = 2,5; 8 = 1,78); функции f4 — 4 соответствуют первой модификации.
Весовые коэффициенты: w1 = 0,25; w2 = - 0,35; Wз = 0,75; w4 = -0,85; w5 = 0,15; w6 = 0,25; wa = 0,18; w|!=-0,1; wY = 0,75. Значения констант: с1 = 0,15; с2 = 0,03125.
Рис. 4. Первая модификация ДНМ 5-го класса Fig. 4. The first modification of the 5th grade dynamic neural module
Том 10. № 5 (59). 2015
Рис. 5. Вторая модификация ДНМ 5-го класса Fig. 5. The second modification of the 5th grade dynamic neural module
Во вторую модификацию были внесены следующие изменения.
1. Элементы задержки входного сигнала.
2. Взвешенный пороговый сигнал (сигнал с весом w0 на рис. 3) заменен на произведение значения константы с1, амплитуды задержанного на 3 и 4 такта работы системы входного сигнала, задержанного на 5 тактов входного сигнала и его функционального преобразования (выход функции f5). Последний множитель представляет собой дополнительно введенный сигнал с одной из обратных связей.
3. Дополнительно введен сумматор S4. Значение его взвешенной суммы (произведение на весовой коэффициент w7) ослабляет влияние локальных ОС для данной модификации ДНМ.
На основе проведенных модификаций ДНМ выполняется построение нейронной сети, которая имеет структуру, показанную на рис. 6.
Структурные связи между динамическими нейронными модулями показаны на рис. 6. Блок rem выполняет функциональное преобразование, заключающееся
Рис. 6. Структурная схема нейронной сети Fig. 6. Block diagram of a neural network
v_51
Vol. 10. No. 5 (59). 2015
в вычислении остатка от деления значения амплитуды сигнала с ДНМ с модификацией первого типа на значение амплитуды сигнала с ДНМ с модификацией второго типа. В модули #2 и #3 введены сигналы глобальной обратной связи (способ определения точек ввода рассмотрен ниже). Все модули взаимодействуют между собой через глобальную ОС, сигнал которой формируется блоком нейрона с возбуждающе-тормозящей динамикой (НВТД). Структурная схема блока НВТД показана на рис. 7. Модуль TFc реализует передаточную функцию:
TFc(s) =
s + 5s + 7s + 9 2 s3 + s2 + 0,8 s +1,75
(2)
Весовые коэффициенты и константы принимают следующие значения: w1 = = 0,15; w2 = 0,05; Wз = 0,85; w4 = 0,37; w5 = -0,48; с1 = с2 = 0,15.
Модули #1 и #2 формируют сигнал для возбуждающей части нейронного элемента х1, а #3 и #4 предназначены для генерации входного сигнала ингибирующего входа
нейронного элемента х2. Модуль НВТД базируется на биологической модели нейрона, у которого электрохимический потенциал определяется комплексным процессом взаимодействия возбуждающих и тормозящих постсинаптических потенциалов. В результате данный модуль позволяет организовать взаимодействие между группами ДНМ, характеризующимися определенными свойствами (1-я группа ДНМ #1 и #2; 2-я группа ДНМ #3 и #4). НВТД легко масштабируется, что позволяет выполнять простую процедуру увеличения количества ДНМ различных классов в составе разрабатываемой нейронной сети.
Для успешного решения поставленной задачи необходимо выбрать точки введения сигнала глобальной ОС от НВТД. Для того чтобы не требовалось изменять внутреннюю структуру ДНМ различных модификаций, а также не производить дополнение уже разработанных модулей новыми функциональными преобразованиями, предлагается в качестве таких точек использовать сумматоры и умножители ДНМ. Потен-
Рис. 7. Структурная схема модуля НВТД Fig. 7. Block diagram of the neuron with the excitatory-inhibition dynamics
циальными входами сигналов ОС для ДНМ первой модификации могут быть входы сумматоров S2, S3 и умножителей М1, М2, М3. Такой же принцип применяется и для ДНМ второй модификации. Сигналы глобальной ОС в данной системе выполняют функцию дестабилизации возбуждающей и инги-бирующей частей нейронной сети. В случае неправильного выбора входов для сигнала ОС возможно отсутствие выходного сигнала, или его амплитуда будет слишком мала для применения в практических системах [9]. На рис. 8 показан выходной сигнал для рассмотренной конфигурации, но без введения сигнала ОС.
Амплитуда получаемого сигнала настолько мала, что не позволяет использовать сеть без ОС в практических приложениях, так как уровень шумов системы будет выше уровня полезного сигнала. Определение входов для ОС является важной процеду-
рой, неправильное выполнение которой также не позволит получить амплитуду выходного сигнала, пригодного для практического применения. На рис. 9 показан выходной сигнал для случая, когда в качестве точек ввода ОС был выбран сумматор S1 ДНМ #2 и сумматор S3 ДНМ #3.
Для определения точек введения сигнала ОС от модуля НВТД предлагается использовать венгерский алгоритм [10]. В практических задачах часто возникает необходимость оптимального распределения ресурсов. Одна из особенностей алгоритма заключается в том, что каждый ресурс, имеющийся в наличии, применяется только один раз. Для применения венгерского алгоритма в рассматриваемой задаче необходимо снять данное ограничение, так как применение всех выходных сигналов модуля НВТД может оказаться нецелесообразным при вычислениях.
!
щ*
i i i .1 i
Е
3 '
<П
я
Р 05
Отсчет времени {е такгэк ра&оты системы)
Рис. 8. Выход нейронной сети без сигнала ОС Fig. 8. The output of the neural network without feedback
I 1
i i!, ii i
k II Ik
тшщ
t 'i11 1 i
i
■
£ ЯЗ
Г
Отсчет времени (в такта* работы системы)
Рис. 9. Выходной сигнал при неоптимальном вводе сигнала ОС Fig. 9. The output signal at a non-optimal input of feedback signal
\ 53
Vol. 10. No. 5 (59). 2015
Чтобы процесс оптимизации можно было выполнить за время, позволяющее применять НС в практических приложениях, количество возможных вводов сигнала ОС ограничим тремя входами. Решение задачи может быть описано в виде матрицы (табл. 1), столбцы которой определяют возможные точки входа сигнала ОС, а строки — сигналы, которые имеются в распоряжении. Если в ячейке, расположенной на пересечении
Таблица 1. Возможные точки входа сигнала ОС
Table 1. Possible entry points of the feedback signal
\ ДНМ #1 ДНМ #2
M„ M12 M,3 Su S,2 Si3 M21 M22 S21 S22 S23 S24
Унвтд 0 0 0 0 0 0 0 0 0 0 0 0
Унвтд_1 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_2 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_3 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_4 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_5 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_6 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_7 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_8 0 0 0 0 0 1 0 0 0 0 0 0
унвтд_9 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_10 0 0 0 0 0 0 0 1 0 0 0 0
унвтд_11 0 0 0 0 0 0 0 0 0 0 0 0
ДНМ #3 ДНМ #4
M31 M32 M33 S3, S32 S33 M41 M42 S41 S42 S43 S44
Унвтд 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_1 0 0 0 0 1 0 0 0 0 0 0 0
унвтд_2 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_3 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_4 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_5 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_6 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_7 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_8 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_9 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_10 0 0 0 0 0 0 0 0 0 0 0 0
унвтд_11 0 0 0 0 0 0 0 0 0 0 0 0
строки и столбца, находится «1», то выходной сигнал модуля НВТД, расположенный на данной строке, подается на вход элемента, обозначенного в соответствующем столбце.
Перед процедурой оптимизации необходимо ввести матрицу стоимости valjj — затраты, связанные с введением 1-го сигнала в ¡-й вычислительный элемент нейронной сети. Первоначально матрица стои-
мости определяется только в зависимости от того, в какой вычислительный элемент вводится дополнительный сигнал обратной связи.
Введение нового множителя в умножитель требует больше затрат, чем введение дополнительного слагаемого в сумматор. Поэтому затраты, связанные с изменением суммирующих элементов, первоначально примем равными 1, а затраты на введение дополнительного множителя — 2. Для проверки оптимальности получаемого решения на каждой стадии алгоритма выполняются изменения матрицы стоимости в зависимости не от типа применяемых вычислительных модулей, а от качества получаемого решения.
Таким образом, может потребоваться оценка некоторого множества получаемых примеров при разных матрицах стоимости. Но этот метод позволяет достаточ-
но просто найти точки ввода ОС для получения выходного сигнала, необходимого для решения поставленной задачи. Пример конфигурации нейронной сети показан в табл. 1. При такой конфигурации становится возможным получить сигнал, показанный на рис. 10.
Полученный непрерывный сигнал необходимо преобразовать в бинарный сигнал. Для этого выполняется преобразование Y = abs (fix(X)), где X — входной сигнал, fix (X) — функция возвращает значение аргумента X с усечением дробной части, abs — функция, возвращающая абсолютное значение аргумента. Полученный сигнал будет использован для формирования информационных групп, которые постоянно передаются в эфир и используются для передачи полезной информации (рис. 11).
Для формирования синхросигналов был разработан динамический нейрон. Сигнал,
Рис. 10. Пример выходного сигнала при оптимальном вводе ОС Fig. 10. The example of the output signal at the optimum feedback signal input
Рис. 11. Пример информационного фонового шума Fig. 11. The example of the background informational noise
\ 55
Vol. 10. No. 5 (59). 2015
формируемый нейроном, используется для формирования тактовых сигналов. Переход из нулевого состояния в единичное соответствует наличию корректного информационного сигнала в эфире. Разработанный цифровой динамический нейрон характеризуется тем, что его поведение зависит от его предыдущих состояний [11]. Кроме того, в состав нейрона был введен модуль памяти, содержащий набор данных, определяющих поведение нейрона. Необходимо спроектировать нейрон с достаточно простой структурой, чтобы существовала возможность его реализации на широко распространенных программируемых логических интегральных схемах (ПЛИС). В данной работе применялась ПЛИС фирмы Altera семейства MAX II EPM240T100A5, содержащая 240 логических элементов. ПЛИС данного семейства имеют встроенный UFM (user flash memory) блок памяти размером 8192 бита. Гибкие возможности организации памяти, возможность конфигурирования ширины адресной шины и шины данных, выбор интерфейсного протокола для доступа к блоку UFM делает возможным реализацию требуемого динамического нейрона. Внутренняя архитектура динамического нейрона и количество проводников в шинах показаны на рис. 12.
Для системы модуля UFM выбрана организация в виде 512 16-разрядных слов. В каждом такте работы системы на нейрон подаются 16 бит информации: 4 младших бита выступают в качестве входного сигнала, следующие 4 бита — значения весовых коэффициентов, оставшиеся 8 бит информации применяются для формирования сигнала обратной связи нейрона путем выполнения логической операции «исключающее "или"» с битами выходного сигнала. После выполнения 512 тактов работы системы (1 такт — прохождение сигналов через нейронный элемент и формирование выходного сигнала) процесс начинается заново, но выходной сигнал не будет совпадать с сигналом, полученным в первом цикле считывания значений в модуле памяти из-за наличия обратной связи. Форма выходного сигнала будет полностью определяться значениями байтов в памяти и способом формирования сигнала обратной связи. Чтобы минимизировать время конфигурирования динамического нейрона в качестве способа воздействия на входной сигнал, рассмотрим только изменения ячеек памяти блока UFM. Процедура определения содержимого памяти полностью определяет процедуру функционирования нейрона. Неправильная начальная конфи-
Рис. 12. Структура нейрона для формирования синхроимпульсов Fig. 12. The structure of the neuron to generate a lockout pulse
56 I
гурация приводит к выходным сигналам, показанным на рис. 13.
Выход нейрона представлен цифровой линией из 8 разрядов. Сигнал из каждого канала может быть использован для формирования синхросигналов для передачи информации. Для получения труднопрогнозируемой последовательности синхроимпульсов в качестве источников тактовой синхронизации последовательно применяются сигналы из каждого канала. Каждую секунду происходит случайная смена канала, что позволяет формировать последовательность тактовых импульсов с заданными свойствами. Неправильная инициализация блока памяти не позволяет сформировать сигналы, пригодные для решения поставленной задачи. Возможно появление длительных периодов без смены логических состояний (каналы у [0] и у [2] на рис. 13 на интервале времени 0,1-0,2 с), длительные периодические последовательности позволяют выполнить прогноз тактового сигнала, и их применение также неприемлемо
(канал у [3], у [4], у [7], интервал времени от 0,05-2,5 с). Для инициализации модуля памяти применялся алгоритм настройки на основе случайного поиска с самообучением [12; 13]. Самообучение алгоритма поиска позволяет в случае применения метода оптимизации с определенной вероятностью «доверять» удачному направлению поиска, степень доверия будет меняться по мере работы алгоритма и получения новых оптимальных решений. Цель настройки динамического нейрона — выбор таких значений ячеек модуля памяти, при которых сигнал, генерируемый нейроном, не будет содержать длительных интервалов без смены логических состояний, но при этом будет непериодическим. Так как применяются 512 16-разрядных чисел, то процесс настройки можно представить в виде оптимизации матрицы памяти размерностью 32x16 (рис. 14).
В качестве базового алгоритма, включающего в себя механизм самообучения, рассмотрим алгоритм случайной оптимизации:
Рис. 13. Выходные сигналы нейрона Fig. 13. The outputs of the neuron
v_57
ты (Г+1)=
\т,у(Г)(О, Я Е(тц(Г)+£,.(Г))<Е(ти(Г)), (3) = [т,у (Г), Я Е(ти (Г)(Г))>Е(т,у(Г))
где т, у — вектор, составленный из элементов матрицы ву-м столбце (I = 1,..., 32; у = 1,..., 16); Г — отсчеты времени работы системы; X — вектор случайной пробы.
M =
m,
m0
m3
mA m
m2< m3,
m
m
m
m
m
m
m3,
mA
m
m2
m
m
m
E = ■
1
(fi- a)2 S,2
+ e
te - AT )2
s2
функции от величины а, соответствующей характеристике качества при оптимизации системы в определенном направлении поиска [14]. В качестве функций F(а) была использована линейная функция
F (а) =
0, if а < -1
1(1-а), if -1 <а<1. (6)
1, if а > 1
(A)
Ошибка Е — характеристика качества выходного сигнала, определяемая по формуле
(5)
где г = cs /с1г ; cs — смена состояния исследуемого сигнала (0 — 1, 1 — 0); с1г — частота тактирования динамического модуля, а и 81 — константы; определяемые требованиями к генерируемым сигналам (в данной работе а = 0,575, = 0,125); г2 — среднее время между переходами 0 — 1; Т — время перехода из 0 - 1 у тактирующего сигнала динамического нейрона; 52 = 3,5 • Т.
Самообучение вводится в виде перестройки вероятностных характеристик, т. е. в изменении вектора случайной пробы X. В результате выполнения операции вектор приобретает преимущественные направления в сторону уменьшения Е. Алгоритм самообучения определяет вероятность движения вдоль определенного вектора в виде
Процедура обучения производится путем изменения параметра а:
а(Г + 1) = а(Г) + пдп(Дту ДЕу (Г -1)), (7)
где п — коэффициент скорости самообучения; sIgn — функция, возвращающая знак своего аргумента. Смысл выражения следующий — если шаг настройки привел к ухудшению параметров сигналов, генерируемых динамическим нейроном, то вероятность выбора этого направления настройки при последующем шаге уменьшается.
С помощью данного алгоритма выполняется настройка блока памяти динамического нейрона и получаются сигналы, показанные на рис. 14, пригодные для практического применения.
После того как все компоненты системы были настроены, процесс ее функционирования заключается в следующем. В каждом передатчике тактовой последовательности размещен динамический нейрон, все нейроны имеют одинаковое начальное состояние, поэтому передатчики могут полностью восстановить последовательность синхроимпульсов. Передача сигнала в эфир осуществляется в течение времени, которое предоставляется для работы каждой станции (в данной задаче 165 мс). На заданном временном интервале определенная станция передает сигнал синхронизации, который можно принять только в зоне покрытия выбранной станции. Информационный передатчик (ИП) также может восстановить последовательность тактовых импульсов
Том 10. № 5 (59). 2015
Рис. 14. Выходные сигналы нейрона Fig. 14. The outputs of the neuron
(динамический нейрон входит в структуру передающей системы). Если знать все параметры нейронной сети (которые в данной задаче выступают в качестве ключа), то возможно вычислить значение шумового сигнала в конкретный временной промежуток. ИП, опираясь на тактовые последовательности, заменяет шумовые составляющие сигнала на биты полезной информации. В результате изменение синхросигнала из нулевого логического уровня в единичный свидетельствует о наличии корректного бита передаваемой информации.
Повысить уровень защищенности обрабатываемых данных можно путем аппаратной реализации нейросетевой структуры, применяемой для генерации информационных последовательностей. Замена сумматора в ДНМ на суммирующий интегратор с потерями по схеме с переключающимися конденсаторами позволит обрабатывать сигнал, представленный в виде последовательности прямоугольных импульсов. Появится возможность организации мониторинга производимого информационного фонового шума. Анализ параметров генерируемого сигнала позволит организовать эффективную систему безопасной переда-
чи информации в беспроводных сетях. Особенность применения искусственных ден-дритов данного класса заключается в постоянном контроле частоты управляющего сигнала, предназначенного для коммутации переключаемых конденсаторов.
Управляя параметрами сигнала, можно изменять свойства искусственного нейрона. Для обеспечения возможности функционирования описанной модификации необходимо применение осциллирующей структуры для поддержания работы эквивалентных сопротивлений за счет генерации импульсов. Основным недостатком является усложнение всей системы в целом, что обосновывает стратегию, описанную в статье: динамические нейронные модули реализуются программно, а нейроны для выработки сигналов синхронизации — аппаратно.
Заключение
В статье описана разработка нейросе-тевых структур, которые могут быть применены для организации безопасной передачи в сети связи. В качестве примера организации беспроводной сети рассмотрена система, состоящая из группы передатчи-
\ 59
Vol. 10. No. 5 (59). 2015
ков, которые передают информационные сигналы и тактовые последовательности в различных частотных диапазонах. Разработанная нейронная сеть, основанная на модифицированных динамических нейронных модулях, способна генерировать информационные последовательности для создания «информационного шума» и затруднения детектирования корректного информационного сигнала третьей стороной. Динамический нейронный модуль обладает простой архитектурой, позволяющей выполнить его реализацию на широко распространенных электронных компонентах. Данная особенность позволяет применять динамический нейрон для формирования синхросигнала в отдельных элементах сети связи для корректного приема информации.
Разработанные алгоритмы обучения, которые применялись для настройки комплекса нейросетевых модулей, позволили сконфигурировать нейросетевые блоки для оптимального формирования тактовых сигналов и обеспечения оптимальной работы всей системы. Таким образом, возможно применение нейросетевых технологий для обеспечения безопасной доставки информации получателю без применения средств скремблирования и шифрования. Дальнейшее развитие системы может быть направлено на введение дополнительных нейросетевых блоков управления, способных адаптивно изменять коэффициент усиления в усилителях мощности базовых передатчиков для адаптивного управления шириной зоны покрытия синхросигнала. Данная модификация позволила бы применить разработанные методы для оптимального приема сигналов движущимся объектом.
Список литературы
1. Яценков В. С. Микроконтроллеры Microchip rfPIC
со встроенным маломощным радиопередатчиком.
М.: Горячая линия — Телеком, 2006. — 344 с.
2. Шевкопляс Б. В. Вероятностная синхронизация в телекоммуникационных системах: учебное пособие.
М.: БИНОМ. Лаборатория знаний, 2012. — 168 с.
3. Осовский С. Нейронные сети для обработки информации / пер. с польского И. Д. Рудинского. М.: Финансы и статистика, 2002. — 344 с.
4. Скляр Б. Цифровая связь. Теоретические основы и практическое применение. Изд. 2-е, испр.: пер. с англ. М.: Издательский дом «Вильямс», 2003. — 1104 с.
5. Кулешов В. Н, Удалов Н. Н, Богачев В. М. Генерирование колебаний и формироваие радиосигналов: учеб. пособие / под ред. В. Н. Кулешова и Н. Н. Уда-лова. М.: Издательский дом МЭИ, 2008. — 416 с.
6. Хайкин С. Нейронные сети: полный курс, 2-е издание.: пер. с англ. М.: Издательский дом «Вильямс», 2008. — 1104 с.
7. Madan M. Gupta, Liang Jin, and Noriyasu Homma. Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory. ISBN: 978-0-471-21948-4, 752 pages, April 2003, Wiley-IEEE Press.
8. Терехов В. А. Нейросетевые системы управления: Учеб. пособие для вузов. М.: Высшая школа, 2002. — 183 с.
9. Червяков Н. И., Евдокимов А. А., Галушкин А. И., Лавриненко И. Н., Лавриненко А. В. Применение искусственный нейронных сетей и системы остаточных классов в криптографии. М.: ФИЗМАТЛИТ, 2012. — 280 с.
10. Грешилов А. А. Математические методы принятия решений: учеб. пособие (с расчетными программами на оптическом диске). 2-е изд., испр. и доп. М.: Изд-во МГТУ им. Н. Э. Баумана, 2014. — 647 с.
11. Дорогов А. Ю. Теория и проектирование быстрых перестраиваемых преобразований и слабосвязанных нейронных сетей. Спб.: Политехника, 2014. — 328 с.
12. Скиена С. Алгоритмы. Руководство по разработке. 2-е изд.: пер. с англ. СПб.: БХВ-Петербург, 2011. — 720 с.
13. Борисов В. В, Круглов В. В, Федулов А. С. Нечеткие модели и сети. 2-е изд., стереотип. М.: Горячая линия — Телеком, 2012. — 284 с.
14. Лафоре Р. Структуры данных и алгоритмы Java. Классика Computers Science. 2-е изд. СПб.: Питер, 2011. — 704 с.
References
1. Yatsenkov V. S. Mikrokontrollery Microchip rfPIC so vstroennym malomoshchnym radioperedatchikom [Microcontrollers Microchip rfPIC with integrated low-power radio transmitter]. Moscow: Goryachaya liniya — Telekom Publ., 2006. 344 p.
2. Shevkoplyas B. V. Veroyatnostnaya sinkhronizatsiya v telekommunikatsionnykh sistemakh: uchebnoe poso-bie [Probabilistic synchronization in telecommunication systems: schoolbook]. Moscow: BINOM, Laboratoriya znanii Publ., 2012. 168 p.
3. Osovskii S. Neironnye seti dlya obrabotki informatsii [Neural network for information processing]. Moscow: Finansy i Statistika Publ., 2002. 344 p.
60
Том 10. № 5 (59). 2015
4. Sklar Bernard. Digital communications: Fundamentals and Applications. Second Edition. Prentice Hall PTR, 2001. 1104 p.
5. Kuleshov V. N., Udalov N. N., Bogachev V. M. Gener-irovanie kolebanii i formirovaie radiosignalov: uchebnoe posobie [Generation of oscillations and formation of radio signals]. Ed. by V. N. Kuleshova, N. N. Udalova. Moscow: Izdatel'skii dom MEI, 2008. 416 p.
6. Haykin Simon. Neural networks. A Comprehensive Foundation. Second Edition. Prentice Hall, Inc., 1999. 1104 p.
7. Madan M. Gupta, Liang Jin, and Noriyasu Homma. Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory. Wiley-IEEE Press, 2003, April. 752 p.
8. Terekhov V. A. Neirosetevye sistemy upravleniya: uchebnoe posobie dlya vuzov [Neural network control systems: textbook for high schools]. Moscow: Vyssha-ya Shkola Publ., 2002. 183 p.
9. Chervyakov N. I., Evdokimov A. A., Galushkin A. I., Lavrinenko I. N., Lavrinenko A. V. Primenenie iskusst-vennyi neironnykh setei i sistemy ostatochnykh klassov
v kriptografii [Application of artificial neural networks and the system of residual classes in cryptography]. Moscow: FIZMATLIT, 2012. 280 p.
10. Greshilov A. A. Matematicheskie metody prinyatiya reshenii: uchebnoe posobie [Mathematical methods of decision-making: schoolbook]. 2-e izd., ispravlennoe i dopolnennoe. Moscow: Izd-vo MGTU im. N. E. Baumana, 2014. 647 p.
11. Dorogov A. Yu. Teoriya i proektirovanie bystrykh per-estraivaemykh preobrazovanii i slabosvyazannykh neironnykh setei [Theory and Design of quick tunable transformations and loosely coupled neural networks]. Spb.: Politekhnika Publ., 2014. 328 p.
12. Steven S. Skiena. The Algorithm Design Manual. Second Edition. Springer, 2008. 720 p.
13. Borisov V. V., Kruglov V. V., Fedulov A. S. Nechetkie modeliiseti [Fuzzy models and networks]. 2-e izd., stereotip. Moscow: Goryachaya liniya — Telekom Publ., 2012. 284 p.
14. Robert Lafore. Data Structures & Algorithms in Java. Second Edition. Sams Publishing, 2003. 704 p.
Y. Lavrenkov, Kaluga Branch of the Bauman Moscow State Technical University, Kaluga, Russia, georglawr@yandex.ru L. Komartsova, Kaluga Branch of the Bauman Moscow State Technical University, Kaluga, Russia, lkomartsova@yandex.ru
Security of information transmission over wireless communication channels based on neural network modules
The article refers to the possibility of using neural network security methods of digital transmission in wireless networks. Analyzed the organization of information transfer and synchronization signals by two groups of transmitters operating in different frequency ranges. Organization of the system involves the transfer of synchronization signals by a group of transmitters with the same characteristics, but located at certain points in space. As a result, the correct information sequences can be accepted only if you know the area of the intersection of coverage zones of all clock transmitters. For protection of the transmitted information, it is proposed to use two neural network structures. The first neural network is constructed of two modified dynamic neural modules and a neuron with excitatory-inhibition dynamics. Its main purpose is to produce a background of the information signal, which is applied to conceal the information transmission, and also does not allow to determine activity times of transmitting stations. A modified Hungarian algorithm was used to configure the neural network and identify entry points of feedback signals was used. The second neural network structure consist of a dynamic digital neuron. One of the structures of a neuron is a block of memory, the content of its cells completely determines the dynamics of the development of states of the neuron. Its primary purpose is to generate a unique signal to synchronize the whole wireless network. Configuring of the neuron was carried out using a random search algorithm with self-learning. The main purpose of the algorithm was to initialize the memory block of a neural element. The joint functioning of the two developed neural network structures can protect the transmitted information without using of scrambling methods.
Keywords: dynamic neural modules, wireless data transmission, neural network learning algorithms, search algorithms with self-tuning, neurons with excitatory-inhibition dynamics.
About authors: Y. Lavrenkov, PhD in Technique; L. Komartsova, Dr of Technique For citation: Lavrenkov Y. N., Komartsova L. G. Security of information transmission over wireless communication channels based on neural network modules. Prikladnaya Informatika — Journal of Applied Informatics, 2015, vol. 10, no. 5 (59), pp. 47-61 (in Russian).
v_61
