CC BY
42
Министерство образования и науки РФ
Правительство Пензенской области Академия информатизации образования Академия проблем качества РФ Российская академия космонавтики им. К.Э.Циолковского Российская инженерная академия Вычислительный центр РАН им. А.А.Дородницына Институт испытаний и сертификации ВВТ ОАО «Радиотехнический институт имени академика А.Л.Минца» ОАО «УПКБ ДЕТАЛЬ», ОАО «РУБИН» ОАО «НИИФИ», ОАО «ПНИЭИ», ФГУП ФНПЦ «ПО СТАРТ», НИКИРЭТ, ЗАО «НИИФИиВТ» ОАО «ППО ЭЛЕКТРОПРИБОР», ОАО «РАДИОЗАВОД» Пензенский филиал ФГУП НТЦ «АТЛАС» ОАО «ТЕХПРОММАШ», МИЭМ НИУ ВШЭ, Евразийский Национальный университет им. Л.Н. Гумилева Сургутский институт мировой экономики и бизнеса «ПЛАНЕТА» Пензенский государственный университет
АадижУ{%шсж
ТРУДЫ
МЕЖДУНАРОДНОГО СИМПОЗИУМА
НАДЕЖНОСТЬ И КАЧЕСТВО
II то^
ПЕНЗА 2015
УДК 621.396.6:621.315.616.97:658:562 Т78
Труды Международного симпозиума «НАДЕЖНОСТЬ И КАЧЕСТВО»:
T78 в 2 т. - Пенза : ПГУ, 2015. - 2 том - 384 с.
ISBN 978-94170-818-5(т.1) ISBN 978-94170-818-8
В сборник трудов включены доклады юбилейного ХХ-го Международного симпозиума «Надежность и качество», проходившего с 25 по 31 мая 2015 г. в городе Пензе.
Рассмотрены актуальные проблемы теории и практики повышения надежности и качества; эффективности внедрения инновационных и информационных технологий в фундаментальных научных и прикладных исследованиях, образовательных и коммуникативных системах и средах, экономике и юриспруденции; методов и средств анализа и прогнозирования показателей надежности и качества приборов, устройств и систем, а также анализа непараметрических моделей и оценки остаточного ресурса изделий двойного назначения; ресурсосбережения; проектирования интеллектуальных экспертных и диагностических систем; систем управления и связи; интерактивных, телекоммуникационных сетей и сервисных систем; экологического мониторинга и контроля состояния окружающей среды и биологических объектов; исследования физико-технологических процессов в науке, технике и технологиях для повышения качества выпускаемых изделий радиопромышленности, приборостроения, аэрокосмического и топливно-энергетического комплексов, электроники и вычислительной техники и др.
Оргкомитет благодарит за поддержку в организации и проведении Международного симпозиума и издании настоящих трудов Министерство образования и науки РФ, Правительство Пензенской области, Академию проблем качества РФ, Российскую академию космонавтики им. К. Э. Циолковского, Российскую инженерную академию, Академию информатизации образования, Вычислительный центр РАН им. А. А. Дородницына, Институт испытаний и сертификации ВВТ, ОАО «Радиотехнический институт имени академика А.Л. Минца», ОАО «УПКБ ДЕТАЛЬ», ОАО «НИИФИ», ФГУП «ПНИЭИ», ОАО «РУБИН», ОАО «РАДИОЗАВОД», ОАО «ППО ЭЛЕКТРИПРИБОР», ФГУП «ПО «СТАРТ», НИКИРЭТ - филиал ФГУП «ПО «СТАРТ», Пензенский филиал ФГУП НТЦ «АТЛАС», ОАО «ТЕХПРОММАШ», МИЭМ НИУ ВШЭ, Евразийский Национальный университет им. Л.Н. Гумилева, Сургутский институт мировой экономики и бизнеса «ПЛАНЕТА»,Пензенский государственный университет.
Сборник статей зарегистрирован в Российском индексе научного цитирования (РИНЦ) с 2005 г.
Р е д а к ц и о н н а я к о л л е г и я :
Юрков Н. К. - главный редактор Трусов В. А. - ответственный секретарь Баннов В. Я. - ученый секретарь Волчихин В. И., Абрамов О. В., Авакян А. А., Дивеев А.И., Иофин А. А., Каштанов В. А., Майстер В. А., Острейковский В.А., Петров Б. М., Писарев В. Н., Роберт И. В., Романенко Ю. А., Северцев Н. А., Садыков С. С., Садыхов Г. С., Увайсов С. У.
ISBN 978-94170-818-5(т.1) ISBN 978-94170-818-8
© Оргкомитет симпозиума, 2015 © ФГБОУ ВПО «Пензенский государственный университет», 2015
m « E(h)+
Да(И)
(8)
После подобной коррекции оценки числа степе-
ней свободы вероятность ошибок оценивается следующим образом:
1
первого рода
P
1
22 -Г
J h
-h
exp i^r dh
(9)
В нашем случае расчеты по формуле (9) дают ?1=0.105. Если бы мы пользовались обычным алгоритмом оценки вероятности, то получили бы Р1=3/20=0.15. То есть использование априорной информации и более сложных вычислений дает возможность снизить примерно на треть размер тестовой выборки. Выигрыш по размерам тестовой выборки от применения более сложных вычислений (7), (8), (9) быстро увеличивается по мере ужесточения требований к вероятности ошибок первого рода. При необходимости оценить энтропию кодов «Свой» следует применить выражение (3), заменив в нем вероятность ошибок второго рода на вероятность ошибок первого рода.
Переход от наблюдения длинных биометрических кодов «Чужой» и кодов «Свой» в пространство расстояний Хэмминга дает значительный выигрыш по требованиям к тестовой выборке. Наибольший выигрыш получается при слабо коррелированных кодах. Однако этот выигрыш сохраняется и при сильно коррелированных кодах. Видимо полностью независимые коды (типа «белый шум») и полностью зависимые коды дают локальные максимумы выигрыша в размерах тестовой выборки.
Предположительно, что в будущем ряд биометрических приложений придется создавать исходя из условия равных значений вероятностей ошибок первого и второго рода РЕЕ=Р1=Р2. В этом случае сложности оценки почти нулевой энтропии кодов «Свой» и предельно высокой энтропии кодов «все Чужие» оказываются сопоставимы. И в том и в другом случае прямые оценки вероятностей появления редких событий осуществлять не целесообразно. Гораздо более целесообразным является переход в пространство расстояний Хэмминга и учет априорной информации о законе распределения данных для примеров образа «Свой» и примеров разных образов «Чужие».
ЛИТЕРАТУРА
1. Ахметов Б.С., Иванов А.И., Фунтиков В.А., Безяев А.В., Малыгина Е.А. Технология использования больших нейронных сетей для преобразования нечетких биометрических данных в код ключа доступа. Монография, Казахстан, г. Алматы, ТОО «Издательство LEM», 2014 г. -144 c., находится в открытом доступе (http://portal.kazntu.kz/files/publicate/2 014-06-27-11940.pdf)
2. Ахметов Б.С., Волчихин В.И., Иванов А.И., Малыгин А.Ю. Алгоритмы тестирования биометрико-нейросетевых механизмов защиты информации Казахстан, Алматы, КазНТУ им. Сатпаева, 2013 г.- 152 с. ISBN 978-101-228-586-4, http://portal.kazntu.kz/files/publicate/2 014-01-0 4-1194 0.pdf
3. Ахметов Б.С., Надеев Д.Н., Фунтиков В.А., Иванов А.И., Малыгин А.Ю. Оценка рисков высоконадежной биометрии. Монография. Алматы: Из-во КазНТУ им. К.И. Сатпаева, 2014 г.- 108 с.
4. Juels A., Wattenberg M. A Fuzzy Commitment Scheme // Proc. ACM Conf. Computer and Communications Security, 1999, p. 28-36
5. F. Monrose, M. Reiter, Q. Li, S. Wetzel. Cryptographic key generation from voice. In Proc. IEEE Symp. on Security and Privacy, 2001.
6. Y. Dodis, L. Reyzin, A. Smith Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy, Data April 13, In EUROCRYPT, pages 523-540, 2004.
7. Ramirez-Ruiz J., Pfeiffer C., Nolazco-Flores J. Cryptographic Keys Generation Using FingerCodes. //Advances in Artificial Intelligence - IBERAMIA-SBIA 2006 (LNCS 4140), p. 178-187, 2006
8. Feng Hao, Ross Anderson, and John Daugman. Crypto with Biometrics Effectively, IEEE TRANSACTIONS ON COMPUTERS, VOL. 55, NO. 9, SEPTEMBER 200 6.
9. Чморра А.Л. Маскировка ключа с помощью биометрии «Проблемы передачи информации» 2011 № 2(47) с. 128-143.
10. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: ФИЗМАТЛИТ, 2006 г., 816 с.
11. Безяев А.В., Иванов А.И., Фунтикова Ю.В. Оптимизация структуры самокорректирующегося биокода, хранящего синдромы ошибок в виде фрагментов хеш-функций. «Вестник Уральского федерального округа. Безопасность в информационной сфере» 2014 г. № 3(13) с. 4-14.
УДК 681.32 2
Ахметов1 Б.С. г МукапиЛ КСерикова2 Н.И. г ВятчаниН С.Е., Никитченко2 Ю.И.
1Казахский национальный технический университет имени К.И. Сатпаева, Алматы, Казахстан 2ФГБОУ ВПО «Пензенский государственный университет», Пенза, Россия
ИСПОЛЬЗОВАНИЕ МНОЖЕСТВА ПОДОБНЫХ КРИТЕРИЕВ ДЛЯ СЛУЧАЙНОГО ВЫБОРА КОНТРОЛИРУЕМЫХ ПАРАМЕТРОВ ПРИ МНОГОМЕРНОМ СТАТИСТИЧЕСКОМ АНАЛИЗЕ МАЛОЙ ВЫБОРКИ БИОМЕТРИЧЕСКИХ ДАННЫХ
Введение. Одним из наиболее популярных при статистическом анализе данных является критерий Пирсона. В частности только хи-квадрат критерию Пирсона полностью посвящена первая часть рекомендаций Госстандарта [1], тогда как все остальные критерии описаны во второй части рекомендаций [2]. Подробное описание критерия Пирсона в первой части рекомендаций Госстандарта [1], отражает факт высокой востребованности именно этого критерия промышленностью. Большинство методик статистического анализа экспериментальных данных построены на использовании хи-квадрат критерия:
\ 2
X
- n
I
(1),
,=1 Л
где Ь - число опытов, попавших 1-тый интервал гистограммы, р1 - ожидаемая теоретическая вероятность попадания в 1-тый интервал гистограм-
мы, п - число опытов в тестовой выборке, к-число столбцов гистограммы.
Популярность использования хи-квадрат критерия Пирсона в промышленности во многом обусловлена тем, что при п^го его распределение описывается через гамма функцию с т = к-1 числом степеней свободы:
p 2(n = œ, m = k -1, x) = -
1
m i - x
у 2 . n 2
22
m
(2)
Аналитическое описание (2) получено Пирсоном в 1904 году и играло крайне важную роль в первой половине 20-го века, когда вычислительные возможности, используемые при статистической обработке данных были весьма и весьма ограниченными.
Следует подчеркнуть, что наличие аналитического описания хи-квадрат критерия Пирсона сделало этот критерий наиболее популярным как сре-
ди практиков [3, 4, 5], так и среди исследователей, принадлежащих разным математическим школам [6, 7, 8].
К сожалению, традиционное применение хи-квадрат критерия для многомерных зависимых биометрических данных мало изучено, а одномерные схемы испытаний требуют больших объемов данных. В частности для принятия решений по одномерному критерию Пирсона с уровнем доверия 0.99 приходится использовать выборку, состоящую из 400 результатов испытаний. Применение столь больших тестовых выборок недопустимо для биометрии, необходимо добиться их снижения примерно на порядок.
0.03
0.02
0.01
Данная статья посвящена результатам численного моделирования не классического применения критерия хи-квадрат Пирсона для многомерного анализа выборок, состоящих из малого числа примеров. То, что Пирсон не мог сделать 110 лет назад из-за отсутствия компьютеров, сегодня технически выполнимо. Сегодня повторить эксперимент на компьютере 1 000 000 раз вполне возможно.
На рисунке 1 приведены кривые гистограмм распределения значений хи-квадрат критерия данных, полученных в результате численного моделирования распределения значений одномерного хи-квадрат критерия при проверке гипотезы нормальности и гипотезы равномерности входных данных.
0.015
0.01
0.005
4.4 13.6
Рисунок 1 - Гистограммы распределения значений одномерного хи-квадр>ат критерия при проверке гипотезы нормальности и гипотезы равномерности входных данных
Результаты численного моделирования нуждаются в последующем анализе, который усложнен наличием двух видов ошибок. Возникает ошибка первого рода (ложное отклонение верной гипотезы) с вероятностью Pi и возникает ошибка второго рода (ложное принятие неверной гипотезы) с вероятностью P2. Анализировать вероятности ошибок первого и второго рода сложно. В связи с этим упростим задачу через ее симметризацию и будем далее рассматривать только равные вероятности ошибок первого и второго рода Pee=P1=P2 . На рисунке 2 отмечены заливкой равные значения вероятностей ошибок первого и второго рода. Из этого рисунка видно, что при увеличении числа опытов, увеличивается число столбцов гистограммы и падает равновероятная ошибка первого и второго рода.
Так при 25 опытах используется k= -\fñ =5 столбцов гистограммы, что обеспечивает равную вероятность ошибок 0.242 (см. левую часть рисунка 2). Однако уже при 81 опыте могут быть использованы 9 столбцов гистограммы, что обеспечивает равные вероятности появления ошибок первого и второго рода на уровне 0.12 9. Увеличение размеров тестовой выборки в 3 раз приводит к снижению вероятности ошибок в 2 раза. Наблюдается нелинейная зависимость, число опытов в тестовой выборке растет много быстрее в сравнении с падением соответствующей вероятности ошибок Pee . Связь между собой этих двух величин отражена в таблице 1.
Многомерный статистический анализ сложением частных критериев хи-квадрат
Следует отметить, что биометрические данные многомерны. В частности, нейросетевой преобразователь биометрия-код свободно распространяемой среды моделирования «БиоНейроАвтограф» [9], преобразует 416 биометрических параметров в код личного ключа длинной 256 бит. То есть мы имеем возможность анализировать не один, а 416 биометрических параметров. Если мы имеем выборку из 16 примеров, то у нас появляется возможность анализировать 16x416=6656 отсчетов. Появляется реальная возможность увеличить объем обрабатываемых данных и тем самым поднять достоверность принимаемых решений.
Для многомерной обработки воспользуемся сложением частных критериев Пирсона:
X (vi>V2>">Vq) =
Х2(У) +X2(Vi) + ■■■ +x\vq)) q
(3)
Преобразование (3) эквивалентно использованию сети частных критериев Пирсона, структура сети Пирсона приведена на рисунке 2. Сеть частных хи-квадрат критериев Пирсона имеет входные и выходные нелинейные преобразования при линейном суммированием данных между ними (преобразование в соответствии с моделью Гаммерштейна-Винера).
-j Г(У|)
rW
«1»
«0»
Рисунок 2 - Многомерная статистическая обработка данных сетью Пирсона
При переходе к моделированию сети частных критериев хи-квадрат Пирсона достаточно в место двух программных генераторов псевдослучайных чисел использовать q пар генераторов. При малой размерности входных данных q<16 особых сложностей в программировании численного эксперимента не возникает. В таблице 1 приведены значения равных вероятностей ошибок первого рода для разных значений квантователя сетей Пирсона, входной размерности.
Следует обратить внимание на то, что значения порога равной вероятности ошибок остается практически одним и тем же для всех показателей размерности таблицы №1. Это крайне интересный факт, свидетельствующий о значительном упрощении задачи из-за корректно выполненной симметризации. Иллюстрацией этой ситуации является рисунок 3, где приведены распределения расстояний на выходе трехмерной сети Пирсона для нормального и равномерного законов распределения значений.
второго порогов выходного а также для разной
Вероятности ошибок РЕЕ для разных значений порогов и разных значений показателя
входной размерности
q
Таблица 1
Число опытов n
9
16
25
36
49
64
81
100
121
Число столбцов гистограммы k
10
11
Значения вероятностей PE
q =1
0.42
0.32
0.24
22
0.16
14
13
12
09
р
<в д
q =2
0.389
0.262
0.169
109
0.08
04
028
023
021
q =3
0.355
0.216
0.119
068
0.032
024
013
009
006
зсч аоа см ж ц
0.332
0.187
0.089
054
0.019
010
006
004
003
q =5
0.304
0.154
0.061
027
0.012
006
004
002
001
Значения порогов для обеспечения вероятностей P
а в
ио гт он рая ови К х ж
q =1
2.1
3.1
4.4
8.3
11
13.6
17
19.2
q =2
2.2
3.2
4.8
9.1
11
14.4
17
20.1
q =3
2.2
3.2
5.0
9.2
11
14.3
17
20.2
2.1
3.2
4.9
9.2
11
14.5
17
20.1
q =5
2.1
3.2
4.9
9.2
11
14.4
17
20.1
0.04
0.03
0.02
0.01
pU2) 1 25 опытов, q=3
А р = р = р 1 2 = 0.119
ЛЧ Равномер ный закон
/У V
0.02
0.01
р(У ) 81 о Р = Р =' П 2 пыт, q=3 Р= 0.012 ЕЕ
ji )рмальный закон
10
15
20
10
15
20
Рисунок 3
Распределения выходных данных трехмерной сети Пирсона для 25 и 81 опытов
Если сравнивать рисунок 1 и рисунок 3 легко выявить эффект роста линейной разделимости, рассматриваемых распределений значений по мере увеличения числа опытов в обучающей выборке и по мере роста размерности сети частных критериев Пирсона. Это означает, что увеличивая размерность статистической обработки мы можем существенно снизить требования к размерам обучающей выборки. Так при одномерной обработке для получения PЕЕ=0.1 требуется использовать тестовую выборку, состоящую из 112 опытов. Если же мы воспользуемся двухмерной статистической обработкой данных, то для такой же вероятности ошибок PЕЕ=0.1 потребуется выборка из 41 опыта. Наблюдается практически двух кратное снижение требований к размерам обучающей выборки.
Аналитическое описание хи-квадрат распределений для конечных выборок при проверке гипотезы нормального закона распределения значений
Важным свойством хи-квадрат распределений является то, что они имеют точное аналитическое описание не только для выборок бесконечного объема п=«>. Результаты проведения численных экспериментов показали, что для п= 9, 16, 25, 36, 4 9, ... плотность хи-квадрат распределения Пирсона описывается через гамма функцию с целыми показателями числа степеней свободы. В частности, для конечной выборки из 16 опытов (гистограмм из 4 столбцов) плотность распределения будет описываться следующим соотношением:
р 2 (д = 1, п = 16, т = 3, х) =
Повышая размерность входных данных, индукцией удается получить следующее описание хи-квадрат распределения для произвольного значения - q:
p 2 (q, n = 16, x) =
1
2q+2
-1
(2q+2)
(q + 2) • 2 2
- (q+2)x e 2
•Г
2q + 2 2 .
(6)
1
2-22 •Г
(2x)
3-1 2
-2 x , 2
(4)
Для двухмерного хи-квадрат критерия Пирсона плотность распределения будет описываться аналогичным соотношением:
p 2 (q = 2, n = 16, m = 5, x) =
1
3•22 •Г
•(3x)2
-3 x 2
(5)
х((д + 2) • х) 2
Получается, что мы можем воспользоваться аналитическими соотношениями вида (6) для того, что бы построить таблицы квантилей доверительной вероятности для многомерного хи-квадрат распределения Пирсона любой размерности - q. По крайней мере, это может быть сделано для конечной выборки, состоящей из 16 опытов. Предположительно, что аналогичные аналитические соотношения могут быть получены и для других тестовых выборок с числом опытов точно совпадающие с квадратом числа столбцов гистограммы. Во всех иных случаях хи-квадрат распределения не могут быть точно описаны целыми показателями числа степеней свободы. Для их описания должны использоваться дробные (фрактальные) показатели числа степеней свободы.
Понижение размерности как способ учесть корреляционные связи биометрических данных
Одной из проблем многомерного обобщения классического хи-квадрат критерия является то, что его таблицы квантилей достоверности легко строятся для независимых (не коррелированных данных). В биометрии все данные обладают существенными зависимостями, эти зависимости следует учитывать.
Если речь идет о действительно многомерной статистической обработке биометрических данных, то вычислять многомерную корреляционную матрицу нет смысла. С ростом размерности решаемой задачи все более и более важным является ее симметризация. В биометрии, принято [10, 11] осуществлять симметризацию влияния корреляционных связей через вычисление математического ожидания модулей парных коэффициентов корреляции:
P
1
Ik = rnd (1, q)
Соответствующие таблицы пересчета уже созданы
1 N. I для искусственных нейронных сетей [10,11]. Как
К = г(Ук ,vj )| при \j = гп^(7), следствие, аналогичные таблицы преобразований
кфj могут быть построены и для сетей частных крите-
риев Пирсона.
где гпС(1^) = функция случайного выбора це- Заключение
лых чисел в интервале от 1 до q.
При оценках (7) обычно используется несколько сотен пар случайно выбранных биометрических параметров. При любой размерности задачи, удается заменить реальные данные их некоторым эквивалентом, имеющим одинаковые корреляционные связи между всеми учитываемыми параметрами. Такое упрощение задачи позволяет легко оценить эквивалентный показатель размерности:
Как правило, отраслевые методики статистической оценки гипотез по критерию хи-квадрат предполагают использование тестовых выборок из данных о нескольких сотен опытов. Итоговый результат получается точным, однако во многих случаях получит столь большие объемы данных нельзя. В медицине и биометрии считаются достаточными выборки из 20 примеров. Как правило, все примеры биометрии и медицины многомерны.
q « (q — 1)• (1 — R2) +1 (8). Переход к многомерной статистической обработке
Чем выше корреляция данных, тем меньше оказывается эквивалентная размерность, обработки
предположительно должен значительно снизить требования к размерам тестовых выборок. В био-
Рост размерности обра- метрии существует огромный потенциал повышения
статистических данных. ботки и рост коррелированности данных работают в противоположных направлениях. Всегда можно понизить размерность задачи, компенсируя тем
достоверность, принимаемых статистических решений из-за наличия 4 00 и более контролируемых биометрических параметров с показателем корре-самым влияние коррелированности данных. То лированности R-0.3. Необходимо в ближайшее вре-есть, пользуясь преобразованиями вида (8) впол- мя рассчитать таблицы взаимной компенсации по-не возможно свести задачу применения многомер- казателя коррелированности данных и их размерных сетей Пирсона к зависимым данным к более ности. простой задаче обработки независимых данных.
ЛИТЕРАТУРА
1. Р 50.1.037-2002 Рекомендации по стандартизации. Прикладная статистика. Правила проверки согласия опытного распределения с теоретическим. Часть I. Критерии типа х2. Госстандарт России. Москва-2001 г., 140 с.
2. Р 50.1.037-2002 Прикладная статистика. Правила проверки согласия опытного распределения с теоретическим. Часть II. Непараметрические критерии. Госстандарт России. Москва-2002 г., 123 с.
3. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. M.: ФИЗМАТЛИТ- 2006 г. -816 с.
4. Мирвалиев М., Никулин М.С. Критерии согласия типа хи- квадрат //Заводская лаборатория. -1992. - Т. 58. - № 3. - С. 52-58
5. Лемешко Б.Ю. Постовалов С.Н. О зависимости предельных распределений статистик х2 Пирсона и отношения правдоподобия от способа группирования данных //Заводская лаборатория. - 1998. - Т. 64.
- № 5. - С. 56 - 63
6. Aguirre NNikulin М. Chi-squared goodness-of-fit test for the family of logistic distri-butions//Kybernetika. - 1994. -V. 30.- №3. - P. 214 - 222
7. Mann Н.В., Wald A. On the choice of the number of class intervals in the application of the chi square test//Ann. Math. Stat., 1942. V. 13. - P. 306 - 317.
8. Cochran W. G. Some Methods of Strengthening the Common х2 Tests//Biometrics, 1954. - V. 10.
- P. 417
9. «БиоНейроАвтограф» - среда моделирования больших искусственных нейронных сетей, преобразующих данные рукописных образов в код пароля. Среда создана лабораторий биометрических и нейросете-вых технологий ОАО «Пензенский научно-исследовательский электротехнический институт» в 2009-2014 г.г. для свободного использования университетами России, Казахстана и Белоруссии, архивы с исполняемыми файлами размещены в свободном доступе: http://пниэи.рф/activity/science/noc.htm.
10. Лхметов Б.С., Надеев Д.Н., Фунтиков В.А., Иванов А.И., Малыгин А.Ю. Оценка рисков высоконадежной биометрии. Монография. Алматы: Из-во КазНТУ им. К.И. Сатпаева, 2014 г.- 108 с.
11. Ахметов Б.С., Волчихин В.И., Иванов А.И., Малыгин А.Ю. Алгоритмы тестирования биометрико-нейросетевых механизмов защиты информации Казахстан, Алматы, КазНТУ им. Сатпаева, 2013 г. - 152 с. ISBN 978-101-228-586-4, http://portal.kazntu.kz/files/publicate/2 014-01-0 4-1194 0.pdf
УДК 004.056.5
Шишкин1 В.М., Марков2 В.С.
^анкт-Петербургский институт информатики и автоматизации Российской академии наук, Санкт-Петербург, Россия
2Санкт-Петербургский научный центр Российской академии наук, Санкт-Петербург, Россия
СРЕДСТВА ЗАЩИТЫ ПРОТИВ БЕЗОПАСНОСТИ
Введение
Развитие техники и технологий всегда демонстрировало противоречивый характер с точки зрения безопасности по отношению к человеку, отражая противоречия между техносферой и социосфе-рой, особенно заметно и очевидно это проявляется на примере информационных технологий [1]. Причём, как ни парадоксально, меньше фактических угроз исходит от объективно наиболее опасных в физическом смысле объектов, где используются, к примеру, ядерные технологии, что объясняется, на наш взгляд, тем, что средства обеспечения безопасности на таких объектах изначально являлись имманентными, неразрывно связанными конструктивно со всеми технологическими процессами в них. В то время как в других сферах, и опять-таки это наиболее заметно в сфере ИКТ, средства обеспечения безопасности, в част-
ности, информационной, часто являются внешними, вторичными по отношению к основным технологическим процессам, становясь дополнительными источниками угроз.
Нетрудно видеть, что всё большее внимание, уделяемое обеспечению безопасности, усложнение и расширение применяемых средств защиты, отнюдь не приводит к повышению её уровня в системном смысле, если не учитываются возможные негативные последствия, и яркий пример тому недавняя катастрофа самолёта Germanwings. Вызвано это тем, что включение новых элементов в защищаемый объект приводит к его усложнению, создавая новые структуры факторов, внося дополнительную неопределённость, формируя новые уязвимости и риски, а средства защиты способны кроме противодействия одним угрозам одновременно усиливать другие или даже создавать новые.
