CC BY
49
Gaussian background," IEEE Trans. Aerosp. Electr. Syst, vol. 37, pp. 1207-1220, 2001.
[8] De Maio.A en Alfano. G, „Polarimetric adaptive detection in non-Gaussian noise," Signal Processing, vol. 83, pp. 297-306, 2003.
[9] Bo Ren, Longfei Shi en Guoyu Wang, „Polarimetric Target Detection Using Statistic of the Degree of Polarization," Progress In Electromagnetics Reserch M, vol. 46, pp. 143152, 2016.
[10] Peng Wu, Jun Wang en Wenguang Wang, „A Novel Method of Small Target Detection in Sea
Clutter," International Scholarly Research Network ISRN Signal Processing, vol. 33, nr. 4, pp. 816-822, 2011.
[11] Cloude S.R en Pottier E, „An entropy based classification scheme for land applications of polarimetric SAR," IEEE Transactions on Geoscience and Remote Sensing, vol. 35, nr. 1, pp. 68-78, 2008.
[12] S. Kay, Fundamentals of Statistical Signal Processing: Detection Theory, NJ: Prentice-Hall: Englewood Cliffs, 1993.
РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ РАСПОЗНАВАНИЯ И ИДЕНТИФИКАЦИИ
В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ
]Боранбаев С.Н., 2Амиртаев М.С.
1,2 Евразийский национальный университет имени Л.Н. Гумилева,
Нур-Султан, Казахстан
АННОТАЦИЯ
В этом исследовании была построена система для распознавания лиц в режиме реального времени с применением инструментов Open Face библиотеки Open CV. В статье приведена методология создания системы и результаты ее тестирования. Библиотека Open CV имеет различные модули выполняющие множество задач. В данной работе модули Open CV были использованы для распознавание лиц на изображениях и идентификации лиц в режиме реального времени. Кроме того, метод HOG был применен для того, чтобы обнаружить человека по передней части его лица. После выполнения метода HOG, 128 измерений лица были получены с помощью метода кодирования изображений. Затем была использована сверточная нейронная сеть для идентификации лиц людей с помощью алгоритма линейного классификатора SVM.
1. Введение
Быстрое развитие технологий влияет на потребность в системах распознавания. Одной из быстро развивающихся технологий является распознавание лиц. Технологии распознавания лиц являются частью компьютерного зрения. Множество исследователей были посвящены разработке системы распознавания лиц из-за ее широких возможностей применения в коммерческой и государственной сферах. Технология распознавания лиц может применяться в различных областях, таких как системы наблюдения, системы аутентификации, поиск людей и др.
Есть ряд причин, по которым процесс распознавания лиц является очень затруднительным. К примеру, объект в виде лица человека может быть различным из-за разных форм лица и цвета кожи, а также другие объекты могут частично накладываться на лицо. Возможности камеры идентифицировать лицо часто зависит от качества видеозаписи и уровня освещения. На данный момент, некоторые обстоятельства (такие как качество камеры, освещение, угол обзора лица и т.д.) не позволяют достичь соответствующей степени распознавания в изображениях и видеопотоках, они же влияют и на качество идентификации.
2. Система классификации и распознавания человеческого лица
2.1 Поиск всех лиц на изображении. Сделать поиск лица на изображении необходимо для того, чтобы выбрать область изображения, которая передается на дальнейшую обработку. Для этого используется метод HOG (гистограмма направленных градиентов) [1].
Согласно алгоритму, изображение преобразуется в черно-белый формат, поскольку для поиска лиц не нужны цветовые данные. Алгоритм смотрит на каждый пиксель и соседние пиксели, чтобы узнать, насколько темным является текущий пиксель по сравнению с окружающими пикселями. Затем добавляется стрелка, указывающая, в каком направлении изображение становится темнее. После выполнения этой процедуры для каждого отдельного пикселя изображения каждый пиксель заменяется стрелкой. Эти стрелки называются градиентами, и они показывают направление от светлых к темным пикселям по всему изображению. Если вы используете темные и светлые изображения одного и того же человека, пиксели будут иметь разные значения яркости, но если учесть направление изменения яркости, вы получите одно и то же изображение независимо от яркости исходного изображения. Чтобы сэкономить ресурсы и избавиться от избыточной информации, изображение делится на квадратные блоки размером 16х16 пикселей. Затем делается замена каждого такого квадрата на изображении стрелкой,
указывающей в том же направлении, что и большинство стрелок в квадрате [2].
В конце концов исходное изображение трансформируется так, что становится ясно видна основная структура лица. Чтобы найти лицо на изображении, нужно найти ту часть изображения,
которая наиболее близко напоминает хорошо известный рисунок человека, полученный из множества других лиц во время обучения. Пример фрагмента, выделенного на изображении, показан на Рисунке 1.
I • / У- / ' \ \ -V \ ^
+ / / / / ^Ч \ * \ I
■ / - ~ \ / • > } у*т\ У У
/ / **»» / 1 \ \ ^
■ \ / / -V \ X / ++ * 1 \ \ / / / ч Ч + \ / / V
I 1.444 ////
Ч/хЧ^-Ч/^^хЧ/
Рисунок 1 - Поиск лица на фотографии [3]
2.2 Положение лица. Чтобы облегчить компьютеру работу с повернутыми лицами, необходимо преобразовать каждое изображение так, чтобы глаза и губы всегда находились в определенном месте. Для решения этой задачи используется алгоритм оценки ориентира лица [4]. Основная идея состоит в том, что на каждом лице
есть 68 особых точек (называемых ориентирами) -верхняя часть подбородка, внешняя точка каждого глаза, внутренняя точка каждой брови и так далее. Затем алгоритм машинного обучения обучается находить эти 68 специальных точек на лице. На Рисунках 2 и 3 показаны выбранные ориентиры лица.
Рисунок 2 - 68 ориентиров лица [3]
Рисунок 3 - Идентификация ориентиров лица [5]
Когда глаза и рот определены на изображении, вы можете поворачивать, увеличивать и сдвигать изображение так, чтобы глаза и рот были максимально центрированы. Для центрирования используются только базовые преобразования изображения, такие как вращение и масштабирование, которые сохраняют параллельные линии - аффинные преобразования.
Этот метод преобразования изображения основан на следующем принципе: для каждой точки конечного изображения берется фиксированный набор точек исходного изображения и интерполируется в соответствии с их относительным положением. Аффинное преобразование - это наиболее общее взаимно однозначное отображение плоскости на плоскость, которое сохраняет прямые линии и отношение длин отрезков, лежащих на одной прямой. После этого преобразования лицо центрируется примерно в том же положении на изображении, что делает следующий шаг более точным.
2.3 Кодирование лица. Изображение лица, полученное после первых шагов, должно быть "закодировано" уникальным способом, чтобы
сделать сравнение полученного изображения со всеми предыдущими, что является сложным при наличии большой базы данных изображений. Поэтому нужен способ сделать несколько базовых измерений с изображения, которые мы можем сравнить с ближайшими известными измерениями и найти наиболее похожее изображение. В 1960 году Вудро Бледсоу предложил алгоритм, который идентифицирует очевидные черты лица. Однако эти измерения для человеческого мозга (цвет глаз, размер носа и т. д.), на самом деле не имеют смысла для компьютера, который смотрит на отдельные пиксели изображения. Исследования показали, что наиболее точный подход заключается в том, чтобы позволить компьютеру измерить то, что ему нужно. Для решения этой задачи применяется глубокое обучение, определяющее, какие части лица измерять [6].
Создается сверточная нейронная сеть глубокого обучения, которая генерирует 128 измерений (карту лица) для каждого человека (Рисунок 4). Идея преобразования изображений в список сгенерированных компьютером чисел чрезвычайно важна для машинного обучения.
Рисунок 4 - Результаты измерений для тестового изображения [7]
Алгоритм анализа изображений.
Для обучения сети анализируются 3 изображения:
1. Тренировочный образ лица известного человека.
2. Еще одна фотография того же известного человека.
3. Образ совершенно другого человека.
Затем алгоритм смотрит на измерения, которые он сделал для каждого из этих трех изображений. Затем он немного подправляет нейронную сеть, чтобы убедиться, что размеры, созданные для изображений №1 и №2, более похожи, а размеры для изображений №2 и №3 менее похожи. Схематическое представление алгоритма показано на Рисунке 5.
Tweak neural net slightly so that the measurements for the two Will Farrell pictures are closer and the Chad Smith measurements are further away
Рисунок 5 - Демонстрация алгоритма [7]
Повторив этот шаг т раз для п изображений разных людей, нейронная сеть способна надежно создать 128 характеристик для каждого человека. Любые 10-15 различных образов одного и того же человека вполне могут давать одни и те же характеристики.
Алгоритм позволяет искать в базе данных изображение, имеющее характеристики, наиболее близкие к характеристикам искомого изображения [8].
Обучая сеть с разными изображениями одного и того же человека, алгоритм создает примерно одинаковые измерения. Полученные 128 измерений называются картой лица.
2.4 Поиск имени по карте лица. Для поиска имени человека на карте лица используется алгоритм линейного классификатора SVM (метод опорных векторов). Этот алгоритм основан на концепции плоскости решения. Плоскость делит полученные данные на разные классы. Одним из главных преимуществ SVM является высокая скорость обучения алгоритма, а, следовательно, возможность использования достаточно большого объема исходных данных для обучения. С
помощью этого метода решается задача бинарной классификации, в данном случае определяется принадлежность фотографии к существующему образцу. Для этого нужно обучить классификатор, который берет измерения с проверяемого изображения и показывает, на кого этот человек больше всего похож из всей обучающей выборки системы.
Другие классификаторы включают метод RVM - Relevance Vector Machine. В отличие от SVM, этот метод дает вероятности, с которыми изображение лица принадлежит данному человеку [9]. Кроме того, метод опорных векторов нестабилен по отношению к шуму в исходных данных. Если обучающая выборка содержит шумовые выбросы, то они существенно учитываются при построении разделительной гиперплоскости. Метод RVM не имеет этого недостатка.
Несмотря на существование различных алгоритмов, можно выделить общую схему процесса распознавания лиц, показанную на Рисунке 6.
Рисунок 6 - Схема процесса распознавания лиц
Перед тем как приступить к процессу распознавания лиц необходимо прохождение следующих этапов:
- локализовать лица на изображении;
- выровнять изображения лица (геометрическое и яркостное);
выявить признаки; непосредственно само
распознавание
лиц
- сопоставление найденных признаков с эталонами, ранее заложенными в базу данных.
3. Сверточная нейронная сеть для решения задачи распознавания
Предварительно обученная модель представляет собой сверточную нейронную сеть (CNN), тип нейронной сети, которая строит современные модели для компьютерного зрения. Сам CNN, который используется в этой статье, был обучен "Дэвисом Кингом" на наборе данных примерно из 1,2 миллиона изображений и оценен на наборе данных классификации ImageNet, состоящем из 1000 классов. Архитектура этой предварительно обученной модели основана на ResNet-34 с 34 слоями (Рисунок 7).
Рисунок 7 - Архитектура ResNet [10]
Сверточные слои ResNet (Рисунок 7 - третий столбец) основаны на простой сети (Рисунок 7 -второй столбец). Но разница с обычной сетью заключается в коротких соединениях, которые превращают сеть в ее остаточную версию. Быстрые
соединения пропускают один или несколько слоев и выполняют сопоставление идентификаторов. Их выходы добавляются к выходам укладываемых слоев (Рисунок 8).
Рисунок 8 - Быстрые соединения [10]
Приведем алгоритм использования ResNet-34 для распознавания лиц:
-Во-первых, надо установить на компьютере Python, OpenFace, dlib.
-Затем выполнить следующую команду: pip3 install face_recognition
После этого вы должны создать 2 папки: "picture_of_people_i_know" и
"unknown_pictures". Первая папка должна содержать изображения людей, которых вы уже знаете, вторая папка - изображения людей, которых вы хотите идентифицировать.
Следующий шаг - запуск команды face_recognition, которая проверяет обе папки и сообщает вам, кто находится на каждом изображении:
face_recognition ./picture_of_people_i_know/. / unknown_pictures/ [11]
Результаты, например, могут выглядеть так
[11]:
/unknown_pictures/obama.jpg,Barack_Obam a.jpg - "obamajpg " и "Barack_Obama.jpg" это один и тот же человек
/face_recognition_test/unknown_pictures/unk nown.jpg, unknown_person - не нашел ни одного человека [11]
4. Извлечение изображения из видеопотока Ключевой задачей системы распознавания лиц в реальном времени является запоминание и сопровождение лица, которое появляется на картинке либо на видео. Если эта система применяется в какой либо организации, то сперва настраивается база данных состоящая из лиц работников данной организации. После, система делает отбор из базы данных и сравнивает каждого человека находящихся под надзором камеры. В том случае если данный человек не был найден в системе организации, то система должна сделать фото лица и ввести его в базу данных. В результате, все данные об этом человеке должны быть сохранены в системе и отправлены в
соответствующий департамент данной
организации.
Как следствие, операции системы могут быть разделены на 4 процесса. Первый процесс включает в себя обнаружение лица в камере и отслеживание в реальном времени. Второй процесс подгружает фотографии лиц из базы данных. На третьем процессе делается скриншот из видеопотока для сопоставления лиц из базы данных. Четвертый процесс - выдача результата о сходстве данного человека с изображениями в базе данных.
5. Система распознавания лица человека в режиме реального времени. Анализ полученных результатов
Разработанная система использует метод HOG для решения задачи обнаружения лиц на изображениях, а также сверточную нейронную сеть.
Для проведения работы были использованы: -Компьютер: ноутбук MacBook Pro 13 2015, Intel Core i5-5257U CPU@2.7GHz, 8 Гб оперативной памяти; видеокарта Intel Iris Graphics 6100 1536 МБ
-Операционная система: Mac OS 10.13.6, 64-разрядная
-Язык программирования Python 3.7; библиотеки для разработки python-dev; библиотека NumPy для научных вычислений; библиотека dlib, OpenFace [12].
Чтобы оценить эту модель, нам нужно рассмотреть другие модели ResNet с различными уровнями. Модель ResNet CNN может содержать 152 слоя. В этом исследовании библиотека TensorFlow ResNet используется для ее простого развертывания и получения точности. В модели была обнаружена предельная точность обучения 0,8651 и валидация 0,8519. Экспериментально определенные конечные показатели потерь составили 1,5983, тогда как потери при валидации 1,006. В таблице 1 приведены сводные результаты анализа моделей ResNet.
Таблица 1
Сравнение моделей ResNet [13]
Model Training Validation Loss Validation Time
accuracy accuracy Loss
ResNetl 8 0.83 0.87 1.0436 1.006 2701s
ResNet34 0.8651 0.8519 1.5983 1.7510 4800s
ResNetSO 0.8662 0.8095 4.3967 4.5914 5580s
ResNet101 0.8594 0.7884 8.4274 8.7475 6112s
ResNet! 52 0.8798 0.8836 11.943 12.05 9248s
На Рисунках 9 и 10 показана временная точность и сравнивается точность обучения и тестирования анализируемых моделей.
Training accuracy
Validation accuracy
ResNet18
ResNet34
ResNet50
ResNet101
ResNet152
I I
83.С
87.0
85.1
86.6
80.9
85.9
78.8
I 1
83. 3
70
75
80
85 90
Рисунок 9 - Точность обучения и тестирования [13]
Рисунок 10 - Время выполнения моделей [13]
Система распознавания лиц в реальном времени была создана с помощью библиотеки OpenCV 3 и языка программирования Python 3.7, а также библиотеки Face Recognition. Обучение системы распознавания лиц с использованием изображения лиц человека показана на Рисунке 11.
На Рисунке 11 представлен код системы распознавания лиц, для обучения изображения, а также папки с разделением на 3 категории, такие как 'groups' (фото нескольких человек), 'known' (фото обученные системой распознавания лиц), 'unknown' (неизвестные для системы люди) [14]. На Рисунке 11 можно увидеть такие функции как
face_recognition. load_file_image которая
подгружает изображения и
face_recognition.face_locations функция с помощью которой можно найти лица в изображении. После, найденные лица сохраняются в таких списках как known_face_encodings в котором хранится универсальная "кодировка" черт лица (128 dimensions - face map) и known_face_names имена данных людей соответствующие
known_face_encodings. Используется функция face_recognition.compare_faces, которая делает сравнивание лиц на изображении/видеопотоке с изображениями в базе данных.
derm
known
£ iPrqect - О ф Ъ- h
I demo - 3ownloads/detno ► 1 .ides т I groups
= bill-steve.jpg в NurlanAndZhahan.jpeg ? team1.jpeg г team2.png
р» СЭ1Ю.РУ x л pjliaces.py x t video.captxe.py x f ¡dmtrfy.py x щиП face_recognition
tnm PIL import Image, [rcagePr?*_
I v:d«j captjn ^ # ^ Q
_ I
Xl
2 Amina.jpeg = barack-obama.jpg г bill-gates.jpg = donald-trump.jpg z Kamila.jpeg г mukhamedjanjpeg г Nudan.jpeg г Serikjpeg г steve-jobs.jpg и Zhahan.jpeg ▼ unknown
= 6e15fcbe36b6edb183e73f286f40bc59.jpg = 250px-MichaeUordan_in_2014.jpg г bill-gates.jpg = Bill-Gates-2011.jpg = bill-gaies-lookalike.jpg г donald-trump-01Q220.jpg
32
г donald-trump-gt.jpg | г keanu-reeves-9454211-1-402.jpg
г Mark_Wahlberg_2017.jpg £ г mtchaeHordan.jpg
г overview-Barack-Obama.jpg
в! ifPupinhil-w^Qi inn
£ 6: TODO в Terminal П Platform arid Plugin Updates: IntelliJ IDEA is ready to update. (4 minutes ago)
inageOfFirstPerson = face_ recognition. lo3d_inage_file( '/Users/iuklia/Doifflloads/de«o/knawi/Nurlan. jpeg') First_Person_face_encoding = face_ recognition.faceJocationsiimageOfFirstPerson) [e]
imageOfSecondPerson = face_ recognition .load_image_file( VUsers/Buklia/Dowiloads/deM/known/Zhahan. jpeg') Secord_Person_face_ercoding = face_recognition.face_locations{mageOf SecondPerson) [в]
known_face_er cod ing 5 = (
First_Person_face_encoding, Second_Person_face_ercoding
1
knowfi_face_nanes = I "Nurlan Koyarbayev", "Zhahan Irtargaliyev"
В данном фрагменте кода происходит обучение таких лиц как \urlan и /ИаМап
test_ij»age = face_ recognition. lo&d_ijnage_file( '/Users/wklia/Oownloads/dew/groops/NurlanAndZhahen. jpeg')
face_locations = face_ recognition, facejocatioosltestjjiage) face_encodings = face_recognition.face_encodings(test_inage, facejlocations)
pil_inage = Image. frofflarray(test_i*age)
draw = ImageDraw.Draw(pil_image)
f.nr(rnn right hnttiim Ipfr) fprp.pnrnfling in nnlfflrp.lnrfitinn'i fprp.pnn
matches = face_recognition.conpare_faces(face_encodings, face_encoding)
name = "Unknown naies"
if True in matches:
first_iatch_index = latches, index(True) nane = kriown_face_naies(firstjBtch_index]
rfru trirdl* .
Q Event Log i UTF-Bi a §
Рисунок 11 - Обучение изображения
Система распознавания лиц, с помощью веб-камеры, делает в режиме реального времени скриншоты лиц, которые должны быть распознаны. Скриншоты лиц делаются с помощью метода Гистограммы направленных градиентов. Под словом "скриншоты" имеется в виду расположение лиц находящиеся в обзоре камеры в каждом кадре.
То есть с помощью месторасположения лиц можно найти само лицо на изображении/видеопотоке. Хранится оно в объекте под названием list (лист). Видеокамеры в среднем снимают 30 кадров в секунду. Система ищет лица в каждом из этих кадров, пример кода для поиска лиц приводится на Рисунке 12.
Рисунок 12 - Процесс поиска лиц в каждом кадре
На Рисунке 12 показан код поиска лиц, где face_locations является листом хранящем в себе месторасположение лиц каждого кадра, face_encodings содержит универсальную "кодировку" черт лица (128 dimensions - face map), с помощью этой кодировки можно сравнить кодировку изображении которые находятся в базе данных.
Были проведены тесты для проверки системы идентификации лиц в видеопотоке. Система способна корректно идентифицировать лицо на расстоянии до 100 см, однако система не способна корректно идентифицировать лицо на расстоянии более 100 см. Это связано с плохим качеством съемки видеокамеры, в результате которого получаются не четкие снимки черта лиц на дальних расстояниях. Система способна корректно идентифицировать при повороте головы до 60°, однако система не способна корректно идентифицировать при повороте головы более чем на 60°. Это связано с тем, что камера не полноценно видит лицо человека, поэтому система не может полноценно распознать face map лица, с помощью которого система и сравнивает лица.
5. Заключение
При разработке системы распознавания лица человека в режиме реального времени были использованы инструменты Open Face библиотеки Open CV. Итоги данного исследования показали,
что созданная система позволяет идентифицировать лица нескольких людей непосредственно в режиме реального времени. Тестирование системы показало, что плохое освещение может негативно повлиять на опознавание и идентификацию, в то время как хорошее освещение влияет положительно. Угол обзора лица и расстояние между тестируемым человеком и камерой также могут негативно повлиять на результаты опознавания и идентификации. При использовании
высококачественных видеокамер качество опознавания и идентификации значительно улучшается. Последующие исследования в этой сфере могут быть направлены на решение указанных проблем и факторов влияющих на качество опознавания и идентификации.
Список литературы
1.Navneet Dalal, Bill Triggs, Histograms of Oriented Gradients for Human Detection [Electronic source] // URL: http://learinrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf.
2."Extract HOG Features". [Electronic source] URL:
https://www.mathworks.com/help/vision/ref/extractho gfeatures.html
3.M. Yang, N. Ahuja and D. Kriegman. Face recognition using kernel eigenfaces. Image Processing: IEEE Transactions - 2000. - Vol.1. pp. 37- 40
4.V. Kazemi and S. Josephine. One millisecond face alignment with an ensemble of regression trees. In CVPR, 2014. [Electronic source] // URL: http://www.csc.kth.se/~vahidk/papers/KazemiCVPR1 4.pdf.
5.Facial recognition. [Electronic source] URL: https://ai.nal.vn/facial-recognition/
6.F. Schroff, D. Kalenichenko, and J. Philbin. Facenet: A unified embedding for face recognition and clustering. In Proc. CVPR, 2015. [Electronic source] // URL: https://www.cv-foundation.org/openaccess/content_cvpr_2015/app/1A _089.pdf.
7.Neha Rudraraju, Kotoju Rajitha, K. Shirisha, Constructing Networked, Intelligent and Adaptable Buildings using Edge Computing [Electronic source] // URL:
http://ijrar.com/upload_issue/ijrar_issue_20542753.pd f
8.Dalal N., Triggs B. Histograms of Oriented Gradients for Human Detection // Proc. of the IEEE
Conference Computer Vision and Pattern Recognition. 2005. pp. 886-893.
9.Christopher M. Bishop F.R.Eng. Pattern Recognition and Machine Learning. [Electronic source] // URL: https://goo.gl/WLqpHN.
10.Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition [Electronic source] // URL: https://arxiv.org/abs/1512.03385
11.Face recognition [Electronic source] // URL: https://github.com/ageitgey/face_recognition
12.Howse J. OpenCV Computer vision with Python. - Packt Publishing Ltd., UK. 2013.
13.Riaz Ullah Khan, Xiaosong Zhang, Rajesh Kumar. Analysis of ResNet and GoogleNet models for malware detection [Electronic source] // URL: https://www.researchgate.net/publication/327271897_ Analysis_of_ResNet_and_GoogleNet_models_for_ma lware_detection
14.Boranbayev S.N., Amirtayev M.S. Development a system for classifying and recognizing person's face. Евразийский Союз Ученых (ЕСУ). -№ 4(73). - 2020, с. 15 - 24.
АНАЛИЗ НОВЫХ СИСТЕМ ЗАЩИТЫ ВЕБ-СЕРВИСОВ_
DOI: 10.31618/ESU.2413-9335.2021.6.84.1304 Магистр Раимов М.Е., PhD, Мукашева А.К., к.п.н, Исаева Г.Б
«Гумарбек Даукеев атындагы Алматы Энергетика жэне Байланыс Университетi», Алматы цаласы, Цазацстан. https://orcid.org/0000-0002-7171-3310 https://orcid. org/0000-0001-98904910 https://orcid. org/0000-0001-4860-3 79 7
АННОТАЦИЯ
В статье был разработан обзор задач защиты Веб-сервисов предприятий от противоправных действий, представлена стандартная структура данного сервиса, описаны специфические моменты Веб-среды, которые оказывают влияние на защиту сведений. Проведен анализ потенциальных угроз, осуществлена их систематизация, разработаны мероприятий по устранению обнаруженных слабых мест Веб-сервисов.
Ключевые слова: Веб-сервис, сайт, неавторизированный доступ, конфиденциальная информации, система киберзащиты, аутентификация, идентификация, авторизация, разрешение и разграничение прав доступа, локальная сеть, протокол обмена сообщений и т.д., кибератака, инцидент.
На сегодняшний день каждая компания сильно задумывается о защите Веб-сервисов. Злоумышленники периодически пытаются заполучить различные сведения о частном лице, организации для их последующего несанкционированного использования.
Почти все компании занимаются бизнесом на реальном рынке и в Интернете, в котором текущие и будущие клиенты, деловые партнеры получают возможность воспользоваться удобными Веб-сервисами. А злоумышленник может заполучить любые данные организации, которые предназначены для взаимодействия с Веб-сервисом.
На основе выше сказанного можно утверждать о актуальности и востребованности проблемы защиты Веб-сервисов.
В работе были рассмотрены стандарты, позволяющие добиться информационной безопасности (ИБ) Веб-сервисов, изучены этапы и действия для достижения данной целы. Отдельно был проанализирова механизм защиты Веб-сайт, выступающего в роли структурной единицы Веб-сервиса.
Веб-сервис - программный компонент. Осуществить его вызов можно удаленно. Данный элемент имеет определенные возможности в плане функционала. Он расположен в доступе базовых Протоколов сети. Воспользоваться указанным компонентом можно при желании больше одного раза. Количество его повторений неограниченно.
