Для функционирования сайта могут собираться метаданные (сcookie, IP-адрес, местоположение). Если Вы не хотите, чтобы эти данные обрабатывались, то покиньте сайт.
OK
Компания "АИ ЗИОН"
AICyone, LLC

Мы занимается разработкой систем искусственного интеллекта и предлагаем программное обеспечение для его быстрой разработки и внедрения.
Также наш коллектив проводит научные исследования и работы по анализу данных на базе Омского государственного технического университета

К ОПИСАНИЮ КОМАНДЫ



Команда
Наш коллектив состоит из молодых и опытных специалистов и ученых в области Data Science, ML, AI, а также разработчиков ПО
  • Алексей Сулавко
    генеральный директор
    AI/ML-архитектор, научный руководитель
    Доктор технических наук,
    профессор каф. комплексной защиты информации ОмГТУ
    Эксперт от России в Международном техническом комитете ISO/IEC JTC 1/SC 42 "Artificial intelligence".
    Рецензент в международных научных журналах (издат. Elsevier, Nature Publishing Group, MDPI и др.). Автор более 160 научных публикаций в области AI.
    ORCID: 0000-0002-9029-8028
    Scopus Author ID: 56825944600
    ResearcherID: N-3388-2016
    SPIN-код (e-library): 7455-0834
  • Александр Самотуга
    AI/ML-разработчик,
    переводчик
    Кандидат технических наук,
    доцент каф. комплексной защиты информации ОмГТУ. Профессиональный переводчик в сфере информационной безопасности. Автор более 35 научных публикаций в области AI.
    ORCID: 0000-0001-5647-7498
    Scopus Author ID: 56568558300
    SPIN-код (e-library): 4235-1670
  • Павел Ложников
    PR-менеджер,
    научный консультант
    Доктор технических наук,
    зав. каф. комплексной защиты информации ОмГТУ
    Сертифицированный специалист по РМВоК. Автор более 150 научных публикаций в области AI
    ORCID: 0000-0001-7878-1976
    Scopus Author ID: 55027255900
    ResearcherID: I-3666-2013
    SPIN-код (e-library): 4324-2543
  • Ирина Панфилова
    data scientist
    Аспирант СамГТУ,
    автор 10 научных публикаций в области AI. Опыт работы в data science более 4-х лет
  • Денис Стадников
    data scientist
    Аспирант ОмГТУ,
    автор 20 научных публикаций в области AI. Опыт работы в data science более 4-х лет.
  • Адиль Чобан
    data scientist, DevOps
    Аспирант ОмГТУ,
    автор 20 научных публикаций в области AI. Опыт работы в data science более 4-х
  • Георгий Сувырин
    Backend-разработчик
    Аспирант ОмГТУ,
    Опыт промышленной и коммерческой разработки более 4-х лет
  • Даниил Иниватов
    AI/ML-разработчик
    Аспирант ОмГТУ,
    Является победителем и призёром более 20 математических олимпиад международного уровня. Автором более 40 научных публикаций
  • Юрий Варкентин
    full stack разработчик, DevOps
    Разработчик веб-приложений
    Опыт коммерческой разработки более 3-х лет

Омская научная школа
и история предприятия ООО "АИ ЗИОН"
Предприятие ООО «АИ ЗИОН» (AICyone, LLC) основано в 2021 году в городе Омск группой специалистов и ученых в области машинного обучения и искусственного интеллекта (ИИ).
Мы являемся последователями научной школы Епифанцева Бориса Николаевича (1939-2016), доктора технических наук, профессора, ведущего ученого Омска. Епифанцев Б.Н. разрабатывал множество научных направлений (удалённая биометрическая идентификация, обнаружение несанкционированного доступа к продуктопроводам на базе вибро-акустического мониторинга и визуального контроля, системы защиты от утечек информации и др.), особенностью которых является использование сетей вероятностных выводов Байеса для решения задач интеллектуального анализа данных и неразрушающего контроля. Идеи Епифанцева Б.Н. послужили фундаментом для создания Омской научной школы машинного обучения и получили развитие в работах его учеников.
На данный момент научная школа базируется в одном из ведущих ВУЗов России "Омском государственном техническом университете" (ОмГТУ) на кафедре "Комплексная защита информации" (КЗИ), где ведется активная научная деятельность по следующим основным направлениям:
  • Машинное обучение с использованием малых выборок данных
  • Ансамбли моделей машинного обучения
  • Распознавание образов с учетом корреляционных свойств пространства признаков
  • Высоконадежная биометрическая аутентификация и нейроинтерфейсы на базе электроэнцефалографии
  • Искусственные нейронные сети
  • Биоинспирированные модели и алгоритмы машинного обучения (искусственные иммунные системы)
  • Защищенный режим исполнения нейросетевых моделей и алгоритмов ИИ
Нам потребовался инструмент для научных исследований, который способен объединить все указанные направления. Так появился проект AIConstructor, в рамках которого мы создали систему быстрой проверки гипотез в области машинного обучения. Далее мы поняли, что данный проект представляет нечто большее, чем просто программный комплекс для исследований и создали собственную ИТ-компанию.

Публикации коллектива
Нашим коллективом подготовлено более 200 публикаций по тематике
ML, AI, имеются патенты.
Analysis of Ear Canal Echograms for Personality Verification Using AIConstructor Software Package
машинное обучение, защита информации, идентификация личности, аутентификация, биометрия, эхограммы ушного канала, ML-tools, разработка искусственного интеллекта без кода, извлечение признаков, автокодировщики
https://ieeexplore.ieee.org/document/10458785/
Sulavko, A., Samotuga, A. Analysis of Ear Canal Echograms for Personality Verification Using AIConstructor Software Package // Proceedings of IEEE International Conference on Modelling, Simulation and Intelligent Computing, MoSICom 2023, 2023, pp. 13–18
Биометрия является одним из ответственных приложений искусственного интеллекта (ИИ). Важнейшими задачами на сегодняшний день являются повышение надежности биометричесокй аутентификации и защита биометрических образов от компрометации. Статья посвящена исследованию эхограмм ушного канала на предмет возможности их использования для аутентификации пользователей компьютерных систем c использованием открытого набора данных AIC-ears-75. В качестве инструмента исследования использован разработанный авторами программный комплекс AIC desktop. Для извлечения признаков из данных ушного канала использован автокодировщик на базе сверточных нейронных сетей. Для верификации образов уха применялись классификаторы на базе формулы гипотез Байеса, неглубоких нейронных сетей и искусственной иммунной сети. Наилучший результат показал усовершенствованный байесовский классификатор: EER≈0,08.
Biometric-Based Key Generation and User Authentication Using Acoustic Characteristics of the Outer Ear and a Network of Correlation Neurons
мета-признаки, защита биометрического шаблона, автокодировщики, искусственные нейронные сети, корреляционный анализ, эхограммы ушного канала, защищенное исполнение искусственного интеллекта, биометрическая аутентификация, статистические моменты случайной величины, спрямляющее гиперпространство
https://www.mdpi.com/1424-8220/22/23/9551
Sulavko, A. Biometric-Based Key Generation and User Authentication Using Acoustic Characteristics of the Outer Ear and a Network of Correlation Neurons. Sensors 2022, 22, 9551. https://doi.org/10.3390/s22239551
Ответственные приложения искусственного интеллекта, такие как биометрическая аутентификация, должны быть реализованы безопасным образом, чтобы злоумышленник не мог получить доступ к биометрическим данным. Целью настоящей работы является повышение надежности биометрической аутентификации и генерации криптографических ключей на основе биометрических данных, которые используются для удаленной аутентификации с обеспечением защиты биометрических шаблонов. В качестве биометрических образов использовались эхограммы ушного канала. Для извлечения признаков из эхограмм использовались многослойные сверточные нейронные сети, относящиеся к типу автоэнкодеров. Предлагается новый класс нейронов (корреляционных нейронов), который анализирует корреляции между признаками, а не значениями признаков. Была разработана модель нейроэкстрактора, позволяющая связать вектор признаков с криптографическим ключом или паролем пользователя. Для проверки эффективности предложенной модели был использован набор открытых данных эхограмм ушного канала. Были достигнуты следующие показатели: EER = 0,0238 (FRR = 0,093, FAR < 0,001) при длине ключа 8192 бит. Предложенная модель превосходит известные аналоги по длине ключа и вероятности ошибочных решений. Параметры слухового прохода скрыты от непосредственного наблюдения и фотографирования. Этот факт создает дополнительные трудности для синтеза состязательных примеров.
Personal Identification Based on Acoustic Characteristics of the Outer Ear Using Cepstral Analysis, Bayesian Classifier and Artificial Neural Networks
кепстрограммы, оконное преобразование Фурье, формула Байеса, многослойные нейронные сети, акустический сигнал, идентификация образов, машинное обучение, эхограммы, биометрия, защита информации, строение уха
https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/bme2.12037
Sulavko, A. E., Samotuga A.E., Kuprik I.A. Personal Identification Based on Acoustic Characteristics of the Outer Ear Using Cepstral Analysis, Bayesian Classifier and Artificial Neural Networks // IET Biometrics. - 2021. - p. 1-14

Разработано устройство для измерения акустических параметров наружного слухового прохода. Получаемые эхограммы можно использовать в качестве биометрических образов в целях идентификации и аутентификации субъектов. В работе рассмотрено 2 типа биометрических параметров: на базе спектрального и кепстрального анализа эхограмм, а также два подхода к распознаванию образов уха: на базе формулы Байеса и искусственных нейронных сетей (сверточных и полносвязных). Наилучший результат составил: EER=0.0053. Эксперимент с привлечением тех же испытуемых через полгода показал небольшое отклонение в количестве неверных решений EER=0.008.
Recognition of pre-emergency situations during oil wells exploitation based on telemetry analysis
автоэнкодер, малые обучающие выборки, сверточные нейронные сети, классификатор Байеса, распознавание образов
https://ieeexplore.ieee.org/document/10343865
A. E. Sulavko, S. A. Klinovenko, G. A. Suvyrin, P. S. Lozhnikov, L. V. Pletnev and A. E. Samotuga, "Recognition of pre-emergency situations during oil wells exploitation based on telemetry analysis," 2023 6th International Conference on Signal Processing and Information Security (ICSPIS), Dubai, United Arab Emirates, 2023, pp. 5-10, doi: 10.1109/ICSPIS60075.2023.10343865
В статье предлагается модель искусственного интеллекта для прогнозной диагностики нефтяных скважин. В настоящем исследовании использовался открытый набор данных 3W с редкими неблагоприятными событиями на морских нефтяных скважинах. В статье предлагается извлекать признаки из временных рядов телеметрии с помощью автоэнкодера на основе сверточной нейронной сети. Временные ряды были предварительно преобразованы в производные. Затем производные преобразулись в спектрограммы и, наконец, в спектры средней амплитуды. Эти средние амплитудные спектры впоследствии были подвергнуты анализу нейронной сети. Для настройки автоэнкодера использовалась схема обучения передаче. Использование схемы трансферного обучения позволило сократить объем телеметрических данных, используемых для обучения системы. После обучения нейронная сеть может извлекать информативные признаки из данных телеметрии. В настоящем исследовании использовался модифицированный классификатор Байеса с точностью классификации 0,97.
Classification of Borrowers Using an Immune Model of Artificial Intelligence in Credit Scoring Tasks
искусственный интеллект, классификация заемщиков, кредитный скоринг, иммунная система, машинное обучение, нейронные сети
https://ieeexplore.ieee.org/document/10347877
A. E. Sulavko, A. E. Serikova, G. A. Suvyrin, A. E. Samotuga, M. V. Sorokovaya and Y. A. Dorogov, "Classification of Borrowers Using an Immune Model of Artificial Intelligence in Credit Scoring Tasks," 2023 IEEE XVI International Scientific and Technical Conference Actual Problems of Electronic Instrument Engineering (APEIE), Novosibirsk, Russian Federation, 2023, pp. 1410-1418, doi: 10.1109/APEIE59731.2023.10347877.
Для финансовых организаций одной из важнейших задач является кредитный скоринг – оценка кредитоспособности и платежеспособности потенциальных клиентов. Классификация клиентов по группам риска позволяет банкам принимать решения о выдаче кредита. Предлагается подход, позволяющий использовать любые типы признаков и достигать высокой точности прогнозов на различных наборах данных. В исследовании использовались наборы открытых данных, наиболее часто используемые разработчиками систем кредитного скоринга. Для классификации клиентов в соответствии с требованиями кредитного риска используется модель искусственной иммунной сети и устойчивые алгоритмы ее обучения. В зависимости от наборов данных достигнуты следующие показатели ошибок классификации клиентов по уровню кредитного риска: от 0,031 до 0,18. По сравнению с анализируемыми публикациями размер обучающей выборки сократился в 2,5-11 раз, а полученные показатели надежности соответствуют мировому уровню или превышают самые высокие достигнутые ранее.
Абстрактная модель искусственной иммунной сети на основе комитета классификаторов и ее использование для распознавания образов клавиатурного почерка
биометрическая аутентификация, бэггинг, бустинг, подпространства признаков, машинное обучение на малых выборках, ансамбли моделей
http://www.mathnet.ru/links/e12035696decffaaf458449f2cfe2a48/co853.pdf
Сулавко, А.Е. Абстрактная модель искусственной иммунной сети на основе комитета классификаторов и ее использование для распознавания образов клавиатурного почерка // Компьютерная оптика. – 2020. – Т. 44, № 5. – С. 830-842. – DOI: 10.18287/2412-6179-CO-717
Sulavko AE. An abstract model of artificial immune network based on classifiers committee for biometric patterns recognition on the example of keystroke dynamics. Computer Optics 2020. – Т. 44, № 5. – С. 830-842. – DOI: 10.18287/2412-6179-CO-717

Предложены абстрактная модель искусственной иммунной сети (ИИС) на базе комитета классификаторов и два алгоритма ее обучения (с учителем и с подкреплением) для задач классификации, которые характеризуются малыми объемами и низкой репрезентативностью обучающих выборок. Оценка эффективности модели и алгоритмов выполнена на примере задачи аутентификации по клавиатурному почерку с использованием 3-х баз данных биометрических образов. Разработанная ИИС обладает эмерджентностью, памятью, двойной пластичностью, устойчивостью обучения. Эксперименты показали, что ИИС дает меньший или сопоставимый процент ошибок по сравнению с некоторыми архитектурами нейронных сетей при гораздо меньшем объеме обучающей выборки.
Высоконадёжная двухфакторная биометрическая аутентификация по рукописным и голосовым паролям на основе гибких нейронных сетей
гибридные сети, квадратичные формы, функционалы Байеса, особенности воспроизведения рукописных образов, параметры голоса, широкие нейронные сети, преобразователи «биометрия-код», защищенные нейросетевые контейнеры
http://www.mathnet.ru/links/c753a0abcdeab6ac5da8553580c3680d/co765.pdf

Сулавко, А.Е. Высоконадежная двухфакторная биометрическая аутентификация по рукописным и голосовым паролям на основе гибких нейронных сетей // Компьютерная оптика. – 2020. – Т. 44, № 1. – С. 82-91. – DOI: 10.18287/2412-6179-CO-567

Sulavko AE. Highly reliable two-factor biometric authentication based on handwritten

and voice passwords using flexible neural networks. Computer Optics 2020; 44(1): 82-91.

DOI: 10.18287/2412-6179-CO-567

В работе рассматривается проблема высоконадежной биометрической аутентификации на основе преобразователей тайных биометрических образов в длинный ключ или пароль, а также их тестирования на сравнительно малых выборках (тысячи образов). Статические образы являются открытыми, поэтому при удаленной аутентификации доверие к ним ограничено. Описан процесс вычисления биометрических параметров голосового и рукописного паролей, предложен метод автоматического формирования гибкой гибридной сети, состоящей из нейронов различного типа, и абсолютно устойчивый алгоритм ее обучения на малых выборках «Свой» (7–15 примеров). Предложен метод обученного гибридного преобразователя «биометрия-код» от извлечения знаний. Достигнуты низкие показатели FAR.
Аутентификация по голосовым паролям с обеспечением конфиденциальности биометрических данных на основе корреляционных нейронов
защищенное исполнение нейросетевых алгоритмов, обработка коррелированных биометрических признаков, голосовая биометрия, нейросетевые преобразователи «биометрия-код», анализ временных рядов, автокодировщики.
https://i-us.ru/index.php/ius/article/view/16209
Аутентификация по голосовым паролям с обеспечением конфиденциальности биометрических данных на основе корреляционных нейронов / А. Е. Сулавко, Д. П. Иниватов, В. И. Васильев, П. С. Ложников // Информационно-управляющие системы. – 2024. – № 2(129). – С. 21-38. – DOI 10.31799/1684-8853-2024-2-21-38. – EDN YIVAYM

Введение: вопрос защиты биометрических данных от компрометации тесно связан с вопросами производительности. Существующие методы биометрической аутентификации по голосу либо не позволяют защитить голосовые данные от компрометации, либо дают высокий процент ошибочных решений и, кроме того, не гарантируют устойчивость к дрейфу голосовых образов. Цель: разработать метод биометрической аутентификации по голосу, устойчивый к дрейфу биометрических данных, с обеспечением конфиденциальности параметров голоса. Результаты: предложен метод аутентификации с использованием нейросетевых преобразователей биометрия-код на базе модифицированной модели корреляционных нейронов и алгоритмов их обучения. Вычислительный эксперимент показал, что корреляционные связи между признаками содержат информацию об образах, которая не дублирует информацию, содержащуюся в признаках. Преобразователь биометрия-код на базе корреляционных нейронов дает гораздо меньший процент ошибок и в разы большую длину ключа, чем классическая модель на базе алгоритма обучения ГОСТ Р 52633.5. Количество ошибок составило 3,26 %. При изменении состояния субъекта (опьянении или сонном состоянии) для разработанного метода количество ошибок повышается не столь существенно, чем для классической модели нейросетевого преобразователя биометрия-код. Практическая значимость: результаты могут использоваться для повышения защищенности компьютерных ресурсов от неавторизованного доступа и биометрических данных от компрометации. Обсуждение: объединение нейронов различного типа в единый слой позволит создать более устойчивые и надежные нейросетевые преобразователи биометрия-код.



Identification of the Psychophysiological State of the User Based on Hidden Monitoring in Computer Systems
клавиатурный почерк, биометрический признак, особенности голоса, идентификация психофизиологических состояний, параметр работы с компьютерной мышью
https://rdcu.be/bo0Ns

Васильев В.И., Сулавко А.Е., Борисов Р.В., Жумажанова С.С. Распознавание психофизиологических состояний пользователей на основе скрытого мониторинга действий в компьютерных системах // Искусственный интеллект и принятие решений. - 2017. - №3. - С. 95-111.

Vasilyev V.I., Sulavko A.E., Zhumazhanova S.S., Borisov R.V. Identification of the Psychophysiological State of the User Based on Hidden Monitoring in Computer Systems // Scientific and Technical Information Processing. - December 2018, Volume 45, Issue 6, pp 398–410. doi:10.3103/S0147688218060096

Установлено, что признаки голоса, клавиатурного почерка и характера работы субъекта с компьютерной мышью содержат информацию о следующих психофизиологических состояниях оператора: усталость, опьянение, возбужденное, расслабленное (сонное), "норма". Под "нормой" понимается состояние, при котором испытуемый не подвергался каким-либо воздействиям перед экспериментом, а его неврологический статус оценивался как нормальный. Признаки голоса лучше всего позволяют распознавать усталость или сонное состояние диктора. Клавиатурный почерк помимо указанных состояний имеет признаки, характеризующие нормальное состояние оператора. Некоторые особенности работы с мышью содержат информацию о состояниях опьянения и сонном. Проведен эксперимент по распознаванию состояний на основе стратегии Байеса и нейросетевого подхода, наилучший результат: 5,9% ошибок определения состояния за время мониторинга субъекта до 100 секунд.
Оценка надежности верификации автографа на основе искусственных нейронных сетей, сетей многомерных функционалов Байеса и сетей квадратичных форм
биометрическая аутентификация, бэггинг, бустинг, подпространства признаков, машинное обучение на малых выборках, ансамбли моделей
http://www.mathnet.ru/links/c8646912a0acff896966712654608aae/co447.pdf

Иванов, А.И. Оценка надежности верификации автографа на основе искусственных нейронных сетей, сетей многомерных функционалов Байеса и сетей квадратичных форм / А.И. Иванов, П.С. Ложников, А.Е. Сулавко // Компьютерная оптика. – 2017. – Т. 41, № 5. – С. 765-774. – DOI: 10.18287/2412-6179-2017-41-5-765-774.

Ivanov AI, Lozhnikov PS, Sulavko AE. Evaluation of signature verification reliability based on artificial neural networks, Bayesian multivariate functional and quadratic forms. Computer Optics 2017; 41(5): 765-774. DOI: 10.18287/2412-6179-2017-41-5-765-774

Осуществлено экспериментальное сравнение «широких» искусственных нейронных сетей из различных функционалов для верификации автографа подписанта. Собрана база автографов субъектов для проведения вычислительного эксперимента. Подтверждено, что повышение размерности решающих правил (функционалов) до определенного момента приводит к снижению вероятностей ошибок верификации подписи, увеличение количества нейронов сети уменьшает число ошибок, а также многомерный функционал Байеса работает тем лучше, чем выше корреляция между признаками и его размерность. Наилучший результат по верификации автографа получен с использованием сетей многомерных функционалов Байеса: вероятность ошибок 1-го и 2-го рода составила 0,0288 и 0,0232 соответственно.
Использование сетей корреляционных нейронов с многоуровневым квантованием: защита от извлечения знаний из параметров решающего правила
Один из основных мировых трендов связан с развитием технологий искусственного интеллекта (ИИ). Несанкционированное вмешательство в работу ИИ может повлечь за собой последствия (материальный ущерб, угрозу жизни, здоровья граждан, нарушение информационной безопасности, технологический сбой и т.д.). Поэтому в ответственных приложениях ИИ должен выполняться в защищенном режиме. В отчете описаны результаты аналитико-синтетического исследования научных работ, международных и национальных стандартов, касающихся проблем безопасности искусственного интеллекта, приводится обоснование необходимости защиты искусственного интеллекта от ряда угроз и разработки национального стандарта «Искусственный интеллект в защищенном исполнении», а также предлагается план-проспект проекта данного стандарта, который затрагивает только задачи классификации. В основе стандарта предлагается использовать корреляционные (автокорреляционные) нейроны – новый класс нейронов, анализирующих корреляционные связи между признаками вместо значений признаков. Сети таких нейронов можно синтезировать и обучать в автоматическом режиме, при этом эталонная информация о классах образов не компрометируется, как в режиме исполнения, так и при хранении базы знаний. Сети корреляционных нейронов позволяют связать длинный криптографический ключ с классами образов и продуцировать его на выходе при поступлении на входы соответствующих образов. Потенциальная длина ключа превосходит все известные на сегодняшний день методы и подходы.
Отчет о НИР (часть 1)

ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ, АВТОМАТИЧЕСКОЕ МАШИННОЕ ОБУЧЕНИЕ, АНСАМБЛИ КЛАССИФИКАТОРОВ, ПРОСТРАНСТВО ПРИЗНАКОВ, АРХИТЕКТУРНАЯ БЕЗОПАСНОСТЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, АТАКИ НА ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, ИЗВЛЕЧЕНИЕ ПРИЗНАКОВ, РАСПОЗНАВАНИЕ ОБРАЗОВ
ознакомиться с работой на researchgate.net
Сулавко А.Е., Ложников П.С., Самотуга А.Е. и др. Защищенный режим исполнения искусственного интеллекта на базе автоматически обучаемых сетей автокорреляционных нейронов (часть 1) // Омск – 2021 г. Издательство «ОмГТУ» – 101 с.
Проект третьего национального стандарта России по быстрому автоматическому обучению больших сетей корреляционных нейронов на малых обучающих выборках биометрических данных
машинное обучение, распознавание образов, анализ корреляционных связей между признаками, мета-пространство признаков Байеса-Минковского, защита конфиденциальной информации в базах знаний от компрометации, защищенное исполнение искусственного интеллекта, высоконадежная аутентификация
https://cyberrus.com/wp-content/uploads/2021/04/84-93-343-21_8.-Ivanov.pdf
Иванов А.И., Сулавко А.Е. Проект третьего национального стандарта России по быстрому автоматическому обучению больших сетей корреляционных нейронов на малых обучающих выборках биометрических данных // Вопросы кибербезопасности. - 2021. - №3. - С. 84-93. DOI:10.21681/2311-3456-2021-3-84-93

Цель исследования – показать, что преобразователь биометрии в код доступа, основанный на больших сетях корреляционных нейронов, позволяет получать на выходе еще более длинный ключ с одновременным обеспечением защиты биометрических данных от компрометации.
Метод исследования – использование больших «широких» нейронных сетей с автоматическим обучением для реализации процедуры биометрической аутентификации с обеспечением защиты биометрических персональных данных от компрометации.
Результаты исследования – первый национальный стандарт ГОСТ Р 52633.5 по автоматическому обучению сетей нейронов был ориентирован только на физически защищенную доверенную вычислительную среду. Защита параметров обученных нейросетевых преобразователей биометрия-код с помощью криптографических методов привела к необходимости использования коротких ключей и паролей при биометрико-криптографической аутентификации. Предлагается строить специальные корреляционные нейроны в мета-пространстве признаков Байеса-Минковского более высокой размерности. Проведен эксперимент по верификации образов клавиатурного почерка при помощи преобразователя биометрия-код на основе набора данных проекта AIConstructor. В мета-пространстве признаков вероятность ошибки верификации оказалась меньше (EER=0,0823), чем в исходном пространстве признаков (EER=0,0864), при этом в защищенном режиме исполнения преобразователя биометрия-код длину ключа удается повысить более чем в 19 раз. Эксперименты показали, что переход в мата-пространство признаков Байеса-Минковского не ведет к проявлению проблемы «проклятья размерности», если часть исходных признаков имеет заметную или сильную взаимную корреляцию. Проблема обеспечения конфиденциальности параметров обученных нейросетевых контейнеров, из которых формируется нейросетевой преобразователь биометрия-код, актуальна не только для задач биометрической аутентификации. Видится возможным разработать стандарт для защиты искусственного интеллекта на базе автоматически обучаемых сетей корреляционных нейронов Байеса-Минковского
On the effect of the shape of a flaw on its detectability against noise background
случайные поля, дефектоскопия, человеческое зрение, компьютерное зрение, надежность обнаружения, системы сопоставления возможностей
ознакомиться с работой на researchgate.net

Epifantsev B.N., Zhumazhanova S.S. On the effect of the shape of a flaw on its detectability against noise background // Russian Journal of Nondestructive Testing. 2017. Т. 53. № 1. P. 62-70

Стремление к повышению обнаруживаемости незначительных отклонений выходных параметров от нормативных при переходе на системы автоматического тестирования качества продукции требует решения ряда новых задач. Одним из них является оценка влияния спектральной плотности энергии изображения от осесимметричного дефекта на надежность его обнаружения на фоне фонового шума системами как человеческого, так и компьютерного зрения. Знание этой информации - необходимое условие для разработки новых усовершенствованных методов тестирования и оценки. Представлены результаты вероятностей ложной тревоги и правильного обнаружения осесимметричных круглых или прямоугольных дефектов в зависимости от отношения сигнал/шум и отношения радиуса дефекта к радиусу корреляции фоновых флуктуаций. Установлено, что при низком соотношении сигнал/шум человеческое зрение более эффективно, чем машинное зрение, реализующее алгоритм корреляционного детектора и критерий Неймана – Пирсона.
Evaluation of EEG identification potential using statistical approach and convolutional neural networks
глубокое обучение, многослойные нейронные сети, биометрия, машинное обучение, извлечение признаков, электрическая активность мозга, психофизиологическое состояние, распознавание образов, спектрограммы
http://www.i-us.ru/index.php/ius/article/view/13299
Sulavko, A. E., Lozhnikov, P. S., Choban, A. G., Stadnikov, D. G., Nigrey, A. A., Inivatov, D. P. (2020). Evaluation of EEG identification potential using statistical approach and convolutional neural networks. Information and Control Systems, (6), 37-49. https://doi.org/10.31799/1684-8853-2020-6-37-49
Сулавко, А. Е., Ложников, П. С., Чобан, А. Г., Стадников, Д. Г., Нигрей, А. А., Иниватов, Д. П. (2020). Оценка идентификационного потенциала электроэнцефалограмм с использованием статистического подхода и сверточных нейронных сетей. Информационно-управляющие системы, (6), 37-49. https://doi.org/10.31799/1684-8853-2020-6-37-49
Введение: электроэнцефалограммы содержат информацию об индивидуальных особенностях работы мозга и психофизиологическом состоянии субъекта. Цель исследования: оценить идентификационный потенциал электроэнцефалограмм; разработать методы идентификации личности и психофизиологического состояния субъектов, а также действий пользователя, выполняемых на компьютере, по электроэнцефалограмме с использованием аппарата сверточных нейронных сетей. Результаты: оценена информативность ритмов электроэнцефалограмм с точки зрения возможности идентификации человека и его состояния. Достигнута высокая точность идентификации личности (98,5–99,99% для 10 электродов, 96,47% для двух электродов Fp1 и Fp2) при низком времени прохода (2–2,5 с). Обнаружено существенное падение точности идентификации, если на этапе обучения и тестирования сети субъект находился в разных психофизиологических состояниях. (В ранних исследованиях данному аспекту уделялось недостаточно внимания.) Предложен способ повышения робастности распознавания личности в измененных состояниях. Достигнута точность 82–94% при распознавании состояний алкогольного опьянения, сонливости, физической усталости и 77,8–98,72% при распознавании действий пользователя (чтение, набор текста, просмотр видео). Практическая значимость: результаты будут востребованы в приложениях информационной безопасности и удаленного мониторинга субъектов (при отсутствии возможности непосредственно наблюдать за ними).
Использование сетей корреляционных нейронов с многоуровневым квантованием: защита от извлечения знаний из параметров решающего правила
Практика применения обычных решающих правил в приложениях искусственного интеллекта и биометрии не может гарантировать их безопасность. Необходимо создавать математические конструкции, которые, с одной стороны, являются достаточно эффективными решающими правилами, а с другой стороны, не позволяют злоумышленникам узнать, на какой биометрический образ настроено то или иное решающее правило и какое управляющее воздействие соответствует той или иной образной ситуации.
Рассматриваемые в работе корреляционные нейроны Байеса по своей природе способны обеспечивать защиту от извлечения из них знаний о математических ожиданиях, о стандартных отклонениях и о коэффициентах корреляции, контролируемых биометрических параметров. Затрагиваются вопросы применения нейронных сетей Байеса с многоуровневыми нейросетевыми квантователями данных, многократно увеличивающими энтропию внутренних состояний решающего правила.
Препринт ориентирован на студентов, аспирантов, преподавателей, инженеров, занимающихся проблемами применения нейросетевого искусственного интеллекта для решения задач биометрии и иных приложений искусственного интеллекта в защищенном от исследования исполнении.

защита решающих правил от атаки извлечения знаний, нейросетевые преобразователи биометрия-код, искусственный интеллект в защищенном исполнении
ознакомиться с работой на researchgate.net
Иванов А.И., Сулавко А.Е. Использование сетей корреляционных нейронов с многоуровневым квантованием: защита от извлечения знаний из параметров решающего правила // Пенза – 2020 г. Издательство «ПГУ» – 48 с. Тираж 300 экз. ISBN 978-5-907364-02-8
Flexible fast learning neural networks and their application for building highly reliable biometric cryptosystems based on dynamic features
гибридные нейронные сети, Байесовские сети, автоматическое обучение нейронных сетей, искусственный интеллект, машинное обучение, защита информации
https://www.sciencedirect.com/science/article/pii/S2405896318329458

Vasilyev V.I., Lozhnikov P.S., Sulavko A.E., Fofanov G.А., Zhumazhanova S.S. Flexible fast learning neural networks and their application for building highly reliable biometric cryptosystems based on dynamic features // IFAC-PapersOnLine. - Vol. 51, Issue 30, 2018, P. 527-532. doi:10.1016/j.ifacol.2018.11.272

В статье представлен краткий обзор наиболее перспективных методов распознавания образов (глубокое обучение, сверточные, эволюционные, прогрессивные, неглубокие, «широкие», гибридные искусственные нейронные сети и др.) С точки зрения возможности их использования для построения высоконадежных биометрических криптосистем. на основе динамических характеристик. Авторы предлагают новый подход - разработку и обучение гибких нейронных сетей. Для ее реализации разработан математический аппарат, использующий элементы различных типов искусственных нейронных сетей, теории вероятностей и математической статистики. В статье представлены результаты этих исследований и сформулирован круг задач, которые необходимо решить для создания перспективных основ построения высоконадежных биометрических криптосистем.
Высоконадежная аутентификация по рукописным паролям на основе гибридных нейронных сетей с обеспечением защиты биометрических эталонов от компрометации
распознавание образов, разностные функционалы Байеса, обработка коррелированных биометрических параметров, защита информации, автоматическая настройка нейронных сетей, плотности вероятности
http://www.i-us.ru/index.php/ius/article/view/13353
Сулавко А. Е. Высоконадежная аутентификация по рукописным паролям на основе гибридных нейронных сетей с обеспечением защиты биометрических эталонов от компрометации. Информационно-управляющие системы, 2020, № 4, с. хх–хх. doi:10.31799/1684-8853-2020-4-61-77
Sulavko A. E. Highly reliable authentication based on handwritten passwords using hybrid neural networks with protection of biometric templates from being compromised. Informatsionno-upravliaiushchie sistemy [Information and Control Systems], 2020, no. 4, pp. xx–xx (In Russian). doi:10.31799/1684-8853-2020-4-61-77
Введение: нейросетевые преобразователи «биометрия-код» являются идеологической основой для серии стандартов ГОСТ Р 52633 (не имеющих к настоящему моменту мировых аналогов), которые могут быть востребованы при разработке средств высоконадежной биометрической аутентификации и электронной подписи с биометрической активацией. Цель: разработать модель преобразователя «биометрия-код» для высоконадежной биометрической аутентификации по рукописным паролям с высокой устойчивостью к атакам на извлечение знаний. Результаты: продемонстрирована уязвимость нейросетевых преобразователей «биометрия-код», позволяющая совершать быстрый направленный перебор конкурирующих примеров для компрометации биометрического образа и личного ключа его владельца. Описан метод эффективной защиты от данной атаки. Предложена гибридная модель нейросетевого преобразователя «биометрия-код» (основанная на новом типе гибридных нейронных сетей), не компрометирующего биометрический эталон и ключ (пароль) пользователя и устойчивого к подобным атакам. Экспериментально подтверждена высокая надежность и эффективность предложенной модели в задачах верификации рукописных паролей. Показатели надежности генерации ключа из рукописного пароля составили: FRR=11,5 %, FAR=0,0009 % при длине ключа 1024 бит (с учетом предъявления подделок рукописного образа). Практическая значимость: результаты будут востребованы в приложениях информационной безопасности и при реализации электронного документооборота.
Personal Identification and the Assessment of the Psychophysiological State While Writing a Signature
динамическая подпись, информационная безопасность, идентификация, психофизиологическое состояние, вариабельность сердечного ритма
https://www.mdpi.com/2078-2489/6/3/454

Lozhnikov P.S., Sulavko A.E., Samotuga A.E. Personal Identification and the Assessment of the Psychophysiological State While Writing a Signature. Information. 2015, № 6, p. 454-466. doi:10.3390/info6030454

В статье рассматриваются задача идентификации личности и психофизиологического состояния субъектов в процессе написания подписи на графическом планшете. Решение задачи включает построение эталонов особенностей написания подписи идентифицируемыми лицами при одновременной скрытой регистрации физиологического параметра субъекта. В качестве физиологического параметра предложено использовать описание вариабельности сердечного ритма в различные моменты времени. В результате автоматически формируется подпись для совокупности психофизиологических состояний идентифицируемого лица и решается задача, как его распознавания, так и распознавания его психофизиологического состояния на стадии идентификации.
Statistical approach for subject's state identification by face and neck thermograms with small training sample
искусственный интеллект, машинное обучение, распознавание образов, оценка психофизиологического состояния человека, анализ биомедицинских сигналов
ознакомиться с работой на reader.elsevier.com
Zumazhanova, S.S., Sulavko, A.E., Ponomarev, D.B., Pasenchuk, V.A. Statistical approach for subject's state identification by face and neck thermograms with small training sample // IFAC-PapersOnLine. - Vol. 52. - Issue 25 (2019) 46–51
Существующие методы идентификации психофизиологических состояний человека либо являются контактными, либо не допускают проведения теста без активного участия испытуемого в этой процедуре. Использование тепловизионных систем имеет ряд преимуществ: отсутствие физического контакта с системой и тот факт, что температура является надежным показателем здоровья. В работе предлагается новое пространство признаков, состоящее из 465 параметров, разделенных на статические (вычисляемые в каждом кадре) и динамические (вычисляемые из соотношения соседних кадров). Дана оценка информативности полученных признаков для распознавания психофизиологического состояния. Были протестированы несколько классификаторов: нейронная сеть персептронного типа, сеть квадратичных форм, а также классификатор, основанный на модифицированной формуле гипотез Байеса, который показал наилучший результат.
Биометрическая защита гибридного документооборота
В монографии очерчен круг актуальных проблем для систем защиты смешанного документооборота. Предложено перейти к концепции гибридного документооборота, ключевым отличием которой является использование биометрических признаков при формировании закрытого (секретного) ключа электронной подписи (ЭП).
Разработана модель и технология защиты гибридного документооборота на основе биометрических данных рукописных образов, клавиатурного почерка и лица. Проанализированы указанные признаки, оценена их информативность.
Рассмотрены современные алгоритмы формирования решений при распознавании субъектов и генерации ключевых последовательностей на основе биометрических данных (нечеткие экстракторы, нейросетевые преобразователи биометрия-код на основе персептронов и алгоритма обучения по ГОСТ Р 52633.5-2011, сети квадратичных форм, многомерных функционалов Байеса и других функционалов). Определены оптимальные алгоритмы для решения поставленных задач. Выявлен и экспериментально подтвержден ряд важных тезисов.

аутентификация, электронная подпись с биометрической активацией, рукописная подпись, биометрический образ, преобразователи биометрия-код, корреляция между признаками, смешанный документооборот, защита информации, нейронные сети, формула Байеса
https://kasib.ru/wp-content/uploads/2017/12/hybridocsign.pdf
П.С. Ложников. Биометрическая защита гибридного документооборота: монография / Новосибирск: Изд-во СО РАН, 2017. — 130 с.
Subjects Authentication Based on Secret Biometric Patterns Using Wavelet Analysis and Flexible Neural Networks
корреляция между биометрическими параметрами, качество признаков, ошибки первого и второго рода, широкие нейронные сети, кибербезопасность
ознакомиться с работой на researchgate.net

Sulavko A.E., Volkov D.A., Zhumazhanova S.S., Borisov R.V. Subjects Authentication Based on Secret Biometric Patterns Using Wavelet Analysis and Flexible Neural Networks // 2018 XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering (APEIE). - Novosibirsk, Russia. IEEE. - October 2, 2018. - P. 218-227. doi:10.1109/APEIE.2018.8545676

В статье идет речь о проблеме построения надежных средств аутентификации на базе тайных динамических биометрических образов человека. При разработке таких средств предлагается использовать вейвле-анализ сигналов клавиатурного почерка, рукописных и голосовых паролей, а также гибридные нейронные сети, адаптирующиеся под особенности биометрического образа человека. Дана оценка информативности признаков, полученных с помощью вейвлет-разложения динамических биометрических образов с использованием базисов Хаара, Добеши, Морле, Майера, Шенона, «мексиканская шляпа» и других. Проведена оценка надежности распознавания субъектов по особенностям голоса, клавиатурного и рукописного почерка при воспроизведении тайных и открытых биометрических образов.
Bayes-Minkowski measure and building on its basis immune machine learning algorithms for biometric facial identification
распознавание образов, пространство признаков, биометрия, корреляционная зависимость признаков, информативность признаков, устойчивость машинного обучения
https://iopscience.iop.org/article/10.1088/1742-6596/1546/1/012103/pdf

Sulavko A.E. Bayes-Minkowski measure and building on its basis immune machine learning algorithms for biometric facial identification // Journal of Physics: Conference Series. - Vol. 1546. - IV International Scientific and Technical Conference "Mechanical Science and Technology Update" (MSTU-2020) 17-19 March, 2020, Omsk, Russian Federation. - doi:10.1088/1742-6596/1546/1/012103

В настоящей работе предложена новая мера близости Байеса-Минковского, которую можно использовать для обработки коррелированных биометрических, биомедицинских и других данных (с нормальным законом распределения или близким к нему). Мера Байеса-Минковского является критерием-антагонистом по отношению к мере Минковского, так как проявляет противоположные свойства. На основе этих мер близости можно построить гибридную сеть классификаторов и применить к этой сети иммунные алгоритмы обучения, что было продемонстрировано в работе на примере задач идентификации и верификации личности человека по изображению лица. Вероятности ошибок идентификации и верификации лиц составили: 0.0029 и 0.0017, соответственно.
Идентификация образов электроэнцефалограмм пользователей компьютерных систем при наборе парольных фраз на клавиатуре
параметры электроэнцефалограмм, распознавание образов, клавиатурный почерк, биометрическая идентификация, пространство признаков, машинное обучение, защита информации
ознакомиться с работой на researchgate.net

Сулавко А.Е., Жумажанова С.С., Стадников Д.Г. Идентификация образов электроэнцефалограмм пользователей компьютерных систем при наборе парольных фраз на клавиатуре // Искусственный интеллект и принятие решений. № 2. - 2019. - С. 15-27. DOI 10.14357/20718594190202

В статье рассматривается связь клавиатурного почерка пользователя компьютера и параметров его электроэнцефалограмм (ЭЭГ). В рамках работы проведен эксперимент по сбору данных ЭЭГ 65 испытуемых, осуществляющих ввод парольной фразы на различных клавиатурах в разное время. Выполнен анализ ЭЭГ, выявлены закономерности и параметры ЭЭГ (признаки), которые возможно использовать для биометрической идентификации субъектов. Предложен метод идентификации образа ЭЭГ человека, осуществляющего клавиатурный ввод текста (парольных фраз). Проведен вычислительный эксперимент с большим объемом тестовой выборки по оценке надежности распознавания ЭЭГ-образов. По результатам эксперимента получено 1,62% ошибок. При этом не выявлено зависимости признаков ЭЭГ от использованной испытуемыми клавиатуры и времени суток, а также изменчивости признаков со временем.
Biometric authentication on the basis of electroencephalograms parameters
нейро-интерфейсы, ЭЭГ, анализ биомедицинских сигналов, машинное обучение, классификатор Байеса, нейросетевые алгоритмы, защита информации, биометрия, аутентификация
https://iopscience.iop.org/article/10.1088/1742-6596/1260/2/022011/pdf

Sulavko A.E., Samotuga A.E., Stadnikov D.G., Pasenchuk V.A., Zhumazhanova S.S. Biometric authentication on the basis of lectroencephalograms parameters // IOP Conf. Series: Journal of Physics: Conf. Series. III International scientific conference "Mechanical Science and Technology Update", 23-24 April, 2019. Omsk, Russia. p. 022011 doi:10.1088/1742-6596/1260/2/022011

Статические биометрические образы (отпечаток пальца, радужка, лицо и т.д.) сложно сохранить в тайне. Кража чужой открытой биометрии дает большие возможности по компрометации систем, так как открытый образ имеет мало возможных вариантов замены. Аутентификация на основе образа электроэнцефалограммы (ЭЭГ) является наиболее безопасным видом биометрической защиты. Настоящее исследование направлено на разработку метода биометрической аутентификации по данным ЭЭГ с высокой точностью. Апробировано несколько нейросетевых алгоритмов верификации образов ЭЭГ. Разработан метод верификации образа ЭЭГ человека на основе модифицированной формулы гипотез Байеса. Достигнуты следующие показатели ошибок FAR<10-4 при FRR=0.062.
Идентификационный потенциал пользователей компьютерных систем в процессе их профессиональной деятельности
Очерчен круг новых актуальных задач, решение которых возможно с использованием технологии скрытого распознавания человека-оператора и его психофизиологического состояния по динамическим биометрическим признакам в процессе профессиональной деятельности. Проанализировано состояние данной проблемы по патентной и периодической литературе, сформулированы направления дальнейших исследований.
Предложены подходы к решению сформулированных задач, базирующиеся на анализе параметров рукописных образов, клавиатурного почерка, а также термограмм лица и шеи субъекта. Апробированы авторские методики построения пространства признаков. Рассмотрены различные подходы к принятию решений в пространстве малоинформативных биометрических признаков. Разработаны методы распознавания субъектов и их психофизиологических состояний с использованием сетей Байеса-Хемминга и других функционалов. Приведены результаты испытаний предложенных систем. Рекомендуется аспирантам и специалистам, область интересов которых связана с созданием систем искусственного интеллекта в информационно-вычислительной и транспортной сферах.

распознавание образов, биометрические технологии, контроль состояния оператора, стратегия Байеса, распознавание лиц, клавиатурный почерк, динамика подписи, машинное обучение в системах защиты информации
https://www.elibrary.ru/item.asp?id=32257797
Епифанцев, Б.Н. Идентификационный потенциал пользователей компьютерных систем в процессе их профессиональной деятельности [Электронный ресурс] : монография / Б.Н. Епифанцев, А.Е. Сулавко, А.С. Ковальчук, Н.Н. Нигрей, С.С. Жумажанова, Р.В. Борисов. – Омск : СибАДИ, 2017. - 1 электрон. опт. диск (DVD-R). - Загл. с этикетки диска.
Альтернативные сценарии авторизации при идентификации пользователей по динамике подсознательных движений
ИДЕНТИФИКАЦИЯ, АВТОРИЗАЦИЯ, ОБМАННЫЕ СИСТЕМЫ, DECEPTION SYSTEMS
https://www.elibrary.ru/item.asp?id=19047630

Епифанцев Б.Н., Ложников П.С., Сулавко А.Е. Альтернативные сценарии авторизации при идентификации пользователей по динамике подсознательных движений // Вопросы защиты информации / ФГУП «ВИМИ». - Москва: 2013, № 2. С. 28-35.

Предложена концепция альтернативных сценариев авторизации в системах контроля доступа. Разработан алгоритм идентификации пользователей по динамике подсознательных движений с использованием альтернативных сценариев авторизации. Проведен эксперимент по оценке эффективности алгоритма.
Биометрическая аутентификация по клавиатурному почерку с учетом силы нажатия на клавиши, параметров вибрации и движения рук оператора
динамика движений рук над клавиатурой, давление на клавиши, время удержания клавиши, паузы между нажатием клавиш, «широкие» нейронные сети, вейвлет анализ, амплитудный спектр, быстрое преобразование Фурье
ознакомиться с работой на researchgate.net

Сулавко, А. Е. Биометрическая аутентификация по клавиатурному почерку с учетом силы нажатия на клавиши, параметров вибрации и движения рук оператора / А. Е. Сулавко, А. Р. Хамзин, А. А. Лыжин, М. Д. Новиков, Н. В. Седнев, С. В. Хабаров // Вопросы защиты информации. - 2018. - № 2. - С. 41-50

В работе рассматриваются проблема биометрической аутентификации по клавиатурному почерку. Традиционные признаки клавиатурного почерка являются малоинформативными и не позволяют создавать средств надежной аутентификации. В работе предлагается использовать дополнительные признаки: силу нажатия на клавиши, траектории движения рук над клавиатурой и параметры ее вибрации при наборе парольной фразы. Для регистрации новых признаков разработана специальная клавиатура. Проведена оценка информативности данных признаков. Предложено использовать гибкие гибридные нейронные сети, способные к быстрому обучению, для распознавания пользователей клавиатуры. Дана оценка надежности принимаемых сетью решений. Достигнутый результат превышает полученные ранее.

Made on
Tilda