Abstract
Розроблено узагальнену аналітичну модель попередніх налаштувань для реалізації нейроподібного шифрування даних. Основними компонентами є блок формування архітектури нейроподібної мережі, блок обчислення матриць вагових коефіцієнтів і блок обчислення таблиць макрочасткових добутків, реалізація якої забезпечує зменшення часу налаштування. Проаналізовано останні дослідження та публікації щодо актуальності проблем під час реалізації нейроподібного криптографічного шифрування даних. Саме тут на допомогу приходить узагальнена аналітична модель попередніх налаштувань. У роботі сформульовано правила для формування архітектури нейроподібної мережі. Структура нейроподібної мережі для криптографічного шифрування даних визначається кількістю нейроподібних елементів. Також розроблено блок обчислення матриць вагових коефіцієнтів. Для цього використано метод сингулярного розкладу матриці та метод обертання Якобі, для знаходження власних векторів і власних значень. Розроблено імітаційну модель для демонстрації роботи цього блоку обчислення, як приклад використано навчальну матрицю розмірністю 13×16 з попередньо заданою архітектурою. Розроблено блок обчислення макрочасткових добутків на підставі таблично-алгоритмічного методу. Розроблено імітаційну модель на підставі матриці вагових коефіцієнтів з розрядністю 8 та заданою архітектурою нейроподібної мережі. Також для обох блоків обчислення розроблено гнучкий користувацький інтерфейс та описано детальне користування ним. Для реалізації поставлених задач обрано мову програмування C# і середовище розроблення Visual Studio 2022. Як технологію розроблення обрано Windows Forms. Для матричних операцій було підключено бібліотеку Accord.Math. Практичною цінністю є те, що розроблені засоби забезпечують швидке обчислення коефіцієнтів для заданої архітектури нейромережі. У підсумку використання такої узагальненої моделі попередніх налаштувань забезпечить швидкість та безпеку шифрування даних.
Publisher
Ukrainian National Forestry University
Subject
General Earth and Planetary Sciences,General Environmental Science
Reference30 articles.
1. Amos, R. O., Jagath, C. R. (2006). FPGA Implementations of Neural Networks, Springer, 363 p.
2. Arvandi, M., Wu, S., Sadeghian, A., Melek, W. W., & Woungang, I. (2006). Symmetric cipher design using recurrent neural networks. Proceedings of the IEEE International Joint Conference on Neural Networks, 2039–2046.
3. Chang, A. X. M., Martini, B., & Culurciello, E. (2015). Recurrent neural networks hardware implementation on FPGA: arXiv preprint arXiv: 1511.05552.
4. Chi Zhang, Wei Zou, Liping Ma, & Zhiqing Wang. (2020). Biologically inspired jumping robots: A comprehensive review. Robotics and Autonomous Systems, vol. 124, 103362.
5. Corona-Bermúdez, E., Chimal-Eguía, J. C., & Téllez-Castillo, G. (2022). Cryptographic Services Based on Elementary and Chaotic Cellular Automata. Electronics, 11(4), 613. https://doi.org/10.3390/electronics11040613