Проектирования информационной безопасности телемедицинских сетей

Данная статья посвящена об обеспечение информационной безопасности и рассматривается нейронные сети и структура их в информационной безопасности. При помощи нечеткой логики объяснена разработка нейроэкспертных систем.

Ключевые слова:Нейрон и нейронные сети, информационной безопасность, нейромедиаторы, синаптические связи.

Обеспечение информационной безопасности является важной задачей для любой страны, поскольку от сохранения конфиденциальности, целостности и доступности информационных ресурсов во многом зависят качество и оперативность принятия технических решений, эффективность их реализации. Государство, регламентируя отношения в информационной сфере не способно справиться в полном объеме с задачей обеспечения безопасности всех субъектов информационных отношений, однозначно отвечая лишь за защиту сведений, составляющих государственную тайну. Поэтому в условиях различных форм собственности задача обеспечения информационной безопасности полностью ложится на плечи предпринимателей, руководителей организаций, различных коммерческих структур [1]. По подсчетам американских специалистов, утрата 20 % информации ведет к разорению организации в течение месяца в 60 случаях из 100. Информация является основой для принятия решений человеком и от ее достоверности, полноты, системной организованности зависит риск принятия неэффективных и опасных решений. Непреднамеренное или преднамеренное искажение информации, несанкционированный доступ к защищаемой информации может представлять значительную угрозу [2]. Однако в настоящее время актуальными являются уже не столько вопросы защиты интеллектуальной собственности и информации, составляющей личную, коммерческую или служебную тайну, сколько такое конструирование структур и функций организаций, которое обеспечивало бы безопасность информационных технологий, сопровождающих, а часто и обеспечивающих нормальное функционирование производственных (интеллектуальных, инновационных, опережающих и т. п.) технологий [3]. Это связано с тем, что практически все системы жизнеобеспечения общества и государства базируются на использовании информационных систем (банковские расчеты, электронный документооборот, электронная коммерция и др.) вывод из строя любою существенного элемента этой системы может привести к невосполнимому ущербу и катастрофическим последствиям.

К настоящему времени в мире сложилась четкая система концептуальных взглядов на обеспечение информационной безопасности государства в целом и хозяйствующих субъектов в отдельности, однако специфические особенности информационных систем в различных организациях не позволяют создавать единых универсальных методов обеспечения их информационной безопасности [4].

Решение задач обеспечения информационной безопасности организации может быть получено на базе использования экспертных систем поддержки принятия решений, применение которых эффективно по ряду причин: во-первых, появляется возможность решения плохо формализуемых задач с привлечением нового, специально разработанного для этих целей математического аппарата (семантических сетей, фреймов, нечеткой логики); во-вторых, экспертные системы ориентированы на эксплуатацию широким кругом специалистов, общение с которыми происходит с использованием понятной им техники рассуждений и терминологии; в-третьих, применение экспертных систем позволяет значительно повысить эффективность и оперативность решений за счет аккумуляции знаний экспертов высшей квалификации [4].

Мозг построен из клеток двух типов: глиальных и нейронов. И хотя роль глии в его работе, видимо, довольно значительна, большинство исследователей полагает, что в основном понимание работы мозга может быть достигнуто при изучении нейронов, объединенных в единую связанную сеть [4]. Эта парадигма и используется при построении, изучении и применении искусственных нейронных сетей. Следует, однако, заметить, что имеются и другие точки зрения. В частности, такие ученые как Пенроуз и Хамерофф считают, что главные события происходят не в нейронной сети, а в самих клетках, а именно в их цитоскелетоне, в так называемых микротрубочках. Согласно их точке зрения, и память, и даже сознание определяются конформационными изменениями белков во внутриклеточных структурах и связанными с ними квантовыми эффектами. Количество нейронов в мозге оценивается величиной 10^10–10¹¹. Типичные нейроны имеют тело клетки (сому), множество ветвящихся коротких отростков — дендритов и единственный длинный и тонкий отросток — аксон. На конце аксон также разветвляется и образует контакты с дендритами других нейронов — синапсы рис. 1.

Рис. 1. Схема нейрона и межнейронного взаимодействия

Внутриклеточное пространство нейрона имеет отрицательный электрический потенциал по отношению к внеклеточному (-70 mV), то есть клетка в целом поляризована. Поляризация возникает за счет избирательной проницаемости клеточной мембраны для ионов натрия и калия, приводящей к разнице их концентраций внутри и вне клетки. Однако, если внешним образом достаточно сильно изменить потенциал мембраны одного нейрона (передатчика) вблизи выхода аксона из его клеточного тела, то проницаемость мембраны меняется иперераспределение ионов во внутриклеточном и внеклеточном пространстве аксона приводит к распространению по нему волны кратковременной деполяризации [4]. Электрический импульс, распространившись по всем ветвлениям окончания аксона со скоростью около 100 м/с, достигает синапсов, расположенных в местах его контакта с дендритами или сомой других клеток. Под воздействием этого импульса в синапсах выделяются специальные химические вещества — нейромедиаторы, которые, пересекая синаптическую щель, взаимодействуют с мембраной нейрона-приемника и изменяют ее потенциал. Таким образом воздействие передается от одного нейрона к другим. Заметим, что это воздействие может являться как возбуждающим — способствующим дальнейшей генерации волны деполяризации в нейроне-приемнике, так и ингибирующим — препятствующим такой генерации. Тип воздействия определяется химической природой нейромедиатора, выделяющегося в синапсе [4]. После генерации импульса нейрон некоторое время (период рефрактерности) не может активироваться. Поэтому частота, с которой нейрон может генерировать импульсы ограничивается примерно 100 Гц. Каждый из нейронов устанавливает синаптические связи в среднем с 104 другими нейронами. Поэтому число связей в мозге оценивается в 10¹⁴ -10¹⁵. Очень грубо можно считать, что нейроны мозга могут находиться в двух состояниях — возбужденном (когда они предают свое воздействие другим нейронам) и покоящемся (когда такой передачи нет). До сих пор неизвестно, каким кодом пользуется нервная система для передачи взаимодействия. Может быть, он является бинарным, и значение имеют указанные состояния нейронов. Возможно, важна частота электрической активности нейронов, кодирующая интенсивность сигнала. Например, у нейронов коры эта частота может быть пропорциональна вероятности некоторого события. Наконец, информация может содержаться не в импульсных процессах, а в более медленных изменениях потенциала мембраны, которые не всегда активируют клетку (т. е. не превышают порога активации). Однако при любом предположении модель сети взаимодействующих нейронов оказывается исключительно богатой и обладающей свойствами, которые можно сопоставить с реальными возможностями мозга [1;4].

Рис. 2. Сравнение наследственной и приобретенной информации для различных видов организмов

В строении мозга как на фотографии запечатлен весь эволюционный путь его развития. Так, мозг человека фактически включает в себя три больших отдела, управляющие наиболее древней структурой (нейрошасси), доставшейся нам еще от рыб и амфибий, и ответственной за поддержание жизнедеятельности и размножение. Первый отдел — рептильный комплекс — возник несколько сот миллионов лет назад и помогает нам ориентироваться в пространстве. Второй отдел — лимбическая система — образовался около ста пятидесяти миллионов лет назад. Благодаря ей мы обладаем эмоциями. Наконец, последнее достижение — новая кора, особо развитая у человека, позволяет нам говорить и логически мыслить. В фантастических романах прошлого человек будущего (или инопланетный гуманоид) иногда изображался как хилое существо с огромным мозгом. На самом деле, и при нынешних его размерах (примерно 5 % от общего веса тела) мозг человека потребляет около 20 % кислорода и, следовательно, энергии. При этом он обычно не задействован «на полную мощность»: одновременно активны в нем лишь 2–3 % нейронов [1;4]. Благодаря такой избыточности, мозг человека обладает огромным запасом прочности, позволяющим ему работать даже несмотря на серьезные повреждения и утраты. Этой способности лишены современные компьютеры. Экспертные системы и нейронные сети в той или иной мере успешно моделируют отдельные стороны интеллекта. В то время как экспертные системы используют правила импликации (IF-THEN), логический вывод, нейронные сети обладают способностью обучаться и выполнять параллельную обработку данных. Экспертные системы не обладают способностью к обучению, но проводимые ими рассуждения понятны и «прозрачны», в то время как нейронная сеть может обучаться, но действует как «черный ящик» [4]. Совокупность качеств делают нейронные сети и экспертные системы хорошими кандидатами на формирование гибридной интеллектуальной системы, называемой нейронной экспертной системой. Нейронные экспертные системы используют обученную нейронную сеть вместо базы знаний. В отличие от основанных на правилах экспертных систем, нейронные экспертные системы могут оперировать с недостоверными и неполными данными. Знания проблемной области, необходимые для проведения экономического анализа, могут быть использованы при начальной настройке информационного поля нейронной сети — нейронной базы знаний. После обучения, нейронная база знаний может интерпретироваться как доступный для анализа набор правил логического вывода IF-THEN [4]. Нейронная экспертная система может быть представлена в виде 5-слойной специализированной структуры, в которой достоверность сформулированной экспертами-экономистами системы правил логического вывода отражается в значениях весов связей между конъюнктивными (conjunction layer) и дизъюнктивными (disjunction layer) слоями нейронной сети [3]. В процессе обучения нейронной экспертной системы автоматически корректируется системы правил логического вывода, что улучшает достоверность экономического анализа.

Нейро-нечеткая сеть, соответствующая нечеткой модели вывода, например, модели Mamdani, может быть представлена нейронной сетью, состоящей из пяти слоев (рис. 1.6): входного, слоя введения нечеткости (fuzzification), слоя нечетких правил логического вывода, выходного слоя функций принадлежности и слоя формирования четких выходных значений (defuzzification). Знания экспертов-экономистов (априорный опыт системы) в форме лингвистических переменных и нечетких правил логического вывода могут быть взаимооднозначно отражены в структуре нейро-нечеткой сети.

При наличии примеров обучающей выборки (в виде набора разноплановых экономических показателей) нейро-нечеткая сеть в процессе обучения автоматически преобразует скрытую в экономических показателях информацию в набор нечетких правил IF-THEN, образующих проблемно ориентированную базу знаний, т. е. извлекает знания из входного потока реальных данных [1;4]. Нейро-нечеткая сеть может использовать стандартные алгоритмы обучения, разработанные для нейронных сетей, включая алгоритм обратного распространения ошибки [4]. Однако более оперативное обучение нейронных сетей может производиться с использованием эволюционных методов адаптации их информационных полей. Генетические алгоритмы эффективны для оптимизации весов и выбора. оптимальной топологии нейронной сети в соответствии с заданной целевой функцией Эволюционные методики оптимизации весов связей включают этапы выделения хромосом в структуре нейронной сети, задания функции соответствия — функционала, в соответствии с которым реализуется стратегия отбора отдельных хромосом для участия в процессе эволюции нейронных сетей и выбора генетических операторов для моделирования эволюционных процессов, как правило, пересечения и мутации [4].

Эволюционные вычисления могут использоваться для отбора нечетких правил при решении задачи классификации: числовые данные, находящиеся в таблицах нечетких правил, используются для формирования полной системы нечетких правил IF-THEN, генетический алгоритм — для выбора ограниченного числа правил с высокой мощностью классификации [4].

Литература:

1.                             Абу-Мостафа Я., Псалтис Д. Оптические нейронно-сетевые компьютеры. // В мире науки, 1987, № 5, с. 42–50.

2.                             Анохин П. К. Биология и нейрофизиология условного рефлекса. М.: Медицина, 1972.

3.                             Айзерман М. А., Браверман Э. М., Розоноэр Л. И. Метод потенциальных функций в теории обучения машин. М.:Наука, 2000. — 383с.

4.                             www.intuit.ru/neyronniyeseti/html.