Проектирования информационной безопасности телемедицинских сетей | Статья в сборнике международной научной конференции

Автор:

Рубрика: 1. Информатика и кибернетика

Опубликовано в

II международная научная конференция «Технические науки: традиции и инновации» (Челябинск, октябрь 2013)

Дата публикации: 10.10.2013

Статья просмотрена: 237 раз

Библиографическое описание:

Нуржабова Д. Ш. Проектирования информационной безопасности телемедицинских сетей [Текст] // Технические науки: традиции и инновации: материалы II Междунар. науч. конф. (г. Челябинск, октябрь 2013 г.). — Челябинск: Два комсомольца, 2013. — С. 9-11. — URL https://moluch.ru/conf/tech/archive/87/4189/ (дата обращения: 17.08.2018).

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 1010–1011. 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.

Схема нейрона и межнейронного взаимодействия

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].

Сравнение наследственной и приобретенной информации для различных видов организмов

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.

Основные термины (генерируются автоматически): IF-THEN, логический вывод, информационная безопасность, нейронная сеть, система, нейрон, нейро-нечеткая сеть, мозг человека, сеть, нейронная экспертная система.

Похожие статьи

Гибкие нейро-нечеткие системы вывода и программная...

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...

Экспертная система на основе нейросетевых технологий для...

коммутаторная нейронная сеть, нейронная сеть, сеть, разработанный алгоритм, нейрон, нейрон сети, система, искусственный интеллект, линия

нейронные сети, Информационная безопасность, системы обнаружения вторжений, классификация сетевых атак.

Применение нейронных сетей в экономике | Статья в журнале...

Слоистые нейронные сети — это такие нейронные сети, в которых нейроны разбиваются на отдельные группы (слои) так, что обработка информации осуществляется послойно.

Аппаратная реализация искусственных нейронных сетей. Часть 1

Искусственные нейронные сети (ИНС), навеянные вычислительными и коммуникативными способностями мозга человека, являются значительной парадигмой в машинном обучении.

Исследование возможностей использования нейронных сетей

Нейронная сеть — вычислительная или логическая схема, построенная из однородных процессорных элементов, являющихся упрощенными функциональными моделями нейронов.

Исследование нейросетевых технологий для выявления...

нейронные сети, Информационная безопасность, системы обнаружения вторжений, классификация сетевых атак.

нейронная сеть, входной слой, сумма активов, многослойный персептрон, коэффициент корреляции, обратное распространение, скрытый слой, модель...

Основные этапы развития искусственного интеллекта

Были разработаны многослойные нейронные сети, которые, в частности, позволяли реализовать логическую функцию XOR. Благодаря Полу Уэрбосу появились средства обучения многослойных нейронных сетей [10]. Вторая зима искусственного интеллекта.

Искусственные нейронные сети | Статья в журнале...

Искусственные нейронные сети. Автор: Степанов Петр Петрович. Рубрика: Информатика.

Головной мозг человека содержит около 65 миллиардов нейронов, на каждый нейрон приходится около ста синапсов.

Применение теории нечетких множеств для диагностирования...

Гибкие нейро-нечеткие системы вывода и программная... Рис. 1. Нечеткая система вывода.

нечеткое управление, автоматическое управление, нечеткий регулятор, логический вывод, нечеткое множество, заданная траектория, правило, пространство состояний, система...

Обсуждение

Социальные комментарии Cackle

Похожие статьи

Гибкие нейро-нечеткие системы вывода и программная...

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...

Экспертная система на основе нейросетевых технологий для...

коммутаторная нейронная сеть, нейронная сеть, сеть, разработанный алгоритм, нейрон, нейрон сети, система, искусственный интеллект, линия

нейронные сети, Информационная безопасность, системы обнаружения вторжений, классификация сетевых атак.

Применение нейронных сетей в экономике | Статья в журнале...

Слоистые нейронные сети — это такие нейронные сети, в которых нейроны разбиваются на отдельные группы (слои) так, что обработка информации осуществляется послойно.

Аппаратная реализация искусственных нейронных сетей. Часть 1

Искусственные нейронные сети (ИНС), навеянные вычислительными и коммуникативными способностями мозга человека, являются значительной парадигмой в машинном обучении.

Исследование возможностей использования нейронных сетей

Нейронная сеть — вычислительная или логическая схема, построенная из однородных процессорных элементов, являющихся упрощенными функциональными моделями нейронов.

Исследование нейросетевых технологий для выявления...

нейронные сети, Информационная безопасность, системы обнаружения вторжений, классификация сетевых атак.

нейронная сеть, входной слой, сумма активов, многослойный персептрон, коэффициент корреляции, обратное распространение, скрытый слой, модель...

Основные этапы развития искусственного интеллекта

Были разработаны многослойные нейронные сети, которые, в частности, позволяли реализовать логическую функцию XOR. Благодаря Полу Уэрбосу появились средства обучения многослойных нейронных сетей [10]. Вторая зима искусственного интеллекта.

Искусственные нейронные сети | Статья в журнале...

Искусственные нейронные сети. Автор: Степанов Петр Петрович. Рубрика: Информатика.

Головной мозг человека содержит около 65 миллиардов нейронов, на каждый нейрон приходится около ста синапсов.

Применение теории нечетких множеств для диагностирования...

Гибкие нейро-нечеткие системы вывода и программная... Рис. 1. Нечеткая система вывода.

нечеткое управление, автоматическое управление, нечеткий регулятор, логический вывод, нечеткое множество, заданная траектория, правило, пространство состояний, система...

Задать вопрос