ЖУРНАЛ СТА №4/2023

фикационная функция будет давать по- ложительный показатель, если она присутствует. Предложенный метод до- стиг 92% точности для 500 изображе- ний, в то время как существующий RBM получил 85%, а CNN – 89%. В табл. 4 и на рис. 5 показан сравни- тельный анализ полноты, основанный на количестве изображений из набора входных данных. В этом контексте пол- нота описывается как отношение об- щего количества компонентов, кото- рые действительно попадают в поло- жительный класс, к нескольким ис- тинно положительным. Процент поло- жительных образцов, которые были правильно идентифицированы как по- ложительные, из всех положительных образцов – это то, как оценивается пол- нота. Насколько хорошо метод может распознавать положительные образ- цы, рассчитывается по полноте. Полно- та увеличивается по мере того, как определяется больше положительных образцов. В данном случае предложен- ный метод достиг 80% отзыва для 500 изображений на основе их итераций, в то время как существующий RBM по- лучил 65%, а CNN достиг 72% отзыва. В табл. 5 и на рис. 6 показан сравни- тельный анализ RMSE, который указы- вает на то, что при обработке 500 изоб- ражений произошла ошибка. При об- учении моделей регрессии или вре- менных рядов RMSE является одним из наиболее широко используемых пока- зателей для оценки того, насколько точно модель прогнозирования пред- сказывает значения по сравнению с реальными или наблюдаемыми зна- чениями. Квадратный корень MSE используется для расчёта RMSE. RMSE вычисляет изменение каждого пиксе- ля в результате обработки. Предложен- ный метод достиг 46% RMSE для 500 изображений на основе их итераций, в то время как существующий RBM по- лучил 55%, а CNN достиг 48% RMSE. Заключение В этом исследовании был предложен новый метод безопасной передачи дан- ных и обнаружения злоумышленника в системе биометрической аутентифи- кации путём извлечения признаков с классификацией. В данном методе обнаружение злоумышленника реали- зовано на основе собранной биометри- ческой базы данных умного здания на основе IoT. Эти биометрические данные обрабатываются для удаления шума, сглаживания и нормализации. Функ- ции обработанных данных извлекают- ся с использованием анализа основных компонентов на основе ядра (KPCA). За- тем обработанные признаки были клас- сифицированы с использованием свёр- точной архитектуры сети VGG-16. Затем вся сеть была защищена с помощью протокола детерминированной довери- тельной передачи (DTTP). Эксперимен- тальные результаты достигли таких па- раметров, как точность 96%, F-показа- тель 85%, точность 92%, полнота 80% и среднеквадратическая ошибка 46%. Раз- витием этого метода может быть ис- пользование его в облачной системе ки- бербезопасности. Дальнейшее развитие этого метода может быть реализовано на основе набора данных, полученных в реальном времени с повышенной точностью, с использованием техноло- гии блокчейна и методами машинного обучения. ● Автор – сотрудник фирмы ПРОСОФТ Телефон: (495) 234-0636 E-mail: info@prosoft.ru СТА 4/2023 66 www.cta.ru ОБ ЗОРЫ Таблица 3. Сравнительный анализ точности Таблица 4. Сравнение отзыва Таблица 5. Сравнительный анализ RMSE Рис. 4. Сравнение точности Рис. 5. Сравнение полноты Точность, % Количество изображений KPCA_VGG-16-DTTP CNN RBM 100 78 80 82 84 86 88 90 92 200 300 400 500 Точность, % Количество изображений KPCA_VGG-16-DTTP CNN RBM 100 55 60 65 70 75 80 200 300 400 500 Количество изображений RBM CNN KPCA_VGG-16-DTTP 100 77 81 83 200 79 83 85 300 81 86 89 400 83 87 91 500 85 89 92 Количество изображений RBM CNN KPCA_VGG-16-DTTP 100 55 61 65 200 58 63 69 300 61 67 73 400 63 70 75 500 65 72 80 Рис. 6. Сравнение RMSE Точность, % Количество изображений KPCA_VGG-16-DTTP CNN RBM 100 47,5 47,5 50,0 55,0 57,5 60,0 62,5 65,0 200 300 400 500 Количество изображений RBM CNN KPCA_VGG-16-DTTP 100 65 61 58 200 62 55 55 300 60 52 52 400 58 51 51 500 55 48 46