Інформаційні технології та комп'ютерна техніка

МЕТОДОЛОГІЯ БЕЗПЕКИ НЕЙРОМЕРЕЖЕВИХ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ ВИЯВЛЕННЯ DEEPFAKE-МОДИФІКАЦІЙ БІОМЕТРИЧНОГО ЗОБРАЖЕННЯ

Автор(и)

Г. В. Микитин
Національний університет «Львівська політехніка» ROR
Х. С. Руда
Національний університет «Львівська політехніка» ROR
Ю. Є. Яремчук
Вінницький національний технічний університет ROR
DOI https://doi.org/10.31649/1997-9266-2024-172-1-74-80

Ключові слова

інтелектуалізація кібербезпека біометричне зображення deepfake інформаційна технологія нейронні мережі система виявлення базовий підхід методологія безпеки комплексна система безпеки

Анотація

Одним з функціональних векторів Стратегії кібербезпеки України є розроблення і впровадження систем захисту різних інформаційних платформ інфраструктури суспільства, зокрема створення безпечних технологій виявлення deepfake-модифікацій біометричного зображення на основі нейронних мереж у кіберпросторі. В роботі досліджено засади безпеки нейромережевих інформаційних технологій (ІТ) у просторі, проблеми deepfake-модифікацій за використання базового підходу до безпечного виявлення deepfake-модифікацій біометричного зображення та методології безпеки багаторівневої нейромережевої ІТ «ресурси – системи – процеси – мережі – управління» згідно з концепцією «об’єкт – загроза – захист». Базовий підхід об’єднує інформаційну нейромережеву технологію та інформаційну технологію підтримки прийняття рішень, структурованими за модульною архітектурою нейромережевої системи виявлення deepfake-модифікацій в просторі «попереднє оброблення даних опрацювання ознак — навчання класифікатора». Ядром методології безпеки ІТ є цілісність функціонування нейромережевої системи виявлення deepfake-модифікацій біометричного зображення обличчя людини і системи аналізу даних, що реалізують інформаційний процес «розділення відеофайлу на кадри — детекція, опрацювання ознак — оцінювання точності класифікатора зображень». Методологія безпеки багаторівневої нейромережевої ІТ ґрунтується на системному та синергетичному підходах, що уможливлюють побудову комплексної системи безпеки ІТ з урахуванням властивості емерджентності за умови впливу ймовірних цілеспрямованих загроз і застосування новітніх технологій протидії на апаратному і програмному рівнях. Запропонована комплексна система безпеки інформаційного процесу виявлення deepfake-модифікацій біометричного зображення охоплює апаратно-програмні засоби відповідно до сегментів: автоматизованої оцінки точності класифікатора; виявлення deepfake-модифікацій в режимі реального часу; послідовного оброблення зображень; оцінювання точності класифікації з використанням хмарних обчислень.

374 117

Як цитувати

[1]
«МЕТОДОЛОГІЯ БЕЗПЕКИ НЕЙРОМЕРЕЖЕВИХ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ ВИЯВЛЕННЯ DEEPFAKE-МОДИФІКАЦІЙ БІОМЕТРИЧНОГО ЗОБРАЖЕННЯ», Вісник ВПІ, вип. 1, с. 74–80, Лют 2024, doi: 10.31649/1997-9266-2024-172-1-74-80.

Біографії авторів

автор Г. В. Микитин, афіліація Національний університет «Львівська політехніка»

д-р техн. наук, професор, професор кафедри захисту інформації

автор Х. С. Руда, афіліація Національний університет «Львівська політехніка»

 аспірантка кафедри захисту інформації

автор Ю. Є. Яремчук , афіліація Вінницький національний технічний університет

 д-р техн. наук, професор, директор центру інформаційних технологій і захисту інформації, професор кафедри менеджменту та безпеки інформаційних систем

Посилання

H. Lasi, P. Fettke, H.G. Kemper, T. Feld, and M. Hoffmann, “Industry 4.0,” Business & Information Systems Engineering, no. 6, pp. 239-242, 2014. https://doi.org/10.1007/s12599-014-0334-4 .
Стратегія кібербезпеки України (2021—2025 року). [Електронний ресурс]. Режим доступу: https://www.rnbo.gov.ua/files/2021/STRATEGIYA%20KYBERBEZPEKI/proekt%20strategii_kyberbezpeki_Ukr.pdeepfake .
Directorate-General for Communications Networks. Content and Technology, Cyber resilience act: new EU cybersecurity rules ensure more secure hardware and software products, European Commission, 2022. Available: https://data.europa.eu/doi/10.2759/543836 .
Y. Shtefaniuk, and I. Opirskyy, “Comparative Analysis of the Efficiency of Modern Fake Detection Algorithms in Scope of Information Warfare,” in 2021 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), pp. 207-211, 2021. https://doi.org/10.1109/IDAACS53288.2021.9660924.1 .
Ю. Я. Бобало, В. Б. Дудикевич, і Г. В. Микитин. Стратегічна безпека системи «об’єкт – інформаційна технологія». Львів, Україна: вид-во НУ «Львівська політехніка», 2020.
M. Choraś, M. Pawlicki, D. Puchalski, and R. Kozik, “Machine Learning – The Results Are Not the only Thing that Matters! What About Security, Explainability and Fairness?” in Lecture Notes in Computer Science, vol. 12140. Springer, Cham. https://doi.org/10.1007/978-3-030-50423-6_46 .
N. Papernot, P. McDaniel, A. Sinha, and M. P. Wellman, “SoK: Security and Privacy in Machine Learning,” in 2018 IEEE European Symposium on Security and Privacy (EuroS&P), London, UK, 2018, pp. 399-414. https://doi.org/10.1109/EuroSP.2018.00035 .
H. Bae, J. Jang, D. Jung, H. Jang, H. Ha, and S. Yoon. “Security and Privacy Issues in Deep Learning,” 2018 ArXiv, abs/1807.11655.
Q. Xu, M. Tanvir Arafin, and G. Qu, “Security of Neural Networks from Hardware Perspective: A Survey and Beyond,” in 2021 26th Asia and South Pacific Design Automation Conference (ASP-DAC), Tokyo, Japan, 2021, pp. 449-454.
X. Cao, and N. Z. Gong. “Understanding the Security of Deepfake Detection,” in: Digital Forensics and Cyber Crime. ICDF2C 2021. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol. 441. Springer, Cham, 2022.
В. Б. Дудикевич, Г. В. Микитин, і Х. С. Руда, «Застосування глибокого навчання для виявлення deepfake-модифікацій біометричного зображення,” Сучасна спеціальна техніка, № 1, c. 13-22, 2022.
W. J. Youden, “Index for rating diagnostic tests,” Cancer, no. 3, pp. 32-35, 1950. https://doi.org/ 10.1002/1097-0142(1950)3:1<32::aid-cncr2820030106>3.0.co;2-3. PMID 15405679.
E. Altuncu, V. Franqueira, and L. Shujun, Deepfake: Definitions, Performance Metrics and Standards, Datasets and Benchmarks, and a Meta-Review, 2022. 10.48550/arXiv.2208.10913 .
C2PA. 2020. Coalition for Content Provenance and Authenticity. [Electronic resource]. Available: https://c2pa.org/

Статті цього автора (цих авторів), які найбільше читають

1 2 > >>