РАСПОЗНАВАНИЕ БИОМЕТРИЧЕСКИХ ОБРАЗОВ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ ИСКУССТВЕННЫХ ИММУННЫХ СИСТЕМ3

Стадников Денис Геннадьевич

студент группы КЗИ-161 Омского государственного технического университета, г. Омск

E-mail: sgd250598@inbox.ru

СибАДИЧобан Адиль Гаврилович

студент группы КЗИ-161 Омского государственного технического университета, г. Омск

E-mail: adil choban@mail.ru

Сулавко Алексей Евгеньевич

канд. техн. наук, доцент Омского государственного технического университета, г. Омск

E-mail: sulavich@mail.ru

Шалина Екатерина Викторовна

Омск й государственный университет путей сообщения, г. Омск

E-mail: burka-777@yandex.ru

ННОТ ЦИЯ

В данной статье рассмотрена быстро развивающаяся отрасль биоинспирированных систем – искусственные иммунные системы (далее ИИС). В статье проведен анализ существующих алгоритмов ИИС, а также рассмотрены различные реализации данных алгоритмов в биометрических системах. Показано, что применение иммунных алгоритмов существенно повышает надежность биометрической идентификации.

Ключевые слова: распознавание образов; биометрические признаки; иммунные алгоритмы; детекторы; антигены; мера близости.

Введение

В настоящее время для исследователей в области интеллектуального анализа данных всё больший интерес представляют биологические самоорганизующееся системы. К таким относятся нейронная иммунная сети, каждая из которых обладает способностью интеллектуальной обработки информации, самообучения, принятия решений относительно ранее неизвестных ситуаций. Результаты последних исследований говорят о высоком потенциале искусственных иммунных систем (ИИС) в задачах распознавания образов. ИИС представляют интерес, прежде всего, из-за свойства двойной пластичности [1], позволяющего относительно легко изменять в процессе функционирования не только собственные параметры, но и структуру. Свойство двойной пластичности позволяет успешно применять иммунные подходы в задачах распознавания динамических биометрических образов:

3 Работа выполнена при финансовой поддержке РФФИ (грант № 18-37-00399)

107

клавиатурный почерк, рукописная подпись, голос и других [2]. Эти образы изменчивы (в зависимости от психофизиологического состояния и во времени), поэтому для построения высоконадежных методов биометрической аутентификации требуется, чтобы система распознавания образов адаптировалась к этим изменениям (изменяла свои параметры и структуру).

Данная работа посвящена обзору существующих алгоритмов

решения следующ х о щ х задач: распознавание образов, сжатие информации, поиск, обнаружен е аномал й и неисправностей, оптимизация, классификация, анализ сигналов и изо ражений извлечённой информации, а также обеспечения компьютерной безопасности.

Алгоритмы ИИС могут применяться как для верификации, так и для идентификации образов (процессов, о ъектов). В любой системе распознавания образов присутствует процесс обучения на некотором количестве примеров. В результате обучения формируется так называемый эталон пользователя – идеализированный шаблон, с которым тем или иным образом сравнивается входной поток данных. Однако большинство концепций построения С не подразумевает отдельного алгоритма обучения. Как правило, предлагается единый алгоритм функционирования ИИС, включающий одновременно элементы обучения и принятия решений. Надежность алгоритмов распознавания образов на базе ИИС оценивается через процент или вероятность верно принятых решений.

Алгоритм негативного отбора

В 1994 году Форрест предложил вычислительную модель способную распознавать «своих» «чужих», которая получила название алгоритм негативного или отрицательного отбора (рис. 1). Алгоритм негативного отбора в ИИС применяют для задач классификации данных. В алгоритме сравниваются наборы эталонов известных объектов, которые описывают нормальное поведение системы, с набором случайно сгенерированных пакетов данных. Если происходит совпадение, то соответствующий пакет данных удаляется. На основе данных, не имеющих совпадения ни с одним из эталонов, формируются детекторы. Сформировав набор детекторов, ИИС обучается

108

распознавать аномальное состояние. Детектор описывает чужеродный для ИИС объект.

СибАДИданных вычисляются антитела, которые имеют наибольшую степень аффинности с антигенами. Выбранные антитела клонируются и претерпевают мутации в случайных позициях. Это позволяет им иметь более высокую аффинность к распознаваемому антигену: чем выше аффинность, тем в меньшей степени они подвергаются мутации. И после повторного сравнения с антигенами выбирается несколько антител, которые становятся клетками памяти и записываются в первоначальный набор антител.

Р сунок 1. Механизм негативного отбора

В дальнейшем вновь поступающие в систему данные (векторы значений

признаков) будут сравн ваться с набором детекторов. Аномалией будет

считаться с туац я, когда эти данные совпадут с одним из детекторов. Главным недостатком алгоритма является вычислительная сложность

создания детекторов, так как их количество растет экспоненциально по мере увеличения «своего».

Алгоритм клональной селекции

Независимо друг от друга Берне и Толмейдж в 1959 году выдвинули идею

о том, что клетки, распознающие антиген, стремятся к размножению. Клональный отбор (рис. 2) можно рассматривать только к В- и Т-лимфоцитам. Активация первых происходит во время связывания их антител с антигеном, но сначала их клоны проходят соматическую гипермутацию. В результате этого

образуются пары антиген – антитело, от результата их соответствия (аффинности) будет зависеть активация B - лимфоцитов. Аффинность – степень

близости антигена и антитела. Для расчета аффинности могут быть выбраны различные меры близости, например, мера Пирсона, Евклида, Хемминга.

109

СибАДИР сунок 2. Механизм клонального отбора

Одн м з недостатков данного алгоритма является то, что иммунная система не может отб рать наиболее аффинных среди нескольких вариантов высокоафф нных ант тел, в результате чего наблюдается снижение эффективности распознавания. [3]

Алгоритм дендридных клеток.

В прот вопоставлен е алгоритму отрицательного отбора Метценгером была разработана теор я опасности, согласно которой, иммунный ответ будет инициирован, только если существует опасность. Теория опасности не опровергает алгор тм отрицательного отбора, а лишь определяет существование других факторов, вызывающих иммунный ответ. Клетки врожденной системы о ладают способностью обнаруживать и удалять чужеродные организмы через проглатывание (фагоцитоз) или посредством активации Т-лимфоцитов. Дендритные клетки являются компонентом этого механизма. Они представляют собой класс клеток, которые могут существовать в трех разных состояниях: незрелом, полузрелом и зрелом. Обобщая механизм работы этих клеток, можно говорить о двух этапах их жизненного цикла.

На первом этапе все дендритные клетки являются незрелыми, попадая в ткань, они собирают информацию, в том числе собирают антигены. Также они реагируют на PAMP сигналы (pathogen-associated molecular patterns, образец патогенных молекул), сигналы опасности от умирающих клеток и безопасные сигналы.

На втором этапе происходит их созревание до зрелых или полузрелых клеток. Если сигналов опасности или PAMP сигналов было больше, чем безопасных, то дендритная клетка становится зрелой мигрирует из ткани в лимфатический узел. В зрелом состоянии дендритная клетка больше склонна представлять на своей поверхности антиген, чем собирать информацию. Поэтому зрелые клетки способны активировать Т-лимфоциты (инициировать иммунный ответ). Полузрелые клетки появляются при высокой смертности клеток своего организма и оказывают успокаивающий эффект на иммунную систему. Они также могут представлять антиген на своей поверхности, но не могут активировать Т-лимфоциты, они призваны остановить иммунный ответ на антигены [4].

110

Основываясь на поведении дендритных клеток, был разработан одноименный алгоритм (DCA). Он является частью «Проекта Опасность», разработанного с участием Ноттингемского университета [4], цель которого объединить ИИС и системы обнаружения вторжений. В рамках данного проекта было предположено, что иммунная система не занимается постоянным распределением белков на «свои» и «чужие», а реагирует на вредоносное воздействие антигена на организм хозяина.

СибАДИразной с лой: то ант тело, которое лучше других распознает антиген, даст самую сильную реакцию.

В искусственных иммунных системах данный алгоритм используют для

корреляции разрозненных потоков данных в виде антигена сигналов. С

помощью DCA (Dendritic Cell Algorithm) можно оценить уровень отклонений некоторого объекта от нормы, определить, насколько аномальным является процесс. ледовательно, DCA возможно использовать как составную часть метода или алгор тма класс фикации.

Впервые модели искусственных иммунных сетей предложил Рихтер [5], в них постулировалось существование «цепной реакции» антител. Однако такая цепная реакция ограничена тем, что каждое антитело взаимодействует с конкретным антителом, вызвавшим его стимуляцию. В модели иммунной сети на основе дерева Кэйли вводится иерархия антител [1].

Применение ИИС в биометрических системах

В статье [6] представлено исследование возможности применения иммунного алгоритма клонального отбора для построения системы идентификации объектов на примере установления автора русскоязычного рукописного текста по образцу его почерка. Правильное решение было принято в 76% случаях, ошибочное — 11%, невозможность принять верное решение в 13% случаях. Для аналогичной системы с применением нейросетевых технологий были получены показатели: 56% - правильное решение, 16 % ошибочное, 28 % - невозможность принять решение.

В статье [7] предлагается объединить иммунную сеть с генетическим алгоритмом для распознавания человека по лицу. По результатам эксперимента надежность предложенного метода составила 99.7% (девять тестовых изображений на человека по 40 тренировок, то есть 360 тестовых изображений). Каждый случай повторялся 30 раз, при этом выбирались различные комплекты обучения и тестирования.

В статье [8] представлены этапы разработки и программной реализации искусственнай иммунной системы, способной распознавать зрительные образы объектов в режиме реального времени с использованием Web-камеры.

111

Эксперимент показал следующие результаты: группы людей из сорока человек, при обучающей выборке из 15 снимков, количество правильно идентифицированных образов составило 92%.

Результаты собственных исследований

В работе [9] представлено два варианта реализации процедуры биометрической идентификации по параметрам лица. Первый основан на

использовании наивного Байесовского классификатора. Второй (модифицированный) предварительно обрабатывает биометрические параметры с помощью иммунных алгоритмов анализа. Оба варианта базируются на дент чных способах захвата изображения лица и вычисления биометрическ х параметров. В ходе эксперимента была собрана выборка фотограф й л ц 50 спытуемых. Обучающая выборка каждого испытуемого

СибАДИподтверждающие ее данные, что в некоторых приложениях оказываются эффективнее, чем интеллектуальные системы на основе нечеткой логики или искусственных нейронных сетей [6].

состояла з 15 образов его лица, а также включала по одному образу от каждого испытуемого, кроме его со ственного. В работе показано, что ИИС может быть комплекс рована с друг ми подходами, в частности на базе наивного классификатора Байеса. По результатам эксперимента обогащение входных

биометрическ х данных с помощью ИИС оказалось более эффективным

(вероятность ош бок 0,014), чем обогащение через построение и учет плотностей вероятности пр знаков (вероятность ошибок 0,034).

В статье [10] ыл предложен метод биометрической аутентификации субъектов по клавиатурному почерку с использованием искусственной

иммунной системы. В ходе эксперимента использовались данные 50 испытуемых, каждый из которых ввел на клавиатуре фразу «система защиты должна постоянно совершенствоваться» не мене 70 раз. Для каждого испытуемого формировалась ИИС, при этом обучающая выборка состояла из 20 его образов клавиатурного почерка, а также по одному образу от каждого испытуемого, кроме его собственного. С учетом подбора коэффициентов ИИС был установлен наименьший показатель ошибок 1-го и 2-го рода (EER) равный

0.041.

Заключение.

На сегодняшний день методы ИИС активно применяются только в малом числе приложений. Однако, в литературе часто встречается точка зрения и

Данная статья преследует цель привлечения внимания исследователей к теме развития и применения аппарата ИИС в биометрических приложениях. По мнению авторов настоящей работы ИИС обладают значительным потенциалом. Требуется провести масштабное исследование существующих подходов из области ИИС. Сопоставив результаты этого исследования с хорошо изученными принципами и методами построения и обучения нейронных сетей можно найти положительную корреляцию между этими подходами, а также варианты их эффективного комплексирования для получения синергетического

112

эффекта. Первые результаты по комплексированию гибридных нейронных сетей и иммунного подхода весьма оптимистичны [9, 10].

писок литературы:

1. Дасгупта Д. Искусственные иммунные системы и их применение / Д. Дагступт. М. : Физматлит, 2006.

2.улавко А.Е., Жумажанова С.С., Семенова З.В., Ковальчук А.С., Борисов СибАДИР.В. Комплексная система распознавания водителей транспортных средств и их психофизиологического состояния по динамическим биометрическим признакам // Автомат зац я. Современные технологии. - 2017. - №8. - С. 373-

380.

3.Пчелк н А. А., Обзор искусственных иммунных систем // Физикоматематическ е техн ческие науки как постиндустриальный фундамент эволюции нформац онного о щества: международ. науч. конф. – Уфа: 2017. с. 183-187.

4.Greensmith, Julie; Aickelin, Uwe; Cayzer, Steve. / Detecting danger: The dendritic cell algorithm. Robust Intelligent Systems.Springer, 2008. pp. 89-112.

5.Richter P.H. // Eur. J. Immunol. 1975. V. 5. P. 350.

6.Еременко Ю.И. Интеллектуальная система идентификации объектов с помощью алгор тмов ммунных систем. / Ю. И. Еременко, И. В. Мельникова, А. А. Шаталов. // Вестник Воронежского государственного технического университета – 2015. – №6. – стр. 38-47.

7.Luh G. Face recognition based on artificial immune networks and principal component analysis with single training image per person. Immune Computation 2014; 2(1): 21-34.

8.Михерский Р.М. Распознавание зрительных образов с использованием искусственной иммунной системы // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017) - Самара: Новая техника, 2017. - С. 518-521.

9.Сулавко А. Е., Шалина Е. В. Идентификация личности по особенностям лица с использованием искусственной иммунной системы и формулы гипотез Байеса // Сборник статей II всероссийской научно-практической конференции с международным участием им. В.В. Губарева. Под редакцией П.В. Мищенко, Новосибирск, 2018. - 303-307.

10.Сулавко А. Е., Шалина Е. В., Стадников Д. Г. Биометрическая аутентификация по клавиатурному почерку на основе иммунного алгоритма распознавания образов // Сборник статей II всероссийской научнопрактической конференции с международным участием им. В.В. Губарева. Под редакцией П.В. Мищенко, Новосибирск, 2018. - С 307-315.

113