Номер части:
Журнал

ОЦЕНКА КАЧЕСТВА РЕЗУЛЬТАТОВ ПОЧЕРКОВЕДЧЕСКОЙ ЭКСПЕРТИЗЫ, ОСУЩЕСТВЛЯЕМОЙ НЕЧЕТКИМИ ЭКСТРАКТОРАМИ



Науки и перечень статей вошедших в журнал:


DOI:
Дата публикации статьи в журнале:
Название журнала: Евразийский Союз Ученых, Выпуск: , Том: , Страницы в выпуске: -
Автор:
, ,
Автор:
, ,
Автор:
, ,
Анотация:
Ключевые слова:                     
Данные для цитирования: . ОЦЕНКА КАЧЕСТВА РЕЗУЛЬТАТОВ ПОЧЕРКОВЕДЧЕСКОЙ ЭКСПЕРТИЗЫ, ОСУЩЕСТВЛЯЕМОЙ НЕЧЕТКИМИ ЭКСТРАКТОРАМИ // Евразийский Союз Ученых. Технические науки. ; ():-.





Почерковедческое исследование документов является одной из наиболее популярных экспертиз в гражданских и арбитражных судебных спорах.
На данный момент экспертизу осуществляет человек, имеющий значительный опыт работы и анализирующий порядка 16 измеряемых биометрических параметров [1, 2]. Обращение к услугам человека-эксперта наряду
с множеством положительных моментов обладает рядом недостатков.
Во-первых, высококвалифицированный эксперт достаточно сильно загружен (для поведения экспертизы необходимы достаточно большие затраты времени), во-вторых, эксперт не дает оценок достоверности результатов осуществленной им экспертизы.

Следует подчеркнуть, что наряду с криминалистическими приложениями проверки авторства рукописного текста в 21 веке активно развиваются средства  биометрической аутентификации по особенностям рукописного слова-пароля тремя разными технологиями. Могут быть использованы нечеткие экстракторы [3, 4], искусственные нейронные сети [5] и сети статистических выводов с использованием критерия Байеса [6, 7].

Задачи, решаемые при криминалистической экспертизе авторства рукописного текста (например, автографа или резолюции под документом) и биометрической аутентификации по рукописному слову-паролю похожи. Отличие состоит только в получении биометрических данных. При криминалистической почерковедческой экспертизе используются статические рукописные образы, оставленные на бумажном документе, а при биометрической аутентификации используются динамические данные о скоростях и ускорениях пера при воспроизведении человеком его автографа или рукописного слова-пароля.

В связи с появлением новых инструментов анализа средств биометрической аутентификации, имеет смысл использовать их при проведении криминалистической экспертизы. Притом, могут быть использованы все три технологии: нечеткие экстракторы, искусственные нейронные сети, сети статистических выводов Байеса. Эти инструменты не тождественны и позволяют проводить исследования с трех разных сторон.

Одной из положительных особенностей нечетких экстракторов является то, что они являются самыми простыми и позволяют оценивать качество проведенной экспертизы. Удается оценить вероятности ошибок первого и второго рода принятого экспертизой решения.

Общий принцип работы нечетких экстракторов состоит в предварительном статистическом исследовании рукописного образа «подлинник» на основе некоторой тестовой выборки. При статистическом исследовании находят математически ожидания — E(ni) и стандартные отклонения — s(ni) контролируемых биометрических параметров. Например, это могут быть 416 коэффициентов двухмерного преобразования Фурье, которые контролирует нейросетевая среда моделирования «БиоНейроАвтограф» [8]. Примеры распределений биометрических параметров рукописного образа «подлинник» приведены на рисунке 1.

Очевидно, что для каждого из биометрических параметров рукописного образа «подлинник» могут быть построены интервалы наиболее вероятного положения. В частности эти интервалы могут быть заданы как отклонения ±2s(ni) от математического ожидания — E(ni). Если считать распределения значений каждого из биометрических параметров нормальным и при попадании в указанный интервал присваивать i-тому разряду выходного кода состояние «0», то примеры образа «подлинник» будут давать коды длинной 416 бит  с, примерно, 20 битами, имеющими состояние «1».

Рисунок 1.  Распределения данных автографа «подлинник» на фоне распределения данных «все рукописные образы»

Если же мы будем предъявлять нечеткому экстрактору примеры рукописных образов «подделка», то его выходные коды будут иметь существенно большее число состояний «1».

В идеальном случае каждый предъявленный пример рукописного образа «подлинник» должен давать код , состоящий из 416 нулевых разрядов «00000…00». Однако идеальное нулевое состояние является редким. Для того, чтобы оценить его вероятность необходимо перейти в пространство расстояний Хэмминга:

В итоге переход к автоматизированной почерковедческой экспертизе позволяет поднять размерность решаемой задачи по проведению почерковедческой экспертизы с 16 контролируемых биометрических параметров до 416 биометрических параметров, а также появляется возможность оценки качества ее проведения.

ЛИТЕРАТУРА:

  1. Почерковедение и почерковедческая экспертиза / под ред. В. В. Серегина. — Волгоград: ВА МВД России, 2002. — ISBN 5-7899-0234-0.
  2. Е. П. Ищенко, А. А. Топорков. Криминалистика. — М.: Контракт, 2006. — ISBN 5-900785-58-0.
  3. Dodis, L. Reyzin, A. Smith Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy, Data April 13, In EUROCRYPT, pages 523-540, 2004.
  4. Monrose, M. Reiter, Q. Li, S. Wetzel. Cryptographic key generation from voice. In Proc. IEEE Symp. On Security and Privacy, 2001. 12p.
  5. Ахметов Б.С., Иванов А.И., Фунтиков В.А., Безяев А.В., Малыгина Е.А. Технология использования больших нейронных сетей для преобразования нечетких биометрических данных в код ключа доступа. Монография, Казахстан, г. Алматы, ТОО «Издательство LEM», 2014. 144 c., URL: https://portal.kazntu.kz/files/publicate/2014-06-27-11940.pdf (дата обращения: 10.04.2015).
  6. Сулавко А.Е. Идентификация пользователей компьютерных систем по динамике подсознательных движений на основе статистической теории принятия решений. Автореферат диссертации к.т.н. по специальности 05.13.19, совет Д-212.288.07, ФГБОУ ВПО «Уфимский государственный авиационный технический университет». 2014. 16 c.
  7. Епифанцев Б.Н., Ложников П.С., Сулавко А.Е. Алгоритм идентификации гипотез в пространстве малоинформативных признаков на основе последовательного применения формулы Байеса // Межотраслевая информационная служба. – 2013. №2 (163). – С.57-62.
  8. Среда моделирования «БиоНейроАвтограф» размещена на сайте ОАО «ПНИЭИ» URL:https://пниэи.рф/activity/science/noc.htm (дата обращения: 10.04.2015). Продукт создан лабораторией биометрических и нейросетевых технологий ОАО «ПНИЭИ» в период 2009-2014 г.г. для свободного использования университетами России, Белоруссии, Казахстана.
  9. Безяев А.В., Иванов А.И., Фунтикова Ю.В. Оптимизация структуры самокорректирующегося био-кода, хранящего синдромы ошибок в виде фрагментов хеш-функций. «Вестник Уральского федерального округа. Безопасность в информационной сфере» 2014. № 3(13) с. 4-14.[schema type=»book» name=»ОЦЕНКА КАЧЕСТВА РЕЗУЛЬТАТОВ ПОЧЕРКОВЕДЧЕСКОЙ ЭКСПЕРТИЗЫ, ОСУЩЕСТВЛЯЕМОЙ НЕЧЕТКИМИ ЭКСТРАКТОРАМИ» author=»Качайкин Евгений Иванович » publisher=»БАСАРАНОВИЧ ЕКАТЕРИНА» pubdate=»2017-03-28″ edition=»ЕВРАЗИЙСКИЙ СОЮЗ УЧЕНЫХ_30.04.2015_04(13)» ebook=»yes» ]
Список литературы:


Записи созданы 6778

Похожие записи

Начните вводить, то что вы ищите выше и нажмите кнопку Enter для поиска. Нажмите кнопку ESC для отмены.

Вернуться наверх