葉剛強(qiáng) 曹瑞 楊恒

摘 要：生物特征識(shí)別是熱門研究領(lǐng)域，在人們生產(chǎn)生活中廣泛應(yīng)用，而生物特征識(shí)別數(shù)據(jù)泄露事件頻繁發(fā)生，其安全問(wèn)題倍受關(guān)注?，F(xiàn)有的嵌入式存儲(chǔ)、本地服務(wù)端存儲(chǔ)和云端存儲(chǔ)在一定程度上都存在安全問(wèn)題。隨著細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶的發(fā)展，其在生物特征數(shù)據(jù)安全存儲(chǔ)識(shí)別方面的應(yīng)用得到極大發(fā)展。分析現(xiàn)有生物特征識(shí)別的安全問(wèn)題，闡述細(xì)胞神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型及穩(wěn)定性優(yōu)化方法，介紹其在生物特征安全存儲(chǔ)識(shí)別方面的應(yīng)用，指出細(xì)胞神經(jīng)網(wǎng)絡(luò)在生物特征安全識(shí)別中面臨的問(wèn)題。

關(guān)鍵詞：生物特征識(shí)別存儲(chǔ);細(xì)胞神經(jīng)網(wǎng)絡(luò);聯(lián)想記憶;安全存儲(chǔ);人工智能

DOI：10. 11907/rjdk. 201345??????????????????????????????????????????????????????????????????????????????????????????????????????? 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP309文獻(xiàn)標(biāo)識(shí)碼：A?????????????????????????????? 文章編號(hào)：1672-7800（2020）011-0282-03

Research Review of the Safe Storage of Associative Memory

Based on Cellular Neural Networks

YE Gang-qiang1， CAO Rui1，YANG Heng2

（1. School of Electrical Engineering，Chongqing University of Science & Technology;

2. School of Intelligent Technology and Engineering， Chongqing University of Science & Technology，Chongqing 400032， China）

Abstract： Biometric recognition is a hot research field and widely applied in peoples production and life. In recent years， due to the frequent occurrence of information leakage affairs， its security issues have attracted much attention. The existing embedded storage， local server storage and cloud storage， to a certain extent，suffer from security problems. With the further development of cellular neural network associative memory， great progress has been made in the secure storage and recognition of biometric data. This paper analyzes the security problems existing in present biometric recognition， expounds the structural model of cellular neural network and the optimization method of stability， introduces its application in biometric secure storage and recognition， and points out the problems of cellular neural network in biometric security recognition.

Key Words： biometrics recognition;cellular neural networks;associative memory;secure storage;artificial intelligence

0 引言

隨著人工智能技術(shù)的不斷發(fā)展，生物特征識(shí)別[1]運(yùn)用日漸廣泛，如小區(qū)生物特征門禁識(shí)別[2]、公司人臉或指紋打卡、學(xué)生考勤[3]等。由于信息泄露[4]、被盜事件頻頻發(fā)生，人們對(duì)生物特征識(shí)別數(shù)據(jù)安全嚴(yán)重關(guān)注。

現(xiàn)有生物特征數(shù)據(jù)存儲(chǔ)方法主要有：

（1）本地服務(wù)器存儲(chǔ)。袁德砦[5]介紹本地服務(wù)器下分布式存儲(chǔ)方法—秘密份額存儲(chǔ)，通過(guò)建立加密分享方案保護(hù)生物特征模板，其主要貢獻(xiàn)是將Shamir秘密分享體制引入到生物特征模板保護(hù)中，闡述生物特征模板保護(hù)的重要性。

（2）嵌入式存儲(chǔ)。嵌入式存儲(chǔ)方法一般是建立一個(gè)嵌入式系統(tǒng)進(jìn)行生物特征數(shù)據(jù)的存儲(chǔ)與識(shí)別。趙文鋼[6]設(shè)計(jì)一種嵌入式系統(tǒng)進(jìn)行特征數(shù)據(jù)存儲(chǔ)與識(shí)別，其主要思想是將特征數(shù)據(jù)存儲(chǔ)在注冊(cè)模塊中，通過(guò)對(duì)用戶的指紋、虹膜和手背靜脈圖像進(jìn)行采集、預(yù)處理、特征提取等過(guò)程，得到生物特征信息，并將此信息與其姓名或其標(biāo)識(shí)（ID）聯(lián)系起來(lái)存儲(chǔ)在數(shù)據(jù)庫(kù)中。但其數(shù)據(jù)沒(méi)有加密，直接裸露在數(shù)據(jù)庫(kù)中，如果數(shù)據(jù)被盜取則所有生物特征信息會(huì)暴露。

（3）云存儲(chǔ)。指融合集群應(yīng)用、網(wǎng)格計(jì)算、分布式計(jì)算及 Web 在線等技術(shù)，通過(guò)應(yīng)用軟件將網(wǎng)絡(luò)中大量不同類型的存儲(chǔ)設(shè)備融合在一個(gè)強(qiáng)大的虛擬資源池中協(xié)同工作，共同對(duì)外提供數(shù)據(jù)存儲(chǔ)功能和業(yè)務(wù)訪問(wèn)功能[7-8]。Sion等[9]提出一種面向公有云的安全存儲(chǔ)框架，該框架不僅能解決數(shù)據(jù)的隱私和安全問(wèn)題，還能實(shí)現(xiàn)有效的數(shù)據(jù)訪問(wèn)控制。但該框架只是一個(gè)宏觀模型，沒(méi)有給出實(shí)際做法，且云數(shù)據(jù)存儲(chǔ)存在不可控風(fēng)險(xiǎn)。

上述生物特征識(shí)別存儲(chǔ)研究中，無(wú)論是加密、軟硬件結(jié)合還是云存儲(chǔ)，都需要建立生物特征數(shù)據(jù)庫(kù)儲(chǔ)存特征信息。這些工作雖然能在一定程度上保護(hù)生物特征數(shù)據(jù)，但仍存在一定的風(fēng)險(xiǎn)。如果黑客侵入數(shù)據(jù)庫(kù)會(huì)導(dǎo)致個(gè)人信息流失，更有甚者會(huì)利用這些特征信息進(jìn)行違法犯罪活動(dòng)，使人們的財(cái)產(chǎn)安全不能得以保證。

細(xì)胞神經(jīng)網(wǎng)絡(luò)良好的聯(lián)想記憶效果使其在生物特征識(shí)別領(lǐng)域被廣泛關(guān)注。相比上述存儲(chǔ)識(shí)別方法，細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶能將用戶的生物特征數(shù)據(jù)轉(zhuǎn)變?yōu)槟Ｐ蜋?quán)值，直接存儲(chǔ)模型權(quán)值就不需要建立數(shù)據(jù)庫(kù)。傳統(tǒng)的生物特征識(shí)別存儲(chǔ)方法模型復(fù)雜，而細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶方法簡(jiǎn)單得多。

1 CNNs

1.1 CNNs聯(lián)想記憶模型介紹

細(xì)胞神經(jīng)網(wǎng)絡(luò)由Chua等[10]提出，它的出現(xiàn)引起學(xué)者廣泛關(guān)注。迄今為止，細(xì)胞神經(jīng)網(wǎng)絡(luò)應(yīng)用已非常廣泛，其聯(lián)想記憶能力在工程領(lǐng)域方面有著良好效果。細(xì)胞神經(jīng)網(wǎng)絡(luò)可看作是局部連接的Hopfield網(wǎng)絡(luò)結(jié)構(gòu)[11]，其基本單元為細(xì)胞， 一般二維細(xì)胞神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

其中，Ci，j（i，j=1，2，3，4） 為一個(gè)細(xì)胞，表示第i行第j個(gè)細(xì)胞。

從圖1可以看出，細(xì)胞神經(jīng)網(wǎng)絡(luò)每個(gè)細(xì)胞都只與其相鄰的細(xì)胞連接，也就是說(shuō)相鄰的兩個(gè)細(xì)胞之間存在關(guān)系，而不相鄰的細(xì)胞之間要依靠中間細(xì)胞進(jìn)行信息傳遞。設(shè)

Sijr=Ck，lmaxk-i， l-j≤r， k，l∈Z [11]（1）

則稱Sijr為半徑為r的細(xì)胞Cij的影響鄰域，目前只對(duì)細(xì)胞影響鄰域半徑r=1下的聯(lián)想記憶進(jìn)行研究。

神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶分自聯(lián)想記憶與異聯(lián)想記憶，細(xì)胞神經(jīng)網(wǎng)絡(luò)也不例外。簡(jiǎn)單來(lái)說(shuō)，自聯(lián)想記憶就是輸入相同的模式進(jìn)行聯(lián)想記憶，而異聯(lián)想是輸入不同的模式進(jìn)行聯(lián)想記憶訓(xùn)練，以達(dá)到彼此能夠互相記起的目的。無(wú)論是自聯(lián)想記憶還是異聯(lián)想記憶，其N×M維細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶一般表達(dá)式均為[11]：

yijt=-cijyijt+k=k1（i，r）k2i，rl=l1（j，r）l2j，raklgi+k，j+lyt+k=k1（i，r）k2i，rl=l1（j，r）l2j，rdklukl+vij （2）

gy=y+1-y-12 （3）

其中，yij（t）∈R為狀態(tài)向量，cij為正參數(shù)（神經(jīng)元自調(diào)節(jié)參數(shù)），r為表示鄰域半徑的正整數(shù)（目前研究取r=1），A=akl2r+1×2r+1≠0為連接權(quán)矩陣，又稱之為反饋模板，D=dkl2r+1×2r+1為輸入模板，也叫控制模板，ukl為聯(lián)想記憶輸入，vij為偏移，k1i，r=max1-i， -r，k2i，r=minΝ-i， r，l1j，r=max1-j， -r，l2j，r=minΜ-j，r，g（？）為激活函數(shù)，gy既是細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶輸出 ，又可能是記憶模式。

A與D表達(dá)式如下：

A=a-r，-r？a-r，0？a-r，r？？？？？a0，-r？a00？a0，r？？？？？ar，-r？ar，0？ar，r2r+1×2r+1

D_=d_-r，-r？d_-r，0？d_-r，r？？？？？d_0，-r？d_00？d_0，r？？？？？d_r，-r？d_r，0？d_r，r2r+1×2r+1

1.2 聯(lián)想記憶穩(wěn)定性改進(jìn)

細(xì)胞神經(jīng)網(wǎng)絡(luò)是一種非線性動(dòng)力學(xué)系統(tǒng)，其聯(lián)想記憶好壞取決于細(xì)胞之間的穩(wěn)定平衡性，對(duì)此學(xué)者進(jìn)行了大量研究。

實(shí)現(xiàn)聯(lián)想記憶即為獲取細(xì)胞之間對(duì)應(yīng)的參數(shù)關(guān)系過(guò)程。為提高聯(lián)想記憶性能，解決傳統(tǒng)聯(lián)想記憶中的低容量問(wèn)題，Zeng等[12-13]分別提出以下公式：

j=1naij+bij

i=-11i=-11aij+bij<1?????????? （5）

通過(guò)上面兩種約束條件使細(xì)胞神經(jīng)網(wǎng)絡(luò)之間的參數(shù)關(guān)系增強(qiáng)，在一定程度提高聯(lián)想記憶的魯棒性。此條件設(shè)定增加參數(shù)關(guān)系的保守性，使參數(shù)的求解變得復(fù)雜，但使得細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶模式數(shù)量最大。

Han等[14]將細(xì)胞神經(jīng)網(wǎng)絡(luò)初始狀態(tài)xi（t）固定為0，相比于Zeng的研究使參數(shù)取值范圍擴(kuò)大，降低參數(shù)間的保守性，使細(xì)胞神經(jīng)網(wǎng)絡(luò)穩(wěn)定狀態(tài)更好。Han對(duì)細(xì)胞之間局部穩(wěn)定平衡點(diǎn)的研究仍在繼續(xù)。

xi0=0??????????? （6）

Zhou等[15]在Han研究的基礎(chǔ)上設(shè)計(jì)一種統(tǒng)一的聯(lián)想記憶模型，使網(wǎng)絡(luò)的初始狀態(tài)沒(méi)有0的限制，保證在隨機(jī)初始狀態(tài)下不會(huì)引起任何虛假平衡，并且以指數(shù)型穩(wěn)定性判斷方法證明模型的全局穩(wěn)定性。

x（t）=-D（t）+Af（x（t））+Bf（x（t-τ））+Eu（j）y（t）=f（x（t）），j=1，2，？，m? （7）

2 細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶安全存儲(chǔ)應(yīng)用

細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶在生物特征安全識(shí)別存儲(chǔ)方面效果良好。與傳統(tǒng)的生物特征識(shí)別需要建立生物特征模板數(shù)據(jù)庫(kù)進(jìn)行識(shí)別不同，細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶方法無(wú)需數(shù)據(jù)庫(kù)，只需把生物特征數(shù)據(jù)變成聯(lián)想記憶中細(xì)胞穩(wěn)定平衡點(diǎn)的權(quán)值存儲(chǔ)起來(lái)即可，能在很大程度上防止生物特征數(shù)據(jù)被盜取、破壞的風(fēng)險(xiǎn)，大大提升特征數(shù)據(jù)存儲(chǔ)安全性，并加快識(shí)別速度。細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶方法重點(diǎn)在于選取合適的權(quán)值，以及生物特征識(shí)別閾值。

Zhou等[15]通過(guò)6個(gè)實(shí)驗(yàn)驗(yàn)證聯(lián)想記憶效果穩(wěn)定性，建立一種通用的聯(lián)想記憶模型，給出完整的自聯(lián)想記憶和異聯(lián)想記憶模型設(shè)計(jì)過(guò)程。

Han等[16]為避免生物數(shù)據(jù)庫(kù)被黑客攻擊和篡改，提出一種自聯(lián)想記憶（AMM）模型。將ORL數(shù)據(jù)庫(kù)中隨機(jī)選取24名未注冊(cè)人員的240張人臉圖像分別輸入到AAM模型中，識(shí)別閾值取0.95，聯(lián)想記憶識(shí)別率為83%，注冊(cè)人員聯(lián)想記憶識(shí)別效果為100%。此AAM模型與公式（2）中的結(jié)構(gòu)相似，但其用可調(diào)的斜坡激活函數(shù)代替固定斜坡激活函數(shù)，擴(kuò)大參數(shù)選取范圍，使注冊(cè)人員聯(lián)想記憶識(shí)別達(dá)到百分之百。

文獻(xiàn)[17]對(duì)6組不同尺寸（20×20，30×30，40×40，50×50，60×60，70×70）的人臉圖片進(jìn)行驗(yàn)證，其聯(lián)想記憶成功率分別為100%、99.78%、99.63%、99.84%、99.72%、99.63%，如此高的識(shí)別率是因?yàn)樽髡呤褂弥悼勺兡０澹╒alue-varying template），此模板中每個(gè)細(xì)胞間的參數(shù)關(guān)系都不同，使權(quán)值求解更加精確，聯(lián)想記憶成功率更高。

3 結(jié)語(yǔ)

本文對(duì)基于細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶安全存儲(chǔ)方法應(yīng)用進(jìn)行了綜述。回顧了現(xiàn)有生物特征存儲(chǔ)識(shí)別方法，以及細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶方法的基本結(jié)構(gòu)、模型和一些聯(lián)想記憶模型的改進(jìn)與優(yōu)化，詳細(xì)分析了細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶方法在生物特征安全存儲(chǔ)識(shí)別中的應(yīng)用。雖然關(guān)于細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶方法在生物特征安全識(shí)別存儲(chǔ)中取得了一些進(jìn)展，但目前的方法仍沒(méi)有達(dá)到理想效果，比如細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶方法在數(shù)據(jù)規(guī)模較大時(shí)，識(shí)別記憶效果較差。如何建立合適的細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶模型，選取合適的權(quán)值使聯(lián)想記憶效果更好，以及細(xì)胞鄰域半徑r值增大是否會(huì)對(duì)聯(lián)想記憶存儲(chǔ)識(shí)別效果有較大提高，如何去掉一些穩(wěn)定平衡點(diǎn)使細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶效果不變等，都是值得深入研究的課題。

參考文獻(xiàn)：

[1] 夏鴻斌，須文波，劉淵.? 生物特征識(shí)別技術(shù)研究進(jìn)展[J].? 計(jì)算機(jī)工程與應(yīng)用，2003，53（20）：77-79，153.

[2] CHEN W L， WEI L M. Design of network entrance guard system based on fingerprint recognition technology[C]. Puerto Vallarta：World Automation Congress （WAC）， 2012.

[3] SOUBRAYLU S. Attendance automation using face recognition biometric authentication[C]. Chennai：International Conference on Power & Embedded Drive Control. IEEE， 2018.

[4] 朱劍，陳家琪.? 基于移動(dòng)端數(shù)據(jù)的安全存儲(chǔ)研究與應(yīng)用[J].? 軟件導(dǎo)刊， 2018， 17（5）： 201-204.

[5] 袁德砦. 基于秘密分享的生物特征模板保護(hù)及存儲(chǔ)方案[J].? 計(jì)算機(jī)應(yīng)用研究，2018，45（5）：1545-1549.

[6] 趙文鋼. 多模態(tài)視覺(jué)生物特征嵌入式識(shí)別裝置設(shè)計(jì)與實(shí)現(xiàn)[D].? 哈爾濱： 哈爾濱工程大學(xué)，2012.

[7] 李瑩.? 云環(huán)境下的數(shù)據(jù)存儲(chǔ)安全技術(shù)研究[D].? 濟(jì)南：山東師范大學(xué)，2016.

[8] 楊凱，辜季艷.? 云計(jì)算環(huán)境下數(shù)據(jù)存儲(chǔ)安全的關(guān)鍵技術(shù)研究[J].? 無(wú)線互聯(lián)科技， 2016，24（16）：103-104.

[9] SION R， CURTMOLA R， DIETRICH S， et al. Financial cryptography and data security[C]. International Conference on Financial Cryptograpy & Data Security，2010：34-46.

[10] CHUA L O， YANG L. Cellular neural networks： theory[J].? IEEE Transactions Circuits Systems， 1988， 35（5）：1257-1272.