葉剛強 曹瑞 楊恒

摘 要：生物特征識別是熱門研究領域，在人們生產生活中廣泛應用，而生物特征識別數(shù)據(jù)泄露事件頻繁發(fā)生，其安全問題倍受關注。現(xiàn)有的嵌入式存儲、本地服務端存儲和云端存儲在一定程度上都存在安全問題。隨著細胞神經網絡聯(lián)想記憶的發(fā)展，其在生物特征數(shù)據(jù)安全存儲識別方面的應用得到極大發(fā)展。分析現(xiàn)有生物特征識別的安全問題，闡述細胞神經網絡結構模型及穩(wěn)定性優(yōu)化方法，介紹其在生物特征安全存儲識別方面的應用，指出細胞神經網絡在生物特征安全識別中面臨的問題。

關鍵詞：生物特征識別存儲;細胞神經網絡;聯(lián)想記憶;安全存儲;人工智能

DOI：10. 11907/rjdk. 201345??????????????????????????????????????????????????????????????????????????????????????????????????????? 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP309文獻標識碼：A?????????????????????????????? 文章編號：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

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

現(xiàn)有生物特征數(shù)據(jù)存儲方法主要有：

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

（2）嵌入式存儲。嵌入式存儲方法一般是建立一個嵌入式系統(tǒng)進行生物特征數(shù)據(jù)的存儲與識別。趙文鋼[6]設計一種嵌入式系統(tǒng)進行特征數(shù)據(jù)存儲與識別，其主要思想是將特征數(shù)據(jù)存儲在注冊模塊中，通過對用戶的指紋、虹膜和手背靜脈圖像進行采集、預處理、特征提取等過程，得到生物特征信息，并將此信息與其姓名或其標識（ID）聯(lián)系起來存儲在數(shù)據(jù)庫中。但其數(shù)據(jù)沒有加密，直接裸露在數(shù)據(jù)庫中，如果數(shù)據(jù)被盜取則所有生物特征信息會暴露。

（3）云存儲。指融合集群應用、網格計算、分布式計算及 Web 在線等技術，通過應用軟件將網絡中大量不同類型的存儲設備融合在一個強大的虛擬資源池中協(xié)同工作，共同對外提供數(shù)據(jù)存儲功能和業(yè)務訪問功能[7-8]。Sion等[9]提出一種面向公有云的安全存儲框架，該框架不僅能解決數(shù)據(jù)的隱私和安全問題，還能實現(xiàn)有效的數(shù)據(jù)訪問控制。但該框架只是一個宏觀模型，沒有給出實際做法，且云數(shù)據(jù)存儲存在不可控風險。

上述生物特征識別存儲研究中，無論是加密、軟硬件結合還是云存儲，都需要建立生物特征數(shù)據(jù)庫儲存特征信息。這些工作雖然能在一定程度上保護生物特征數(shù)據(jù)，但仍存在一定的風險。如果黑客侵入數(shù)據(jù)庫會導致個人信息流失，更有甚者會利用這些特征信息進行違法犯罪活動，使人們的財產安全不能得以保證。

細胞神經網絡良好的聯(lián)想記憶效果使其在生物特征識別領域被廣泛關注。相比上述存儲識別方法，細胞神經網絡聯(lián)想記憶能將用戶的生物特征數(shù)據(jù)轉變?yōu)槟Ｐ蜋嘀?，直接存儲模型權值就不需要建立?shù)據(jù)庫。傳統(tǒng)的生物特征識別存儲方法模型復雜，而細胞神經網絡聯(lián)想記憶方法簡單得多。

1 CNNs

1.1 CNNs聯(lián)想記憶模型介紹

細胞神經網絡由Chua等[10]提出，它的出現(xiàn)引起學者廣泛關注。迄今為止，細胞神經網絡應用已非常廣泛，其聯(lián)想記憶能力在工程領域方面有著良好效果。細胞神經網絡可看作是局部連接的Hopfield網絡結構[11]，其基本單元為細胞， 一般二維細胞神經網絡結構如圖1所示。

其中，Ci，j（i，j=1，2，3，4） 為一個細胞，表示第i行第j個細胞。

從圖1可以看出，細胞神經網絡每個細胞都只與其相鄰的細胞連接，也就是說相鄰的兩個細胞之間存在關系，而不相鄰的細胞之間要依靠中間細胞進行信息傳遞。設

Sijr=Ck，lmaxk-i， l-j≤r， k，l∈Z [11]（1）

則稱Sijr為半徑為r的細胞Cij的影響鄰域，目前只對細胞影響鄰域半徑r=1下的聯(lián)想記憶進行研究。

神經網絡聯(lián)想記憶分自聯(lián)想記憶與異聯(lián)想記憶，細胞神經網絡也不例外。簡單來說，自聯(lián)想記憶就是輸入相同的模式進行聯(lián)想記憶，而異聯(lián)想是輸入不同的模式進行聯(lián)想記憶訓練，以達到彼此能夠互相記起的目的。無論是自聯(lián)想記憶還是異聯(lián)想記憶，其N×M維細胞神經網絡聯(lián)想記憶一般表達式均為[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)（神經元自調節(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既是細胞神經網絡聯(lián)想記憶輸出 ，又可能是記憶模式。

A與D表達式如下：

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

細胞神經網絡是一種非線性動力學系統(tǒng)，其聯(lián)想記憶好壞取決于細胞之間的穩(wěn)定平衡性，對此學者進行了大量研究。

實現(xiàn)聯(lián)想記憶即為獲取細胞之間對應的參數(shù)關系過程。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題，Zeng等[12-13]分別提出以下公式：

j=1naij+bij

i=-11i=-11aij+bij<1?????????? （5）

通過上面兩種約束條件使細胞神經網絡之間的參數(shù)關系增強，在一定程度提高聯(lián)想記憶的魯棒性。此條件設定增加參數(shù)關系的保守性，使參數(shù)的求解變得復雜，但使得細胞神經網絡聯(lián)想記憶模式數(shù)量最大。

Han等[14]將細胞神經網絡初始狀態(tài)xi（t）固定為0，相比于Zeng的研究使參數(shù)取值范圍擴大，降低參數(shù)間的保守性，使細胞神經網絡穩(wěn)定狀態(tài)更好。Han對細胞之間局部穩(wěn)定平衡點的研究仍在繼續(xù)。

xi0=0??????????? （6）

Zhou等[15]在Han研究的基礎上設計一種統(tǒng)一的聯(lián)想記憶模型，使網絡的初始狀態(tài)沒有0的限制，保證在隨機初始狀態(tài)下不會引起任何虛假平衡，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 細胞神經網絡聯(lián)想記憶安全存儲應用

細胞神經網絡聯(lián)想記憶在生物特征安全識別存儲方面效果良好。與傳統(tǒng)的生物特征識別需要建立生物特征模板數(shù)據(jù)庫進行識別不同，細胞神經網絡聯(lián)想記憶方法無需數(shù)據(jù)庫，只需把生物特征數(shù)據(jù)變成聯(lián)想記憶中細胞穩(wěn)定平衡點的權值存儲起來即可，能在很大程度上防止生物特征數(shù)據(jù)被盜取、破壞的風險，大大提升特征數(shù)據(jù)存儲安全性，并加快識別速度。細胞神經網絡聯(lián)想記憶方法重點在于選取合適的權值，以及生物特征識別閾值。

Zhou等[15]通過6個實驗驗證聯(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)想記憶模型設計過程。

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

文獻[17]對6組不同尺寸（20×20，30×30，40×40，50×50，60×60，70×70）的人臉圖片進行驗證，其聯(lián)想記憶成功率分別為100%、99.78%、99.63%、99.84%、99.72%、99.63%，如此高的識別率是因為作者使用值可變模板（Value-varying template），此模板中每個細胞間的參數(shù)關系都不同，使權值求解更加精確，聯(lián)想記憶成功率更高。

3 結語

本文對基于細胞神經網絡聯(lián)想記憶安全存儲方法應用進行了綜述。回顧了現(xiàn)有生物特征存儲識別方法，以及細胞神經網絡聯(lián)想記憶方法的基本結構、模型和一些聯(lián)想記憶模型的改進與優(yōu)化，詳細分析了細胞神經網絡聯(lián)想記憶方法在生物特征安全存儲識別中的應用。雖然關于細胞神經網絡聯(lián)想記憶方法在生物特征安全識別存儲中取得了一些進展，但目前的方法仍沒有達到理想效果，比如細胞神經網絡聯(lián)想記憶方法在數(shù)據(jù)規(guī)模較大時，識別記憶效果較差。如何建立合適的細胞神經網絡聯(lián)想記憶模型，選取合適的權值使聯(lián)想記憶效果更好，以及細胞鄰域半徑r值增大是否會對聯(lián)想記憶存儲識別效果有較大提高，如何去掉一些穩(wěn)定平衡點使細胞神經網絡聯(lián)想記憶效果不變等，都是值得深入研究的課題。

參考文獻：

[1] 夏鴻斌，須文波，劉淵.? 生物特征識別技術研究進展[J].? 計算機工程與應用，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.? 基于移動端數(shù)據(jù)的安全存儲研究與應用[J].? 軟件導刊， 2018， 17（5）： 201-204.

[5] 袁德砦. 基于秘密分享的生物特征模板保護及存儲方案[J].? 計算機應用研究，2018，45（5）：1545-1549.

[6] 趙文鋼. 多模態(tài)視覺生物特征嵌入式識別裝置設計與實現(xiàn)[D].? 哈爾濱： 哈爾濱工程大學，2012.

[7] 李瑩.? 云環(huán)境下的數(shù)據(jù)存儲安全技術研究[D].? 濟南：山東師范大學，2016.

[8] 楊凱，辜季艷.? 云計算環(huán)境下數(shù)據(jù)存儲安全的關鍵技術研究[J].? 無線互聯(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.