細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶安全存儲研究綜述

葉剛強(qiáng) 曹瑞 楊恒

摘 要：生物特征識別是熱門研究領(lǐng)域，在人們生產(chǎn)生活中廣泛應(yīng)用，而生物特征識別數(shù)據(jù)泄露事件頻繁發(fā)生，其安全問題倍受關(guān)注?，F(xiàn)有的嵌入式存儲、本地服務(wù)端存儲和云端存儲在一定程度上都存在安全問題。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)安全存儲識別方面的應(yīng)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(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識別方面的應(yīng)用，指出細(xì)胞神經(jīng)網(wǎng)絡(luò)在生物特征安全識別中面臨的問題。

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

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

中圖分類號：TP309文獻(xiàn)標(biāo)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(shù)的不斷發(fā)展，生物特征識別[1]運(yùn)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(xué)生考勤[3]等。由于信息泄露[4]、被盜事件頻頻發(fā)生，人們對生物特征識別數(shù)據(jù)安全嚴(yán)重關(guān)注。

現(xiàn)有生物特征數(shù)據(jù)存儲方法主要有：

（1）本地服務(wù)器存儲。袁德砦[5]介紹本地服務(wù)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(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。嵌入式存儲方法一般是建立一個嵌入式系統(tǒng)進(jìn)行生物特征數(shù)據(jù)的存儲與識別。趙文鋼[6]設(shè)計一種嵌入式系統(tǒng)進(jìn)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(jìn)行采集、預(yù)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(biāo)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(yīng)用、網(wǎng)格計算、分布式計算及 Web 在線等技術(shù)，通過應(yīng)用軟件將網(wǎng)絡(luò)中大量不同類型的存儲設(shè)備融合在一個強(qiáng)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(wù)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(shí)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(shí)際做法，且云數(shù)據(jù)存儲存在不可控風(fēng)險。

上述生物特征識別存儲研究中，無論是加密、軟硬件結(jié)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(hù)生物特征數(shù)據(jù)，但仍存在一定的風(fēng)險。如果黑客侵入數(shù)據(jù)庫會導(dǎo)致個人信息流失，更有甚者會利用這些特征信息進(jìn)行違法犯罪活動，使人們的財產(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別領(lǐng)域被廣泛關(guān)注。相比上述存儲識別方法，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，直接存儲模型權(quán)值就不需要建立數(shù)據(jù)庫。傳統(tǒng)的生物特征識別存儲方法模型復(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） 為一個細(xì)胞，表示第i行第j個細(xì)胞。

從圖1可以看出，細(xì)胞神經(jīng)網(wǎng)絡(luò)每個細(xì)胞都只與其相鄰的細(xì)胞連接，也就是說相鄰的兩個細(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。簡單來說，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)胞之間對應(yīng)的參數(shù)關(guān)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(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)沒有0的限制，保證在隨機(jī)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(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶安全存儲應(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(jìn)行識別不同，細(xì)胞神經(jīng)網(wǎng)絡(luò)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(xì)胞穩(wěn)定平衡點(diǎn)的權(quán)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(fēng)險，大大提升特征數(shù)據(jù)存儲安全性，并加快識別速度。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，以及生物特征識別閾值。

Zhou等[15]通過6個實(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(jī)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(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，使注冊人員聯(lián)想記憶識別達(dá)到百分之百。

文獻(xiàn)[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(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%，如此高的識別率是因?yàn)樽髡呤褂弥悼勺兡０澹╒alue-varying template），此模板中每個細(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

本文對基于細(xì)胞神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶安全存儲方法應(yīng)用進(jìn)行了綜述。回顧了現(xiàn)有生物特征存儲識別方法，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識別中的應(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別存儲中取得了一些進(jìn)展，但目前的方法仍沒有達(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，識別記憶效果較差。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(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.? 生物特征識別技術(shù)研究進(jìn)展[J].? 計算機(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.? 基于移動端數(shù)據(jù)的安全存儲研究與應(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)及存儲方案[J].? 計算機(jī)應(yīng)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(shè)計與實(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.? 云計算環(huán)境下數(shù)據(jù)存儲安全的關(guān)鍵技術(shù)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.