دانلود مقاله ترجمه شده کاربرد شبکه های عصبی هاپفیلد در تصدیق رمز – مجله IEEE

بخشی از ترجمه:

چکیده

تصدیق رمز (password authentication) یک گزینه عمومی و معمول جهت امنیت سیستم می باشد . روش جدول تصدیق قراردادی (verification table) دارای عیب های عمده ای است . اخیراً از شبکه های عصبی برای تصدیق رمز استفاده شده است تا بر عیب های عمده روش های قبلی فائق آید . در روش شبکه های عصبی برای تصدیق رمز ، جدول تصدیق لازم نیست و به جای آن ، وزن های شبکه عصبی رمز شده در سیستم ذخیره شده است . تکنیک های لایه بندی شبکه های عصبی موجود دارای محدودیت های خاص خودشان هستند که از جمله آنها میتوان به زمان آموزش طولانی (long training time) و نزدیکی فراخوانی ها (close recall) اشاره کرد . این مقاله استفاده از تکنیک شبکه های عصبی هوپفیلد را برای تصدیق رمز پیشنهاد می کند . در مقایسه با تکنیک فعلی لایه بندی شبکه های عصبی ، روش پیشنهاد شده درستی (accuracy) خوبی را ایجاد می کند و زمان پاسخ سریعی را جهت ثبت (register ) و تغییرات رمز ایجاد می کند .
مقدمه :
امنیت کامپیوتری به یکی از مهمترین گزینه ها در زمینه تکنولوژی اطلاعاتی تبدیل شده است . در بین تکنولوژی های موجود جهت کنترل بیشتر دسترسی کامپیوتری ، تصدیق رمز بصورت گسترده ای برای زمان طولانی استفاده شده است و امروزه هنوز یکی از مکانیزم های مرسوم جهت تصدیق (authentication) می باشد . یک گزینه عمومی برای تصدیق رمز استفاده از جدول تصدیق می باشد . با استفاده از این گزینه ، رمز PWk تولید شده بوسیله کاربر k بوسیله یک تابع یک طرفه hash یا الگوریتم رمزنگاری کدگذاری می شود و به عنوان F(PWk) در یک جدول تصدیق ذخیره می شود که آن جدول در یک سرور جهت تصدیق کاربران ذخیره شده است . موقعی که یک کاربر به سیستم وارد می شود سیستم جدول تصدیق را برای مشخصه کاربری (user ID) و پسورد رمزنگاری شده (encrypted password) مربوطه جستجو می کند . اگرچه در یک محیط دسترسی باز ، یک مزاحم ممکن است قادر به ایجاد تغییر در جدول تصدیق می باشد برای مثال یک مزاحم می تواند به سادگی یک جفت جعلی [IDf, F(PWf)] را به جدول ضمیمه و اضافه کند و هر کسی با ID,PASSWORD جعلی بتواند وارد سیستم بشود

بخشی از مقاله انگلیسی:

Abstract

Password authentication is a common approach to system security. The conventional verification table approach has significant drawbacks. Recently, neural networks have been used for password authentication to overcome the shortcomings of traditional approaches. In neural network approaches to password authentication, no verification table is needed; rather, encrypted neural network weights are stored within the system. Existing layered neural network techniques have their limitations such as long training time and recall approximation. This study proposes the use of a Hopfield neural network technique for password authentication. In comparison to existing layered neural network techniques, the proposed method provides better accuracy and quicker response time to registration and password changes. Index Terms—Hopfield networks, pattern matching, security.

I. INTRODUCTION

Computer security has been one of the most important issues in the information technology era [3], [8]. Among many computer access control techniques, password authentication has been widely used for a long time [1], and is still one of the most convenient authentication mechanisms today [14]. A common password authentication approach is the use of verification tables [15]. Using this approach, the password PWk provided by user k is encoded through a one-way hash function or encryption algorithm, and is stored as F(PWk ) in a verification table stored on a server for user authentication. When a user logs into the system, the system searches the verification table for the user’s identification (ID) and the corresponding encrypted password. However, in an open access environment, an intruder is still able to make modification to the verification table. For example, an intruder could simply append a forged pair [IDf , F(PWf )] to the table so that anyone with the forged ID and password could break into the system. To avoid this problem, a layered neural network scheme has been proposed for password authentication [9]. According to [9], a desired binary integer vector (e.g., [0, 0, 1, 1]) is assigned to each user. A set of desired integer vectors along with the corresponding user IDs with encrypted passwords are used to train the layered neural network. After the training, only the weights of the neural network are stored online as reference for authentication.