细胞神经网络联想记忆安全存储研究综述

叶刚强 曹瑞 杨恒

摘 要：生物特征識别是热门研究领域，在人们生产生活中广泛应用，而生物特征识别数据泄露事件频繁发生，其安全问题倍受关注。现有的嵌入式存储、本地服务端存储和云端存储在一定程度上都存在安全问题。随着细胞神经网络联想记忆的发展，其在生物特征数据安全存储识别方面的应用得到极大发展。分析现有生物特征识别的安全问题，阐述细胞神经网络结构模型及稳定性优化方法，介绍其在生物特征安全存储识别方面的应用，指出细胞神经网络在生物特征安全识别中面临的问题。

关键词：生物特征识别存储;细胞神经网络;联想记忆;安全存储;人工智能

DOI：10. 11907/rjdk. 201345                                                                                                        开放科学（资源服务）标识码（OSID）：

中图分类号：TP309文献标识码：A                               文章编号：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

随着人工智能技术的不断发展，生物特征识别[1]运用日渐广泛，如小区生物特征门禁识别[2]、公司人脸或指纹打卡、学生考勤[3]等。由于信息泄露[4]、被盗事件频频发生，人们对生物特征识别数据安全严重关注。

现有生物特征数据存储方法主要有：

（1）本地服务器存储。袁德砦[5]介绍本地服务器下分布式存储方法—秘密份额存储，通过建立加密分享方案保护生物特征模板，其主要贡献是将Shamir秘密分享体制引入到生物特征模板保护中，阐述生物特征模板保护的重要性。

（2）嵌入式存储。嵌入式存储方法一般是建立一个嵌入式系统进行生物特征数据的存储与识别。赵文钢[6]设计一种嵌入式系统进行特征数据存储与识别，其主要思想是将特征数据存储在注册模块中，通过对用户的指纹、虹膜和手背静脉图像进行采集、预处理、特征提取等过程，得到生物特征信息，并將此信息与其姓名或其标识（ID）联系起来存储在数据库中。但其数据没有加密，直接裸露在数据库中，如果数据被盗取则所有生物特征信息会暴露。

（3）云存储。指融合集群应用、网格计算、分布式计算及 Web 在线等技术，通过应用软件将网络中大量不同类型的存储设备融合在一个强大的虚拟资源池中协同工作，共同对外提供数据存储功能和业务访问功能[7-8]。Sion等[9]提出一种面向公有云的安全存储框架，该框架不仅能解决数据的隐私和安全问题，还能实现有效的数据访问控制。但该框架只是一个宏观模型，没有给出实际做法，且云数据存储存在不可控风险。

上述生物特征识别存储研究中，无论是加密、软硬件结合还是云存储，都需要建立生物特征数据库储存特征信息。这些工作虽然能在一定程度上保护生物特征数据，但仍存在一定的风险。如果黑客侵入数据库会导致个人信息流失，更有甚者会利用这些特征信息进行违法犯罪活动，使人们的财产安全不能得以保证。

细胞神经网络良好的联想记忆效果使其在生物特征识别领域被广泛关注。相比上述存储识别方法，细胞神经网络联想记忆能将用户的生物特征数据转变为模型权值，直接存储模型权值就不需要建立数据库。传统的生物特征识别存储方法模型复杂，而细胞神经网络联想记忆方法简单得多。

1 CNNs

1.1 CNNs联想记忆模型介绍

细胞神经网络由Chua等[10]提出，它的出现引起学者广泛关注。迄今为止，细胞神经网络应用已非常广泛，其联想记忆能力在工程领域方面有着良好效果。细胞神经网络可看作是局部连接的Hopfield网络结构[11]，其基本单元为细胞， 一般二维细胞神经网络结构如图1所示。

其中，Ci，j（i，j=1，2，3，4） 为一个细胞，表示第i行第j个细胞。

从图1可以看出，细胞神经网络每个细胞都只与其相邻的细胞连接，也就是说相邻的两个细胞之间存在关系，而不相邻的细胞之间要依靠中间细胞进行信息传递。设

Sijr=Ck，lmaxk-i， l-j≤r， k，l∈Z [11]（1）

则称Sijr为半径为r的细胞Cij的影响邻域，目前只对细胞影响邻域半径r=1下的联想记忆进行研究。

神经网络联想记忆分自联想记忆与异联想记忆，细胞神经网络也不例外。简单来说，自联想记忆就是输入相同的模式进行联想记忆，而异联想是输入不同的模式进行联想记忆训练，以达到彼此能够互相记起的目的。无论是自联想记忆还是异联想记忆，其N×M维细胞神经网络联想记忆一般表达式均为[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为状态向量，cij为正参数（神经元自调节参数），r为表示邻域半径的正整数（目前研究取r=1），A=akl2r+1×2r+1≠0为连接权矩阵，又称之为反馈模板，D=dkl2r+1×2r+1为输入模板，也叫控制模板，ukl为联想记忆输入，vij为偏移，k1i，r=max1-i， -r，k2i，r=minΝ-i， r，l1j，r=max1-j， -r，l2j，r=minΜ-j，r，g（？）为激活函数，gy既是细胞神经网络联想记忆输出 ，又可能是记忆模式。

A与D表达式如下：

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 联想记忆稳定性改进

细胞神经网络是一种非线性动力学系统，其联想记忆好坏取决于细胞之间的稳定平衡性，对此学者进行了大量研究。

实现联想记忆即为获取细胞之间对应的参数关系过程。为提高联想记忆性能，解决传统联想记忆中的低容量问题，Zeng等[12-13]分别提出以下公式：

j=1naij+bij

i=-11i=-11aij+bij<1           （5）

通过上面两种约束条件使细胞神经网络之间的参数关系增强，在一定程度提高联想记忆的鲁棒性。此条件设定增加参数关系的保守性，使参数的求解变得复杂，但使得细胞神经网络联想记忆模式数量最大。

Han等[14]将细胞神经网络初始状态xi（t）固定为0，相比于Zeng的研究使参数取值范围扩大，降低参数间的保守性，使细胞神经网络稳定状态更好。Han对细胞之间局部稳定平衡点的研究仍在继续。

xi0=0            （6）

Zhou等[15]在Han研究的基础上设计一种统一的联想记忆模型，使网络的初始状态没有0的限制，保证在随机初始状态下不会引起任何虚假平衡，并且以指数型稳定性判断方法证明模型的全局稳定性。

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

2 细胞神经网络联想记忆安全存储应用

细胞神经网络联想记忆在生物特征安全识别存储方面效果良好。与传统的生物特征识别需要建立生物特征模板数据库进行识别不同，细胞神经网络联想记忆方法无需数据库，只需把生物特征数据变成联想记忆中细胞稳定平衡点的权值存储起来即可，能在很大程度上防止生物特征数据被盗取、破坏的风险，大大提升特征数据存储安全性，并加快识别速度。细胞神经网络联想记忆方法重点在于选取合适的权值，以及生物特征识别阈值。

Zhou等[15]通过6个实验验证联想记忆效果稳定性，建立一种通用的联想记忆模型，给出完整的自联想记忆和异联想记忆模型设计过程。

Han等[16]为避免生物数据库被黑客攻击和篡改，提出一种自联想记忆（AMM）模型。将ORL数据库中随机选取24名未注册人员的240张人脸图像分别输入到AAM模型中，识别阈值取0.95，联想记忆识别率为83%，注册人员联想记忆识别效果为100%。此AAM模型与公式（2）中的结构相似，但其用可调的斜坡激活函数代替固定斜坡激活函数，扩大参数选取范围，使注册人员联想记忆识别达到百分之百。

文献[17]对6组不同尺寸（20×20，30×30，40×40，50×50，60×60，70×70）的人脸图片进行验证，其联想记忆成功率分别为100%、99.78%、99.63%、99.84%、99.72%、99.63%，如此高的识别率是因为作者使用值可变模板（Value-varying template），此模板中每个细胞间的参数关系都不同，使权值求解更加精确，联想记忆成功率更高。

3 结语

本文对基于细胞神经网络联想记忆安全存储方法应用进行了综述。回顾了现有生物特征存储识别方法，以及细胞神经网络联想记忆方法的基本结构、模型和一些联想记忆模型的改进与优化，详细分析了细胞神经网络联想记忆方法在生物特征安全存储识别中的应用。虽然关于细胞神经网络联想记忆方法在生物特征安全识别存储中取得了一些进展，但目前的方法仍没有达到理想效果，比如细胞神经网络联想记忆方法在数据规模较大时，识别记忆效果较差。如何建立合适的细胞神经网络联想记忆模型，选取合适的權值使联想记忆效果更好，以及细胞邻域半径r值增大是否会对联想记忆存储识别效果有较大提高，如何去掉一些稳定平衡点使细胞神经网络联想记忆效果不变等，都是值得深入研究的课题。

参考文献：

[1] 夏鸿斌，须文波，刘渊.  生物特征识别技术研究进展[J].  计算机工程与应用，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] 朱剑，陈家琪.  基于移动端数据的安全存储研究与应用[J].  软件导刊， 2018， 17（5）： 201-204.

[5] 袁德砦. 基于秘密分享的生物特征模板保护及存储方案[J].  计算机应用研究，2018，45（5）：1545-1549.

[6] 赵文钢. 多模态视觉生物特征嵌入式识别装置设计与实现[D].  哈尔滨： 哈尔滨工程大学，2012.

[7] 李莹.  云环境下的数据存储安全技术研究[D].  济南：山东师范大学，2016.

[8] 杨凯，辜季艳.  云计算环境下数据存储安全的关键技术研究[J].  无线互联科技， 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.