zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Công Nghệ Thông Tin

» An ninh - Bảo mật

Tích hợp mật mã khóa công khai RSA-2048 bit trong nhận dạng tiếng nói bảo mật

Chia sẻ: Liễu Yêu Yêu | Ngày: | Loại File: PDF | Số trang:6

Báo xấu

34
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nghiên cứu "Tích hợp mật mã khóa công khai RSA-2048 bit trong nhận dạng tiếng nói bảo mật" tích hợp giải pháp mã hóa RSA 2048-bit để bảo vệ dữ liệu dọng nói (dọng nói đã sử dụng mô hình Markov ẩn để nhận dạng chuyển đổi tiếng nói thành dữ liệu văn bản) của người dùng. Về khóa mã cho hệ mật RSA 2048-bit đã được nhóm test vượt qua các tiêu chuẩn đánh giá khóa của NIST. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tích hợp mật mã khóa công khai RSA-2048 bit trong nhận dạng tiếng nói bảo mật

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Tích hợp mật mã khóa công khai RSA-2048 bit trong nhận dạng tiếng nói bảo mật Đỗ Quang Trung1, Lục Như Quỳnh1, *, Quách Đức Huy1, Vũ Chí Hưng1 1 Academy of cryptography techniques, 141 Chien Thang road, Tan Trieu, Thanh Tri, Hanoi * Email: lucnhuquynh69@gmail.com, quynhln@actvn.edu.vn Abstract— Hiện nay, các nghiên cứu và ứng dụng nhận những năm 60 và được sử dụng rộng rãi trong lĩnh vực dạng tiếng nói được nghiên cứu nhiều và đã có ứng dụng nhận dạng tiếng nói vào những năm 1960-1970 và thực tế trong đời sống hàng ngày của con người. Nhưng được đưa vào khoa học máy tính năm 1989, mô hình những nghiên cứu tích hợp các giải pháp bảo mật để bảo này giúp giải quyết các bài toán xác lập mối nhân quả vệ tiếng nói trong quá trình xử lý nhận dạng tiếng nói thì cục bộ nói chung [3], [4], [9]. Mạng nơron nhân tạo là chưa có nhiều. Ý tưởng trong nghiên cứu này, đầu tiên tác giả sử dụng phương pháp FFT để chuyển đổi tín hiệu một lĩnh vực được nghiên cứu từ cuối thập kỷ 1800 tiếng nói thành tín hiệu dạng số và tích hợp giải pháp nhằm mục đúng mô tả hoạt động của trí tuệ con người. nhận dạng tiếng nói (gồm hai mô hình: Hidden Markov hiện nay đã có nhiều ứng dụng trong thực tế đặc biệt là model, Artificial Neural Network) để thực hiện nhận trong lĩnh vực dự báo, nhận dạng, điều khiển, …[10], dạng các tín hiệu tiếng nói theo âm chuẩn và lưu trữ [11]. Hệ mật RSA dùng để bảo mật sẽ tuân theo các tiếng nói ở dạng số. Sau đó, tác giả đã tích hợp giải pháp chuẩn bảo mật hiện hành của NIST để đảm bảo độ an mã hóa RSA 2048 bit để thực hiện mã hóa và giải mã toàn trong việc bảo mật [12]. tiếng nói ở dạng số. Trong đó, khóa công khai và khóa Trong nghiên cứu này, tác giả đã tích hợp giải pháp riêng sử dụng cho hệ mật trong ứng dụng đã được nhóm mã hóa RSA 2048-bit để bảo vệ dữ liệu dọng nói (dọng đảm bảo là khóa an toàn và được đánh giá chất lượng khóa vượt qua bộ tiêu chuẩn của NIST. Để đảm bảo ứng nói đã sử dụng mô hình Markov ẩn để nhận dạng dụng của nhóm tác giả xây dựng có tính hiệu quả, nhóm chuyển đổi tiếng nói thành dữ liệu văn bản) của người tác giả đã thực hiện xây dựng ứng dụng với giải pháp mã dùng. Về khóa mã cho hệ mật RSA 2048-bit đã được hóa AES-GCM 256 bít. Kết quả đạt được cho thấy ứng nhóm test vượt qua các tiêu chuẩn đánh giá khóa của dụng nhận dạng tiếng nói có bảo mật (gọi là Soft Voice- NIST. Giải pháp mã hóa và giải mã RSA 2048 bit được RSA) được nhóm tác giả xây dựng đã cải thiện được đảm tác giả tích hợp đảm bảo an toàn với các ứng dụng bảo an toàn và giữ bí mật được nội dung tiếng nói và có đang được triển khai thực tế hiện nay theo chuẩn tốc độ thời gian thực thi: tạo cặp khóa RSA 2048 bit vượt PKCS#1 (Version 2.1) Chi tiết hiệu quả tích hợp giải qua tiêu chuẩn của NIST mất khoảng 0,2 s – 2 s; xử lý pháp mật mã về các mô đun mật mã và kết quả đạt tiếng nói từ 700 ms – 1070 ms; Mã hóa RSA 2048 bit từ 1 ms -4 ms; Giải mã RSA 2048 bit từ 6ms – 8 ms. được trong nghiên cứu này được nhóm tác giả thảo luận trong các mục của bài báo. Keywords- Hidden Markov model, Artificial Neural Network, RSA, NIST, Fast Fourier Transform. II. GIẢI PHÁP CHUYỂN ĐỔI VÀ XỬ LÝ TIẾNG NÓI BẰNG BIẾN ĐỔI FFT I. GIỚI THIỆU Có nhiều phương pháp xử lý tiếng nói và đã được ứng dụng trong các ứng dụng thực tế ([13], [14]), điển hình Bài toán nhận dạng tiếng nói đang là một xu hướng là phương pháp sử dụng hộp công cụ âm thanh hình phát triển mới của thời đại, nhiều công trình nghiên cứu ảnh [15], phương pháp trì hoãn nhóm [16], biến đổi về chủ đề này đã ra đời và được áp dụng vào trong thực Fourier nhanh – FFT (Fast Fourier Transform) [17]... tế [1], [2]. Tuy nhiên, lại chưa có một phương pháp bảo Trong đó, phương pháp FFT là một kỹ thuật xử lý mật nào được ứng dụng, làm cho người sử dụng các tiếng nói nhanh, đảm bảo tính hiệu quả và trung thực công nghệ nhận dạng tiếng nói phải đối mặt với nhiều [17]. Vào năm 1805, kỹ thuật này đã được Gauss đề nguy cơ mất an toàn. Đứng trước thực tế đó, nhóm tác xuất đầu tiên với cách tính toán các hệ số theo lượng giả đã xây dựng ứng dụng dựa trên mô hình ẩn Markov giác [18]. Đến năm 1965, Cooley và Tukey đã đưa ra [3], [4], mạng nơron nhân tạo [5], [6], [7], hệ mật RSA phương pháp xử lý dựa trên đặc trưng bán nguyệt và [8]… chạy trên máy tính để giải quyết bài toán. Mô áp dụng trong xử lý tín hiệu số của tiếng nói, thu hút hình ẩn Markov sẽ kết hợp với mạng nơron nhân tạo để sự chú ý của các nhà khoa học [10.5772/813]. Phương giải quyết vấn đề nhận dạng giọng nói thời gian thực pháp FFT được phát triển từ phương pháp DFT, đã thông qua giải quyết bài toán nhận dạng mẫu. Mô hình khắc phục được nhược điểm khi độ dài mẫu N lớn sẽ ẩn Markov là mô hình thống kê phát triển vào cuối ISBN 978-604-80-7468-5 293
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) làm mất nhiều thời gian xử lý tiếng nói và độ phức tạp Trong não bộ con người nơron là đơn vị cơ bản cấu N tạo hệ thống thần kinh và là một phần quan trong nhất của FFT giảm xuống chỉ còn còn log 2 N . Trong của não. Cơ chế mạng nơ ron nhân tạo hoạt động với 3 2 chuyển đổi tương tư sang số, tuy FFT có độ tin cậy bước chính: (1) Lặp nhiều lần việc biểu diễn mạng với của thông tin đầu ra thấp hơn DFT nhưng lại có tốc độ các dữ liệu mẫu bao gồm các mối liên kết giữa các giá vượt trội hơn rất nhiều, đảm bảo thời gian thực. trị nhập và các giá trị đích (ví dụ, các giá trị này gần Trong nghiên cứu này, tác giả đã lựa chọn FFT là công giống như kết xuất); (2) Các nút sẽ tự điều chỉnh trọng cụ chính trong quá trình chuyển đổi tiếng nói về dạng số của chúng cho đến khi đạt được giá trị xuất mong số và ngược lại. Đối với phương pháp FFT này, kết muốn với một bộ dữ liệu đầu vào cho trước (ví dụ: cho quả thu được ở đây chỉ là các bảng quang phổ của các đến khi biên lỗi giữa giá trị xuất và giá trị mong muốn âm vị, để có thể nhận dạng được các âm vị này trên đạt bằng nhau và bằng không); (3) Xây dựng cơ chế máy tính bằng cách sử dụng mô hình học máy dựa trên giải quyết bài toán bằng mạng neuron. Markov ẩn và mạng nơron nhân tạo. Hình 1. Mô hình Markov ẩn - HMM Hình 2. a) Cấu trúc các neurons và mô hình hóa; b) Mô hình Hình 1 là chi tiết mô hình thống kê Markov ẩn học của mạng nơ non nhân tạo (Hidden Markov model-HMM) với các tham số không biết trước. Nhiệm vụ phải xác định các tham số ẩn của Tiếp theo trong quá trình xử lý nhận dạng tiếng nói mô hình từ các tham số quan sát được và sự kế thừa đã của tác giả chính là áp dụng mô hình học của mạng nhận dạng trước đó. Các tham số của mô hình được rút nơron để giải quyết các vấn đề như: tính xấp xỉ các ra sau đó có thể sử dụng để thực hiện các phân tích kế hàm có giá trị dạng số thực, số hóa rời rạc, vector và tiếp để nhận dạng mẫu. Mô hình Markov ẩn này được các dạng dữ liệu cảm biến phức tạp. Hình 2b chính là chia làm hai giai đoạn: huấn luyện (Hình 1a) và nhận mô hình học của mạng nơ ron nhân tạo trong xử lý dạng (Hình 1b). Bản thân mỗi mô hình HMM đã có tiếng nói, đây là giải pháp tốt trong xử lý chuyển đổi thể giúp nhận dạng thành công được giọng nói con tiếng nói. Có thể ứng dụng nó trong nhận dạng tiếng người. Tuy vậy, mô hình HMM rất ngốn dữ liệu, yêu nói để xử lý bài toán nhận dạng mẫu (pattern cầu thiết lập rất nhiều và không thể thích ứng được với recognition). Ở đây, cụ thể nhận dạng hướng vào các sự biến đổi âm vị lớn nên nó cần kết hợp thêm ANN. âm vị được phân tích qua HMM, ANN sẽ phân tích Hình 2a là cấu trúc neurons và mô hình hóa của mạng khả năng xuất hiện của một âm vị bất kì sau một âm vị nơron nhân tạo (Artificial Neural Networks) được tác khác, sau đó dựa trên bộ từ điển bao gồm các từ và giả xác định trong nghiên cứu này. Mạng nơron nhân cụm từ có nghĩa, nó sẽ đánh giá và phân tích xem đầu tạo được bắt nguồn từ mạng nơron thần kinh trong các ra cuối cùng là chính xác hay không. Lặp lại quá trình sinh vật [19]. Thông tin từ môi trường bên ngoài được này cho đến khi kết quả đầu ra có tốc độ và độ chính đưa về não bộ của con người thông qua các giác quan xác mong muốn. và sẽ được bộ não xử lý. Quá trình này được chia ra thành các khối [20] như: (1) khối tín hiệu điện tương tự; (2) khối phân tích và tiền xử lý; (3) khối nhận diện III. GIẢI PHÁP BẢO MẬT ỨNG DỤNG CHO bằng đặc trưng và (4) phân chia ra thành các nhóm NHẬN DẠNG TIẾNG NÓI thông tin khác nhau. Sau khi đã xử lý chuyển đổi tiếng nói thành dạng số, bước tiếp theo của nghiên cứu là xác định giải pháp ISBN 978-604-80-7468-5 294
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) mã hóa cho dữ liệu dạng số để đảm bảo tính bảo mật cho dữ liệu thu được trước các tấn công hiện nay. Trong nghiên cứu này, tác giả đã thực hiện tích hợp hệ mật mã khóa công khai RSA 2048 bit để thực hiện mã hóa/giải mã cho bảo vệ tín hiệu tiếng nói sau khi đã chuyển đổi về dạng số [21]. Ngoài ra, để đánh giá cho mô đun chương trình nhận dạng tiếng nói, tác giả đã thực hiện thêm mã hóa/giải mã theo hệ mật AES -256 để bảo vệ tiếng nói ở dạng số. Từ đó, cho thấy hiệu quả đạt về tốc độ thực hiện bảo mật cho tín hiệu tiếng nói được tốt hơn. Sinh các tham số khóa cho hệ mật RSA đã được tác giả thực hiện đánh giá vượt qua các Hình 3. Mô hình hoạt động, chuyển đổi và bảo vệ tiếng nói tiêu chuẩn kiểm tra chất lượng khóa theo tiêu chuẩn bằng hệ mật RSA của NIST. Hệ mật RSA được tích hợp trong mô đun chương trình đáp ứng theo chuẩn PKCS #1 [50], được Đầu tiên, thu giọng nói từ micro được chuyển đổi đảm bảo đủ an toan trước các tấn công theo hiện thời. thành các dạng tín hiệu truyền vào bên trong máy tính Trong đó, độ an toàn hệ mật RSA theo năm được đánh và chuyển thành các mẫu riêng biệt. Trong máy tính, giá thông qua độ dài khóa theo công thức: các mẫu ở trên thông qua MHH và mạng neural (ANN) để so sánh và đưa ra dạng văn bản chuẩn tương L  2nlen ,1 / 3,1.976  ứng với giọng nói. Tiếp theo Văn bản được tạo ra .400  40.24( y  2004)/3 (1) được mã hóa thông qua hệ mật RSA 2048 bit. Sau đó, L  21024 ,1 / 3,1.976  thực hiện gửi phần bản mã mới tạo qua cho bên nhận. Lúc này, bên nhận giải mã bản mã và thu được bản rõ với L  n, r ,    exp  (ln n) r (ln ln n)1 r  . tương ứng với nội dung giọng nói ban đầu. Phần văn Theo công thức này, cho thấy đến năm 2022 hệ mật bản được chuyển hóa ngược lại thành giọng nói bằng RSA được đánh giá an toàn với độ dài nlen=1661. Khi bộ giọng nói chuẩn. đó hệ mật RSA với độ dài 2048 bit vẫn còn được đảm Thiết kế giao diện cho mô đun Soft Voice-RSA: bảo an toàn. Đối với hệ mật AES 256, sinh tham số khóa để sử dụng cho chương trình cũng được tác giả đánh giá vượt qua các tiêu chuẩn của NIST hiện nay. Điều này, cho thấy giải pháp tác giả sử dụng hệ mật RSA 2048-bit (hoặc AES 256-bit) đủ để bảo vệ cho tín hiệu tiếng nói an toàn trước một số tấn công. IV. KẾT QUẢ VÀ THẢO LUẬN A) Thiết kế và xây dựng ứng dụng nhận dạng tiếng nói có bảo mật Trong nghiên cứu này, mô đun nhận dạng tiếng nói có bảo mật (Soft Voice-RSA) được tác giả thiết kế gồm có các mô đun: sinh khóa RSA 2048 bit (theo chuẩn PKCS#1 v2.1) và được test vượt qua các tiêu chuẩn của NIST; mô đun chuyển đổi tiếng nói thành dạng text và ngược lại sử dụng phương pháp FFT có áp dụng mô hình MHH và ANN; mô đun mã hóa tiếng nói ở dạng text với hệ mật RSA 2048 và khóa công khai được sinh trong phần mềm; mô đun giải mã RSA 2048 bit với khóa riêng RSA được sinh trong phần mềm. Hình 3 là nguyên lý hoạt động quá trình sinh khóa RSA 2048 -bit, chuyển đổi và bảo vệ tiếng nói bằng hệ mật RSA 2048 bit. Hình 4. a) Giao diện modulo generator key RSA; b) Giao diện modulo mã hóa và giải mã Voice bằng hệ mật RSA ISBN 978-604-80-7468-5 295
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Trong nghiên cứu này, mô đun chương trình được thiết kế với 2 giao diện chính: Hình 4a là chi tiết thiết kế giao diện cho quá trình thực hiện sinh khóa RSA 2048 bit (PKCS#1 v2.1) đảm bảo khóa được sinh đã vượt qua tiêu chuẩn đánh giá chất lượng khóa của NIST; Hình 4b là giao diện cho quá trình thực hiện chuyển đổi dọng nói thành văn bản và ngược lại, thực hiện mã hóa/giải mã cho tín hiệu tiếng nói ở dạng văn bản bằng hệ mật RSA 2048 bit. Phần giao diện tạo khóa: Để sử dụng được chương trình người sử dụng cần chuẩn bị khóa bí mật và khóa công khai của hệ mật RSA hoặc sử dụng khóa do chương trình sinh ra với độ dài modulo tối thiểu 2048 bits bằng cách nhấn vào nút “sinh khóa”, sau khi nhấn vào, máy sẽ tự động sinh ra một bộ khóa RSA 2048 bit, các khóa này sẽ được kiểm tra thông qua bộ tiêu chuẩn NIST, nếu đạt chuẩn thì sẽ được in ra màn hình và hiện tổng số thời gian xử lý để tạo ra khóa. Phần giao diện chuyển đổi giọng nói có bảo mật: Khi đã có khóa đạt độ an toàn theo yêu cầu, người sử dụng bằng đầu nói thông điệp của mình qua micro được kết nối đến máy tính bằng cách nhấn vào nút “Nhấn để nói”, sau khi bấm vào chương trình sẽ tự động thu phần giọng nói ta phát ra và dừng lại khi ta ngừng nói. Tín hiệu tương tự thu được ở đây thông qua sự rung động trong micro chuyển thành các tín hiệu điện vào máy tính. Thông qua phép biến đổi FFT các tín hiệu điện này được chuyển thành các mẫu quang phổ. Các mẫu quang phổ này được xử lý qua mô hình ngôn ngữ (sự kết hợp giữa HMM và ANN) đối chứng với các bộ mẫu có sẵn để cho ra nội dung nói ban đầu dưới dạng văn bản. Phần văn bản ở đây sẽ được xử lý mã hóa bằng hệ mật RSA với khóa công khai mà đã tạo ra hoặc chuẩn bị ở trên. Sau đó phần bản mã sẽ có thể gửi Hình 5. Kết quả thời gian thực thi của phần mềm Soft Voice- đến đối tượng cần truyền đạt. Phần bản mã sẽ được in RSA: a) Tạo khóa và kiểm tra vượt qua tiêu chuẩn NIST; b) ra màn hình cùng với khoảng thời gian chuyển đổi và Thu/chuyển đổi tiếng nói, mã hóa và giải mã tiếng nói bằng mã hóa sau khi xử lý xong. Tiếp đó ta nhấn “giải mã” hệ mật RSA 2048 bit. để đọc lên phần mới giải mã và in dạng văn bản ra màn hình. Nút “đọc” dùng để phát lại đoạn văn bản Để đánh giá về hiệu quả thực thi: quá trình sinh cặp được dịch. khóa công khai và bí mật RSA 2048 bit; nhận dạng tiếng nói bằng mô hình MHH và ANN; thời qian thực B) Phân tích, đánh giá và kiểm thử mô đun nhận thi cho chuyển đổi tiếng nói và thực hiện mã hóa/giải dạng tiếng nói có bảo mật Soft Voice-RSA mã với hệ mật RSA 2048 bit và AES-256 bit. Tác giả đã thực hiện chạy phầm mềm nhiều lần với đầu vào dữ Trong nghiên cứu này, để thực hiện đánh giá hoạt liệu cho phần mềm chạy khác nhau. Bảng 1 cho kết động của mô đun chương trình Soft Voice-RSA, tác giả đã thực thi trên máy tính với cấu hình sử dụng quả chạy phần mềm Soft Voice-RSA với dữ liệu đầu Intel(R) Core i5-4200U, CPU @ 1.60GHz, up to 2.30 vào khác nhau và tương ứng với bộ khóa được sinh đảm bảo vượt qua bộ tiêu chuẩn đánh giá chất lượng GHz; RAM: 8.00 GB. Hình 5a cho kết quả thời gian khóa của Viện tiêu chuẩn quốc gia Hoa kỳ (NIST). hoạt động của mô đun chương trình Soft Voice-RSA với chức năng sinh khóa RSA 2048 bit vượt qua các Kết quả cho thấy, thời gian thực thi của phần mầm tiêu chuẩn đánh giá khóa. Hình 5b cho kết quả thời Soft Voice-RSA khi sử dụng hệ mật RSA 2048 bit: gian thực thi chuyển đổi tiếng nói, mã hóa/giải mã quá trình tạo cặp khóa RSA 2048 bit vượt qua tiêu tiếng nói với hệ mật RSA 2048 bit. chuẩn của NIST mất khoảng 0,2 s – 2 s; thời gian xử lý tiếng nói khoảng từ 700 ms – 1070 ms; Thời gian mã hóa RSA 2048 bit mất khoảng từ 1 ms -4 ms; Thời gian giải mã RSA 2048 bit mất khoảng từ 6ms – 8 ms. ISBN 978-604-80-7468-5 296
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Để đánh giá về hiệu quả thực thi: quá trình sinh cặp cũng chính là hướng nghiên cứu mà nhóm tác giả sẽ khóa công khai và bí mật RSA 2048 bit; nhận dạng tập trung và sẽ công bố trong các nghiên cứu tiếp theo. tiếng nói bằng mô hình MHH và ANN; thời qian thực thi cho chuyển đổi tiếng nói và thực hiện mã hóa/giải TÀI LIỆU THAM KHẢO mã với hệ mật RSA 2048 bit và AES-256 bit. Tác giả [1] N. Das, S. Chakraborty, J. Chaki, N. Padhy, and N. Dey, đã thực hiện chạy phầm mềm nhiều lần với đầu vào dữ “Fundamentals, present and future perspectives of speech enhancement,” Int. J. Speech Technol., vol. 24, no. 4, pp. 883– liệu cho phần mềm chạy khác nhau. Bảng 1 cho kết 901, Dec. 2021, doi: 10.1007/s10772-020-09674-2. quả chạy phần mềm Soft Voice-RSA với dữ liệu đầu [2] X. Han et al., “Pre-trained models: Past, present and future,” vào khác nhau và tương ứng với bộ khóa được sinh AI Open, vol. 2, pp. 225–250, 2021, doi: đảm bảo vượt qua bộ tiêu chuẩn đánh giá chất lượng 10.1016/j.aiopen.2021.08.002. khóa của Viện tiêu chuẩn quốc gia Hoa kỳ (NIST). [3] G. A. Fink, Markov Models for Pattern Recognition. Berlin, Heidelberg: Springer Berlin Heidelberg, 2008. doi: 10.1007/978-3-540-71770-6. Bảng 1. Kết quả thời gian thực thi của phần mềm Soft [4] Z. Han, Q. He, and M. von Davier, “Predictive Feature Voice-RSA và Soft Voice-AES-GCM Generation and Selection Using Process Data From PISA Số Thời gian Thời gian Thời gianThời gian Interactive Problem-Solving Items: An Application of Random kí xử lý (ms) mã (ms) giải (ms)sinh khóa Forests,” Front. Psychol., vol. 10, Nov. 2019, doi: 10.3389/fpsyg.2019.02461. tự (s) Nhận dạng tiếng nói với hệ mật RSA 2048 bit [5] I. Farkaš, P. Masulli, and S. Wermter, Eds., Artificial Neural Networks and Machine Learning – ICANN 2020, vol. 12397. 12 746.7266 3.991 7.0148 0.187500 Cham: Springer International Publishing, 2020. doi: 35 1063.2608 1.9937 6.9827 0.328125 10.1007/978-3-030-61616-8. 37 683.639 0.9993 5.9748 1.781250 [6] G. R. Yang and X.-J. Wang, “Artificial neural networks for 40 830.3528 2.0288 7.9833 0.625000 neuroscientists: a primer,” Neuron, vol. 109, no. 4, p. 739, Feb. Nhận dạng tiếng nói với hệ mật AES-GCM 256 bit 2021, doi: 10.1016/j.neuron.2021.01.022. Số Thời gian Thời gian Thời gian Thời gian [7] R. Dastres and M. Soori, “Artificial Neural Network Systems,” kí xử lý (s) mã (s) giải (s) sinh khóa Int. J. Imaging Robot., vol. 2021, no. 2, pp. 13–25, 2021, tự (s) [Online]. Available: www.ceserp.com/cp-jour 21 0.6907975 1.3045635 1.3075628 1.3005715 [8] N. Bansal and S. Singh, “RSA Encryption and Decryption 27 0.8660744 1.4963576 1.4993501 1.4933993 System,” Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol., pp. 35 0.9356286 1.55198 1.5549542 1.5479727 109–113, Sep. 2020, doi: 10.32628/CSEIT206520. [9] J. Hernando, “Hidden Markov Models,” in Encyclopedia of Kết quả cho thấy, thời gian thực thi của phần mầm Biometrics, Boston, MA: Springer US, 2015, pp. 876–882. Soft Voice-RSA khi sử dụng hệ mật RSA 2048 bit: doi: 10.1007/978-1-4899-7488-4_195. quá trình tạo cặp khóa RSA 2048 bit vượt qua tiêu [10] N. Yadav, A. Yadav, and M. Kumar, “History of Neural chuẩn của NIST mất khoảng 0,2 s – 2 s; thời gian xử Networks,” 2015, pp. 13–15. doi: 10.1007/978-94-017-9816- 7_2. lý tiếng nói khoảng từ 700 ms – 1070 ms; Thời gian [11] E. K. Zaineb, S. Sahar, and M. Zouhir, “Pricing American Put mã hóa RSA 2048 bit mất khoảng từ 1 ms -4 ms; Thời Option using RBF-NN: New Simulation of Black-Scholes,” gian giải mã RSA 2048 bit mất khoảng từ 6ms – 8 ms. Moroccan J. Pure Appl. Anal., vol. 8, no. 1, pp. 78–91, Jan. Thời gian thực thi của phần mầm Soft Voice-RSA khi 2022, doi: 10.2478/mjpaa-2022-0007. sử dụng hệ mật AES-GCM 256 bit: quá trình tạo khóa [12] E. Barker, “Guideline for using cryptographic standards in the federal government:,” Gaithersburg, MD, Mar. 2020. doi: mất khoảng 1 s – 2 s; thời gian xử lý tiếng nói khoảng 10.6028/NIST.SP.800-175Br1. từ 0.7s – 1s; Thời gian mã hóa AES-GCM 256 bit mất [13] F. Ernawan, N. A. Abu, and N. Suryana, “Spectrum analysis of khoảng 1.5 s; Thời gian giải mã mất khoảng 1.6s. speech recognition via discrete Tchebichef transform,” Oct. 2011, p. 82856L. doi: 10.1117/12.913491. V. KẾT LUẬN [14] S. Sadhu and H. Hermansky, “Radically old way of computing spectra: Applications in end-to-end ASR,” Proc. Annu. Conf. Kết quả đạt được trong nghiên cứu này, đã xây dựng Int. Speech Commun. Assoc. INTERSPEECH, vol. 2, pp. được ứng dụng nhận dạng tiếng nói theo mô hình 1091–1095, 2021, doi: 10.21437/Interspeech.2021-643. Hidden Markov model, Artificial Neural Network. [15] A. Abel and A. Hussain, “Multi-modal Speech Processing Methods: An Overview and Future Research Directions Using Trong đó, ứng dụng đã tích hợp giải pháp mật mã khóa a MATLAB Based Audio-Visual Toolbox,” 2009, pp. 121– công khai RSA (theo chuẩn PKCS#1 Version 2.1) đảm 129. doi: 10.1007/978-3-642-00525-1_12. bảo giữ bí mật nội dung tiếng nói ở dạng số sau khi đã [16] T. Drugman, T. Dubuisson, and T. Dutoit, “Phase-based thực hiện nhận dạng. Tốc độ thực thi của ứng dụng information for voice pathology detection,” ICASSP, IEEE Int. Conf. Acoust. Speech Signal Process. - Proc., pp. 4612–4615, Soft Voice-RSA đạt được đã cải thiện về thời gian mã 2011, doi: 10.1109/ICASSP.2011.5947382. và giải mã thì luôn dao động trong khoảng 1-4 ms (đối [17] R. Pupeikis, “REVISED FAST FOURIER TRANSFORM,” với thực thi mã hóa RSA 2048 bit) và 6-8s (đối với thời Radio Electron. Comput. Sci. Control, no. 1, pp. 169–186, gian giải mã RSA 2048 bit). Tác giả nhận thấy giải Dec. 2014, doi: 10.15588/1607-3274-2015-1-9. pháp trong nghiên cứu này còn có một số khuyết điểm [18] M. T. Heideman, D. H. Johnson, and C. S. Burrus, “Gauss and như khả năng nhận dạng tiếng nói còn hạn chế. Đây the history of the fast Fourier transform,” Arch. Hist. Exact Sci., vol. 34, no. 3, pp. 265–277, 1985, doi: 10.1007/BF00348431. ISBN 978-604-80-7468-5 297
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) [19] H. R. Niazkar and M. Niazkar, “Application of artificial neural [24] N. M. Jack Koziol, David Litchfield, Dave Aitel, Chris Anley, networks to predict the COVID-19 outbreak,” Glob. Heal. Res. Sinan “noir” Eren, Riley Hassell, “The Shellcoder’s Policy, vol. 5, no. 1, p. 50, Dec. 2020, doi: 10.1186/s41256- Handbook: Discovering and Exploiting Security Holes,” 020-00175-y. Wiley, 2004, [Online]. Available: [20] P. Li, M. Liu, X. Zhang, and H. Chen, “Efficient online feature https://books.google.com.vn/books?id=dd1QAAAAMAAJ&q extraction algorithm for spike sorting in a multichannel FPGA- =inauthor:%22Jack+Koziol%22&dq=inauthor:%22Jack+Kozi based neural recording system,” in 2014 IEEE Biomedical ol%22&hl=vi&sa=X&redir_esc=y Circuits and Systems Conference (BioCAS) Proceedings, Oct. [25] M. Howard and D. Leblanc, Codigos seguros Related papers 2014, pp. 1–4. doi: 10.1109/BioCAS.2014.6981630. Writing Secure Code ,. 2008. [21] L. N. Childs, “RSA Cryptography and Prime Numbers,” 2019, [26] Microsoft, “https://docs.microsoft.com/en- pp. 135–151. doi: 10.1007/978-3-030-15453-0_9. us/windows/win32/menurc/strsafe-ovw”, [Online]. Available: [22] G. McGraw, “Software Security: Building Security In,” in https://docs.microsoft.com/en- 2006 17th International Symposium on Software Reliability us/windows/win32/menurc/strsafe-ovw Engineering, Nov. 2006, pp. 6–6. doi: 10.1109/ISSRE.2006.43. [23] A. Apvrille and M. Pourzandi, “Secure Software Development by Example,” IEEE Secur. Priv. Mag., vol. 3, no. 4, pp. 10–17, Jul. 2005, doi: 10.1109/MSP.2005.103. ISBN 978-604-80-7468-5 298

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.