多神经网络同步算法研究

论文摘要

在自然界中，有很多同步现象，同样，神经网络也有同步现象存在。神经网络跟人工智能等众多应用领域结合起来，已成为潜力巨大的研究方向。在两个神经网络同步的过程中，初始状态的权值都是随机的向量。在每次学习过程中两个神经网络都接收相同的输入向量，然后计算各自的输出，最后与对方相互交换自己的输出，再根据输出结果的情况，运用一定的学习规则来调整自己的权值。当神经网络的权值都是离散值的时候，通过有限次学习后就能达到完全同步，即权值完全相同的状态，并且该同步状态将在以后的学习过程中保持不变。神经网络的这个特性可以被应用到很多领域中，如在信息安全中，我们可以用神经网络的同步来实现公共信道上密钥的交换。而本文的主要工作就是研究多个神经网络的同步模型并提出它在组密钥交换中的应用。本文中提出了多神经网络同步的中心学习模型，分布式同步模型，邻居学习模型，多数学习模型，混合同步模型等，并从同步时间及同步效果上来分析了这些同步模型的在不同的学习规则下的同步时间和同步效果，并用大量的实验数据给予了说明。同时本文还提出基于多神经网络模型的同步的身份认证模型，并将多神经网络同步模型应用到组密钥交换协议(GKMP)中，有效地降低了协议的复杂程度，为以后对神经网络同步模型的进一步研究和应用提供了新的方向。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 神经网络的背景介绍
• 1.2 神经网络同步的研究背景和意义
• 1.3 神经网络同步国内外研究现状
• 1.4 本文内容组织
• 2 树状奇偶神经元模型和相关参数
• 2.1 引言
• 2.2 树状奇偶机的发展及原理简介
• 2.2.1 树状奇偶神经元的结构
• 2.2.2 学习规则
• 2.2.3 同步程度的量化参数
• 2.3 神经密码基础
• 2.3.1 学习方法的实质
• 2.3.2 正向效果的学习和逆向效果的学习
• 2.4 同步过程中权值的动态变化情况
• 2.5 同步过程中需要的时间
• 2.6 同步过程中概率分布情况
• 3 随机游走模型的扩展模型及相关参数
• 3.1 随机游走模型中的权值关系
• 3.2 同步过程的平均效果
• 3.3 波动状态下的同步
• 3.4 同步过程所需要的时间
• 3.5 隐含层神经元的数目
• 3.6 学习规则对同步的影响
• 3.7 同步过程的安全性分析
• 3.7.1 攻击方成功的概率
• 3.7.2 单神经网络攻击
• 3.7.3 遗传攻击
• 3.7.4 多数人攻击
• 3.7.5 各攻击方法间的对比
• 3.8 版本空间
• 3.9 同步过程中的互信息量
• 3.10 同步过程中所需要的密钥长度
• 3.10.1 没有交互的同步过程
• 3.10.2 有效的密钥长度
• 3.11 保密的输入向量
• 4 神经网络同步的判定
• 4.1 基于隐藏单元输出 HASH 值的神经网络同步判定算法
• 4.2 判定算法模拟实验
• 5 多神经网络的同步方式
• 5.1 多神经网络同步的相关参数
• 5.2 中心学习模式
• 5.3 分布式同步模式
• 5.4 从同步时间和同步效果上来分析同步模型
• 5.4.1 分布式同步模式
• 5.4.2 邻居学习的同步模式
• 5.4.3 多数学习的同步模式
• 5.4.4 邻居学习的混合同步模式
• 5.4.5 多数学习的混合同步模式
• 5.4.6 可用于身份认证的多神经网络同步模型
• 6 神经网络集合同步在组密钥管理协议中的应用
• 6.1 组播中的安全性
• 6.2 组密钥管理协议（GKMP）的架构
• 6.3 组密钥管理协议（GKMP）的主要函数
• 6.4 基于神经网络同步的 GKMP 协议
• 7 总结与展望
• 7.1 全文总结
• 7.2 未来研究工作展望
• 致谢
• 参考文献
• 附录
• A. 作者在攻读学位期间发表的论文目录
• B. 作者在攻读学位期间取得的科研成果目录