ОЦІНЮВАННЯ РІВНЯ ЗАХИЩЕНОСТІ СКЛАДНОЗАШУМЛЕНОЇ МОВНОЇ ІНФОРМАЦІЇ ЗА КРИТЕРІЄМ ЗАЛИШКОВОЇ РОЗБІРЛИВОСТІ МОВИ

Сергій Нужний

doi:10.28925/2663-4023.2025.29.937

Автор(и)

Сергій Нужний Національний університет кораблебудування імені адмірала Макарова https://orcid.org/0000-0002-7706-0453

DOI:

https://doi.org/10.28925/2663-4023.2025.29.937

Ключові слова:

комплексна система захисту інформації, захисті мовної інформації, оцінка рівня захищеності мовної інформації.

Анотація

У статті обґрунтовано наукові засади оцінювання рівня захищеності складнозашумленої мовної інформації у технічних каналах витоку інформації за критерієм залишкової розбірливості. Проаналізовано обмеження традиційних підходів до визначення захищеності мовлення, зокрема показників SNR, SPC, AI та SII, які не враховують нелінійні спотворення, частотну селективність середовища та ефекти акустичної реверберації. Запропоновано використання інтегральної метрики RII, що характеризує здатність порушника відновити інформативний зміст сигналу після впливу завад. Розроблено узагальнену модель обробки мовного сигналу, яка поєднує вейвлет‑фільтрацію, сегментацію, аналіз трифонної структури та нейронну оцінку залишкової розбірливості. Представлено класифікацію основних типів завад, зокрема білого, ревербераційного, комбінаційного та мовоподібного шумів, та наведено підходи до їх математичного формування. Показано, що врахування частотно-часових характеристик середовища та індивідуальних ознак диктора підвищує точність моделювання небезпечних сценаріїв перехоплення мовної інформації. Запропонований підхід забезпечує можливість об’єктивного ранжування каналів витоку та формування раціональних рішень щодо активного та пасивного акустичного захисту. Методика може бути використана для проектування комплексних систем технічного захисту інформації, експертного аналізу загроз та оцінювання ефективності засобів пригнічення мовлення у складних акустичних умовах. Особливу увагу приділено моделюванню акустичної взаємодії між джерелом, огороджувальними конструкціями та технічними засобами розвідки, що дає змогу кількісно оцінити ймовірність часткового або повного відновлення змісту повідомлення. Розроблена методика враховує вплив фазових спотворень, структурних максимумів спектра, характеру адаптивної фільтрації та умов тонального маскування. Запропоновано, з позиції зниження залишкової інформативності мовлення, процедуру порівняльного аналізу ефективності різних типів завад.

Завантаження

Дані завантаження ще не доступні.

Посилання

Verkhovna Rada Ukrainy. (1994). Zakon Ukrainy “Pro derzhavnu taiemnytsiu”. https://zakon.rada.gov.ua/laws/show/3855-12

Verkhovna Rada Ukrainy. (1994). Zakon Ukrainy “Pro zakhyst informatsii v informatsiino-telekomunikatsiinykh systemakh”. https://zakon.rada.gov.ua/laws/show/80/94-vr

Verkhovna Rada Ukrainy. (2010). Zakon Ukrainy “Pro zakhyst personalnykh danykh”. https://zakon.rada.gov.ua/laws/show/2297-17

NDTZI 3.7-003-2023. (2023). Metodyka modeliuvannia zahroz ta otsinky ryzykiv u systemakh tekhnichnoho zakhystu informatsii. Kyiv: DSSZZI.

NDTZI 3.6-003-2016. (2016). Poriadok provedennia atestatsii kompleksnoi systemy zakhystu informatsii. Kyiv: DSSZZI.

NDTZI 3.5-001-2017. (2017). Zahalni vymohy shchodo zabezpechennia tekhnichnoho zakhystu informatsii. Kyiv: DSSZZI.

Administratsiia Derzhspetszviazku Ukrainy. (2015/2023). Nakaz № 023 “Pro zatverdzhennia Poriadku provedennia instrumentarnoho kontroliu tekhnichnykh kanaliv vytoku informatsii”. Kyiv: DSSZZI.

Acoustical Society of America. (1997). ANSI/ASA S3.5-1997: Methods for calculation of the Speech Intelligibility Index. https://acousticalsociety.org

French, N. R., & Steinberg, J. C. (1947). Factors governing the intelligibility of speech sounds. Journal of the Acoustical Society of America, 19(1), 90–119. https://doi.org/10.1121/1.1916407

Hu, Y., & Loizou, P. C. (2008). Evaluation of objective quality measures for speech enhancement. IEEE Transactions on Audio, Speech & Language Processing, 16(1), 229–238. https://doi.org/10.1109/TASL.2007.911054

Loizou, P. C. (2013). Speech enhancement: Theory and practice (2nd ed.). CRC Press. https://doi.org/10.1201/b14529

Dudley, H. (1940). The carrier nature of speech. Bell System Technical Journal, 19(4), 495–515. https://archive.org/details/bstj19-4-495

Zhao, Y., Ni, Z., Chen, M., & Wang, B. (2018). Convolutional-recurrent neural networks for speech enhancement. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 26(12), 2152–2161. https://doi.org/10.1109/TASLP.2018.2871433

Snyder, D., Garcia-Romero, D., Sell, G., Povey, D., & Khudanpur, S. (2018). X-vectors: Robust DNN embeddings for speaker recognition. In ICASSP 2018: IEEE International Conference on Acoustics, Speech and Signal Processing (pp. 5329–5333). https://doi.org/10.1109/ICASSP.2018.8461375

Tkachenko, M., Fedorenko, R., Kondratenko, Yu., & Zotova, I. (2019). Metody avtomatychnoi identyfikatsii dyktora za holosom. Zbirnyk naukovykh prats Tsentru voienno-stratehichnykh doslidzhen NUOU imeni Ivana Cherniakhovskoho, 131–135. https://doi.org/10.33099/2304-2745/2018-3-64/131-135

Rabiner, L. R., & Schafer, R. W. (1978). Digital processing of speech signals – Online complement. https://people.csail.mit.edu/rmd/Projects/SpeechProcessing/

O’Shaughnessy, D. (2000). Speech communications: Human and machine (2nd ed.). IEEE Press. https://doi.org/10.1109/9780470545397

Rabiner, L. R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257–286. https://doi.org/10.1109/5.18626

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org

Davis, A., Rubinstein, M., Wadhwa, N., Durand, F., & Freeman, W. (2014). The visual microphone: Passive recovery of sound from video. ACM SIGGRAPH 2014. https://doi.org/10.1145/2601097.2601119

U.S. Department of Defense. (2014). DoD Instruction 5240.05: Technical surveillance countermeasures (TSCM) (Incorporating Change 2, August 27, 2020). https://www.esd.whs.mil/Portals/54/Documents/DD/issuances/dodi/524005p.pdf

U.S. Department of Defense. (2017). Technical Surveillance Countermeasures (TSCM) handbook. https://www.dni.gov/files/NCSC/documents/products/TSCM-Handbook.pdf

Taal, C. H., Hendriks, R. C., Heusdens, R., & Jensen, J. (2011). A short-time objective intelligibility measure for time-frequency weighted noisy speech. ICASSP 2011: IEEE International Conference on Acoustics, Speech, and Signal Processing, 4214–4217. https://doi.org/10.1109/ICASSP.2011.5944212

Ephrat, A., Halperin, T., Peleg, S., & Freeman, W. T. (2018). Looking to listen at the cocktail party: A visual-audio model for speech separation. ACM Transactions on Graphics, 37(4), 1–12. https://doi.org/10.1145/3197517.3201397