Разработка и исследование алгоритмов и методик идентификации цифровых устройств записи по создаваемым ими цифровым образам тема диссертации и автореферата по ВАК РФ 05.13.19, кандидат технических наук Чумаченко, Анатолий Борисович

• Чумаченко, Анатолий Борисович
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Чумаченко, Анатолий Борисович

ВВЕДЕНИЕ

1. Анализ существующих методов защиты цифровых мультимедийных данных и идентификации аппаратуры по цифровому образу данных

1.1. Идентификации устройств цифровой записи по аппаратурно-уникальным признакам

1.1.1. Методы формирования изображений из данных матрицы,в цифровых фотоаппаратах

1.1.2. Идентификация камер на основе артефактов цветовой интерполяции

1.1.3. Идентификация камер на основе дефектов матриц 29 1.1.4 Требования к структуре системы идентификации аудиозаписывающей аппаратуры.

1.2. Выводы

2. Методика идентификации цифровых визуальных устройств записи

2.1. Получение изображений в цифровых фотокамерах

2.2. Получение изображений в сканерах

2.3. Выбор входного формата системы идентификации цифровых фотокамер и сканеров по цифровому образу

2.4. Формирование вектора признаков для идентификации цифровых фотокамер 54 Фильтрация цифрового образа данных для выделения ВЧ-составляющих 54 2.4.2. Обнаружение поворота изображения на основе преобразования Радона.

2.5. Этапы идентификации фотокамер

2.6. Формирование вектора признаков для идентификации сканеров

2.7. Этапы идентификации сканеров

2.8. Выводы

3. Методика идентификации устройств цифровой аудиозаписи

3.1. Структура системы записи аудиоданных цифровых микрофонов и звуковых плат.

3.1.1. Анализ погрешностей канала записи звука

3.1.2. Погрешности сигма-дельта АЦП

3.2. Структура системы идентификации цифровых устройств аудиозаписи по их цифровому образу

3.3. Выбор методик для получения векторов признаков для идентификации цифровых устройств аудиозаписи

3.4. Методика идентификация на основе стационарных составляющих канала записи

3.4.1. Преобразование Габора

3.4.2. Методика идентификации звуковых плат, основанная на стационарных составляющих

3.5. Выбор методики представления акустического сигнала для подсистемы аутентификации звуковых плат ИЗ

3.6. Вычисление кепстра на основе коэффициентов линейного предсказания

3.7. Методики идентификации звуковых плат 117 3.7.1 .Методика, основанная на гауссовских смешанных моделях 117 3.7.2.Методика идентификации основанная на нейронных сетях

3.8. Выводы

4. Экспериментальные исследование разработанных методов идентификации цифровых устройств записи по создаваемому ими цифровому образу

4.1. Выбор методик идентификации для подсистемы аутентификации звуковых плат

4.2. Экспериментальные исследования задачи идентификации звуковых плат методом выделения стационарных составляющих 4.3. Экспериментальные исследования задачи идентификации цифровых микрофонов методом выделения стационарных составляющих

4.4. Экспериментальные исследования задачи идентификации цифровых фотокамер

4.5 Эспериментальные исследования задачи идентификации сканеров

4.6. Выводы по четвертой главе

Введение диссертации (часть автореферата) на тему «Разработка и исследование алгоритмов и методик идентификации цифровых устройств записи по создаваемым ими цифровым образам»

Особенность проблемы защиты информации состоит в ее многогранности. Распространение цифрового представления медиа-контента и устройств для его воспроизведения привели к практически полному вытеснению аналоговой техники записи.

Однако вместе с тем стало ясно, что в связи с простотой копирования информации в цифровом представлении и отсутствием деградации качества при её копировании, а также возможностью копирования медиа-информации из аналогового представления (analog-hole), неустранимой принципиально, актуальной является задача разработки новых методов как защиты медийных данных от несанкционированного копирования, так и средств встроенной защиты звукозаписывающей аппаратуры от использования в целях производства контрафактной продукции.

Другой не менее актуальной задачей стала задача установления происхождения цифровых образов, в частности, возникли большие сложности с установлением авторства и подлинности цифровых фотографий. В "доцифровую" эпоху фотография часто принималась априори как доказательство существования события, доказательством чего являлся негатив. В сегодняшнем цифровом мире создание и манипуляция цифровыми образами аналоговых сигналов, в частности фотографическими изображениями, аудио- и видеозаписями при помощи широко доступного специализированного программного обеспечения достаточно просты, а существование "цифрового негатива", т.е. первоначального образа, хранящегося на устройстве записи, либо невозможно принципиально (немедленная передача отснятого материала без сохранения в устройстве), либо кратковременно ввиду перезаписи новым материалом. Следствием. явилась утрата априорного доверия к цифровым фотографическим изображениям и аудиозаписям как достоверным отображениям событий прошлого, что особенно важно при необходимости использования цифровых записей в качестве юридически значимого доказательства.

Анализ практики работы правоохранительного блока по уголовным делам показывает, что при проведении оперативно-розыскных действий изымается большое количество фото, аудио- и видео техники, а так же файлов (цифровых образов), созданных преступниками с использованием указанных устройств для фиксации различных событий.

В связи с этим в работе сотрудников спецслужб станы очень остро встали вопросы возможности проведения мероприятий,по сопоставлению на предмет принадлежности имеющихся в распоряжении файлов (цифровых образов) к изъятым соответствующим устройствам цифровой фото-, видео, аудиозаписи. Аналогией в данном случае является идентификация пишущей машинки по странице, отпечатанной на ней на основе имеющегося слепка шрифта, отражающего уникальные особенности литер.

Острую необходимость возможности идентификации цифровых устройств фото-, аудио-, видеозаписи по создаваемым ими цифровым образам можно продемонстрировать на примере резонансных в последние годы уголовных дел, предусмотренных следующими главами Уголовного Кодекса России:

I. Глава 24. Преступление против общественной безопасности статья 205. Террористический акт; статья 208. Организация незаконного вооруженного формирования или участие в нем; статья 222. Незаконные приобретение, передача, сбыт, хранение, перевозка или ношение оружия, его основных частей, боеприпасов, взрывчатых веществ и взрывных устройств.

В ходе работы по данному виду преступлений проверяется большое количество граждан на возможную причастность их к боевикам, либо к их пособнической базе. При этом изымается огромное количество носителей с файлами аудио-, видео, фото записей, в том числе и устройства, с помощью которых они могли быть произведены. В случае подтверждения того, что все цифровые образы, либо их часть были сделаны посредством изъятых у подозреваемого лица соответствующих устройств, можно рассматривать как подтверждения фактов присутствия данного гражданина в качестве участника при событиях, запечатленных в указанных файлах.

Не секрет, что во многих регионах Северо-Кавказского федерального округа в целях запугивания населения членами незаконных вооруженных формирований распространяются листовки с угрозами, призывами к вооруженной борьбе и т.д. Анализ их изготовления показывает, что большинство из них сделано путем сканирования рукописного текста с оригинала и дальнейшего распространения полученных копий в печатном виде в населенных пунктах, а в электронном виде в интернете. Проведение мероприятий в рамках оперативно-розыскной работы по идентификации файла с текстом листовки, полученного из интернета, со сканерами подозреваемых лиц, также может оказать неоценимую помощь в выявлении конкретного лица, причастного к данному виду преступления:

II. Глава 25. Преступления против здоровья населения и общественной нравственности Статья 242. Незаконное распространение порнографических материалов или предметов. Создание таких материалов как правило бывает тесно связано с преступными деяниями, предусмотренными статьями УК РФ 134: "Половое сношение и иные действия сексуального характера с лицом, не достигшим шестнадцатилетнего возраста", Статья 135: Развратные действия.

Технология позволяющая отыскать цифровую фотокамеру, с помощью которой был сделан снимок, по информации, содержащейся в самой фотографии, оказала бы неоценимую помощь правоохранительным органам, в розыске и поимке фотографов-педофилов.

В судебных разбирательствах по делам таких людей, защита чаще всего апеллирует к невозможности установить, с помощью какой конкретной камеры были сделаны снимки.

Это значит, что если в. руках экспертов окажется фотоаппарат подозреваемого и снимки, предположительно им сделанные, то, при помощи нового алгоритма им не составит труда выяснить, так ли это.

С учетом изложенного, при отсутствии соответствующие технологии необходимо разработать методики, которые могут помочь в установлении подлинности цифровых фотографий и файлов с графической информацией, полученной при помощи сканеров. Ввиду того, что аналогичные проблемы возникают и при анализе других цифровых мультимедийных данных, в частности, аудиофайлов, необходимы методики идентификации цифровых данных по особенностям, возникающим при их создании.

Можно выделить следующие основные проблемы, которые встают при установлении подлинности цифровых изображений: действительно ли образ — оригинальный, либо он подвергался монтажу; был ли получен анализируемый образ при помощи устройства записи, предъявленного на экспертизу; модифицировались ли данные на носителе либо область данных файла образа после его создания.

Это только несколько примеров проблем, с которыми сталкиваются обычно при исследовании цифровых фотографий. Аналогичные проблемы возникают при исследовании аудиозаписей, в том числе цифровых.

Следовательно, необходимо разработать методики, которые могут помочь в установлении подлинности цифровых фотографий и сканеров. Ввиду того, что аналогичные проблемы возникают и при анализе других цифровых мультимедийных данных, в частности, аудио файлов, необходимы методики идентификации цифровых данных по особенностям, возникающим при их создании.

Целью работы Целью диссертационной работы является разработка и исследование алгоритмов и методик идентификации цифровых мультимедийных данных, полученных с цифровых устройств записи, для установления происхождения, цифровых данных и исследования их аутентичности.

Исходя из поставленной цели, определяется перечень задач исследования: выработка требования к системе аутентификации, эффективно решающей задачу распознавания предъявленных цифровых мультимедийных данных с целью установления их авторства и происхождения; разработка алгоритмов и методик выделения признаков, обусловленных программно-аппаратными решениями устройств, в частности: типами используемых сенсоров, модификациями алгоритмов постобработки данных при их преобразованиях в форматы представления; разработка алгоритмов и методик идентификации цифровых систем записи; проведение экспериментальных исследований оценки точности идентификации устройств записи адио и визуальных данных.

Объектом исследования диссертации являются средства цифровой обработки сигналов, их анализа, заключающийся в усовершенствовании методик идентификации устройств цифровой записи в интересах обеспечения информационной безопасности объектов, в части систем установления происхождения цифровых мультимедийных данных.

Методы исследования В работе использованы основные положения теории цифровой обработки сигналов, спектрального анализа, теории цифровой фильтрации, а также методы распознавания образов, с использованием аппарата искусственных нейронных сетей.

Научная новизна. Разработаны алгоритмы и методики автоматизированной идентификации цифровой визуальной и аудио записи по создаваемым устройствами цифровым образам с учетом возможных искажений изображений и нестабильности частоты дискретизации аудиосигнала.

Практическая ценность работы. Разработанные алгоритмы и методики идентификации могут быть использованы при создании автоматизированных систем классификации цифровых изображений и звуковых данных по устройствам-источникам. На основе разработанных алгоритмов возможна идентификация устройств фото и аудиозаписи, а также отслеживаний попыток нарушения авторских прав на медиа-произведения.

Достоверность

Достоверность полученных результатов подтверждается полнотой и корректностью теоретических обоснований и результатами проведённых экспериментов действующих моделей.

Основные научные результаты, выносимые на защиту

1. Алгоритм и методики идентификации аппаратуры визуальной записи, позволяющей учитывать углы поворота изображения.

2. Алгоритм и методики идентификации цифровой аппаратуры, позволяющей учитывать нестабильность частоты дискретизации аудиосигнала.

3. Экспериментальные оценки основных характеристик разработанных и реализованных средств идентификации цифровых устройств записи.

Использование результатов

Результаты, полученные в ходе работы над диссертацией, были использованы:

- при проведении исследований по гранту РФФИ 08-07-00253-а "Разработка методов идентификации цифровых аудио- и визуальных устройств записи по цифровому образу данных";

- На предмет оценки эффективности предложенного подхода и возможности его использования подразделениях: подразделениями Министерства внутренних дел по Республике Дагестан; подразделениями Управления ФСБ России по Республике Дагестан; войсковой частью 43 573-Р (г.Москва).

Апробация. Полученные при работе над темой диссертации результаты были представлены на:

1. Девятой международной научно-практической конференции «ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ - 2007», г. Таганрог.

2. Десятой международной научно-практической конференции «ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ - 2008», г. Таганрог.

3. Третьей Международной научно-технической конференции «Инфокоммуникационные технологии в науке, производстве и образовании» с целью выработки научно-практических рекомендаций по проблеме «Математическое моделирование в управлении, науке и технике» г. Ставрополь.

4. Всероссийской конференции (с международным участием) "Проблемы информатизации общества", г. Нальчик.

Публикации

По теме диссертации опубликовано 10 статей и тезисов докладов, из них 1 статья опубликована в журнале «Известия Таганрогского государственного радиотехнического университета (ТРТУ)» из перечня, рекомендованного ВАК РФ для публикации результатов диссертационных работ.

Объём и структура диссертации

Диссертация состоит из введения, 4-х глав, заключения и списка литературы. Основной текст диссертации состоит из 150 страниц и включает 51 рисунок и 9 таблиц.

Заключение диссертации по теме «Методы и системы защиты информации, информационная безопасность», Чумаченко, Анатолий Борисович

4.6. Выводы по четвертой главе

В главе была проведена разработка подсистемы идентификации звуковых карт по создаваемым ими цифровым данным. С этой целью были проведены экспериментальные исследования параметров данных моделей систем идентификации на основе гауссовской смешанной модели и нейросетевых методов для эффективного решения задачи их распознавания.

Для построения систем распознавания гауссовские смеси хорошо себя зарекомендовали в качестве стохастической модели. Во-первых, модели очень удобны для моделирования не только статистических характеристик голоса диктора, но и окружающей среды, канала звукозаписи. Во-вторых, смеси гауссовых моделей представляют собой удобный способ представления и интерпретации акустических событий речевого сигнала.

Альтернативной моделью является использование нейронных сетей. Преимуществом данного метода распознавания является их гибкость в настройке для данного типа звуковой платы, при этом позволяют в автоматическом режиме формировать разделяющие гиперплоскости; благодаря/ использованию нелинейных активационных функций и при наличии достаточного количества скрытых слоев; они позволяют формировать области решений более' сложной формы, чем при использовании методов гауссовских смешанных моделей.

Кроме того, ответы системы построенные на основе гауссовских смешанных моделей дают менее достоверные результаты при тестировании и требуют большего числа контрпримеров чем нейронные сети, что важно при небольшом количестве экспериментальных данных. Так, для методики идентификации, основанной на гауссовских смешанных моделях, средняя ошибка первого рода составляет 0,14, а второго рода - 0,18, для методики идентификации, основанной на нейронных сетях, 0,0543 и 0,085, соответственно. Таким образом, выбор» был сделан в пользу нейронных сетей, хотя- в некоторых случаях возможно использование гауссовских смешанных моделей.

При анализе результатов можно сделать следующие выводы.

1. Как показали результаты тестирования длина анализируемых участков аудиоданных, используемых для вычисления векторов признаков слабо влияет на точность идентификации звуковых плат. Заметное снижение точности результатов наблюдается при длине анализируемого участка равном -25 мсек.

2. Длительность собственно звучания аудиоданных не должна быть меньше 7,5 сек.

Таким образом, на основе полученных экспериментальных данных можно сделать заключение, что наилучшая идентификация звуковых плат может быть достигнута при величине анализируемого участка равном 50-100 мсек и длительности звучания аудиосигнала не менее 10 сек. При этом средняя величина ошибки первого рода составила -5,4%, а второго рода

-8,5%. Следует отметить полное отсутствие в открытой печати данных по идентификации звуковых плат.

Предлагаемый способ определения угла поворота изображения на основе преобразования Радона позволяет установить неизвестный угол поворота в общем случае с точностью до 90°, таким образом, для идентификации устройства по изображению с неизвестным углом поворота необходимо проведение идентификации по 4 вариантам изображения.

Проведено экспериментальное исследование системы распознавания цифровых фотографических камер и сканеров на основе коррелированности пиксельных неоднородностей матрицы, одинаковых для всех считанных с неё кадров. Исследование показало, что можно по произвольным цифровым фотографическим изображениям и файлам с графической информацией проводить идентификацию камер и сканеров.

ЗАКЛЮЧЕНИЕ

В соответствии'- с поставленными целями и задачами, в результате проведенных исследований- и разработок были получены следующие результаты.

1. Проведен обзор» методов, защиты, авторских прав на основе цифровых водяных знаков. Применение ЦВЗ подразумевает использование" вычислительных устройств и специального-программного обеспечения* для-встраивания и анализа. Во многих случаях, при создании цифровых мультимедийных данных встраивание ЦВЗ средствами устройства, реализовать невозможно, примерами таких устройств являются цифровые фотоаппараты и цифровые диктофоны. Метод водяных знаков также не позволяет идентифицировать устройство, на котором были созданы мультимедийные данные. Альтернативным методом является установление авторства путем анализа* статистических закономерностей в цифровых данных, полученных с данного устройства.

2. Проанализирован подход к установлению авторства цифровых фотографий на основе статистических методов, проведен анализ получения^ цифровых образов аналоговых изображений при помощи цифровых фотокамер и сканеров. Показана необходимость модификации ■ методик идентификации изображений для возможности идентификации сканеров.

Для идентификации цифровых фотокамер была выбрана методика, опирающаяся на статистический метод, основанный на выделении ВЧ-структуры постоянных шумов матрицы- при помощи фильтра Винера' и усреднения множества изображений, заведомо полученных с идентифицируемой матрицы.

Для идентификации цифровых сканеров предложенный статистический метод был модифицирован с учетом специфики процесса формирования изображений в сканерах.

Обеспечение стойкости к атакам, заключающихся в повороте исходного изображения на малый угол достигается предложенным методом обнаружения угла поворота на основе преобразования Радона по максимумам проекций.

3. Разработаны методики идентификации цифровых устройств-записи аудиоинформации, а именно, цифровых микрофонов и звуковых плат персональных ЭВМ1. Были' проведены экспериментальные исследования параметров данных моделей для эффективного решения задачи их распознавания.

Для устранения изменения частоты дискретизации проводилось выравнивание по общим максимумам частотных элементов профилей микрофона и профиля, восстановленного, из анализируемой записи, выравнивание производилось при помощи сдвига на величину смещения пика корреляционной функции профилей.

Проведен статистический анализ полученных данных и рассмотрены модели систем идентификации звуковых устройств записи.

Для создания методик идентификации звуковых карт были рассмотрены гауссовские смешанные модели, нейронные сети и стационарные спектральные составляющие. Для построения систем распознавания модели гауссовых смесей хорошо себя зарекомендовали в качестве стохастической модели. Во-первых, модели очень удобны для моделирования не только статистических характеристик голоса диктора, но и окружающей среды, канала звукозаписи. Во-вторых, смеси гауссовых моделей представляют собой удобный способ представления и интерпретации акустических событий речевого сигнала.

Альтернативной методикой является использование нейронных сетей. Преимуществом данной методики распознавания является гибкость в настройке для данного типа звуковой платы, при этом нейронные сети позволяют в автоматическом режиме формировать разделяющие гиперплоскости благодаря использованию нелинейных активационных функций и при наличии достаточного количества скрытых слоев формировать области решений более сложной формы, чем при использовании методов гауссовских смешанных моделей.

Кроме того, ответы системы построенной на основе гауссовских смешанных моделей дают менее достоверные результаты при тестировании и требуют большего числа контрпримеров, чем нейронные сети, что важно при небольшом количестве экспериментальных данных. Достоинством данной методики является возможность обучить систему для идентификации новых звуковых устройств, используя существующую базу контрпримеров. Таким образом, выбор был сделан в пользу нейронных сетей.

Спектральные составляющие также позволяют идентифицировать источники цифрового аудиоконтента. В качестве идентифицирующих признаков в данной методике используются относительные уровни медиан амплитудных и фазовых составляющих спектрограмм сигналов. При идентификации целесообразно применение в качестве идентифицирующих вначале амплитудных признаков (медианных значений спектрограмм), а при их отсутствии — производных фазовых спектрограмм (первой и второй производных).

Проведены экспериментальные оценки основных характеристик разработанных и реализованных средств идентификации цифровых устройств записи, определены ошибки идентификации по записанным цифровым образам. Для звуковых аудиоустройств средняя ошибка первого рода (ошибочный пропуск платы) составила 0,0543, средняя ошибка второго рода (ошибочная идентификация платы) составила 0,085. Средний коэффициент корреляции, полученный при тестировании цифровых изображений с камер составил 0,261 при совпадении со своей камерой и менее 0,005 при несовпадении.

Список литературы диссертационного исследования кандидат технических наук Чумаченко, Анатолий Борисович, 2010 год

1. Грибунин В. Г., Оков И. Н., Туринцев И. В. Цифровая стеганография. -М.: Солон-Пресс, 2002. — 272 с.

2. Osborne С., van Schyndel R., Tirkel A. A digital watermark. IEEE International Conference on Image Processing, 1994. - P. 86-90

3. Ramkumar M. Data Hiding in Multimedia. PhD Thesis. New Jersey Institute of Technology, 1999. - 72 p.

4. Hartung F., Su J., Girod B. Spread Spectrum Watermarking: Malicious Attacks and Counterattacks.

5. Petitcolas F., Anderson R., Kuhn M. Attacks on Copyright Marking Systems. Lecture Notes in Computer Science, 1998. - P. 218-238.

6. Langelaar G., Lagendijk R., Biemond J. Removing spatial spread spectrum watermarks by non-linear filtering. — Proceedings EUSIPCO-98, 1998.

7. В. E. Bayer, Color imaging array, U.S. Patent, No. 3,971,065, 1976

8. D. R. Cok, Signal processing method and apparatus for producing interpolated chrominance values in a sampled color image signal, U.S.

9. Patent, No. 4,642,678, 1986.

10. W. T. Freeman, Median filter for reconstructing missing color samples, U.S. Patent, No. 4,724,395, 1988.

11. C. A. Laroche and M. A. Prescott, Apparatus and method for adaptively interpolating a full color image utilizing chrominance gradients, U.S. Patent, No. 5,373,322, 1994.

12. Yangjing Long Yizhen Huang Image Based Source Camera Identification using Demosaicking

13. В. K. Gunturk, Y. Altunbasak and R. M. Mersereau, Color plane interpolation using alternating projections, IEEE Transactions on Image Processing, 11(9):997-1013, 2002.

14. L. Lam and C.Y. Suen, Application of majority voting to pattern recognition: An analysis of its behavior and performance, IEEE Transactions on Systems, Man and Cybernetics, 27(5):553-568, 1997.

15. Holst, G. C.: CCD Arrays, Cameras, and Displays, 2nd edition, JCD

16. Publishing & SPIE Pres, USA, 1998.

17. Cox, I., Miller, M.L., and Bloom, J.A.: Digital Watermarking, Morgan

18. Kaufmann, San Francisco, 2001.

19. Jan Lukas, Jessica Fridrich, and Miroslav Goljan Digital Camera Identification Pattern Noise

20. Holst, G. C.: CCD Arrays, Cameras, and Displays, 2nd edition, JCD Publishing & SPIE Pres, USA, 1998.

21. Janesick, J. R.: Scientific Charge-Coupled Devices, SPIE PRESS Monograph vol. PM83, SPIE-The International Society for Optical Engineering, January, 2001.

22. Mehdi, K.L. Senear, H.T. Memon, N. Blind source camera identification. International Conference on Image Processing, 2004, Vol. 1, pp. 709- 712.

23. Jan Lukas, Jessica Fridrich, and Miroslav Goljan Determining Digital Image Origin Using Sensor Imperfections. Proceedings of the SPIE-2005, Vol. 5685, pp. 249-260.

24. Lukas J., Fridrich J., and Goljan M.: "Determining Digital Image Origin Using Sensor Imperfections", Proc. SPIE Electronic Imaging, Image and Video Communication and Processing, San Jose, California, January 16-20, 2005, pp. 249-260.

25. Mehdi, K.L. Senear, H.T. Memon, N. Blind source camera identification. International Conference on Image Processing, 2004, Vol. 1, pp. 709-712.

26. Kharrazi, M., Senear, H. Т., and Memon, N.: "Blind Source Camera1.entification", Proc. ICIP' 04, Singapore, October 24-27, 2004. pp. 312317.

27. Д.П. Рублёв, А.Б.Чумаченко Идентификация цифровых фотокамер по карте светочувствительности матрицы. XIII Всероссийская научно-практическая конференция "Проблемы информационной безопасности в системе высшей школы", МИФИ, 2007, с 78-79.

28. Д.П. Рублёв, В.М. Фёдоров, А.Б. Чумаченко, О.Б. Макаревич Идентификация устройств цифровой записи по особенностям создаваемых ими образов, Всероссийская конференция с международным участием «Проблемы информатизации общества» , Нальчик, 2008, с 132-135.

29. Рублёв Д.П., Фёдоров В.М., Макаревич О.Б. Архитектура сетевой системы обнаружения внедренных стеганографическим методом данных в речевых сообщениях и изображениях, VIII Международная научно-практическая конференция "Информационная безопасность"-2007.

30. Рублев Д. П., Федоров В.М., Чумаченко А.Б., Макаревич О.Б.; Идентификация фотокамер и сканеров по неоднородностям цифровых образов; Материалы X Международной научно-практической конференции "Информационная безопасность" Таганрог, 2008, 1, с. 238-244

31. А. С. Popescu and Н. Farid, "Exposing Digital Forgeries in Color Filter Array Interpolated Images," IEEE Transactions on Signal Processing, Vol. 53, No. 10, part 2, pp. 3948-3959, Oct 2005.

32. A. Swaminathan, M. Wu, and K. J. R. Liu, "Non-Intrusive Forensic Analysis of Visual Sensors Using Output Images," Proc. of the IEEE Intl. Conf. on Acoustic, Speech and Signal Processing (ICASSP), May 2006.

33. Swaminathan, A. Wu, M. Liu, KJ.R. Component Forensics of Digital Cameras: A Non-Intrusive Approach, Proc of 40th Annual Conference on Information Sciences and Systems, 2006.

34. B.C. Гутников, Интегральная электроника в цифровых устройствах, Л., Энергоатомиздат,1988, 303 с.

35. А.Г. Алексеев, F.B. Войшовило, операционные усилители и их применение, М. Радио и связь, 1989, 120с.

36. Операционные усилители и компараторы, под ред. М.В.Геворкяна, Додэка XXI, 2002, 560с.

37. Sigma-Delta (S-D) A/D Converters // New Product Applications — 1999, winter edition. — Analog Devices, 1998, pp. 3-113 3-143.

38. Application Note AN-283: Sigma-Delta ADCs and DACs // Applications Reference Manual. — Analog Devices, 1993, pp. 20-3 20-18.

39. Application Notes AN-388/AN-389: Using Sigma-Delta Converters // 1995 DSP/MSP Products Reference Manual. — Analog Devices, 1995, pp. 6-47 -6-59.

40. Сигма-дельта АЦП1 фирмы Analog Devices // -Электронные компоненты и системы. — Киев: VD MAIS. — Май 1996. — С. 20-25.

41. Швец В., Нищирет Ю. Архитектура сигма-дельта АЦП и ЦАП // CHIP NEWS. — 1998. — № 2. — С. 2-11.

42. В. Голуб Взгляд на сигма-дельта АЦП http://www.chipnews.ru/html.cgi/arhiv/99 05/stat 23.htm.

43. Г. И. Волович Схемотехника аналоговых и аналого-цифровых электронных устройств, Додэка XXI, 2007, 528 с.

44. И.Воронов Интегральные цифро-аналоговые преобразователи от Analog Devices, http://www.gaw.ru/html.cgi/txt/publ/analog/adl.htm

45. Alexei Pokrovskii. Systems with histeresis: -http://euclid.ucc.ie/hysteresis/node2.htm

46. СЛ. Марпл Цифровой:спектральный анализ и его приложения . -М. : Мир, 1990.-584 с.

47. Рабинер Л, Гоулд Б. Теория и применение цифровой обработки сигналов / Пер. с англ.; Под.ред. Ю. Ш Александрова. М.: Мир, 1978.

48. Stoica, P., and R. Moses. Introduction to Spectral Analysis. Upper Saddle River, NJ: Prentice Hall, 1997.

49. Kharrazi, M., Senear, H. Т., and Memon, N.: "Blind Source Camera Identification", Proc. ICIP' 04, Singapore, October 24-27, 2004.

50. Lukas J;, Fridrich J., and Goljan Mi: "Determining Digital Image Origin Using Sensor Imperfections", Proc. SPIE Electronic Imaging, Image and Video Communication and Processing, San Jose, California, pp: 249.-260^ January 16-20, 2005.

51. Д.П. Рублёв, А.Б.Чумаченко, О.Б.Макаревич, B.M. Фёдоров, Идентификация цифровых микрофонов по неидеальностям тракта записи, Известия ЮФУ. Технические науки, Тематический выпуск "Информационная безопасность", Таганрог, 2007 1 с. 84-92

52. Рабинер JI.P., Шафер Р.В. Цифровая обработка речевых сигналов: Пер. с англ./Под ред. М.В. Назарова, Ю.Н. Прохорова М.: Радио и связь, 1981.-495 с.

53. Рабинер JL, Гоулд. Б. Теория и применение цифровой обработки сигналов: Пер. с англ./Под ред. Ю.Н. Александрова М.: Мир. 1978 - 848, с 330.

54. Опенгейм A.B., Шафер Р.В. Цифровая обработка сигналов: Пер. с англ./Под ред. С.Я. Шаца.-М.: Связь, 1979.-416 с.

55. Рабинер JL, Гоулд. Б. Теория и применение цифровой обработки сигналов: Пер. с англ./Под ред. Ю.Н. Александрова М.: Мир. 1978 - 848 с.

56. Маркел Дж., Грэй А.Х. Линейное предсказание речи: Пер с англ./Под ред. Ю.Н. Прохорова, B.C. Звездина.-М.: Связь, 1980 308 с.

57. Furui S. // Digital Speech Processing, Synthesis and Recognition. Marcel Dekker, New York, 1989.

58. Gopinath R.A. // Proc. IEEE Int. Conf. Acoustics, Speech and Signal Processing (ICASSP). 1998. P. II.661-II.664.

59. Panda A., Bhattacharyya S., Shrikanthan T. // Proc. of Symposium on Communication Systems, Networks and Digital Signal Processing. 2002. P. 383 □ 386.

60. Baum L. et al. A Maximization Technique Occurring in the Statistical Analysis of Probabilistic Functions of Markov Chains // Ann. Math Stat. 1970. Vol. 41. P. 164-171.

61. P.X. Садыхов, В.В. Ракуш// Модели гауссовых смесей для верификации диктора по произвольнойфечи, Минск, Доклады БГУИР, 2003, 4, 95-103.

62. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его приложения в экономике и бизнесе. Лекции Экономико-аналитического института МИФИ, МИФИ, 1998.-222 с

63. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского.-М.: Финансы и статистика, 2002 344 с.

64. Горбань А.Н. Нейронные сети на персональном компьютере. Новосибирск.: Наука, 1996.-340 с.

65. Tebelskis J. Speech Recognition using Neural Networks. Ph. D. Thesis- Pittsburg.: Cranegie Mellon University, 1995 180 p.

66. Bimbot F., Reynolds D. et al. A Tutorial on Text-Independent Speaker Verification.- EURASIP Journal on Applied Signal Processing.- Hindawi Publishing Corporation, 2004:4, p.430-451.

67. Campbell J.P. Speaker Recognition: A Tutorial./ Proceedings of the IEEE,- Vol. 85, No. 9, September 1997, p. 1437-1462.

68. Макаревич О.Б., Юрков П.Ю., Федоров B.M. Применение рекуррентных нейронных сетей для текстонезависимой идентификациидиктора.- Сборник трудов "Информационная безопасность".- Таганрог, 2002, с. 200-201.

69. Сергиенко А.Б. Цифровая обработка сигналов. СПб.:. Питер, 2002.-608с.

70. В.С.Медведев, В.Г. Потемкин. Нейронные сети. М., Диалог МИФИ,2002, 489 с.

71. Рамишвили Г. С. Автоматическое опознавание говорящего по голосу,-М.: Радио и связь, 1981

72. MacQueen J. Some methods for classification and analysis ofthmultivariate observations // Proc. 5 Berkley Symp. on Math., Statist., and Prob. Berkley, CA: Univ. of California Press, 1967. P. 281-297.

73. Каганов А.Ш. Исследование фонограмм на предмет наличия/отсутствия на них признаков монтажа как задача экспертной диагностики Российский федеральный центр судебных экспертиз http://illidiv.orel.ru/Pub/publ5.htm

74. Иванов И.Д., Попова А.Р. Криминалистическое исследование звукозаписей. http://illidiy.orel.ru/Pub/exp prakt.htm

75. Иванов И.Л. Таблица векторов идентификационных признаков изменений видео-аудио записей произведённых в процессе записи или после на цифровых носителях информации. Международная конференция «Функциональные стили звучащей речи» 2005

76. Bimbot F., Reynolds D. et al. A Tutorial on Text-Independent Speaker Verification.- EURASIP Journal on Applied Signal Processing.- Hindawi Publishing Corporation, 2004:4, p.430-451.

77. Campbell J.P. Speaker Recognition: A Tutorial./ Proceedings of the IEEE,- Vol. 85, No. 9, September 1997, p. 1437-1462.

78. Макаревич О.Б., Юрков П.Ю., Федоров B.M. Применение рекуррентных нейронных сетей для текстонезависимой идентификации диктора.- Сборник трудов "Информационная безопасность".- Таганрог, 2002, с. 200-201.

79. D. Rublev, О. Makarevich, V. Fedorov, A. Chumachenko, Digital Sound Card Identification Based on Recording Path Imperfections, 2nd ACM International Conference on Security of Information and Networks, New York, 2009, p. 240-243.