A new kind of ciphering based on stochastic representation of bits as series of samples is addressed. Stochastic comparison is used for bit identification. Security level is increased by adding noise samples to signal samples and mixing signal samples with noise samples within one signal packet. The signal packet length and distribution features of signal samples among noise samples in signal packets are unique for given communication line, as well as stochastic representation of bits (0s and 1s). Using of noise in signal packets leads to enormous large computation in decrypting process which is unrealistically to do regardless what computer system is used. More to the point, the unique features of communication line mentioned above can be changed for each message that prevents information leakage in the case of stealing these ones in any previous period. Impossibility of decrypting by any reasonable time period of any message eavesdropped by a cryptanalyst guarantees the confidence of information which has permanent importance.

Індекс рубрикатора НБУВ: У.в611

Рубрики:

Економіко-математичні методи і моделі

Шифр НБУВ: Ж100602 Пошук видання у каталогах НБУВ 

Розглянуто придатність двох основних методів для вирішення проблеми лінійної регресії (LR) за наявності мультиколінеарності, а саме OLS, та ridge-методу порівняно з рішеннями модифікованого методу OLS (MOLS) [1, 2], який, як і ridge, забезпечує стабільне рішення на будь-якому рівні колінеарності даних. Порівняння проведено методом Монте-Карло із використанням штучного генератора даних (ADG) [1, 2], який генерує лінійні вибірки даних будь-якого розміру. Використання ADG дозволяє нам дослідити проблему регуляризації рівняння OLS. Виявлено, що можливі дві версії регуляризації: версія COV, яка була запропонована та досліджена в [1, 2], та версія ST, яка зазвичай використовується в літературі та практичних реалізаціях. Запропоновані дослідження показують, що у версії COV ridge-метод має приблизно постійний оптимальний регулятор для будь-якого обсягу вибірки та рівня колінеарності. Метод MOLS також має у цій версії приблизно постійний оптимальний регулятор, але він значно менший за значенням. У той же час у загальновживаній версії ridge-методу нам потрібен оптимальний регулятор, який залежить від обсягу вибірки n і не є константою. Показано в роботі, що версія ST, яка використовується як правило на практиці разом із ridge-методом, при використанні оптимального параметра, дає строго те саме рішення, що і COV версія хребта з оптимальним регулятором. Це дозволяє використовувати коди ridge-методу у всім відомому статистичному програмному забезпеченні, встановлюючи параметр регуляризації без будь-якого процесу налаштування, незалежно від обсягу вибірки та рівня колінеарності. Показано, що таке оптимальне рішення ridge(0,1) наближається до рішення в популяції для досить великого обсягу вибірки, але одночасно має деякі проблеми. Той факт, що метод ridge(0,1) дає зміщення, відомий, але це зміщення, як було показано в роботі, є економічно незначущим. Найважливішим виявленим недоліком є згладжування популяційного рішення: ridge-метод значно зменшує різницю між коефіцієнтами регресії популяції. Отже, ridge(0,1) може дати економічно правильний (з правильними ознаками), але певною мірою неадекватний розв'язок. Неадекватність ridge(0,1) виявляється тим більше, чим більша різниця між коефіцієнтами регресії в популяції. Цим недоліком MOLS практично не володіє, оскільки для нього константа регуляризації має набагато менше значення (0,001 проти 0,1). Через це метод MOLS практично мало страждає як від зміщення, так і від згладжування своїх рішень. З практичної точки зору, обидва методи, ridge(0,1) та MOLS, дають тісні стабільні рішення проблеми LR для будь-якого обсягу вибірки та рівня колінеарності, які наближаються до рішень в популяції зі збільшенням обсягу вибірки. Показано, що для малих вибірок менше 40 переважно використовувати ridge(0,1), оскільки він є більш стабільним. Для середніх та великих зразків переважно використовувати MOLS, оскільки він є більш точним із приблизно однаковою стабільністю.