RU2700401C1 - Method of forming identification features for a group of objects - Google Patents
Method of forming identification features for a group of objects Download PDFInfo
- Publication number
- RU2700401C1 RU2700401C1 RU2019107851A RU2019107851A RU2700401C1 RU 2700401 C1 RU2700401 C1 RU 2700401C1 RU 2019107851 A RU2019107851 A RU 2019107851A RU 2019107851 A RU2019107851 A RU 2019107851A RU 2700401 C1 RU2700401 C1 RU 2700401C1
- Authority
- RU
- Russia
- Prior art keywords
- group
- identification
- elements
- objects
- matrix
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K1/00—Methods or arrangements for marking the record carrier in digital fashion
- G06K1/12—Methods or arrangements for marking the record carrier in digital fashion otherwise than by punching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
Description
Изобретение относится к области вычислительной техники и может быть использовано в системах связи, вычислительных и информационных системах для индивидуальной идентификации внутри групп объектов.The invention relates to the field of computer technology and can be used in communication systems, computing and information systems for individual identification within groups of objects.
Известен способ сжатия двоичных данных в виде структурированных информационных блоков (см. патент РФ №2497277, опубликованный 27.10.2013, авторы: Мартынов А.П., Николаев Д.Б.), в котором символы представлены битовыми последовательностями одинакового фиксированного размера. Для формирования идентификационного номера производят подсчет частоты повторяемости символов, затем для обозначения часто и редко встречающихся символов входного потока двоичных данных производят соответственно выработку более короткой и более длинной битовых последовательностей, которые объединяют в совокупную битовую последовательность переменного размера. При этом из совокупной битовой последовательности исключают битовые последовательности, соответствующие повторяющимся символам входного потока двоичных данных, что позволяет получать уникальные идентификационные номера. Способ позволяет проводить операции по формированию идентификационных номеров, используя малый объем памяти для реализации соответствующих преобразований.A known method of compressing binary data in the form of structured information blocks (see RF patent No. 2497277, published October 27, 2013, authors: Martynov A.P., Nikolaev D.B.), in which the symbols are represented by bit sequences of the same fixed size. To generate an identification number, the frequency of symbol repetition is calculated, then, to designate frequently and rarely encountered symbols of the input binary data stream, shorter and longer bit sequences are generated correspondingly, which are combined into an aggregate bit sequence of variable size. In this case, bit sequences corresponding to the repeating symbols of the input binary data stream are excluded from the total bit sequence, which allows obtaining unique identification numbers. The method allows operations to generate identification numbers using a small amount of memory to implement the corresponding transformations.
Указанный способ является наиболее близким по технической сущности к заявляемому способу и поэтому выбран в качестве прототипа.The specified method is the closest in technical essence to the claimed method and is therefore selected as a prototype.
Недостатком указанного способа является сложность формирования индивидуальных идентификационных признаков внутри групп объектов с одновременной идентификацией самих групп, невозможность распараллеливания процессов формирования идентификационных признаков и ограниченное количество признаков идентификации, обусловленное фиксированной последовательностью входных данных.The disadvantage of this method is the complexity of the formation of individual identification features within groups of objects with the simultaneous identification of the groups themselves, the inability to parallelize the processes of formation of identification features and the limited number of identification features due to a fixed sequence of input data.
Решаемой технической проблемой является создание способа формирования идентификационных признаков для группы объектов с расширенными функциональными возможностями.The technical problem to be solved is the creation of a method for the formation of identification features for a group of objects with advanced functionality.
Достигаемым техническим результатом является обеспечение одновременного формирования групповых и индивидуальных идентификационных признаков объектов, динамическое изменение значений идентификационных признаков при изменении входных управляющих последовательностей и многопоточное формирование идентификационных признаков.The technical result achieved is the simultaneous formation of group and individual identification features of objects, a dynamic change in the values of identification features when changing input control sequences, and multi-threaded formation of identification features.
Для достижения технического результата в способе формирования идентификационных признаков для группы объектов, заключающемся в том, что для их формирования используют входной поток данных, результатом формирования идентификационных признаков являются выходные битовые последовательности, новым является то, что идентификационный признак содержит поля групповой и индивидуальной идентификации, размер которых определяют заранее, формирование идентификационных признаков осуществляют с использованием набора квадратных параллельно расположенных матриц, каждая из которых содержит элементы, образующие столбцы и строки, каждому элементу присваивают индекс соответствующих ему номера строки и номера столбца, при этом элементы каждой строки и каждого столбца на каждой матрице соединяют между собой последовательно, каждый элемент первой матрицы со своим индексом последовательно соединяют с элементом такого же индекса последующих параллельных матриц, при этом элементы матриц являются случайными битовыми значениями, входной поток данных представляет собой числовые значения, состоящие из индекса строки, столбца и номера матрицы, при этом каждое числовое значение входного потока используют для выбора одной из матриц и одного из ее элементов, на выбранной матрице осуществляют перемещение выбранного элемента на место элемента первой матрицы, имеющего индекс строки и столбца равный единице, путем последовательного смещения других элементов, для получения выходных битовых последовательностей, являющихся идентификационными признаками для группы объектов, производят считывание элементов строк, столбцов на каждой матрице и элементов с одинаковым индексом на каждой из параллельно расположенных матриц, при этом из считанного множества битовых последовательностей выбирают количество последовательностей с одинаковыми значениями полей групповой идентификации и разными значениями полей индивидуальной идентификации, соответствующее количеству объектов в группе.To achieve a technical result in the method of generating identification features for a group of objects, which consists in using an input data stream to generate them, the output of generating identification features is output bit sequences, the new feature is that the identification feature contains group and individual identification fields, size which are determined in advance, the formation of identification features is carried out using a set of square parallel pa set matrices, each of which contains elements forming columns and rows, each element is assigned an index of the corresponding row numbers and column numbers, while the elements of each row and each column on each matrix are connected in series, each element of the first matrix with its index in series connected to the element of the same index of subsequent parallel matrices, while the elements of the matrices are random bit values, the input data stream is a numerical value equations consisting of a row index, a column index, and a matrix number, each numerical value of the input stream being used to select one of the matrices and one of its elements; on the selected matrix, the selected element is moved to the place of the first matrix element having the row and column index equal to unit, by sequentially shifting other elements, to obtain output bit sequences, which are identification signs for a group of objects, read out the elements of rows, columns on each matrix and elements with the same index on each of the parallel matrices, and from the read set of bit sequences, the number of sequences with the same values of the group identification fields and different values of the individual identification fields corresponding to the number of objects in the group is selected.
Указанная совокупность существенных признаков позволяет расширить функциональные возможности формирования идентификационных признаков для группы объектов за счет динамического изменения значений идентификационных признаков в процессе их формирования, обеспечения многопоточного формирования индивидуальных признаков одновременно для нескольких групп объектов и статистической обработки полученных идентификационных признаков для устранения совпадений.The specified set of essential features allows you to expand the functionality of the formation of identification features for a group of objects by dynamically changing the values of identification features in the process of their formation, providing multi-threaded formation of individual features simultaneously for several groups of objects and statistical processing of the identification features to eliminate matches.
На фиг. 1 представлен вид идентификационного признака объекта с полями для групповой и индивидуальной идентификации. На фиг. 2 представлен вид матриц, формирующих идентификационный признак объекта (толстыми линиями со стрелками показаны взаимосвязи элементов по строкам, тонкими линиями со стрелками - взаимосвязи по столбцам, дугообразными линиями со стрелками - взаимосвязи между матрицами). На фиг. 3 представлен алгоритм формирования идентификационных признаков объектов с использованием матриц и входного потока данных. На фиг. 4 представлен пример формирования идентификационных признаков для трех групп объектов с использованием четырех матриц 4×4 и входного потока данных со значениями: 2, 3, 1, 2, 3, 3, 1, 1, 3, 2, 3, 2.In FIG. 1 shows a view of an identification feature of an object with fields for group and individual identification. In FIG. Figure 2 shows the form of the matrices forming the identification feature of the object (thick lines with arrows show the interconnections of elements in rows, thin lines with arrows - interconnections in columns, arched lines with arrows - interconnections between matrices). In FIG. Figure 3 presents an algorithm for the formation of identification features of objects using matrices and an input data stream. In FIG. 4 shows an example of the formation of identification features for three groups of objects using four 4 × 4 matrices and an input data stream with values: 2, 3, 1, 2, 3, 3, 1, 1, 3, 2, 3, 2.
Способ реализуется следующим образом.The method is implemented as follows.
Идентифицирующий признак (см. фиг. 1) включает в себя два поля: поле групповой идентификации, в котором находится значение, отвечающее за идентификацию группы объектов и одинаковое для всех объектов в группе, и поле индивидуальной идентификации, в котором находится значение, отвечающее за идентификацию конкретного объекта, это значение уникально для каждого объекта в группе. Длина поля групповой идентификации может меняться, например, в зависимости от режима функционирования объектов (идентификация, работа, добавление, исключение объектов в/из группы), количества групп и количества объектов в группах. При изменении длины поля групповой идентификации соответственно изменяется и длина поля индивидуальной идентификации. Суммарная длина полей групповой и индивидуальной идентификации зависит от размера используемых для формирования идентификатора матриц.The identifying feature (see Fig. 1) includes two fields: the group identification field, in which the value responsible for identifying the group of objects is the same for all objects in the group, and the individual identification field, in which the value responsible for identifying is located specific object, this value is unique to each object in the group. The length of the group identification field can vary, for example, depending on the mode of functioning of the objects (identification, operation, addition, exclusion of objects to / from the group), the number of groups and the number of objects in groups. When changing the length of the field of group identification, the length of the field of individual identification changes accordingly. The total length of the group and individual identification fields depends on the size of the matrices used to form the identifier.
Матрицы (см. фиг. 2), участвующие в формировании идентификационных признаков, представлены в виде набора n параллельно расположенных квадратных матриц n×n, каждая из которых содержит элементы {xij}, образующие столбцы {xj}i и строки {xi}j, каждому элементу присваивают индекс соответствующих ему номера строки (i) и номера столбца (j). При этом элементы каждой строки {xi}j и каждого столбца {xj}i на каждой матрице {k} соединяют между собой последовательно, каждый элемент {xij} первой матрицы k1 со своим индексом (ij) последовательно соединяют с элементом {xij} такого же индекса (ij) последующих параллельных матриц k2…kn, при этом элементы матриц являются случайными битовыми значениями {0,1}.The matrices (see Fig. 2) involved in the formation of identification features are represented as a set of n parallel n × n square matrices, each of which contains elements {x ij } forming columns {x j } i and rows {x i } j , each element is assigned an index of the corresponding row number (i) and column number (j). Moreover, the elements of each row {x i } j and each column {x j } i on each matrix {k} are connected together in series, each element {x ij } of the first matrix k 1 with its index (ij) is sequentially connected to the element { x ij } of the same index (ij) of the subsequent parallel matrices k 2 ... k n , and the matrix elements are random bit values {0,1}.
Входной поток данных (см. фиг. 3) представляет собой числовые значения, состоящие из индекса строки, столбца и номера матрицы (ijk), при этом каждое числовое значение входного потока используют для выбора одной из матриц {k} и одного из ее элементов {xij}, на выбранной матрице {k} осуществляют перемещение выбранного элемента {xij} на место элемента первой матрицы {x11}, имеющего индекс строки и столбца равный единице, путем последовательного смещения других элементов.The input data stream (see Fig. 3) is a numerical value consisting of the row index, column, and matrix number (ijk), and each numerical value of the input stream is used to select one of the matrices {k} and one of its elements { x ij }, on the selected matrix {k}, the selected element {x ij } is moved to the position of the element of the first matrix {x 11 }, which has a row and column index equal to one by sequentially shifting the other elements.
Для получения выходных битовых последовательностей, являющихся идентификационными признаками для группы объектов, производят считывание элементов строк {xij}, столбцов {xji} на каждой матрице {k} и элементов с одинаковым индексом на каждой из параллельно расположенных матриц {xij}k, при этом из считанного множества битовых последовательностей выбирают количество последовательностей с одинаковыми значениями полей групповой идентификации и разными значениями полей индивидуальной идентификации, соответствующее количеству объектов в группе.To obtain the output bit sequences, which are identification signs for a group of objects, the row elements {x ij }, the columns {x ji } on each matrix {k} and the elements with the same index on each of the parallel matrices {x ij } k are read out in this case, from the read set of bit sequences, the number of sequences with the same values of the group identification fields and different values of the individual identification fields corresponding to the number of objects in the load is selected ppe.
Рассмотрим пример формирования идентификационных признаков для трех групп из двух, трех и четырех объектов соответственно (см. фиг. 4) с применением четырех матриц размером 4×4. Длины полей групповой и индивидуальной идентификации выберем равными 2. Входной поток данных имеет значения: 2, 3, 1, 2, 3, 3, 1, 1, 3, 2, 3, 2. В соответствии со значениями входного потока, преобразования матриц происходит над элементами (2, 3, 1), (2, 3, 3), (1, 1, 3), (2, 3, 2). После формирования битовых последовательностей имеем следующее множество последовательностей:Consider an example of the formation of identification features for three groups of two, three and four objects, respectively (see Fig. 4) using four 4 × 4 matrices. The lengths of the group and individual identification fields are chosen equal to 2. The input data stream has values: 2, 3, 1, 2, 3, 3, 1, 1, 3, 2, 3, 2. In accordance with the values of the input stream, matrix transformation occurs over the elements (2, 3, 1), (2, 3, 3), (1, 1, 3), (2, 3, 2). After the formation of bit sequences, we have the following set of sequences:
Выбираем групповой идентификационный признак для первой группы 11, выделяем все последовательности, начинающиеся на 11: 1111, 1101, 1110, 1100. Повторяющиеся последовательности отбрасываем. Две первые последовательности дают индивидуальные признаки для двух объектов первой группы 11 и 01. Совокупные идентификационные признаки для объектов первой группы: 1111 и 1101. Для второй и третьей группы алгоритм формирования идентификационных признаков аналогичный. Выбираем групповой идентификационный признак для второй группы 10, выделяем все последовательности, начинающиеся на 10: 1010, 1000, 1011, 1001. Повторяющиеся последовательности отбрасываем. Три первые последовательности дают индивидуальные признаки для трех объектов второй группы 10, 00 и 11. Совокупные идентификационные признаки для объектов первой группы: 1010, 1000 и 1011. Выбираем групповой идентификационный признак для третьей группы 01, выделяем все последовательности, начинающиеся на 01: 0100, 0110, 0101, 0111. Повторяющиеся последовательности отбрасываем. Четыре последовательности дают индивидуальные признаки для четырех объектов третьей группы 00, 10, 01 и 11. Совокупные идентификационные признаки для объектов третьей группы: 0100, 0110, 0101, 0111.We select a group identification characteristic for the first group of 11, select all the sequences starting at 11: 1111, 1101, 1110, 1100. We discard the repeating sequences. The first two sequences give individual characteristics for two objects of the first group 11 and 01. The cumulative identification signs for objects of the first group: 1111 and 1101. For the second and third groups, the algorithm for generating identification signs is similar. We select a group identification characteristic for the second group of 10, select all sequences starting at 10: 1010, 1000, 1011, 1001. We discard the repeating sequences. The first three sequences give individual characteristics for the three objects of the
Предложенный способ может быть реализован непосредственно в аппаратных средствах, в программном модуле, выполняемом посредством процессора, или в их комбинации.The proposed method can be implemented directly in hardware, in a software module executed by a processor, or in a combination thereof.
Реализация данного способа позволяет расширить функциональные возможности за счет параллельного формирования уникальных идентифицирующих признаков объектов внутри групп, статистической обработки полученных идентификационных признаков для устранения совпадений, что позволяет создавать универсальные многофункциональные системы преобразования, подстраивающиеся под структуру и состав динамически изменяющихся управляемых объектов.The implementation of this method allows you to expand the functionality due to the parallel formation of unique identifying features of objects within groups, statistical processing of the obtained identification features to eliminate matches, which allows you to create universal multifunctional conversion systems that adapt to the structure and composition of dynamically changing managed objects.
Программная и программно-аппаратная реализации данного способа подтвердили осуществимость и практическую ценность заявленного способа.Software and hardware and software implementations of this method have confirmed the feasibility and practical value of the claimed method.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019107851A RU2700401C1 (en) | 2019-03-19 | 2019-03-19 | Method of forming identification features for a group of objects |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019107851A RU2700401C1 (en) | 2019-03-19 | 2019-03-19 | Method of forming identification features for a group of objects |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2700401C1 true RU2700401C1 (en) | 2019-09-16 |
Family
ID=67989558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2019107851A RU2700401C1 (en) | 2019-03-19 | 2019-03-19 | Method of forming identification features for a group of objects |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2700401C1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2341906C2 (en) * | 2003-11-12 | 2008-12-20 | Квэлкомм Инкорпорейтед | High-speed data transfer interface with improved connection control |
| RU2403677C1 (en) * | 2009-02-09 | 2010-11-10 | Сергей Борисович Муллов | Method for lossless data compression and retrieval |
| RU2497277C2 (en) * | 2010-07-29 | 2013-10-27 | Российская Федерация, от имени которой выступает государственный заказчик-Государственная корпорация по атомной энергии "Росатом" | Method to compress binary data as structured information blocks |
| US20150006903A1 (en) * | 2002-02-13 | 2015-01-01 | Passlogy Company Ltd. | User authentication method and user authentication system |
| US20170257359A1 (en) * | 2014-09-01 | 2017-09-07 | Passlogy Co., Ltd. | User authentication method and system for implementing same |
-
2019
- 2019-03-19 RU RU2019107851A patent/RU2700401C1/en active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150006903A1 (en) * | 2002-02-13 | 2015-01-01 | Passlogy Company Ltd. | User authentication method and user authentication system |
| RU2341906C2 (en) * | 2003-11-12 | 2008-12-20 | Квэлкомм Инкорпорейтед | High-speed data transfer interface with improved connection control |
| RU2403677C1 (en) * | 2009-02-09 | 2010-11-10 | Сергей Борисович Муллов | Method for lossless data compression and retrieval |
| RU2497277C2 (en) * | 2010-07-29 | 2013-10-27 | Российская Федерация, от имени которой выступает государственный заказчик-Государственная корпорация по атомной энергии "Росатом" | Method to compress binary data as structured information blocks |
| US20170257359A1 (en) * | 2014-09-01 | 2017-09-07 | Passlogy Co., Ltd. | User authentication method and system for implementing same |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11250108B2 (en) | Matrix processing method and apparatus, and logic circuit | |
| EP0736205B1 (en) | Method and apparatus for performing a fast hadamard transform | |
| RU2006114754A (en) | DEVICE FOR CRYPTOGRAPHIC PROCESSING, METHOD FOR CRYPTOGRAPHIC PROCESSING AND ITS COMPUTER PROGRAM | |
| Mantaci et al. | Measuring the clustering effect of BWT via RLE | |
| CN111262592A (en) | Sequence cyclic shift device and method, and storage medium | |
| CN112286864A (en) | Sparse data processing method and system for accelerating operation of reconfigurable processor | |
| US20050044119A1 (en) | Pseudo-random number generator | |
| US4802108A (en) | Circuit for providing a select rank-order number from a plurality of numbers | |
| RU2700401C1 (en) | Method of forming identification features for a group of objects | |
| CN109033596A (en) | Parallel pseudo-random sequences Generator Design method based on FPGA | |
| CN109445749A (en) | It is a kind of not repeat random sequence number generation method and terminal | |
| CN106452451B (en) | Data processing method and device | |
| Ryabko et al. | “Book stack” as a new statistical test for random numbers | |
| RU2699589C1 (en) | Method of dynamic data conversion during storage and transmission | |
| CN101753247B (en) | Construction method of multi-dimensional similar-orthogonal pseudo-random extended matrix | |
| Usha et al. | Generation of Walsh codes in two different orderings using 4-bit Gray and Inverse Gray codes | |
| CN110990188B (en) | Construction method of partial repetition code based on Hadamard matrix | |
| CN110780849B (en) | Matrix processing method, device, equipment and computer readable storage medium | |
| CN106230441A (en) | A kind of compressed sensing observing matrix building method of variable dimension based on m-sequence | |
| CN100430927C (en) | Parallel decimation circuits | |
| Elsawah et al. | A novel technique for constructing nonregular nine-level designs: Adjusted multiple tripling technique | |
| Tesler | Multi de Bruijn sequences | |
| CN110245263B (en) | Aggregation method, aggregation device, electronic equipment and storage medium | |
| US7173900B1 (en) | Method and apparatus for chip generation of a chip sequence | |
| WO2017026952A1 (en) | A data compression and decompression method |