SI22822A - Postopek in naprava za inteligentni nadzor vstopanja - Google Patents

Abstract

Predmet izuma je postopek in naprava za inteligentni nadzor nad fizičnim vstopanjem in izstopanjem do varovanih lokacij s sistemom za večsenzorsko biometrično in behavioristično preverjanje identitete preko naprave za integracijo senzorskih podatkov. Postopek za inteligentni nadzor fizičnega vstopa po izumu se izvaja preko večsenzorskega zajema podatkov o obnašanju uporabnika v času neposredno pred, med in po registraciji na vstopnem terminalu, prilagodljivi integraciji poljubnega števila senzorjev v eninapravi, zapisovanju zajetih podatkov v podatkovni bazi in dvonivojski inteligentni obdelavi podatkov s strojnim učenjem. Prvi nivo obdelave podatkov je sestavljen iz več prilagodljivih modulov za učenje, med njimi je učenje na osnovi časovnih razlik med posameznimi dogodki. Drugi nivo obdelave podatkov pa je meta učenje, ki se izvaja na osnovi informacij iz prvega nivoja učenja. Glede na nastavljive parametre, ki izhajajo iz varnostnih zahtev in priučenega znanja, se izvaja inteligentno sklepanje opotencialnih deviantnih obnašanjih nadzorovanih oseb.

Description

POSTOPEK IN NAPRAVA ZA INTELIGENTNI NADZOR VSTOPANJA

Področje tehnike izuma

Predmet izuma je postopek in naprava za inteligentni nadzor nad fizičnim vstopanjem oseb v varovane prostore s sistemom za večsenzorsko biometrično in behavioristično preverjanje identitete preko naprave za integracijo senzorskih podatkov. Izum se nanaša na področja nadzora nad fizičnim vstopanjem oseb s programsko in strojno opremo, področje strojne obdelave vhodnih signalov in na področje algoritmov za inteligentno sklepanje.

Postopek za inteligentni nadzor fizičnega vstopanja po izumu se izvaja preko zajema podatkov o obnašanju uporabnika iz več senzorjev v času neposredno pred, med in po registraciji na vstopnem terminalu naprave za inteligentni nadzor fizičnega vstopanja, prilagodljivi integraciji poljubnega števila senzorjev v eni napravi, zapisovanju zajetih podatkov v podatkovni bazi in dvonivojski inteligentni obdelavi podatkov s strojnim učenjem. Prvi nivo obdelave podatkov je sestavljen iz več prilagodljivih modulov za učenje. Eden od modulov za učenje je modul za učenje na osnovi časovnih razlik med posameznimi dogodki. Drugi nivo obdelave podatkov pa je meta učenje, ki se izvaja na osnovi informacij iz prvega nivoja učenja. Glede na nastavljive parametre, ki izhajajo iz varnostnih zahtev in priučenega znanja operaterjev sistema, naprava po izumu izvaja inteligentno sklepanje o možnem nenavadnem obnašanju nadzorovanih oseb. Glede na rezultat inteligentnega sklepanja o obnašanju nadzorovanih oseb in stanje komunikacijske povezave s podatkovno bazo se naparava v odvisnosti od nastavljivih parametrov avtonomno odloča o odobritvi ali zavrnitvi dovoljenja za vstopanje.

Prikaz tehničnega problema

Sistemi za fizični nadzor nad vstopanjem omogočajo vstopanje oseb v varovane prostore v skladu z dovoljenji, ki so vezana na te osebe. V sistemih za nadzor nad vstopanjem praviloma osebe izkazujejo dovoljenje za vstop do varovanih prostorov preko:

- nečesa kar znajo, to je vnos alfanumerične šifre na tipkovnici, odgovor na določeno vprašanje ipd.,

- nečesa, kar imajo v fizični obliki, npr. identifikacijska kartica,

- nečesa kar je nedvomno povezano z njihovo identiteto, to je biometrični podatek,

- kombinacije vseh treh.

-2Dovoljenje za vstopanje lahko v fizičnem smislu opredelimo kot veljavni ključ za vstopanje, ki je lahko npr. kartica, šifra, prst oz. druga biometrična lastnost.

Vsak sistem za nadzor nad vstopanjem na osnovi preverjanja, to je verifikacije ključa:

omogoča vstopanje osebam v skladu z njihovimi dovoljenji;

- onemogoča vstopanje osebam brez dovoljenja;

Nekateri sistemi opozarjajo na izredne dogodke znotraj samega sistema, ki so vezani na:

- delovanje sistema, npr. napake, okvare, zaznave okolja, obnašanje oseb v tem sistemu.

Zajem podatkov za preverjanje dovoljenja za vstopanje, delovanje sistema in obnašanje oseb v sistemu se izvaja preko posameznih namenskih senzorjev, npr. bralnikov čipnih kartic, biometričnih bralnikov, šifratorjev, videokamer, senzorjev premikanja, fizičnih stikal ipd. Verifikacija dovoljenja za vstopanje s preverjenjem identitete nosilca dovoljenja je možna le z biometričnim preverjanjem identitete, to je z identifikacijo. Pri vseh ostalih načinih preverjanja dovoljenja za vstopanje le to ni nedvomno povezano s trenutnim nosilcem dovoljenja. Npr. kartico za vstopanje lahko uporablja kdor koli, vnosno šifro lahko uganemo ipd.

Biometrično preverjanje identitete nosilca dovoljenja za vstopanje je poleg ročnega, to je človeškega preverjanja najzanesljivejši način fizične vstopne kontrole. Pri biometričnem sistemu vstopne kontrole torej sistem najprej izvede identifikacijo osebe z določeno stopnjo zanesljivosti, ki je vgrajena v sistem preveri identiteto osebe in nato izvede avtorizacijo, to je preveri ali ima v danem trenutku ta oseba dovoljenje za vstopanje. Kljub relativno varnemu načinu identifikacije pa ima tudi biometrija svoje omejitve in slabosti. Različne biometrične rešitve med preverjanjem biometričnega podatka v določenem odstotku vseh primerov verifikacije potrdijo napačno identiteto ali zavrnejo pravilno identiteto. V literaturi je ta lastnost označena s podatkom stopnja napačne potrditve »false accept rate« (FAR) in stopnja napačne zavrnitve »false reject rate« (FRR). Biometrija tudi ni primerna za vsako organizacijsko ali kulturno okolje, npr. skeniranje obraza v muslimanskih deželah. Hkrati se pojavljajo tudi vprašanja varovanja osebnih biometričnih podatkov in posledično omejevanje uporabe biometrije. Obstajajo tudi načini za ponarejanje biometričnih podatkov, npr. modeliranje prstnih odtisov ipd. Ker en sam način preverjanja dovoljenja za vstopanje oziroma ena senzorska tehnika običajno omogoča preproste možnosti zlorabe, sodobni sistemi uporabljajo več različnih senzorjev. Pogosto gre za kombinacijo kartičnih sistemov vstopne kontrole, biometrije, šifratorjev ipd. Večje število senzorjev povzroča težave pri integraciji večjega števila vhodnih signalov v namenskih kontrolerjih in posledično povečevanje

-3kompleksnosti pri zagotavljanju kompatibilnosti različnih senzorskih tehnologij. Povečana stopnja zahtevane varnosti povečuje kompleksnost sistema vstopne kontrole in posledično zahtevnost upravljanja, vzdrževanja in same uporabe. Naprimer zaradi potrebe po dodatni zaščiti pred prenosljivostjo kartic vstopne kontrole sistemi vključujejo biometrično preverjanje, ki sicer poveča varnost, vendar mora uporabnik poleg registracije s kartico izvesti še biometrično preverjanje, npr. skeniranje prstnega odtisa, kar omejuje in podaljšuje postopek preverjanja dovoljenja za vstopanje. Za optimalno pokrivanje varnostnih zahtev je torej ključna uravnoteženost tehnološke in organizacijske zahtevnosti sistema vstopne kontrole glede na realno stopnjo ogroženosti določene vrednosti premoženja na eni strani ter učinkovitost nadzorovanega osebja in cenovno učinkovitost samega sistema na drugi strani.

Integracija večjega števila različnih senzorskih tehnologij v eni napravi je torej prvi tehnični problem.

Drugi tehnični problem, ki ga rešuje izum, je inteligentno sklepanje o delovanju sistema in obnašanju uporabnika glede na zajete podatke iz različnih senzorjev. Kombiniranje različnih senzorjev omogoča dodatni nadzor: učenje obnašanja pri vstopanju ali izstopanju posameznika glede na način uporabe večsenzorskega sistema ter integriranje zbranih infomacij iz več senzorjev.

Problem, ki na področju nadzora nad fizičnim vstopanjem in izstopanjem do varovanih lokacij ni zadovoljivo rešen, je torej zagotavljanje poljubne razširljivosti in kombiniranja različnih senzorskih tehnik na varovani lokaciji glede na varnostne zahteve in posledično kompleksnost fizičnih instalacij večsenzorskih sistemov, ter zmožnosti oz. nezmožnosti integracije več senzorjev.

Naloga in cilj izuma je takšen postopek in naprava za prenos signalov s senzorjev, ki bosta glede na namen in stopnjo varnostnih zahtev zagotavljala učinkovito in prilagodljivo povezovanje večjega števila poljubnih senzorjev ter integriranje teh senzorjev v celovit sitem, ki inteligentno obdeluje podatke iz poljubne kombinacije senzorjev in se uči na meta-nivoju.

Po izumu je naloga rešena s postopkom in napravo za inteligentni nadzor nad fizičnim vstopanjem in izstopanjem do varovanih lokacij s sistemom za večsenzorsko biometrično

-4preverjanje identitete preko naprave za integracijo senzorskih podatkov po neodvisnih patentnih zahtevkih.

Izum je primeren za implementacijo v različne nadzorne sisteme, ki uporabljajo več senzorjev za detekcijo medsebojno povezanih dogodkov na eni lokaciji in ni nujno vezan le na sisteme vstopne kontrole, temveč ga je možno implementirati povsod tam, kjer je možno iz več senzorjev sklepati o nenavadnem obnašanju oseb npr. v protivlomnih varnostnih sistemih.

Stanje tehnike

Področje fizičnega varovanja oseb in premoženja je v osnovi razdeljeno na fizično varovanje s strani usposobljenega osebja in tehnično varovanje. Celovit sistem varovanja mora nedvomno pokrivati oba dela fizičnega varovanja, tehnično in fizično - človeško varovanje. Samo tehnično varovanje, ki je v praksi vedno dopolnjeno z neko obliko fizičnega, to je človeškega varovanja pa v osnovi pokrivajo naslednja področja: protivlomno varovanje, video nadzor, požarno varovanje in nadzor nad vstopanjem oseb v stavbe in prostore. Za celovito pokrivanje vseh področij tehničnega varovanja so v zadnjih letih v uveljavljanju integrirani sistemi tehničnega varovanja, ki združujejo vse segmente varnosti v integrirane varnostne sisteme. Množica nepovezanih varnostnih podsistemov, kot so protipožarni sistemi, protivlomni sistemi, sistemi vstopne kontrole in video nadzora, lahko v večjih sistemih privede do velike kompleksnosti pri izgradnji, vzdrževanju in upravljanju. Tovrstni sistemi morajo ne glede na stopnjo integracije delovati koordinirano: npr. sistem vstopne kontrole mora zagotoviti odklenjena vrata na vseh prehodih na evakuacijski poti v primeru požara, sistem vstopne kontrole lahko v povezavi z video nadzornimi sistemi ugotavlja vstopanje v varovani prostor za več neidentificiranih oseb hkrati ali ugotovi nedovoljeno odpiranje vrat z notranje strani in omogočanje vstopa v prostor tretjim nepooblaščenim osebam ipd. Preko integriranih sistemov varovanja je torej mogoče učinkoviteje upravljati z množico podsistemov: protivlomnim sistemom, protipožarnim sistemom, sistemom vstopne kontrole, videonadzorom itd.

Trenutna tehnologija integriranih sistemov varovanja pa po dostopnih informacijah še ne vključuje inteligentne obdelave množice zbranih podatkov, na osnovi katerih bi lahko natančneje obravnavali posamezne dogodke, predvsem z vidika odkrivanja potencialnih poskusov zaobhajanja varnostnih mehanizmov. Večinoma gre za integracijo na nivoju strojne in programske opreme. Kljub temu, da so podatki shranjeni v skupnih podatkovnih bazah,

-5upravljanje in koordinacija sistemov pa je izvedena preko poenotenih aplikacij in uporabniških vmesnikov, v tovrstnih komercialnih sistemih še ni izvedenega višjega nivoja inteligentne obdelave podatkov, iskanja zakonitosti in medsebojnih odvisnosti med posameznimi podatki. Ravno množica na videz neodvisnih in nepovezanih podatkov iz večsenzorskih sistemov predstavlja neizkoriščen potencial za dodano vrednost v varnostnih sistemih.

Za delno rešitev opisane problematike že obstajajo določeni komercialni proizvodi, ki pa večinoma pokrivajo področje inteligentnega prepoznavanja značilnega obnašanja na osnovi obdelave videosignala, to je strojnega vida.

V nadaljevanju so navedeni nekateri patenti s sorodnimi rešitvami. Večina navedenih dokumentov obravnava zajem in obdelavo video posnetkov, na osnovi katerih se izvaja analiza obnašanja oseb v nadzorovanem območju. Ni pa poznane rešitve na področju sistemov za nadzor nad vstopanjem, ki bi se iz zajetih podatkov v množici senzorjev učila o obnašanju oseb v nadzorovanem območju glede na časovne razlike med vstopanjem preko posameznih senzorjev, ter samostojne module kombinirala z uporabo metaučenja.

Patent US 6,591,265 BI opisuje metodo za nadzor logičnega dostopa v računalniške sisteme na osnovi opazovanja obnašanja. Metoda na osnovi opazovanja obnašanja predvideva določitev edinstvenega profila osebe, ki služi kot element za omogočanje dostopa.

Patent US 6,492,905 B2 opisuje varnostni sistem, ki se na osnovi daljinskega zaznavanja premikov oseb in stvari uči o značilnem obnašanju in se na osnovi inteligentnega sklepanja v interakciji z varnostnim osebjem odloča o upravičenosti vstopa oseb ali premika predmetov na varovano lokacijo.

Patenti US 7,088,846, US 7,136,507, US 7,127,083, US 7,148,912 B2 opisujejo video nadzorni sistem, ki uporablja mehanizme sklepanja na osnovi pravil za zaznavanje značilnega premikanja po prostoru.

Tudi patent US 6,028,626 predstavlja nadzorni sistem, ki primerja zajete video posnetke nadzorovanega področja z vzorčnimi karakteristikami gibanja, ki so značilne za obnašanje oseb s kriminalnimi nameni.

-6Opis skic izuma

Slika 1: Zgradba sistema za inteligentni nadzor vstopa

Slika 2: Celoten postopek 43 nadzora vstopa posameznika

Slika 3: Postopek v modulu 6 za primerjavo časovnih razlik.

Slika 4: Učenje na osnovi razlik med časovnimi dogodki.

Slika 5: Meta učenje 42

Podroben opis rešitve izuma

Oštevilčenje:

senzor, aktuator, inteligentna omrežna integrima naprava (IOIN), relacijska podatkovna baza, prilagodljivi programski modul za učenje na osnovi obdelave signalov s posameznih senzorjev, modul za odkrivanje časovnih zakonitosti med posameznimi dogodki, inteligentni integrimi algoritem, zajem podatkov na senzorjih, obdelava podatkov v IOIN, verifikacija ključev, preverjanje verifikacije, avtentikacija uporabnika v IOIN, preverjanje avtentikacije uporabnika v IOIN, preverjanje komunikacije z RPB, pošiljanje podatkov v RPB, preverjanje podatka o vstopu, sprožitev posameznih modulov, preverjanje, ali posamezen modul javlja »vstop prepovedan«, učenje in sklepanje na osnovi meta učenja, preverjanje ocene, ocena: veliko odstopanje,

-722 sporočilo: alarm, sporočilo: opozorilo, ocena: veliko ujemanje,

IOIN krmili aktuatorje za odobren vstop, avtonomno odločanje o odobritvi vstopa, vhodi časovnih razlik, primerjava časovnih razlik, ocenjevanje ali je velikost časovnih razlik majhna, sporočilo za majhno razliko, ocenjevanje ali je velikost časovnih razlik velika, sporočilo za veliko razliko, sporočilo za srednjo razliko, prvi časovni dogodek, drugi časovni dogodek, n-ti časovni dogodek, učenje na osnovi razlik med časovnimi dogodki, prvi samostojni modul drugi samostojni modul n-ti samostojni modul primerjava vseh podatkov uporabnika s podatki zajetimi pri njegovih običajnih vstopih, meta učenje, skupni postopek, prvi korak postopka, drugi korak postopka, tretji korak postopka četrti korak postopka, zavrnjen vstop, IOIN krmili aktuatorje ocena: srednje odstopanje

Za izvedbo izuma je uporabljeno:

- inteligentna omrežna integrima naprava 3,

- relacijska podatkovna baza kjer je prvi korak postopka 44,

-8- prilagodljivi programski modul 5 za učenje na osnovi obdelave signalov s posameznih senzorjev,

- modul 6 za odkrivanje časovnih zakonitosti med posameznimi dogodki,

- inteligentni integrimi algoritem 7

- skupni postopek 43 za inteligentni nadzor vstopanja.

V okviru izuma so izvirne rešitve inteligentna omrežna integrima naprava 3, inteligentni integrimi algoritem 7 in skupni postopek 43.

Prvi element je inteligentna omrežna integrima naprava 3 za zajemanje podatkov iz senzorjev 1 in krmiljenje aktuatorjev 2 in ostalih perifernih naprav v sistemu nadzora pristopa. Inteligentna omrežna integrima naprava 3 predstavlja strojni vmesnik med senzorskimi napravami 1 sistema, kot so bralniki kartic, biometrični senzorji, stikala statusa vrat, stikala za odpiranje vrat v sili in nadzornim računalnikom. Hkrati Inteligentna omrežna integrima naprava 3 strojno krmili aktuatorje, npr. elektromagnentna zapirala, omejilnike, zapornice, alarmne indikatorje ipd.

Inteligentna omrežna integrima naprava 3 zajema podatke iz senzorjev sistema, ki jih generirajo uporabniki med postopkom vstopne kontrole. Zajeti podatki so lahko podatkovni string prebrane kartice, vzorec prstnega odtisa ali drugega biometričnega podatka, sprememba stanja na kontaktnih senzorjih npr. stikalo statusa vrat in čas zajema podatka na vsakem senzorju. Zajeti podatki se hranijo v lokalnem pomnilniku inteligentne omrežne integrime naprave 3 do vzpostavitve komunikacijske povezave z relacijsko podatkovno bazo 4, ko se podatki iz lokalnega pomnilnika avtomatsko prenesejo v podatkovno bazo.

V lokalnem pomnilniku inteligentne omrežne integrirne naprave se hranijo tudi vsa vstopna pooblastila uporabnikov sistema in ostali sistemski parametri. Vstopna pooblastila in ostali sistemski parametri se preko komunikacijskega vmesnika periodično oz. ob vsaki spremembi osvežujejo iz relacijske podatkovne baze. To so lahko delovni umiki, časovni interval stanja odklenjenih vrat, najdaljši dovoljen čas odprtih vrat, preden se sproži alarm za predolgo odprta vrata ipd.

-9Inteligentna omrežna integrima naprava 3 mora imeti možnost delovanja ne glede na stanje komunikacijske povezave s podatkovno bazo 4 in v primeru nedelujoče komunikacijske povezave s podatkovno bazo avtonomno krmili aktuatorje. V tem primeru ne deluje funkcija učenja 19 in sklepanja o obnašanju uporabnika, ki se sicer odvija v programski opremi na ločenem strežniku, temveč se izvaja avtonomno odločanje 26 v sami napravi glede na predhodno določena pravila. Izum sicer ne izključuje možnosti implementacije algoritmov za učenje in sklepanje v zapečeni program (firmware) strojne opreme inteligentne omrežne integrime naprave, kar bi napravi dejansko omogočilo avtonomno »offline« funkcionalnost.

Po verifikaciji ključev 10, avtentikaciji 12 uporabnika in inteligentnem sklepanju 19 o pravilnosti obnašanja uporabnika po postopku 43, se glede na rezultat postopka 43 inteligentna omrežna integrima naprava 3 odzove, in preko krmiljenja aktuatorjev 2 odobri 25 ali zavrne 48, torej odloči 26 o vstopu do varovanega prostora.

Glavna prednost inteligentne omrežne integrime naprave je integracija signalov z vstopnih senzorjev na enem mestu in s tem odprava potrebe po večjem številu ločenih strojnih vmesnikov. Na ta način se vse kabelske instalacije za določen nadzorovani vhod v sistemu vstopne kontrole stekajo v enem vozlišču, kar poenostavi instalacijo in vzdrževanje sistema. Z zajemom vseh senzorskih podatkov na enem mestu je tudi strojna obdelava vseh podatkov na enem mestu poenostavljena.

Inteligentna omrežna integrima naprava 3 s perifernimi elementi sistema, ki je uporabljena v izumu, lahko krmili do štiri aktuatorje in zajema podatke z do štirih verifikatorjev ključev za nadzor nad vstopanjem. V praksi to pomeni, da lahko z eno napravo 3 nadziramo do štiri vhode. Več inteligentnih omrežnih integrimih naprav je mogoče združiti v mrežo kompleksnejšega sistema za nadzor nad vstopanjem v enem objektu ali na več geografsko oddaljenih objektih. Podatki, ki so zajeti v mreži več inteligentnih omrežnih integrimih naprav se zbirajo v relacijski podatkovni bazi 4.

Drugi element izuma je relacijska podatkovna baza 4, ki je bila razvita za namene nadzora vstopa. Relacijska podatkovna baza teče na strežniku centralnega sistema za nadzor nad vstopanjem in vsebuje vse podatke, ki jih zajame in pošlje inteligentna omrežna integrima naprava 3.

-10Tretji element izuma so posamezni prilagodljivi programski moduli 5 za učenje na osnovi obdelave signalov s posameznih senzorjev in modul 6 za odkrivanje časovnih zakonitosti med posameznimi dogodki. Ti moduli imajo sposobnost avtonomne ocene obnašanja oseb pri vstopanju. Moduli so lahko npr. nevronske mreže, ekspertni sistemi, itd. in jih je poljubno mnogo.

Med njimi omenjamo izvirni algoritem učenja 37, ki se uči na osnovi časovnih razlik med posameznimi časovnimi dogodki 34, 35, 36 pri vstopanju oz. časovnem zaporedju, pri čemer je sestavni del tudi čas odprtja in zaprtja vrat. Če imamo N vstopnih naprav in vrata, je število časov N+l. Vprimeru, da imamo dva vstopna senzorja 1, so na voljo trije časi: časovni zamik med prvo in drugo napravo, zamik med drugo napravo in odpiranjem vrat in čas med odpiranjem in zapiranjem vrat. Če imajo posamezni senzorji 1 še več podoperacij, recimo vtipkavanje gesla ali šifre, potem se število časov toliko poveča. Gre za izvirni algoritem učenja 37, ki temelji na iskanju izjem (angl. outliers). Algoritem učenja 37 v prostoru N dimenzij vpiše posamezne točke, kjer je ena točka en vstop enega posameznika, nato zgradi težišče kot najbolj povprečno vstopanje tega posameznika. Glede na nove vstope z več postopki oceni razdaljo do težišča in prejšnjih vstopov ter glede na podane parametre dovoljenega odstopanja sporoči nivo odstopanja, v grobem, kot tri nivoje: ujemanje oz. sporočilo 30 o majhni razliki30, določeno neujemanje oz. sporočilo o srednji razliki 33 in veliko neujemanje oz. sporočilo o veliki razliki 32.

Četrti element izuma je inteligentni integrimi algoritem 7 za integracijo/metaučenje 42, ki temelji na kombiniranju posameznih samostojnih modulov. Ta algoritem 7 uporablja metode strojnega učenja ali rudarjenja podatkov. Njegova izvirnost v sklopu celotnega izuma kot zaporedja postopkov pa je v tem, da za učenje uporablja vse podatke o razlikah časov kot pri prvem algoritmu učenja 37, hkrati pa doda vse možne druge informacije, med drugim čas vstopa drugih uporabnikov, datumi in ure vstopa, načini vstopa, izhode iz posameznih modulov, npr. modul za govor ali gibanje sporoči svojo stopnjo ujemanja, ter odzive posameznih modulov pri prejšnjih vstopih. Ključni del algoritma 7 je učenje obnašanja rednih uporabnikov z upoštevanjem njihovega predpisanega in tipičnega obnašanja ter opozarjanje, kadar pride do odstopanj, ter učenje obnašanja samostojnih modulov ob vstopih. Algoritem 7 temelji na učenju načina vstopa glede na kombiniranje posameznih modulov in vseh drugih informacij, ki so na voljo v sistemu. Izviren postopek integracije je lahko realiziran s poljubnim

-11primemim sistemom strojnega učenja oz. rudarjenja podatkov, izvirnost je tudi v izkoriščanju informacij glede časovnih relacij med vstopanjem po posameznih senzorjih in glede na vse ostale dane informacije.

Pomembna sta torej dva koncepta:

Integrimi algoritem 7 ima na voljo vse informacije in jih lahko uporabi za končno sklepanje 19 ne glede na to, ali nekatere podatke oceni za nepomembne ali nezanesljive. Ključno pri tej rešitvi je, da zgornji model sistema za sklepanje ne uporablja samo informacije določenega nivoja, npr. informacije samostojnih modulov, ampak da lahko izbira med poljubnimi informacijami nižjih nivojev. Na ta način lahko kombinira in s tem izboljšuje delovanje posameznih modulov.

Ker so nekateri algoritmi v tretjem koraku zasnovani na učenju oz. rudarjenju podatkov, je učenje na naslednjem nivoju po definiciji metaučenje. Sistem sklepanja se torej uči pravilnih končnih sklepanj na osnovi podatkov in na osnovi učenja v tretjem koraku 46. S tem se sistem lahko nauči pravilnega zaključka s preverjanjem 20 ocene v primeru določenih relacij med predlogi samostojnih modulov.

Opis postopka

Postopek je prikazan na sliki 2 in je sestavljen iz štirih delov.

Prvi korak 44 postopka je zajem 8 podatkov na senzorjih 1, obdelava 9 podatkov na inteligentni omrežni integrimi napravi 3, verifikacija ključev 10, avtentikacija 12 uporabnika in preverjanje 14 komunikacije z relacijsko podatkovno bazo 4. V primeru neuspešne verifikacije ali neuspešne avtentikacije se izvede krmiljenje, to je četrti korak 47 postopka, aktuatorjev 2 na inteligentni omrežni integrimi napravi 3 za stanje vstop zavrnjen. V primeru uspešnega preverjanja 11 verifikacije in preverjanja avtentikacije 13 ter neuspešne komunikacije po preverjanju 14, se izvede avtonomno odločanje 26 o odobritvi vstopa. Avtonomno odločanje 26 o odobritvi vstopa se izvede zaradi nezmožnosti pošiljanja podatkov v relacijsko podatkovno bazo 4 in posledično nemogoče izvedbe drugega koraka 45, tretjega koraka 46 in četrtega koraka 47 postopka. V primem uspešne verifikacije, avtentikacije in komunikacijske povezave z relacijsko podatkovno bazo 4 pa se izvede drugi korak 45.

-12Drugi korak 45 postopka je prenos, to je pošiljanje podatkov 15 v relacijsko podatkovno bazo 4 in preverjanje 16 ali ima podatek oznako vstop zavrnjen. V primeru, da je oznaka podatka vstop zavrnjen se postopek na tej točki zaključi. V primeru, da podatek nima oznake vstop zavrnjen pa se izvede tretji korak 46.

Tretji korak postopka 46, sprožitev modulov 17 in preverjanje 18 postopka je obdelava podatkov v modulih 5 in 6. Pomemben del tretjega koraka je samostojni modul 6, ki izvaja učenje 37 na osnovi časovnih razlik pri vstopanju, npr. časovnih razlik med dogodki 34, 35, 36 na posameznih senzorjih 1. Na primer, pri dveh senzorjih 1, npr. branju kartice in skeniranju prstnega odtisa, ter času odprtja in zaprtja vrat imamo tri časovne razlike, ki jih uporabimo v algoritmih strojnega učenja. Na osnovi teh podatkov in opazovanja preteklega vstopanja uporabnikov se sistemi učenja naučijo značilnosti vstopanja posameznikov in so nato sposobni ločevati med drugimi vstopi. Nekateri sistemi učenja se imenujejo LOF (Local Outlier Factor) in so namenjeni iskanju izjem, drugi pa so običajni sistemi strojnega učenja, ki so dostopni preko javno dostopnih paketov. Ključnega pomena za izum je, da se na vhodu 27 beležijo časi izpolnjevanja posameznih naprav, vstopnih ali izstopnih, na osnovi katerih se lahko učijo različni sistemi. Postopek v modulu za primerjavo časovnih razlik se prične z zajemom časovnih razlik na vhodu 27, nakar se primerjajo 28 časovne razlike uporabnika z njegovimi najbolj običajnimi. V primeru, da pri ocenjevanju 29 razlike modul ugotovi, daje razlika majhna sporoči vstop normalen, oz. sporočilo 30 za majhno razliko. V primeru, da razlika ni majhna se izvede ocenjevanje 31 ali je razlika velika. V primeru velike razlike javi alarmno sporočilo oz. sporočilo 32 za veliko razliko32, kar pomeni vstop prepovedan. V primeru, da razlika ni velika, javi samo sporočilo 33.

Tretji korak se zaključi s preverjanjem 18 ali posamezen modul javlja vstop prepovedan. V primeru, da katerikoli modul javi vstop prepovedan, se izvede krmiljenje aktuatorjev 2 na inteligentni omrežni integrimi napravi 3 za stanje vstop zavrnjen. V primeru, da noben modul ne javi, daje vstop prepovedan, se izvede četrti korak 47.

Četrti korak 47 je učenje in sklepanje 19 o pravilnosti vstopanja na osnovi meta učenja 42. Izvaja ga inteligentni integrimi algoritem 7, ki se na osnovi vseh vhodnih podatkov, zgodovine prejšnjih vstopov in obnašanja posameznih samostojnih modulov v tretjem koraku 46 nauči normalnega vstopanja posameznika. Po primerjavi 41 obnašanja z običajnim obnašanjem in po

-13preverjanju 20 ocene, 20sistem v primeru velikega odstopanja 21 sporoči alarm 22 ali srednjega odstopanja 49 sporoči opozorilo 23. V primeru sporočila alarm 22 ali opozorilo 23 se izvede avtonomno odločanje 26 o odobritvi vstopa. Avtonomno odločanje 26 se izvede v skladu z nastavljivimi parametri. Npr. parametre za odločanje je mogoče nastaviti na način, da je v primeru alarma 22 vstop zavrnjen, v primeru opozorila 23 pa je vstop dovoljen. V primeru velikega ujemanja 24 se izvede krmiljenje 25 aktuatorjev 2 na inteligentni omrežni integrimi napravi 3 za stanje vstop dovoljen.

Izvirnost opisanega izuma se kaže v celotnem postopku kombiniranja štirih korakov, integraciji signalov s senzorjev preko naprave 3, vpisu podatkov v podatkovno bazo 4, v uporabi modulov 5 in 6 za obdelavo signalov s posameznih senzorjev 1 ter z inteligentnim integrimim algoritmom 7, ki uporablja tako pridobljene rezultate in rezultate posameznih modulov.

Postopek za inteligentni nadzor vstopanja, to je nadzor nad fizičnim vstopanjem in izstopanjem do varovanih lokacij s sistemom za večsenzorsko biometrično in behavioristično preverjanje identitete, je torej značilen po tem, da se izvaja preko večsenzorskega zajema podatkov s senzorji 1 o obnašanju uporabnika v času neposredno pred, med in po registraciji na vstopnem terminalu, prilagodljivi integraciji poljubnega števila senzorjev 1 v eni inteligentni omrežni integrirani napravi 3, zapisovanju zajetih podatkov v podatkovni bazi 4 in dvonivojski inteligentni obdelavi podatkov s strojnim učenjem in je pri tem prvi nivo obdelave podatkov sestavljen iz več prilagodljivih programskih modulov 5 za učenje na osnovi obdelave signalov s posameznih senzorjev, med njimi je učenje na osnovi časovnih razlik z modulom 6 med posameznimi dogodki, drugi nivo obdelave podatkov pa je meta učenje 42 z inteligentnim integrimim algoritmom 7, ki se izvaja na osnovi informacij iz prvega nivoja učenja in se glede na nastavljive parametre, ki izhajajo iz varnostnih zahtev in priučenega znanja, izvaja inteligentno sklepanje o potencialnih deviantnih obnašanjih nadzorovanih oseb. Zajemanje podatkov iz senzorjev 1 in krmiljenje aktuatorjev 2 je izvedeno z inteligentno omrežno integrimo napravo 3. Inteligentna obdelava podatkov je izvedena dvonivojsko s strojnim učenjem. Prvi nivo inteligentne obdelave podatkov je sestavljen iz več prilagodljivih programskih modulov 5 za učenje na osnovi obdelave signalov s posameznih s posameznih senzorjev 1 in učenjem na osnovi časovnih razlik z modulom 6 za odkrivanje časovnih zakonitosti med posameznimi dogodki. Prilagodljivi programski moduli 5 za obdelavo signalov s posameznih senzorjev 1, to je za učenje izvedeni s strojnim učenjem. Učenje na

-14osnovi časovnih razlik je z modulom 6 za odkrivanje časovnih zakonitosti med posameznimi dogodki izvedeno z izvirnim algoritmom za učenje na osnovi časovnih razlik, ki temelji na iskanju izjem in v prostoru N dimenzij vpiše posamezne točke, kjer je ena točka en vstop enega posameznika, nato zgradi težišče kot najbolj povprečno vstopanje tega posameznika, glede na nove vstope z več postopki oceni razdaljo do težišča in prejšnjih vstopov ter glede na podane parametre dovoljenega odstopanja sporoči nivo odstopanja, v grobem kot tri nivoje: ujemanje, določeno neujemanje, veliko neujemanje. Drugi nivo obdelave podatkov je izveden z meta učenjem 42, ki se izvaja na osnovi informacij iz prvega nivoja učenja in se glede na nastavljive parametre, ki izhajajo iz varnostnih zahtev in priučenega znanja, izvaja inteligentno sklepanje o potencialnih deviantnih obnašanjih nadzorovanih oseb. Meta učenje 42 je izvedeno na osnovi informacij iz prvega nivoja učenja in se glede na nastavljive parametre, ki izhajajo iz varnostnih zahtev in priučenega znanja, izvaja inteligentno sklepanje o potencialnih deviantnih obnašanjih nadzorovanih oseb. Meta učenje 42 je izvedeno z inteligentnim integrimim algoritmom 7.

Naprava za inteligentni nadzor vstopa, to je nadzor nad fizičnim vstopanjem in izstopanjem do varovanih lokacij s sistemom za večsenzorsko biometrično in behavioristično preverjanje identitete izvaja opisani postopek.

Naprava za inteligentni nadzor vstopa, to je nadzor nad fizičnim vstopanjem in izstopanjem do varovanih lokacij s sistemom za večsenzorsko biometrično in behavioristično preverjanje identitete je značilna po tem, da jo sestavljajo inteligentna omrežna integrima naprava. 3, relacijska podatkovna baza 4, prilagodljivi programski moduli 5 za učenje na osnovi obdelave signalov s posameznih senzorjev, modul 6 za odkrivanje časovnih zakonitosti med posameznimi dogodki in inteligentni integrimi algoritem 7. Inteligentna omrežna integrima naprava zajema podatke iz senzorjev 1, krmili aktuatorje 2 in ostale periferne naprave v sistemu nadzora pristopa, pošilja podatke s senzorjev v relacijsko podatkovno bazo 4, ki vsebuje vse podatke, ki jih zajame in pošlje inteligentna omrežna integrima naprava 3. Prilagodljivi programski moduli 5 za učenje na osnovi obdelave signalov s posameznih senzorjev so poljubni, npr. nevronske mreže, ekspertni sistemi, itd. in jih je poljubno mnogo ter imajo sposobnost avtonomne ocene obnašanja oseb pri vstopanju. Modul 6 za odkrivanje časovnih zakonitosti med posameznimi dogodki je izveden z izvirnim algoritmom za učenje na osnovi časovnih razlik, ki temelji na iskanju izjem in v prostoru N dimenzij vpiše posamezne točke, kjer je ena točka en vstop enega posameznika, nato zgradi težišče kot najbolj povprečno

-15vstopanje tega posameznika, glede na nove vstope z več postopki oceni razdaljo do težišča in prejšnjih vstopov ter glede na podane parametre dovoljenega odstopanja sporoči nivo odstopanja, v grobem kot tri nivoje: ujemanje, določeno neujemanje, veliko neujemanje. Inteligentni integrimi algoritem 7 je izveden tako, da uporablja metode strojnega učenja in kombinira posamezne module iz prvega nivoja obdelave podatkov tako, da se uči obnašanja rednih uporabnikov z upoštevanjem njihovega predpisanega in tipičnega obnašanja ter opozarja, kadar pride do odstopanj, ter uporablja učenje obnašanja samostojnih modulov ob vstopih oseb.

Claims (16)

1. PATENTNI ZAHTEVKI

   1. Postopek za inteligentni nadzor vstopanja, to je nadzor nad fizičnim vstopanjem in izstopanjem do varovanih lokacij s sistemom za večsenzorsko biometrično in behavioristično preverjanje identitete, označen s tem, da se izvaja preko večsenzorskega zajema podatkov s senzorji (1) o obnašanju uporabnika v času neposredno pred, med in po registraciji na vstopnem terminalu, prilagodljivi integraciji poljubnega števila senzorjev (1) v eni inteligentni omrežni integrirani napravi (3), zapisovanju zajetih podatkov v podatkovni bazi (4) in dvonivojski inteligentni obdelavi podatkov s strojnim učenjem in je pri tem prvi nivo obdelave podatkov sestavljen iz več prilagodljivih programskih modulov 5 za učenje na osnovi obdelave signalov s posameznih senzorjev, med njimi je učenje na osnovi časovnih razlik z modulom (6) med posameznimi dogodki, drugi nivo obdelave podatkov pa je meta učenje (42) z inteligentnim integrimim algoritmom (7), ki se izvaja na osnovi informacij iz prvega nivoja učenja in se glede na nastavljive parametre, ki izhajajo iz varnostnih zahtev in priučenega znanja, izvaja inteligentno sklepanje o potencialnih deviantnih obnašanjih nadzorovanih oseb.
2. 2. Postopek po zahtevku 1, označen s tem, daje zajemanje podatkov iz senzorjev (1) in krmiljenje aktuatorjev 2 izvedeno z inteligentno omrežno integrimo napravo (3).
3. 3. Postopek po zahtevku 1, označen s tem, daje inteligentna obdelava podatkov izvedena dvonivojsko s strojnim učenjem.
4. 4. Postopek po zahtevku 1, označen s tem, daje prvi nivo inteligentne obdelave podatkov sestavljen iz več prilagodljivih programskih modulov (5) za učenje na osnovi obdelave signalov s posameznih senzorjev in učenjem na osnovi časovnih razlik z modulom (6) za odkrivanje časovnih zakonitosti med posameznimi dogodki.
5. 5. Postopek po zahtevku 1, označen s tem, da so prilagodljivi moduli (5) za učenje izvedeni s strojnim učenjem.
6. 6. Postopek po zahtevku 1, označen s tem, da je učenje na osnovi časovnih razlik z modulom (6) za odkrivanje časovnih zakonitosti med posameznimi dogodki izvedeno z izvirnim algoritmom za učenje na osnovi časovnih razlik, ki temelji na iskanju izjem in v prostoru N dimenzij vpiše posamezne točke, kjer je ena točka en vstop enega posameznika, nato zgradi težišče kot najbolj povprečno vstopanje tega posameznika,

   -17glede na nove vstope z več postopki oceni razdaljo do težišča in prejšnjih vstopov ter glede na podane parametre dovoljenega odstopanja sporoči nivo odstopanja, v grobem kot tri nivoje: ujemanje, določeno neujemanje, veliko neujemanje.
7. 7. Postopek po zahtevku 1, označen s tem, daje drugi nivo obdelave podatkov izveden z meta učenjem (42), ki se izvaja na osnovi informacij iz prvega nivoja učenja in se glede na nastavljive parametre, ki izhajajo iz varnostnih zahtev in priučenega znanja, izvaja inteligentno sklepanje o potencialnih deviantnih obnašanjih nadzorovanih oseb.
8. 8. Postopek po zahtevku 1, označen s tem, da je meta učenje (42) izvedeno na osnovi informacij iz prvega nivoja učenja in se glede na nastavljive parametre, ki izhajajo iz varnostnih zahtev in priučenega znanja, izvaja inteligentno sklepanje o potencialnih deviantnih obnašanjih nadzorovanih oseb.
9. 9. Postopek po zahtevku 1, označen s tem, daje meta učenje (42) izvedeno z inteligentnim integrimim algoritmom (7).
10. 10. Naprava za inteligentni nadzor vstopa, to je nadzor nad fizičnim vstopanjem in izstopanjem do varovanih lokacij s sistemom za večsenzorsko biometrično in behavioristično preverjanje identitete, označena s tem, da izvaja postopek po predhodnih zahtevkih.
11. 11. Naprava za inteligentni nadzor vstopa, to je nadzor nad fizičnim vstopanjem in izstopanjem do varovanih lokacij s sistemom za večsenzorsko biometrično in behavioristično preverjanje identitete, označena s tem, da jo sestavljajo inteligentna omrežna integrima naprava (3), relacijska podatkovna baza (4), prilagodljivi programski moduli (5) za učenje na osnovi obdelave signalov s posameznih senzorjev, modul (6) za odkrivanje časovnih zakonitosti med posameznimi dogodki in inteligentni integrimi algoritem (7).
12. 12. Naprava po zahtevku 10, označena s tem, da inteligentna omrežna integrima naprava zajema podatke iz senzorjev (1), krmili aktuatorje (2) in ostale periferne naprave v sistemu nadzora pristopa, pošilja podatke s senzorjev (1) v relacijsko podatkovno bazo (4)·
13. 13. Naprava po zahtevku 10, označena s tem, da relacijska podatkovna baza (4) vsebuje vse podatke, kijih zajame in pošlje inteligentna omrežna integrima naprava (3).
14. 14. Naprava po zahtevku 10, označena s tem, da so prilagodljivi programski moduli (5) za učenje na osnovi obdelave signalov s posameznih senzorjev poljubni, npr. nevronske

    -18mreže, ekspertni sistemi, itd. in jih je poljubno mnogo ter imajo sposobnost avtonomne ocene obnašanja oseb pri vstopanju.
15. 15. Naprava po zahtevku 10, označena s tem, da je modul (6) za odkrivanje časovnih zakonitosti med posameznimi dogodki izveden z izvirnim algoritmom za učenje na osnovi časovnih razlik, ki temelji na iskanju izjem in v prostoru N dimenzij vpiše posamezne točke, kjer je ena točka en vstop enega posameznika, nato zgradi težišče kot najbolj povprečno vstopanje tega posameznika, glede na nove vstope z več postopki oceni razdaljo do težišča in prejšnjih vstopov ter glede na podane parametre dovoljenega odstopanja sporoči nivo odstopanja, v grobem kot tri nivoje: ujemanje, določeno neujemanje, veliko neujemanje.
16. 16. Naprava po zahtevku 10, označena s tem, da je inteligentni integrimi algoritem (7) izveden tako, da uporablja metode strojnega učenja in kombinira posamezne module iz prvega nivoja obdelave podatkov tako, da se uči obnašanja rednih uporabnikov z upoštevanjem njihovega predpisanega in tipičnega obnašanja ter opozarja, kadar pride do odstopanj, ter uporablja učenje obnašanja samostojnih modulov ob vstopih oseb.