Способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием базы биометрических образов "Свой" Российский патент 2020 года по МПК G06K9/62 

Изобретение относится к биометрической идентификации и аутентификации личности и может быть использовано в системах защиты информации и разграничения доступа.

Из уровня техники известен способ безопасной биометрической аутентификации по патенту на изобретение RU 2406143 C2 (патентообладатель: Иванов А.И., МПК: G06K 9/03, G07D 7/00, опубл. 10.12.2010). Способ биометрической аутентификации заключается в преобразовании данных биометрического образа человека в самокорректирующийся код биометрического образа, способный обнаруживать и исправлять ошибки, а также в индикации ошибки ввода биометрического образа при обнаружении в самокорректирующемся коде числа ошибок, которое код не может исправить. В способе вводят данные нескольких биометрических образов и преобразуют каждый из них в самокорректирующийся код. При аутентификации правильность ввода каждого из биометрических образов индицируют с помощью индикатора и отображают самокорректирующийся код биометрического образа с положительным результатом аутентификации. В итоге оценивают общее число обнаруженных неисправимых ошибок в каждом из анализируемых кодов и отображают индикатором коды биометрических образов, имеющие число ошибок, превышающее его корректирующую способность на несколько бит, которое самокорректирующийся код может исправить.

Известен также способ динамической биометрической аутентификации личности по особенностям почерка по патенту на изобретение RU 2541131 C2 (патентообладатель: ФГБОУ ВПО "Юго-Западный государственный университет", МПК: G06K 9/62, опубл. 10.02.2015). Способ заключается в дискретизации многокомпонентного аналогового сигнала, воспроизводящего динамику воспроизведения рукописного текста, квантовании дискретных отсчетов, формировании матрицы квантованных отсчетов, ее преобразовании к цифровому виду, по значениям ее элементов вычисления идентификационной матрицы. Определение индивидуальных особенностей почерка производят по идентификационной матрице, полученной путем двумерного дискретного преобразования Хаара. Для этого создают базу эталонных параметров образцов почерка пользователей, допущенных в компьютеризированную систему, в виде интервала изменения каждого идентификационного параметра. Вновь вводимого в систему пользователя идентифицируют по идентификационной матрице, полученной путем двумерного дискретного преобразования Хаара. Затем вычисляют максимальное и минимальное значения идентифицируемых параметров. Определяют расстояние Хемминга как общее число выпадений идентификационных параметров за интервалы допустимых значений эталонных параметров образцов почерка пользователей, допущенных в компьютеризированную систему. Решение о допуске произвольного пользователя в систему принимают, если расстояние Хемминга минимально, в противном случае формируют сообщение о несанкционированной попытке входа в систему.

Известен также способ биометрической аутентификации пользователя по патенту на изобретение RU 2552189 C1 (патентообладатель: ГКОУ ВПО Академия Федеральной службы охраны Российской Федерации, МПК: G06K 9/62, опубл. 10.06.2015), заключающийся в том, что предварительно создают базу идентификационных параметров образцов почерка пользователей, допущенных в компьютеризированную систему. Далее пользователю, входящему в систему контроля допуска, предлагают выполнить произвольную запись образца рукописного почерка. Полученный аналоговый сигнал преобразуют в цифровую форму, формируя матрицу квантованных отсчетов, по значениям ее элементов вычисляют матрицу коэффициентов. Элементы матрицы коэффициентов сравнивают с соответствующими элементами матриц зарегистрированных пользователей, и распознаваемый пользователь считается инцидентным эталонной записи, если эта разница минимальна. После того, как аналоговый сигнал преобразуют в цифровую форму, определяют джиттер аналогового сигнала, отношение числа значений джиттера аналогового сигнала, превышающих первое пороговое значение, к общему числу значений джиттера аналогового сигнала. Сравнивают рассчитанное отношение со вторым пороговым значением, в случае, если рассчитанное отношение не превышает второе пороговое значение, вычисляют с помощью двумерного дискретного косинусного преобразования матрицу коэффициентов, иначе вновь осуществляют запись образца почерка.

Наиболее близким аналогом заявляемого изобретения является способ идентификации человека по его биометрическому образу по патенту на изобретение RU 2292079 C2 (патентообладатель: ФГУП "Пензенский научно-исследовательский электротехнический институт", МПК: G06K 9/66, опубл. 20.01.2007). В известном способе с использованием заданного кода предварительно обучают искусственную нейронную сеть на примерах биометрических образов идентифицируемого человека, описание обученной искусственной нейросети в виде таблицы включают в состав документа, идентифицирующего личность человека, при идентификации человека его биометрический образ преобразуют в контролируемые параметры, которые преобразуют в выходной код с помощью нейронной сети, сравнивают выходной код с заданным кодом и при их совпадении принимают положительное решение об идентификации человека.

Раскрытое в наиболее близком аналоге изобретение позволяет решить вопрос обучения искусственной нейронной сети на примерах биометрических образов, однако не раскрывает процедуры экспресс-тестирования качества ее обучения, что напрямую влияет на вероятности ошибок первого рода - вероятность ошибочного отказа «Своему» пользователю в биометрической аутентификации и второго рода - вероятность ошибочной аутентификации «Чужого» как «Своего» (ошибочная аутентификация).

Задачей заявляемого изобретения является разработка способа экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием тестовых образов «Чужой», сформированных непосредственно из образов эмбриона базы биометрических образов «Свой».

Техническим результатом изобретения, достигаемым при его осуществлении, является обеспечение сокращения объема базы образов «Чужой» и требуемых для ее тестирования вычислительных ресурсов при сохранении надежности тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности на вероятность появления ошибок второго рода.

Указанная задача решается, а технический результат достигается за счет того, что способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием эмбриона базы биометрических образов «Свой» заключается в том, что он включает этапы, на которых после обучения нейросетевого преобразователя биометрия-код на N_св примерах эмбриона базы биометрических образов «Свой» осуществляют размножение N_св примеров эмбриона базы биометрических образов «Свой» для получения N_чуж синтетических примеров базы биометрических образов «Чужой», где N_чуж >> N_св, выполняемое посредством морфинга биометрических параметров примеров-потомков для каждого из биометрических параметров пары примеров-родителей из эмбриона базы биометрических образов «Свой», с последующей мутацией биометрических параметров примеров-потомков; формирование базы N_чуж синтетических примеров биометрических образов «Чужой», из которой получают N_чуж/2 пар примеров биометрических параметров образов-родителей; мутацию примеров биометрических параметров примеров образов-родителей, осуществляемую посредством случайного переноса биометрических параметров на заданную для каждого биометрического параметра константу, при котором возможны частичные потери естественных корреляционных связей между биометрическими параметрами примеров образов-родителей; параллельно с мутацией осуществляют морфинг образов-потомков для каждой пары примеров биометрических параметров образов-родителей при помощи линейной интерполяции биометрических параметров образов-родителей синтезируют новые биометрические примеры образа «Чужой», осуществляя перестановки математических ожиданий биометрических параметров примеров образов-потомков, полученных посредством мутации и морфинга образов-родителей, таким образом, чтобы сохранить корреляционные связи биометрических параметров у примеров образов-потомков, присутствующие у образов-родителей; формируют синтетический образ «Чужой» и проводят его нейросетевое преобразование в четкий однозначный код ключа доступа в обученном на N_св примерах эмбриона базы биометрических образов «Свой» нейросетевом преобразователе биометрия-код; сравнивают кодовые отклики на синтетический образ «Чужой» нейросетевого преобразователя биометрия-код с кодом «Свой», определяют распределение значения показателя критерия Хемминга и вероятность ошибки второго рода появления кодового отклика «Свой» при предъявлении образа «Чужой».

Заявленное изобретение поясняется чертежами (фигуры 1, 2), на которых изображены алгоритм способа экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием эмбриона базы биометрических образов «Свой» (фиг. 1) и схема операции по перестановке математических ожиданий при синтезе нового биометрического образа (фиг. 2), и позициями обозначены:

1 - эмбрион базы образа «Свой»;

2 - морфинг и мутация примеров образа «Свой»;

3 - база синтетических примеров образа «Чужой»;

4 - формирование пар образов-родителей;

5 - мутация пар образов-родителей;

6 - морфинг пар образов-родителей;

7 - перестановка математических ожиданий биометрических параметров;

8 - синтетический пример образа «Чужой»;

9 - нейросетевой преобразователь биометрия-код;

10 - выходной код ключа доступа;

11 - сравнение выходных кодов ключа доступа по мере Хемминга;

12 - расчет вероятности ошибки 2 рода.

Все более широкое использование мобильных средств обработки и хранения различного рода информации, например, планшетных компьютеров, ставит задачу как безопасного доступа к ним, так и хранения на них данных. Единственным способом сохранения мобильности пользователя и обеспечения ему достаточно высоких гарантий защиты его личного ключа является применение нейросетевых биометрических контейнеров - структурированных блоков данных, содержащих параметры обученного нейросетевого преобразователя биометрия-код, реализованных программно в доверенной вычислительной среде. В этом случае стойкость нейросетевого хранителя к атакам подбора может быть сделана сопоставимой со стойкостью растворенного в параметрах нейросети ключа. Для исключения атак на стык ключа и его нейросетевого хранителя целесообразно размещать их в одной доверенной вычислительной среде физически выполненной в виде не вскрываемого малогабаритного модуля со средствами самоуничтожения информации при попытках взлома.

Средство высоконадежной биометрико-нейросетевой аутентификации личности (согласно ГОСТ Р 52633.0-2006) - это средство биометрической аутентификации, способное принимать аутентификационное решение высокой надежности, имеющее в своем составе: биометрические механизмы преобразования биометрических данных в векторы биометрических параметров большой размерности, преобразователь биометрия-код ключа (пароля), механизм криптографической аутентификации. Для повышения качества средств высоконадежной биометрико-нейросетевой аутентификации необходимо проводить процедуру тестирования. Для этого необходимо сформировать базы биометрических образов, размеры которых должны гарантировать подтверждение заданных характеристик тестируемых средств. Средство биометрической аутентификации может быть отнесено к высоконадежным только после его обучения на биометрическом образе «Свой» достаточно высокой информативности, уровень которой оценивается встроенными средствами прогнозирования ожидаемой стойкости к атакам подбора и вероятностями возникновению ошибочной аутентификации: ошибок первого рода - вероятности ошибочного отказа пользователю из группы «Свой» в доступе при биометрической аутентификации, и ошибок второго рода - вероятности ошибочной аутентификации пользователя из группы «Чужой» как пользователя из группы «Свой».

Наиболее сложной частью задачи является тестирование стойкости обученных преобразователей биометрия-код к атакам подбора. Как правило, создать достаточно большой объем естественных биометрических образов по требованиям ГОСТ Р 52633.12009 технически невозможно. По этой причине приходится многократно увеличивать размеры тестовой базы биометрических образов за счет синтетических биометрических образов, созданных по ГОСТ Р 52633.22010.

Еще одной проблемой является то, что биометрические образы «Чужой» не являются изначально дискретными как пароли или ключи. Невозможно абсолютно точно указать дискретное кодовое состояние образа «Чужой». В связи с этим возникают дополнительные проблемы по взаимному упорядочиванию образов «Чужой» в тестовых базах и гарантиям равномерности заполнения пространства возможных кодовых состояний. Все эти проблемы не только усложняют процесс тестирования стойкости преобразователя биометрия-код к атакам подбора, но и требуют значительных временных, людских и финансовых затрат.

С целью устранения указанных выше недостатков предлагается способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием эмбриона базы биометрических образов «Свой» на вероятность возникновения ошибок второго рода (фиг.1).

Под термином «Эмбрион базы образов «Свой»» для целей настоящего изобретения понимается полноценная обучающая база образов «Свой». На основе эмбриона базы образов «Свой» циклически синтезируется единичные образы «Чужой», полученные методами мутаций и морфинга образов «Свой», созданные из нескольких примеров естественного образа «Свой», полученных введением биометрических данных человека в «чистую», изолированную (доверенную) среду. Эмбрион базы образов «Свой» предназначен для экспресс-формирования обучающей базы образов «Свой» и единичных образов «Чужой» для тестирования средств высоконадежной биометрико-нейросетевой аутентификации, состоящей из N_св примеров образа «Свой». Использованные после обучения и тестирования примеры образа «Свой» удаляются из памяти эмбриона, в которой остаются только параметры обученного нейросетевого преобразователя биометрия-код, что обеспечивает безопасность образа «Свой» и экономит память эмбриона.

Доверие к средствам высоконадежной биометрико-нейросетевой аутентификации определяется результатами их тестирования, выраженными в форме гарантий производителя. Для тестирования таких средств необходимы базы биометрических образов «Свой» и «Чужой», размеры которых должны быть достаточными для подтверждения характеристик тестируемых средств.

Необходимые для достоверного тестирования размеры баз биометрических образов «Свой» малы: зачастую достаточным является количество примеров N_св = 30 и более, и формирование таких баз легко осуществимо самим пользователем. Размеры тестовых баз образов «Чужой» должны быть существенно больше: N_чуж = 10⁵ и более образов. Соответственно, процесс создания баз естественных биометрических образов «Чужой» является крайне длительным и трудоемким. Создать базы такого размера в короткие сроки невозможно. В связи с этим, при тестировании ограничиваются малыми базами естественных образов «Чужой» размерами 10³ - 10⁴ образов, непосредственно полученными с тестируемого средства высоконадежной биометрико-нейросетевой аутентификации. Дополняют такие базы естественными биометрическими образами «Чужой», ранее полученными при тестировании средств аутентификации с аналогичными биометрическими преобразователями. Размеры тестовой базы, кроме того, могут быть увеличены за счет применения искусственно синтезированных (синтетических) биометрических образов, повторяющих основные свойства естественных биометрических образов.

Особенность предложенного способа заключается в том, что синтезированный пример образа «Чужой» из эмбриона образа «Свой» подается непосредственно на вход обученного на образах «Свой» нейросетевого преобразователя биометрия-код, и после получения данных меры Хемминга и записи их в таблицу, сгенерированный образ уничтожается и на вход подается следующий образ «Чужой». Затем цикл повторяется снова, эмпирически оцененное минимальное количество циклов - 128, при котором уже можно делать прогноз возникновения вероятности ошибки появления кодового отклика «Свой» при предъявлении образа «Чужой». Предложенный способ позволяет создать малогабаритный защищенный модуль, позволяющий использовать доверенную среду вычисления, в которой находятся: низко разрядный вычислитель, небольшой объем памяти, системный монитор, обеспечивающий функционирование эмбриона, нейросетевой преобразователь биометрия-код, примеры образа «Свой».

Для определения вероятности ошибки второго рода для целей настоящего изобретения может быть использована мера Хемминга, позволяющая определить количество не совпавших разрядов кодовых откликов преобразователя биометрия-код на образы «Чужой» с кодом ключа доступа «Свой».

Заявленный способ осуществляют следующим образом (фиг.1).

Предварительно проводят обучение нейросетевого преобразователя биометрия-код на N_св примерах эмбриона базы биометрических образов «Свой».

Далее эмбрион базы биометрических образов «Свой» используют для получения тестовых примеров образов «Чужой». Для этого осуществляют размножение N_св примеров эмбриона базы биометрических образов «Свой» для получения N_чуж синтетических примеров базы биометрических образов «Чужой», где N_чуж >> N_св. Для размножения используют способ морфинга биометрических параметров примеров-потомков для каждого из биометрических параметров пары примеров-родителей из эмбриона базы биометрических образов «Свой». Морфинг, проводимый посредством линейной интерполяции биометрических параметров примеров-родителей «A» и «B», заключается в нахождении промежуточных значений биометрических параметров - биометрических примеров-потомков, - для каждого из параметров пары биометрических примеров-родителей в соответствии с методикой ГОСТ Р 52633.2-2010 «Защита информации. Техника защиты информации. Требования к формированию синтетических биометрических образов, предназначенных для тестирования средств высоконадежной биометрической аутентификации». Значения каждого i-го биометрического параметра каждого из биометрических примеров-потомков вычисляются по формуле:

,

где j - порядковый номер потомка (j = 1, 2, …, k_AB);

k_AB - количество потомков примеров-родителей «A» и «B».

Применение морфинга биометрических примеров позволяет сохранить практически все естественные корреляционные связи биометрических параметров, присутствующие у биометрических примеров-родителей, что позволяет использовать синтетическую базу, равноценную базе естественной, и получить более достоверные результаты тестирования.

Одновременно из примеров-родителей посредством мутации получают синтетические биометрические примеры примеров-потомков, основанные на случайном изменении биометрических параметров примеров-родителей.

Мутацию биометрических параметров примеров-родителей производят в соответствии с алгоритмом, приведенным в ГОСТ Р 52633.2-2010. А именно, для каждого примера-родителя проводят вычисление математического ожидания каждого i-го контролируемого биометрического параметра E_пример (). Вычисляют стандартное отклонение каждого из контролируемых биометрических параметров σ_пример (). Каждый параметр исходного (мутируемого) биометрического примера изменяется на величину Δ, полученную от случайного генератора с нормальным законом распределения значений с математическим ожиданием и стандартным отклонением, равным трети Δ_{i max}, где Δ_{i max} - расстояние до ближайшей границы E_пример () ± 3·σ_пример() от значения . При этом возможны частичные потери естественных корреляционных связей между биометрическими параметрами примеров образов-родителей.

При этом морфинг-размножение и мутация биометрических примеров-родителей в совокупности приводят к частичному вырождению корреляционных связей синтетических примеров-потомков.

На основе совокупности N_чуж сгенерированных синтетических примеров-потомков, полученных после мутации и морфинг-размножения, формируют базу синтетических примеров биометрических образов «Чужой» размером N_чуж образов, в преимущественном варианте равным 1200 образов.

Затем выбирают N_чуж/2 пар (600) пар примеров биометрических параметров образов-родителей, для каждой из которых осуществляют процедуры мутации и морфинга образов. Мутация образов состоит в следующем: по всем имеющимся примерам вычисляются математические ожидания каждого i-го контролируемого биометрического параметра E_образ (). Затем вычисляется стандартное отклонение каждого из контролируемых биометрических параметров σ_образ (). Каждый параметр исходного (мутируемого) биометрического образа изменяется на величину Δ, полученную от случайного генератора с нормальным законом распределения значений с математическим ожиданием и стандартным отклонением, равным Δ_{i max}/3, где Δ_{i max} - расстояние до ближайшей границы E_образ () ± 3·σ_образ() от значения . Мутации биометрических примеров ослабляют естественные корреляционные связи между параметрами биометрических образов «Чужой».

Известно, что корреляционная матрица данных биометрического образа не зависит от значений математических ожиданий ее параметров. Это означает, что для полного сохранения корреляционной матрицы достаточно синтезировать новые биометрические образы путем нескольких сотен перестановок математических ожиданий биометрических параметров. Для такой перестановки случайным образом выбирают индексы математических ожиданий, сгенерированных посредством морфинга и переноса образов, и осуществляют синтез нового образа путем перестановки математических ожиданий (фиг. 2), сохраняющей первоначальную корреляционную матрицу, и тем самым уменьшая число поколений образов-потомков и сокращая время тестирования при направленном извлечении данных образа «Свой» из обученной нейронной сети. Эффективность подобных процедур размножения данных подтверждается тем, что можно синтезировать порядка 60 поколений образов-потомков почти без потери значений стандартного отклонения биометрических данных и вырождения корреляционных связей образов-потомков.

Далее формируют синтетический образ «Чужой» и проводят его нейросетевое преобразование в четкий однозначный код ключа доступа в обученном на N_св примерах эмбриона базы биометрических образов «Свой» нейросетевом преобразователе биометрия-код. После этого память эмбриона базы «Свой», отведённую под эту операцию, очищают.

Затем сравнивают кодовые отклики на синтетический образ «Чужой» нейросетевого преобразователя биометрия-код с кодом «Свой» и определяют распределение значения показателя критерия Хемминга (h). Приближенная оценка вероятности ошибки второго рода P₂ тестируемого нейросетевого преобразователя биометрия-код оценивается в рамках гипотезы нормальности закона распределения значений показателей критерия Хэмминга:

.

Стойкость к атакам подбора кода ключа вычисляется как величина, обратная P₂. По форме и параметрам распределения значений критерия Хэмминга осуществляется прогнозирование появление нулевого значения. Вероятность появления нулевого значения критерия Хэмминга соответствует коллизии (ошибки второго рода) - ситуации появления кодового отклика «Свой» при предъявлении одного из образов «Чужой».

Таким образом, заявленное изобретение позволяет создать способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием тестовых образов «Чужой», сформированных непосредственно из образов эмбриона базы биометрических образов «Свой», который обеспечивает сокращение объема базы образов «Чужой» и требуемых для ее тестирования вычислительных ресурсов с сохранением надежности тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности на вероятность появления ошибок второго рода. Использование эмбриона базы «Свой» позволяет пользователю после обучения нейросетевого преобразователя биометрия-код самостоятельно протестировать его уровень стойкости к атакам подбора без компрометации образа «Свой», что особенно важно для мобильных средств высоконадежной биометрико-нейросетевой аутентификации личности.

Изобретение относится к области вычислительной техники для биометрической идентификации и аутентификации личности. Технический результат заключается в сокращении объема базы образов «Чужой» и требуемых для ее тестирования вычислительных ресурсов при сохранении надежности тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности на вероятность появления ошибок второго рода. В заявленном способе осуществляют обучение преобразователя биометрия-код на образах базы «Свой» с целью получения образов «Чужой», проведение операций морфинга и мутации примеров образа «Свой», создание базы синтетических примеров образа «Чужой», из которой формируются пары образов-родителей «Чужой», параллельное проведение процедур мутации и морфинга пар образов-родителей «Чужой» с целью сохранения корреляционной матрицы образов «Чужой», проведение перестановок математических ожиданий биометрических параметров образов, циклическая подача одного синтетического примера образа «Чужой» на вход обученного нейросетевого преобразователя биометрия-код и после получения на его выходе кода ключа доступа удаление его из памяти базы «Свой», сравнение выходных кодов ключа доступа «Свой» и «Чужой» по мере Хемминга, расчет вероятности ошибки 2 рода. 2 ил.

Способ экспресс-тестирования средств высоконадежной биометрико-нейросетевой аутентификации личности с использованием базы биометрических образов «Свой», заключающийся в том, что он включает этапы, на которых после обучения нейросетевого преобразователя биометрия-код на N_св примерах базы биометрических образов «Свой» осуществляют:

- размножение N_св примеров базы биометрических образов «Свой» для получения N_чуж синтетических примеров базы биометрических образов «Чужой», где N_чуж >> N_св, выполняемое посредством морфинга биометрических параметров примеров-потомков для каждого из биометрических параметров пары примеров-родителей из базы биометрических образов «Свой», с одновременным генерированием синтетических примеров-потомков мутацией биометрических параметров примеров-родителей;

- формирование базы N_чуж синтетических примеров биометрических образов «Чужой», из которой получают N_чуж/2 пар примеров биометрических параметров образов-родителей;

- мутацию примеров биометрических параметров примеров образов-родителей, осуществляемую посредством случайного переноса биометрических параметров на заданную для каждого биометрического параметра константу, при котором возможны частичные потери естественных корреляционных связей между биометрическими параметрами примеров образов-родителей;

- параллельно с мутацией осуществляют морфинг образов-потомков для каждой пары примеров биометрических параметров образов-родителей при помощи линейной интерполяции биометрических параметров образов-родителей;

- синтезируют новые биометрические примеры образа «Чужой», осуществляя перестановку математических ожиданий биометрических параметров примеров образов-потомков, полученных посредством мутации и морфинга образов-родителей, таким образом, чтобы сохранить корреляционные связи биометрических параметров у примеров образов-потомков, присутствующих у образов-родителей;

- формируют синтетический образ «Чужой» и проводят его нейросетевое преобразование в четкий однозначный код ключа доступа в обученном на N_св примерах базы биометрических образов «Свой» нейросетевом преобразователе биометрия-код;

- сравнивают кодовые отклики на синтетический образ «Чужой» нейросетевого преобразователя биометрия-код с кодом «Свой», определяют распределение значения показателя критерия Хемминга и вероятность ошибки второго рода появления кодового отклика «Свой» при предъявлении образа «Чужой».