Multi-input genkendelse: Kombinerer forskellige biometriske oplysninger

• Forfatter:
• Forfatter navn

  Quantumrun Foresight
• Februar 24, 2023

At lede efter unikke identificerende egenskaber under hudens overflade er en smart måde at identificere personer på. Frisurer og øjenfarver kan nemt ændres eller maskeres, men det er for eksempel næsten umuligt for nogen at ændre deres venestruktur. Biometrisk autentificering giver et ekstra lag af sikkerhed, fordi det kræver levende mennesker.

Multi-input genkendelse kontekst

Multimodale biometriske systemer bruges oftere end unimodale i praktiske applikationer, fordi de ikke har de samme sårbarheder, såsom at blive påvirket af datastøj eller spoofing. Unimodale systemer, som er afhængige af en enkelt informationskilde til identifikation (f.eks. iris, ansigt), er imidlertid populære i offentlige og civile sikkerhedsapplikationer på trods af at de er kendt for at være upålidelige og ineffektive.

En mere sikker måde at sikre identitetsgodkendelse på er at kombinere disse unimodale systemer for at overvinde deres individuelle begrænsninger. Derudover kan multimodale systemer mere effektivt tilmelde brugere og give større nøjagtighed og modstand mod uautoriseret adgang.

Ifølge en undersøgelse fra 2017 fra University of Bradford er det ofte udfordrende at designe og udføre et multimodalt biometrisk system, og mange spørgsmål, der kan have stor indflydelse på resultatet, skal overvejes. Eksempler på disse udfordringer er omkostningerne, nøjagtigheden, tilgængelige ressourcer af biometriske egenskaber og fusionsstrategi, der anvendes. 

Det mest afgørende spørgsmål for multimodale systemer er at vælge, hvilke biometriske egenskaber, der vil være mest effektive, og at finde en effektiv måde at sammensmelte dem. I multimodale biometriske systemer, hvis systemet fungerer i identifikationstilstand, så kan hver klassifikators output ses som en rang af tilmeldte kandidater, en liste, der repræsenterer alle mulige matches sorteret efter konfidensniveau.

Forstyrrende påvirkning

Multi-input-genkendelse har vundet popularitet på grund af de forskellige tilgængelige værktøjer til at måle alternativ biometri. Efterhånden som disse teknologier udvikler sig, vil det være muligt at gøre identifikation mere sikker, da vener og irismønstre ikke kan hackes eller stjæles. Adskillige virksomheder og forskningsinstitutioner er allerede ved at udvikle multi-input værktøjer til storskala implementering. 

Et eksempel er National Taiwan University of Science and Technologys to-faktor-autentificeringssystem, der ser på skelettopologier og fingervenemønstre. Fingervenebiometri (vaskulær biometri eller venescanning) bruger unikke venemønstre i en persons fingre til at identificere dem. Denne metode er mulig, fordi blod indeholder hæmoglobin, som viser forskellige farver, når det udsættes for nær-infrarødt eller synligt lys. Som et resultat kan den biometriske læser scanne og digitalisere brugerens distinkte venemønstre, før de lagres på en sikker server.

I mellemtiden bruger Imageware, der er baseret i San Francisco, flere biometriske data til godkendelsesformål. Administratorer kan vælge én biometrisk eller en kombination af biometri, når de implementerer platformens sikkerhedsforanstaltning. De typer af biometri, der kan bruges med denne tjeneste, omfatter irisgenkendelse, ansigtsscanning, stemmeidentifikation, håndfladevenescannere og fingeraftrykslæsere.

Med ImageWare Systems' multimodale biometri kan brugere autentificere deres identitet hvor som helst og under alle forhold. Fødereret login betyder, at brugere ikke behøver at oprette nye legitimationsoplysninger for hver virksomhed eller platform, fordi deres identitet oprettes én gang og flytter med dem. Derudover tillader enkelte identiteter, der er krydskompatible med forskellige platforme, mindre eksponering for datahacks.

Implikationer af multi-input genkendelse

Bredere implikationer af multi-input genkendelse kan omfatte: 

• Befolkningsskalaforbedringer af cybersikkerhedsstandarder, da (langsigtet) de fleste borgere vil bruge en form for multi-input-genkendelse som erstatning for traditionelle adgangskoder og fysiske/digitale nøgler til at sikre deres personlige data på tværs af flere tjenester.
• Bygningssikkerhed og følsomme offentlige og private data, der oplever trinvise sikkerhedsforbedringer, da (langsigtede) medarbejdere med adgang til følsomme lokationer og data vil få mandat til at bruge multi-input genkendelsessystemer.
• Virksomheder, der implementerer multi-input genkendelsessystemer, der bruger dybe neurale netværk (DNN'er) til korrekt at rangere og identificere disse forskellige biometriske oplysninger.
• Startups, der fokuserer på at udvikle flere multimodale genkendelsessystemer med forskellige kombinationer, herunder stemme-, hjerte- og ansigtsaftryk.
• Øgede investeringer i at sikre disse biometriske biblioteker for at sikre, at de ikke bliver hacket eller forfalsket.
• Potentielle hændelser med biometriske oplysninger fra offentlige myndigheder, der bliver hacket for bedrageri og identitetstyveri.
• Borgergrupper kræver, at virksomheder er gennemsigtige med hensyn til, hvor meget biometrisk information de indsamler, hvordan de opbevarer dem, og hvornår de bruger dem.

Spørgsmål at kommentere på

• Hvis du har prøvet et multimodalt biometrisk genkendelsessystem, hvor nemt og præcist er det så?
• Hvad er de andre potentielle fordele ved multi-input genkendelsessystemer?