મલ્ટિ-ઇનપુટ ઓળખ: વિવિધ બાયોમેટ્રિક માહિતીનું સંયોજન

• લેખક:
• લેખક નામ

  ક્વોન્ટમરુન અગમચેતી
• ફેબ્રુઆરી 24, 2023

ત્વચાની સપાટીની નીચે વિશિષ્ટ ઓળખની લાક્ષણિકતાઓ શોધવી એ લોકોને ઓળખવાની એક ચતુર રીત છે. હેરસ્ટાઇલ અને આંખના રંગો સરળતાથી બદલી શકાય છે અથવા માસ્ક કરી શકાય છે, પરંતુ કોઈ વ્યક્તિ માટે તેમની નસની રચના બદલવી લગભગ અશક્ય છે, ઉદાહરણ તરીકે. બાયોમેટ્રિક પ્રમાણીકરણ સુરક્ષાનું વધારાનું સ્તર પ્રદાન કરે છે કારણ કે તેને જીવંત માનવોની જરૂર છે.

બહુ-ઇનપુટ ઓળખ સંદર્ભ

મલ્ટિમોડલ બાયોમેટ્રિક સિસ્ટમ્સનો વ્યવહારિક એપ્લિકેશન્સમાં યુનિમોડલ સિસ્ટમ્સ કરતાં વધુ વખત ઉપયોગ થાય છે કારણ કે તેમાં સમાન નબળાઈઓ હોતી નથી, જેમ કે ડેટાના અવાજ અથવા સ્પૂફિંગથી પ્રભાવિત થવું. જો કે, યુનિમોડલ સિસ્ટમ્સ, જે ઓળખ માટે માહિતીના એક જ સ્ત્રોત પર આધાર રાખે છે (દા.ત., આઇરિસ, ચહેરો), તે અવિશ્વસનીય અને બિનકાર્યક્ષમ હોવા છતાં સરકારી અને નાગરિક સુરક્ષા કાર્યક્રમોમાં લોકપ્રિય છે.

ઓળખ પ્રમાણીકરણને સુનિશ્ચિત કરવાની વધુ સુરક્ષિત રીત એ છે કે તેમની વ્યક્તિગત મર્યાદાઓને દૂર કરવા માટે આ યુનિમોડલ સિસ્ટમ્સનું સંયોજન છે. વધુમાં, મલ્ટિમોડલ સિસ્ટમ્સ વધુ અસરકારક રીતે વપરાશકર્તાઓની નોંધણી કરી શકે છે અને અનધિકૃત ઍક્સેસ માટે વધુ સચોટતા અને પ્રતિકાર પ્રદાન કરી શકે છે.

યુનિવર્સિટી ઓફ બ્રેડફોર્ડ દ્વારા 2017ના અભ્યાસ મુજબ, મલ્ટિમોડલ બાયોમેટ્રિક સિસ્ટમની રચના અને તેનું અમલીકરણ વારંવાર પડકારરૂપ હોય છે, અને પરિણામને ભારે અસર કરી શકે તેવા ઘણા મુદ્દાઓને ધ્યાનમાં લેવાની જરૂર છે. આ પડકારોના ઉદાહરણો ખર્ચ, ચોકસાઈ, બાયોમેટ્રિક લક્ષણોના ઉપલબ્ધ સંસાધનો અને ઉપયોગમાં લેવાતી ફ્યુઝન વ્યૂહરચના છે. 

મલ્ટિમોડલ સિસ્ટમ્સ માટે સૌથી નિર્ણાયક મુદ્દો એ છે કે કયા બાયોમેટ્રિક લક્ષણો સૌથી વધુ અસરકારક રહેશે તે પસંદ કરવું અને તેમને ફ્યુઝ કરવાની કાર્યક્ષમ રીત શોધવી. મલ્ટીમોડલ બાયોમેટ્રિક સિસ્ટમ્સમાં, જો સિસ્ટમ ઓળખ મોડમાં કાર્ય કરે છે, તો દરેક વર્ગીકૃતનું આઉટપુટ નોંધાયેલા ઉમેદવારોના રેન્ક તરીકે જોઈ શકાય છે, વિશ્વાસ સ્તર દ્વારા વર્ગીકૃત થયેલ તમામ સંભવિત મેચોનું પ્રતિનિધિત્વ કરતી સૂચિ.

વિક્ષેપકારક અસર

વૈકલ્પિક બાયોમેટ્રિક્સને માપવા માટે ઉપલબ્ધ વિવિધ સાધનોને કારણે બહુ-ઇનપુટ ઓળખ લોકપ્રિયતા મેળવી રહી છે. જેમ જેમ આ ટેક્નોલોજીઓ આગળ વધશે તેમ, ઓળખને વધુ સુરક્ષિત બનાવવી શક્ય બનશે, કારણ કે નસો અને મેઘધનુષની પેટર્નને હેક કે ચોરી કરી શકાતી નથી. ઘણી કંપનીઓ અને સંશોધન સંસ્થાઓ પહેલાથી જ મોટા પાયે જમાવટ માટે મલ્ટિ-ઇનપુટ ટૂલ્સ વિકસાવી રહી છે. 

તેનું ઉદાહરણ નેશનલ તાઇવાન યુનિવર્સિટી ઓફ સાયન્સ એન્ડ ટેક્નોલોજીની ટુ-ફેક્ટર ઓથેન્ટિકેશન સિસ્ટમ છે જે હાડપિંજરના ટોપોલોજી અને આંગળીની નસની પેટર્નને જુએ છે. ફિંગર વેઇન બાયોમેટ્રિક્સ (વેસ્ક્યુલર બાયોમેટ્રિક્સ અથવા વેઇન સ્કેનિંગ) વ્યક્તિની આંગળીઓમાં તેમને ઓળખવા માટે અનન્ય નસ પેટર્નનો ઉપયોગ કરે છે. આ પદ્ધતિ શક્ય છે કારણ કે લોહીમાં હિમોગ્લોબિન હોય છે, જે નજીકના-ઇન્ફ્રારેડ અથવા દૃશ્યમાન પ્રકાશના સંપર્કમાં આવે ત્યારે વિવિધ રંગો દર્શાવે છે. પરિણામે, બાયોમેટ્રિક રીડર સુરક્ષિત સર્વર પર સંગ્રહ કરતા પહેલા વપરાશકર્તાની વિશિષ્ટ નસ પેટર્નને સ્કેન અને ડિજિટાઇઝ કરી શકે છે.

દરમિયાન, સાન ફ્રાન્સિસ્કો સ્થિત ઈમેજવેર, પ્રમાણીકરણ હેતુઓ માટે બહુવિધ બાયોમેટ્રિક્સનો ઉપયોગ કરે છે. પ્લેટફોર્મ સુરક્ષા માપદંડનો અમલ કરતી વખતે સંચાલકો એક બાયોમેટ્રિક અથવા બાયોમેટ્રિક્સનું સંયોજન પસંદ કરી શકે છે. આ સેવા સાથે ઉપયોગ કરી શકાય તેવા બાયોમેટ્રિક્સના પ્રકારોમાં આઇરિસ રેકગ્નિશન, ફેશિયલ સ્કેનિંગ, વૉઇસ આઇડેન્ટિફિકેશન, પામ વેઇન સ્કેનર્સ અને ફિંગરપ્રિન્ટ રીડર્સનો સમાવેશ થાય છે.

ઇમેજવેર સિસ્ટમ્સના મલ્ટિમોડલ બાયોમેટ્રિક્સ સાથે, વપરાશકર્તાઓ ગમે ત્યાં અને કોઈપણ પરિસ્થિતિમાં તેમની ઓળખને પ્રમાણિત કરી શકે છે. ફેડરેટેડ લોગિનનો અર્થ એ છે કે વપરાશકર્તાઓએ દરેક વ્યવસાય અથવા પ્લેટફોર્મ માટે નવા ઓળખપત્રો બનાવવાની જરૂર નથી કારણ કે તેમની ઓળખ એકવાર બનાવવામાં આવે છે અને તેમની સાથે આગળ વધે છે. વધુમાં, એકલ ઓળખ કે જે વિવિધ પ્લેટફોર્મ્સ સાથે સુસંગત છે તે ડેટા હેક્સના ઓછા એક્સપોઝર માટે પરવાનગી આપે છે.

મલ્ટી-ઇનપુટ માન્યતાના અસરો

મલ્ટિ-ઇનપુટ માન્યતાના વ્યાપક અસરોમાં આનો સમાવેશ થઈ શકે છે: 

• (લાંબા ગાળાના) તરીકે સાયબર સુરક્ષા ધોરણોમાં વસ્તી-સ્કેલ સુધારાઓ મોટાભાગના નાગરિકો બહુવિધ સેવાઓમાં તેમના વ્યક્તિગત ડેટાને સુરક્ષિત કરવા માટે પરંપરાગત પાસવર્ડ્સ અને ભૌતિક/ડિજિટલ કીઝના સ્થાને અમુક પ્રકારના મલ્ટી-ઇનપુટ માન્યતાનો ઉપયોગ કરશે.
• મલ્ટી-ઇનપુટ રેકગ્નિશન સિસ્ટમનો ઉપયોગ કરવા માટે સંવેદનશીલ સ્થળો અને ડેટાની ઍક્સેસ ધરાવતા (લાંબા ગાળાના) કર્મચારીઓ તરીકે વધારાની સુરક્ષા સુધારણાઓનો અનુભવ કરતા સંવેદનશીલ જાહેર અને ખાનગી ડેટાનું નિર્માણ કરવું ફરજિયાત કરવામાં આવશે.
• આ વિવિધ બાયોમેટ્રિક માહિતીને યોગ્ય રીતે ક્રમ આપવા અને ઓળખવા માટે ડીપ ન્યુરલ નેટવર્ક્સ (DNNs) નો ઉપયોગ કરતી મલ્ટી-ઇનપુટ રેકગ્નિશન સિસ્ટમનો ઉપયોગ કરતી કંપનીઓ.
• વૉઇસ-, હાર્ટ- અને ફેસપ્રિન્ટ્સ સહિત વિવિધ સંયોજનો સાથે વધુ મલ્ટિમોડલ રેકગ્નિશન સિસ્ટમ્સ વિકસાવવા પર ધ્યાન કેન્દ્રિત કરતા સ્ટાર્ટઅપ્સ.
• આ બાયોમેટ્રિક લાઇબ્રેરીઓ હેક ન થાય કે છેતરપિંડી ન થાય તેની ખાતરી કરવા માટે રોકાણમાં વધારો.
• છેતરપિંડી અને ઓળખની ચોરી માટે સરકારી એજન્સીઓની બાયોમેટ્રિક માહિતી હેક થવાની સંભવિત ઘટનાઓ.
• નાગરિક જૂથો કંપનીઓ પાસે માંગ કરે છે કે તેઓ કેટલી બાયોમેટ્રિક માહિતી એકત્ર કરે છે, તેઓ તેને કેવી રીતે સંગ્રહિત કરે છે અને ક્યારે તેનો ઉપયોગ કરે છે.

ટિપ્પણી કરવા માટેના પ્રશ્નો

• જો તમે મલ્ટિમોડલ બાયોમેટ્રિક રેકગ્નિશન સિસ્ટમ અજમાવી છે, તો તે કેટલી સરળ અને સચોટ છે?
• મલ્ટિ-ઇનપુટ રેકગ્નિશન સિસ્ટમ્સના અન્ય સંભવિત ફાયદા શું છે?