बहु-इनपुट पहिचान: विभिन्न बायोमेट्रिक जानकारी संयोजन

• लेखक:
• लेखक नाम

  Quantumrun दूरदर्शिता
• फेब्रुअरी 24, 2023

छालाको सतह मुनि अद्वितीय पहिचान विशेषताहरु खोज्दै मान्छे पहिचान को एक चालाक तरीका हो। कपालको शैली र आँखाको रङ सजिलैसँग परिवर्तन गर्न वा मास्क गर्न सकिन्छ, तर उदाहरणका लागि, कसैको नसा संरचना परिवर्तन गर्न असम्भव छ। बायोमेट्रिक प्रमाणीकरणले सुरक्षाको थप तह प्रदान गर्दछ किनभने यसलाई जीवित मानिसहरू चाहिन्छ।

बहु-इनपुट पहिचान सन्दर्भ

बहुमोडल बायोमेट्रिक प्रणालीहरू व्यावहारिक अनुप्रयोगहरूमा यूनिमोडल प्रणालीहरू भन्दा धेरै पटक प्रयोग गरिन्छ किनभने तिनीहरूसँग समान कमजोरीहरू हुँदैनन्, जस्तै डाटा शोर वा स्पूफिङबाट प्रभावित हुनु। यद्यपि, पहिचानका लागि जानकारीको एउटै स्रोत (जस्तै, आइरिस, अनुहार) मा भर पर्ने अनमोडल प्रणालीहरू सरकारी र नागरिक सुरक्षा अनुप्रयोगहरूमा अविश्वसनीय र अकुशल भनी ज्ञात भए तापनि लोकप्रिय छन्।

पहिचान प्रमाणीकरण सुनिश्चित गर्ने अझ सुरक्षित तरिका भनेको यी अनमोडल प्रणालीहरूलाई तिनीहरूको व्यक्तिगत सीमितताहरू पार गर्न संयोजन गर्नु हो। थप रूपमा, मल्टिमोडल प्रणालीहरूले प्रयोगकर्ताहरूलाई थप प्रभावकारी रूपमा भर्ना गर्न र अनाधिकृत पहुँचको लागि अधिक सटीकता र प्रतिरोध प्रदान गर्न सक्छ।

ब्रैडफोर्ड विश्वविद्यालय द्वारा 2017 को अध्ययन अनुसार, बहुविध बायोमेट्रिक प्रणालीको डिजाइन र कार्यान्वयन बारम्बार चुनौतीपूर्ण छ, र परिणामलाई ठूलो असर पार्न सक्ने धेरै मुद्दाहरू विचार गर्न आवश्यक छ। यी चुनौतीहरूको उदाहरण लागत, शुद्धता, बायोमेट्रिक विशेषताहरूको उपलब्ध स्रोतहरू, र फ्युजन रणनीति प्रयोग भइरहेको छ। 

बहुमोडल प्रणालीहरूको लागि सबैभन्दा महत्त्वपूर्ण मुद्दा कुन बायोमेट्रिक विशेषताहरू सबैभन्दा प्रभावकारी हुनेछ र तिनीहरूलाई फ्यूज गर्ने प्रभावकारी तरिका खोज्नु हो। मल्टिमोडल बायोमेट्रिक प्रणालीहरूमा, यदि प्रणालीले पहिचान मोडमा काम गर्छ भने, प्रत्येक वर्गीकरणकर्ताको आउटपुटलाई भर्ना गरिएका उम्मेद्वारहरूको श्रेणीको रूपमा देख्न सकिन्छ, विश्वास स्तरद्वारा क्रमबद्ध गरिएका सबै सम्भावित मिलानहरूको प्रतिनिधित्व गर्ने सूची।

विघटनकारी प्रभाव

वैकल्पिक बायोमेट्रिक्स मापन गर्न उपलब्ध विभिन्न उपकरणहरूको कारण बहु-इनपुट पहिचान लोकप्रियता प्राप्त गर्दैछ। यी प्रविधिहरू अगाडि बढ्दै जाँदा, यो पहिचानलाई अझ सुरक्षित बनाउन सम्भव हुनेछ, किनकि नसा र आइरिस ढाँचाहरू ह्याक वा चोरी गर्न सकिँदैन। धेरै कम्पनीहरू र अनुसन्धान संस्थाहरूले पहिले नै ठूलो मात्रामा तैनातीका लागि बहु-इनपुट उपकरणहरू विकास गरिरहेका छन्। 

एउटा उदाहरण हो नेशनल ताइवान युनिभर्सिटी अफ साइन्स एण्ड टेक्नोलोजीको दुई-कारक प्रमाणीकरण प्रणाली जसले कंकाल टोपोलोजीहरू र औंलाको नसको ढाँचाहरू हेर्छ। फिंगर वेन बायोमेट्रिक्स (भास्कुलर बायोमेट्रिक्स वा भेन स्क्यानिङ) ले व्यक्तिको औंलाहरूमा पहिचान गर्नको लागि अनौठो शिरा ढाँचाहरू प्रयोग गर्दछ। यो विधि सम्भव छ किनभने रगतमा हेमोग्लोबिन हुन्छ, जुन नजिकको इन्फ्रारेड वा दृश्य प्रकाशमा पर्दा विभिन्न रंगहरू देखाउँछ। नतिजाको रूपमा, बायोमेट्रिक रिडरले सुरक्षित सर्भरमा भण्डारण गर्नु अघि प्रयोगकर्ताको फरक नसा ढाँचाहरू स्क्यान र डिजिटलाइज गर्न सक्छ।

यसैबीच, सान फ्रान्सिस्कोमा आधारित इमेजवेयरले प्रमाणीकरण उद्देश्यका लागि बहुविध बायोमेट्रिक्स प्रयोग गर्दछ। प्लेटफर्म सुरक्षा उपाय लागू गर्दा प्रशासकहरूले एक बायोमेट्रिक वा बायोमेट्रिक्सको संयोजन चयन गर्न सक्छन्। यस सेवामा प्रयोग गर्न सकिने बायोमेट्रिक्सका प्रकारहरूमा आइरिस पहिचान, फेसियल स्क्यानिङ, आवाज पहिचान, पाम भेन स्क्यानर र फिंगरप्रिन्ट रिडरहरू समावेश छन्।

ImageWare Systems को मल्टीमोडल बायोमेट्रिक्सको साथ, प्रयोगकर्ताहरूले जहाँसुकै र कुनै पनि अवस्थामा आफ्नो पहिचान प्रमाणित गर्न सक्छन्। फेडेरेटेड लगइन भनेको प्रयोगकर्ताहरूले प्रत्येक व्यवसाय वा प्लेटफर्मको लागि नयाँ प्रमाणहरू सिर्जना गर्नुपर्दैन किनभने तिनीहरूको पहिचान एक पटक सिर्जना हुन्छ र तिनीहरूसँगै सर्छ। थप रूपमा, एकल पहिचानहरू जुन विभिन्न प्लेटफर्महरूसँग क्रस-कम्प्याटिबल छन् डेटा ह्याकहरूमा कम एक्सपोजरको लागि अनुमति दिन्छ।

बहु-इनपुट पहिचानको प्रभाव

बहु-इनपुट पहिचानको व्यापक प्रभावहरू समावेश हुन सक्छन्: 

• साइबर सुरक्षा मापदण्डहरूमा जनसंख्या-स्तरमा सुधारहरू (दीर्घकालीन) को रूपमा धेरै नागरिकहरूले बहु-इनपुट पहिचानको केही रूपलाई परम्परागत पासवर्डहरू र भौतिक/डिजिटल कुञ्जीहरूको प्रतिस्थापनको रूपमा बहु-सेवाहरूमा आफ्नो व्यक्तिगत डेटा सुरक्षित गर्न प्रयोग गर्नेछन्।
• निर्माण सुरक्षा र संवेदनशील सार्वजनिक र निजी डेटा वृद्धिशील सुरक्षा सुधारहरूको अनुभव गर्दै (दीर्घकालीन) संवेदनशील स्थानहरूमा पहुँच भएका कर्मचारीहरूको रूपमा र डाटालाई बहु-इनपुट पहिचान प्रणालीहरू प्रयोग गर्न अनिवार्य गरिनेछ।
• बहु-इनपुट पहिचान प्रणालीहरू प्रयोग गर्ने कम्पनीहरू जसले गहिरो न्यूरल नेटवर्कहरू (DNNs) सही रूपमा वर्गीकरण गर्न र यो फरक बायोमेट्रिक जानकारी पहिचान गर्न प्रयोग गर्दछ।
• आवाज-, हृदय-, र फेसप्रिन्टहरू सहित विभिन्न संयोजनहरूका साथ थप बहु-मोडल पहिचान प्रणालीहरू विकास गर्नमा केन्द्रित स्टार्टअपहरू।
• यी बायोमेट्रिक पुस्तकालयहरूलाई ह्याक वा नक्कली नहोस् भनेर सुनिश्चित गर्नका लागि लगानी बढाइएको छ।
• ठगी र पहिचान चोरीको लागि सरकारी निकायहरूको बायोमेट्रिक जानकारी ह्याक हुने सम्भावित घटनाहरू।
• नागरिक समूहहरूले कम्पनीहरूलाई उनीहरूले कति बायोमेट्रिक जानकारी सङ्कलन गर्छन्, कसरी भण्डारण गर्छन् र कहिले प्रयोग गर्छन् भन्ने बारे पारदर्शी हुन माग गर्छन्।

टिप्पणी गर्न प्रश्नहरू

• यदि तपाईंले बहुविध बायोमेट्रिक पहिचान प्रणाली प्रयास गर्नुभयो भने, यो कत्तिको सजिलो र सही छ?
• बहु-इनपुट पहिचान प्रणालीका अन्य सम्भावित फाइदाहरू के हुन्?