سیستم های امنیتی بیومتریک و سیستم های احراز هویت صدا و زبان. مشکلات فناوری های بیومتریک

خلاصه.

آمار پارامترهای بیومتریک اساسی را نشان می دهد. روش های شناسایی که به طور گسترده در روسیه استفاده می شود مورد بررسی قرار می گیرد. شناسایی بیومتریک برای انجام وظیفه متراکم کردن همه رمزهای عبور کاربر موجود به یک و تثبیت آن در همه جا طراحی شده است. فرآیند یادگیری قدرت ضربه زدن با انگشت با ارزیابی کیفیت تصویر آغاز می شود: جهت شیارها محاسبه می شود، که شیارها را مستقیماً در یک پیکسل پوست نشان می دهد. تشخیص چهره سودمندترین روش شناسایی بیومتریک است. شناسایی یک ویژگی توسط عنبیه چشم با کشیدن تصویری که عنبیه روی آن موضعی شده و کد آن تشکیل شده است، شکل می گیرد. بر اساس دو ویژگی اصلی هر سیستم بیومتریک، می توان به مزایایی از نوع اول و نوع دیگر دست یافت. شناسایی بر اساس عنبیه کوچک یکی از مطمئن ترین روش های بیومتریک است. روشی غیر تماسی برای جمع آوری داده ها و صحبت در مورد سادگی تحقیق و امکان نوآوری در زمینه های مختلف.

10.7256/2306-4196.2013.2.8300

تاریخ ارسال به سردبیر:

24-05-2013

کلید واژه ها:

شناسایی بیومتریک، عنبیه، تشخیص چهره، اثر انگشت، شناسایی شخصی، بیومتریک، الگوریتم، پایگاه داده، روش های بیومتریک، رمز عبور

وارد

افراد در ازدواج فعلی خود به طور فزاینده ای برای اقداماتی که انجام می دهند، امنیت و ایمنی ویژه ای را طلب می کنند. برای همه ما، یک ویژگی ضروری زندگی روزمره، مجوز قابل اعتماد است: رکود در همه جا کارت های بانکی، خدمات پست الکترونیکی، انجام عملیات های مختلف و ارائه خدمات - همه نیاز به شناسایی تخصص دارند. امروزه، وارد کردن ده ها رمز عبور، چه با یک توکن یا یک رمز شناسایی دیگر، رایج است. این وضعیت نیاز مبرمی به غذا دارد: «چگونه می‌توانید همه رمزهای عبور را بدانید و بدون ترس از دزدی یا تغییر آن‌ها را در همه جا قرار دهید؟»

پارامترهای بیومتریک

شناسایی بیومتریک در صورت نیاز مشخص می شود. شناسایی یک فرد با استفاده از داده‌های بیومتریک یک روش خودکار شناسایی مبتنی بر فیزیولوژیکی (ویژگی‌های فیزیکی و در عین حال قابل مشاهده) و رفتاری (نماینده توالی اعمال و کابین دیگر برای یک دوره حدود یک ساعته) است. جدول 1 موارد اصلی را مجدداً بیمه می کند.

میز 1

پارامترهای بیومتریک

با جزئیات بیشتر به این سه نگاه می کنیم که در روسیه گسترده تر هستند.

نوک انگشتان

انگشتان پا (شکل 1 الف) شیارهای کوچکی در سطح داخلی کف دست و پای شخص هستند. بررسی کشتی بر این فرض استوار است که دو انگشت جدید متعلق به افراد مختلف وجود دارد.

برای افزایش سطح نتایج، متخصصان به جزئیات وریدهای پاپیلاری نگاه می کنند که شامل شکل های زیر است: انتهای شیار، شیار دوشاخه، شیار مستقل، دریاچه، شیار، تقاطع ها و موارد دیگر. روش های تراز خودکار به روشی مشابه کار می کنند. فرآیند به دست آوردن قدرت تصویر با ارزیابی وضوح تصویر آغاز می شود: جهت شیارها محاسبه می شود، که شیارها را مستقیماً در پیکسل پوست نشان می دهد. سپس قطعه بندی شیارها و محلی سازی جزئیات با تشخیص بیشتر انجام می شود.

هندسه فرد

دانش شناخت شخصی از زمان های بسیار قدیم با مردم همراه بوده است. گذرنامه با پشتوانه یک عکس، به سندی فراگیر و اصلی تبدیل شده است که یک فرد را شناسایی می کند. این راحت ترین روش شناسایی بیومتریک است. سادگی ثبت این علامت بیومتریک امکان گردآوری پایگاه های اطلاعاتی بزرگ را فراهم کرد: عکس ها در سازمان های اجرای قانون، فیلم های ضبط شده از دوربین های امنیتی، نظارت اجتماعی و غیره.

توسط Jerel، تصاویر را می توان ویرایش کرد: دیجیتالی کردن اسناد. دوربین های امنیتی؛ تصاویر بی اهمیت؛ عکس در طیف مادون قرمز

فرد روی تصویر گرفته شده بومی سازی می شود (شکل 1 ب)، سپس یکی از دو روش استفاده می شود: نگاه خارجیافراد و هندسه فردی به طور خلاصه، این روشی مبتنی بر تجزیه و تحلیل هندسه یک فرد است که تاریخچه شناخت آن سابقه ای سی ساله دارد.

پوسته رنگین کمان چشم

غشای رنگین کمانی قسمت رنگی چشم بین صلبیه و روی است. این گونه است که انگشتان دست تحت تأثیر ویژگی فنوتیپی یک فرد قرار می گیرند و در ماه های اول بارداری رشد می کنند.

ایده شناسایی ویژگی ها توسط عنبیه چشم توسط چشم پزشکان در سال 1936 ارائه شد. بعدها این ایده در فیلم های مختلف بازنمایی شد. به عنوان مثال، در سال 1984، فیلم در مورد جیمز باند "Tell No More" اکران شد. و در سال 1994، اولین الگوریتم خودکار برای تشخیص عنبیه چشم ظاهر شد که توسط ریاضیدان جان داگمن ساخته شد. الگوریتم ثبت شده هنوز اساس سیستم های تشخیص عنبیه را تشکیل می دهد.

دستگاه ذخیره تصویر چشم که برای پزشک مشکل و غیر قابل توجه خواهد بود یکی از مشکلات است. باید کوچولوهای عنبیه را هم در نظر گرفت که به ذهن روشن فکران اهمیتی ندارد. رویکردهای زیادی وجود دارد. اولین مورد بر اساس ادراک چشم است، سپس دوربین دیگر با لنز بزرگتر تصاویر با کیفیتی از عنبیه می گیرد. یکی دیگر این است که چشمان یک نفر در وسط محل آواز است و از یک دوربین محافظت می کند.

پوسته عنبیه روی تصویر گرفته شده محلی شده و کد آن تشکیل می شود (شکل 1 ج). فیلتر گابور دوجهانی داگمن ویکوریستاو. علاوه بر این، در جایی که تصویر دارای نویز است (نواحی همپوشانی زیاد و کم هستند) ماسکی ایجاد می‌شود که روی کد خروجی عنبیه قرار می‌گیرد. برای شناسایی، نسبت همینگ (تفاوت بیت ها بین دو الگوی عنبیه) محاسبه می شود که برای عنبیه های جدید کوچکترین خواهد بود.

Malyunok 1. کاربرد پارامترهای بیومتریک

ویژگی های آماری

بر اساس دو ویژگی اصلی هر سیستم بیومتریک، می توان به مزایایی از نوع اول و نوع دیگر دست یافت. در زمینه بیومتریک، خسته ترین مفاهیم FAR (نرخ پذیرش نادرست) و FRR (نرخ رد کاذب) هستند. FAR مقایسه بین ویژگی های بیومتریک دو نفر را مشخص می کند. FRR - قابلیت اطمینان دسترسی به افرادی که مجاز هستند.

جدول 2 میانگین شاخص های سیستم های بیومتریک مختلف را نشان می دهد

جدول 2

ویژگی های سیستم های بیومتریک

توجه به این نکته ضروری است که این شاخص ها بسته به پایگاه داده های بیومتریک انتخاب شده و الگوریتم های پشته ای متفاوت هستند، اما واضح است که این رابطه تقریباً به یک محدود می شود. با تجزیه و تحلیل این داده ها می توان نتیجه گرفت که شناسایی بر اساس عنبیه کوچک یکی از مطمئن ترین روش های بیومتریک است. روشی غیر تماسی برای جمع آوری داده ها و صحبت در مورد سادگی تحقیق و امکان انتقال در حوزه های مختلف.

در سایر نقاط جهان، علاقه فزاینده ای به روش های تشخیص و شناسایی ویژگی ها وجود دارد. جهت ها و روش های اصلی دستیابی به این وظایف در زمینه توسعه سیستم های بیومتریک نهفته است. در سیستم های بیومتریک برای تشخیص انسان، از مجموعه ای از ویژگی های بیومتریک بر اساس ویژگی های بیولوژیکی بدن انسان استفاده می شود. چنین ویژگی های بیومتریک ممکن است شامل: صدا، دست خط، الگوهای انگشت، هندسه دست، شبکیه چشم یا عنبیه، شخص و DNA باشد.)

امنیت بیومتریک در مقایسه با روش‌هایی مانند بازیابی رمزهای عبور، کدهای پین، کارت‌های هوشمند، توکن‌ها یا فناوری‌های PKI (زیرساخت کلید خصوصی) مؤثر است، زیرا بیومتریک امکان شناسایی را می‌دهد خودتان شخص خاصی را بخرید، نه یک دستگاه. روش های سنتی امنیت شامل امکان هدر دادن یا سرقت اطلاعات که در نتیجه در دسترس معامله گران غیرقانونی قرار می گیرد، نمی شود. یک شناسه بیومتریک منحصر به فرد، مانند اثر انگشت یا تصویر یک فرد، به عنوان کلیدی عمل می کند که نمی توان آن را هدر داد. سیستم امنیتی بیومتریک به شما این امکان را می دهد که به امنیت اولیه پاسخ دهید یا در خدمت ارتقای آن باشید.

یکی از دلایل اصلی که اساساً اهمیت پردازش و تجزیه و تحلیل خودکار اطلاعات بیومتریک را افزایش داد، بهبود قابلیت‌های عملکردی سیستم‌های امنیتی خودکار مستقر در مناطق وسیع (از جمله سالن‌ها، فرودگاه‌ها، سوپرمارکت‌ها و غیره) ممکن شد. نیاز به واقعی وقت آن است که اقدامات لازم را قبل از شناسایی افراد حاضر در قلمرو کنترل شده افراد انجام دهیم و اغلب مخفیانه، نه تنها بدون تماس (از راه دور)، بلکه بدون تشخیص خاص (ارائه ویژه) بدون علائم بیومتریک) از طرف افراد شناسایی شده

در حال حاضر روش‌های احراز هویت بیومتریک زیادی وجود دارد که به دو گروه اصلی تقسیم می‌شوند - روش‌های استاتیک و دینامیک.

روش‌های استاتیک احراز هویت بیومتریک بر اساس ویژگی‌های فیزیولوژیکی (استاتیک) یک فرد است که ویژگی منحصر به فردی است که از مردم به او داده می‌شود و از دیگران ناشناخته است. این گروه مشمول همان روش‌های احراز هویت هستند.

1. $ \ Textit (با توجه به انگشت.) $ این روش بر اساس منحصر به فرد بودن پوست وریدهای پاپیلاری کوچک روی انگشتان است. هنگامی که انگشت خود را با استفاده از یک اسکنر مخصوص بلند می کنید، به یک کد دیجیتال (میانبر) تبدیل می شود و برابر با استاندارد قبلی است. این فناوری در مقایسه با سایر روش های احراز هویت بیومتریک پیشرفته ترین است.
2. $ \ Textit (پشت شکل دره.) $ روش دانمارکی برای تأثیرگذاری بر هندسه دست. پشت یک دستگاه خاص دیگر که از یک دوربین و چندین ال ای دی تشکیل شده است (از طریق مدار روشن می شود و برجستگی های متفاوتی از دره نشان می دهد) تصویری بی اهمیت از مداد دست وجود دارد که می دانم پشت آن یک گردن و یک پهن تشکیل شده است. مردم.
3. $ \ Textit (با توجه به رشد رگ‌ها در سمت جلوی کف دست.) $ با استفاده از یک دوربین مادون قرمز اضافی، رگ‌های کوچک در سمت جلوی کف دست یا دست خوانده می‌شوند، تصویر برداشته می‌شود و یک جیب دیجیتال ایجاد می‌شود. بر اساس الگوی رشد ورید تشکیل شده است.
4. $ \ Textit (برای چشم های شبکه.) $ در عوض، این روشی برای شناسایی عروق خونی فوندوس با اندازه کوچک است. برای اینکه این نوزاد قابل مشاهده باشد، مردم باید به نقطه نوری دور نگاه کنند، که در پایین آن روشن شده و با دوربین مخصوص اسکن می شود.
5. $ \ Textit (پشت عنبیه چشم.) $ عنبیه کوچک چشم نیز از ویژگی های منحصر به فرد فرد است و برای اسکن آن نیاز به یک دوربین قابل حمل با نرم افزار ویژه ای است که به شما امکان می دهد از قسمت هایی از فرد عکس بگیرید. ، که تصویر چشم از آن دیده می شود که در نقاشی آن عنبیه کوچکی را می بینید که پشت آن یک کد دیجیتال برای شناسایی شخص وجود دارد.
6. $ \ Textit (برای تصویر یا شکل یک فرد.) $ در این روش شناسایی، یک تصویر دو بعدی یا بی اهمیت از ظاهر یک فرد وجود خواهد داشت. روی صورت می توان خطوط ابرو، چشم، بینی، لب و غیره را دید، فاصله بین آنها محاسبه شده است و نه تنها یک تصویر، بلکه بدون هیچ گزینه ای برای نوبت فرد، مو، تغییر چهره وجود خواهد داشت. . تعداد تصاویر بسته به هدف این روش (برای احراز هویت، تأیید، تشخیص جستجو در مناطق بزرگ و غیره) متفاوت است.
7. $\Textit (پشت ترموگرام یک فرد)$. این روش احراز هویت بر اساس منحصر به فرد بودن تقسیم به شریان های قابل مشاهده است که خون را به داخل پوست پمپاژ می کنند و گرما را حس می کند. برای گرفتن ترموگرام از دوربین های مخصوص در محدوده مادون قرمز استفاده می شود. برخلاف روش اول، این روش به شما امکان می دهد دوقلوها را از هم جدا کنید.
8. $\Textit (برای DNA)$. دستاوردهای بدین ترتیببدیهی است که روش های استخراج و پردازش DNA در حال حاضر برای مدت طولانی کار می کنند، بنابراین چنین سیستم هایی فقط برای بررسی های تخصصی استفاده می شوند.
9. $\Textit (روش‌های بیشتر)$. همچنین چنین روش های منحصر به فردی وجود دارد - مانند شناسایی از طریق قسمت زیرین پوست، به منظور اسکن انگشت، شکل گوش، بوی بدن و غیره.

ظاهراً بیشتر فناوری‌های بیومتریک این گروه با تجزیه و تحلیل تصویر همراه بوده و با این روش‌ها و سایر روش‌های نظارت رایانه‌ای پیاده‌سازی می‌شوند.

روش‌های دینامیکی احراز هویت بیومتریک بر اساس ویژگی‌های رفتاری (دینامیک) یک فرد است و بر اساس ویژگی‌های مشخصه نیروهای تابعه در فرآیند ایجاد چیزی است. روش های احراز هویت برای این گروه به شرح زیر است.

1. $ \ textit (برای دست خط.) $ به عنوان یک قاعده، برای این نوع شناسایی یک شخص، یک امضا نوشته می شود (غیر از نوشتن کلمه رمز). کد شناسایی دیجیتالی در مرحله حفاظت و مالکیت مورد نیاز (تبلت گرافیکی، صفحه کامپیوتر پالم و غیره) از دو نوع تشکیل می شود:

با توجه به خود توضیحات، برای شناسایی vikoryst، شما به سادگی باید دو تصویر را ترکیب کنید.

برای امضا و ویژگی های دینامیکی نوشته، سپس برای شناسایی گروهی وجود خواهد داشت که شامل اطلاعات امضای فوری، ویژگی های موقت نقاشی و ویژگی های آماری دینامیک فشار روی سطح است.

2. $ \ textit (برای دستخط صفحه کلید.) $ روش به طور کلی شبیه به روشی است که در بالا توضیح داده شد، به جز اینکه به جای امضای رمز عبور، یک کلمه رمز خاص وارد می شود (اگر رمز عبور خاص کاربر برای آن استفاده شده باشد، چنین احراز هویتی دو عاملی نامیده می شود) و هیچ تجهیزات خاصی غیر از صفحه کلید استاندارد لازم نیست. مشخصه اصلی خوشه شناسایی، پویایی مجموعه کلمه رمز است.

3. $ \ textit (طبق صدا.) $ این یکی از قدیمی‌ترین فناوری‌ها است، در این ساعت پیشرفت‌های آن شتاب گرفته است، زیرا به طور گسترده در "زندگی روزمره هوشمند" روزمره منتقل می‌شود. روش های زیادی برای شناسایی کد شناسایی صدا وجود دارد که معمولاً با تغییر فرکانس و ویژگی های آماری صدا انجام می شود.

4. روش های دیگر. برای این گروه از روش‌ها، تنها گسترده‌ترین روش‌ها توصیف شده‌اند و روش‌های منحصربه‌فردی نیز وجود دارد، از جمله شناسایی با صدای لب هنگام ایجاد کلمه رمز، با پویایی چرخاندن کلید در قفل در و غیره.

مروری کوتاه تاریخی

مشکل شناسایی بیومتریک کامپیوتری از دهه 1960 به طور فعال در حال توسعه بوده است. می توان نقاط عطف اصلی آینده این فرآیند را شناسایی کرد.

1. دهه 1960 - دستگاه بیومتریک NIST ایجاد شد، اولین تلاش برای خودکارسازی فرآیند شناسایی ویژگی های چنین ویژگی های بیومتریک: شخص، صدا، نشانه ها، امضا.
2. دهه 1970 - اولین سیستم های خودکار برای تأیید هویت، روش های شناسایی شکل زانو و امضای پویا.
3. 1976 - اولین آزمایش های چند بیومتریک.
4. دهه 1980 - سیستم های خودکار قابل توجه و روش های اولیه

شناسایی کاملا اتوماتیک

دهه 1980 دهه 1980 توسط علم علم INNERESTS ویژه به بیومتری IDIDIFIKASIA، Scho Surelings of the Number of Bioometric Methodi، Algorithmiv I Technology، در آن تعداد در SRSR IS Rosyї جوانه زد. این موضوع کمتر به علاقه کاربردی به شناسایی بیومتریک مربوط می شود تا با توسعه سخت افزار، به ویژه رایانه های شخصی و دستگاه های جانبی برای کار با تصاویر و سیگنال های صوتی.

در روسیه، مهمترین نتایج در شناسایی بیومتریک در روبات های S. O. Novikova، V. Yu. Gudkova، O. M. Chernomordik از تشخیص نوک انگشتان، G. A. Kukhareva و A. A. Telnykh در روسیه به دست آمد. جنبه های شناخته شده بیومتریک صورت، A. I. ایوانووا و آ. یو. مالیگینا در مورد روشهای نوروفین شناسایی بیومتریک، L. M. Mestetsky از تشخیص بر اساس پارامترهای دست، I. N. Spiridonova در زمینه استانداردسازی و فناوری بیومتریک، V. I. دیمکووا من. N. Sinitsina در مورد اتوماسیون تحقیقات علمی در زمینه شناسایی بیومتریک، S. L. Bochkarova در زمینه شناسایی ویژگی های صوتی، O. S. Ushmaeva در مورد چندبیومتری.

مکاتب علمی پدید آمده اند که به موضوع شناسایی بیومتریک می پردازند. در میان آنها می توانید تیم هایی از فاچیویست ها را ببینید که در مؤسسه های مؤسسه مشکلات علوم کاربردی آکادمی علوم روسیه، DerzhNDIAS، ISA RAS، MDU im کار می کنند. M. V. Lomonosova، MSTU im. N. E. Bauman، FSUE "PNIEI"؛ شرکت های "Biolink"، "Vocord Telecom"، "NVP" "Laser Systems"، "Papilon Systems"، "Sonda"، "STEL"، "Center for Advanced Technologies".

در میان تحقیقات خارجی در زمینه شناسایی بیومتریک، ردپایی از کار جعل گرانی مانند پی فیلیپس، پی. گروتر، آ. جین، ن. راتا، پی. گریفین، دی. مایو، دی. مالتونی، ا. ماسنفیلد، جی. ویمن، کی. بویر، ام. ترک، آ. پنتلند، آر. بول، آ. راس، جی. داگمن، دی. ژانگ، کار-آن تو، او. توسی، اس. پانکانتی، سی. سوتار، تینیو تان، او. کاستیو، پی. ملین، جی پی کمپبل، جی. گاروفولو، دی. رینولدز، ال. فلوم، جی. کیتلر، پی. فلین، آر. چلاپا، دبلیو. ژائو، جی.-سی. Junqua، J. F. Bonastre، J. Bigun، K. Brady، D. Burr، B. Dorizzi، S. Prabhakar، J. Conell، G. Doddington، J. Ortega-Garcia، A. Bazen، S. Gerez، R. Plamondon ، M. Eleccion، M. Forneftet، J. Wegstein، L. Kersta، L. Harmon، A. Fejfar، T. Vetter، A.G. Kersta، L.D. Harmon، B.G. Sherlock، D.M. Monro، M. Kucken.

سیستم های بیومتریک پایه

در حال حاضر تعدادی از سیستم ها و فناوری های آماده برای شناسایی بیومتریک و احراز هویت در حال معرفی به بازار هستند.

به عنوان مثال، در زمینه تشخیص شخصی، اینها برخی از پیشرفته ترین راه حل ها هستند.

سیستم ZN-Face شرکت $ \ textit (ZN Vision Technologies AG) $ پیشرفت های جدید رایانه ای را با یک سیستم کنترل دسترسی مبتنی بر شناسایی خودکار افراد ترکیب می کند. دوربین ZN از فردی که در مرز کنترل است عکس می گیرد و در هر ثانیه او را چک می کند. یک ماژول فیلتر نوری ویژه توسعه یافته و یک عملکرد برای نظارت بر یک فرد زنده به ویژه در برابر هر کسی که سعی می کند مردم را با استفاده از عکس یا ماسک فریب دهد مؤثر است.

پایگاه داده عکس ZN-Phantomas کامپیوتری است و می تواند به طور خودکار افراد را تأیید و شناسایی کند. یک عکس، یک identikit، یک کودک یا یک قاب یا یک کلیپ ویدیویی برای این منظور مناسب است. ZN-Phantomas به دنبال میانگین صرفه جویی در حافظه می شود تا یک سیستم تشخیص شخصیت vikoryst را به تصویر بکشد که پس از ربات مغز انسان بر اساس فناوری مخزن آلی ایجاد شده است. سیال بودن سیستم رباتیک به شما امکان می دهد 10 هزار تصویر را در سه ساعت مشاهده کنید. این سیستم می تواند با پایگاه های داده SQL که از پروتکل ODBC استفاده می کنند (Oracle, Sybase SQL, DB2, Informix) کار کند.

سیستم FaceIT شرکت $\textit (Identix Inc) $ اکنون زمانی که تصویر یک فرد وارد میدان دید یک دوربین با کیفیت بالا می شود، افراد را تشخیص می دهد. سرمایه گذاری های این شرکت توسط وزارت امور خارجه ایالات متحده تامین مالی می شود. این سیستم برای آزمایش در فرودگاه های ایالات متحده داده شد. مطبوعات گزارش دادند که نتایج آزمایش را می توان رضایت بخش نامید، اما قرارداد با این شرکت در حال تمدید است و اکنون تاکید بر شناسایی از روی عکس ها است. وزارت امور خارجه ایالات متحده قصد دارد از مهمانان آمریکایی بخواهد که از تصویر نصب شده عکس بگیرند تا برنامه های تشخیص ربات آسان تر شود.

از سیستم های توسعه یافته در روسیه و SND می توانید به محصولات شرکت $\textit (Asia-Software)$ نگاه کنید. این شرکت در حال ترویج FRS SDK است - مجموعه ای از ابزارها برای فعال کردن اطلاعات و سیستم های صوتی مرتبط با شناسایی افراد، و تعدادی از سیستم های شناسایی بر اساس تصاویر افراد. این سیستم مبتنی بر تشخیص تصویر و الگوریتم های به روز رسانی است. اساس این الگوریتم ها اصلاح روش تجزیه و تحلیل اجزای اصلی است که در محاسبه تزئینی ترین ضرایب است که تصاویر ورودی چهره انسان را مشخص می کند. یک تصویر ویدئویی دیجیتالی به ورودی سیستم ارائه می شود. الگوریتم‌های ویژه میزان دید تصویر صورت یک فرد را تعیین می‌کنند، آن را می‌بینند، اندازه دقیق خطوط را تعیین می‌کنند، موقعیت و مقیاس‌بندی را تغییر می‌دهند. پس از این، تصویر مشاهده شده از یک فرد به طور خودکار با شناسایی علائم مشخصه اصلی کدگذاری می شود. اندازه آرایه علامت استخراج شده تقریباً 300 دلار ~ بایت است که به سیستم های شناسایی اجازه می دهد تا بر روی EOM های تک تراشه نصب شوند.

ویژگی های سیستم های بیومتریک

شاخص های قابل اعتماد بودن سیستم های بیومتریک می تواند قابل اعتماد بودن پرداخت ها از نوع اول و دیگر باشد. تخفیف های نوع اول به معنای نرخ پاداش (FRR، نرخ رد کاذب) است و پس از دسترسی به سیستم مالی قانونی رخ می دهد. پذیرش‌های نوع دیگری صحت پذیرش را نشان می‌دهند (FAR، نرخ پذیرش نادرست) و زمانی ظاهر می‌شوند که دسترسی به شخص ثالث داده شود. FRR و FAR مربوط به ناحیه دروازه هستند. سیستم های بیومتریک امروزی دارای طیف وسیعی از ویژگی ها هستند.

سیستم بیومتریک را می‌توان با قابلیت اطمینان یکسانی از نوع اول و سایر خطاها (EER، Equal Error Rates) مشخص کرد - نقطه‌ای که در آن برابری نوع اول پرداخت با قابلیت اطمینان نوع دیگر برابر است. در پلت فرم EER می توانید با مزایا و معایب اصلی روش های بیومتریک مختلف آشنا شوید. هرچه EER کمتر باشد، درخشندگی سیستم بیشتر است.

پارامتر دیگری که بر انتخاب و نصب یک سیستم بیومتریک تأثیر می گذارد ظرفیت سازی است. وان ساعتی را که طول می‌کشد تا یک فرد با داده‌های دستگاه‌های بیومتریک ارتباط برقرار کند، مشخص می‌کند.

مرتب‌سازی و رتبه‌بندی توصیف‌های روش‌های بیومتریک بیشتر برای نشان دادن نتایج نوع اول بسیار دشوار است، زیرا آنها برای روش‌های مشابه به دلیل تأخیر شدید در مالکیتی که بر روی آن اجرا می‌شوند، بسیار متفاوت هستند.

در موارد دیگر، مرتب‌سازی مخفی روش‌های احراز هویت بیومتریک به این صورت است (از کوتاه‌ترین تا بزرگ‌ترین):

1. عنبیه چشم، مش چشم;
2. شکل انگشت، ترموگرافی فردی، شکل مچ پا؛
3. شکل صورت، توزیع رگ ها روی دست و کف دست؛
4. امضا؛
5. دست خط صفحه کلید؛
6. صدا

می توان این ایده را توسعه داد که از یک سو، روش های شناسایی استاتیک بسیار کوتاه تر از روش های پویا هستند و از سوی دیگر، بسیار گران تر هستند.

فن آوری آسیاب برش و چشم انداز پیشرفت های بیشتر.

در حال حاضر، هنوز نمی توان مرحله پیشرفته فناوری های بیومتریک در جهان را رضایت بخش تشخیص داد. امروزه می توان در مورد بیومتریک صحبت کرد، زیرا حوزه های ردیابی و اضافاتی که هنوز نتوانسته اند به شاخص های لازم برسند به سرعت در حال توسعه هستند. یک سری کامل از بازنگری های جدی انجام شده در بقیه زمان، نشان دهنده عدم قابلیت اطمینان اینگونه سیستم ها است.

به عنوان مثال، اداره پلیس تامپا، فلوریدا (ایالات متحده آمریکا)، پس از دو مورد مرگ و میر در عملیات، یک برنامه امنیتی را نصب کرده است که با دوربین های امنیتی خارجی کار می کند. طیف وسیعی از این دوربین‌ها باعث می‌شود که در پارک Aybor City مراقب عموم مردم باشد. انتقال داده شد که این فناوری، به همراه برنامه ای برای اسکن / تشخیص شخصیت، به پایگاه داده 30 هزار مجرم شناخته شده و کودک از خانه اضافه شد تا اثربخشی کار پلیس را بهبود بخشد. با این حال، دو سال است که سیستم نتیجه موفقیت آمیز مورد نظر خود را، خواه شناسایی خودکار مظنونان و یا دستگیری مظنونان، ارائه نکرده است. نرم افزار امنیتی توسط Identix، یکی از ارائه دهندگان پیشرو ایالات متحده در زمینه فناوری های بیومتریک که توسط صورت و انگشتان تشخیص داده می شود، ارائه شده است.

به گفته تسوتومی ماتسوموتو، رمزنگار ژاپنی، بیش از دوازده سیستم برای شناسایی حسابداران بانکی به خطر افتاده است. اخیراً یک مطالعه بزرگ مشابه توسط مجله کامپیوتری آلمانی "c" t " انجام شده است. نتیجه گیری کارشناسان صریح است: سیستم های بیومتریک برای بازار فعلی هنوز به سطحی نرسیده اند که بتوان آنها را جایگزینی واقعی برای سنت ها دانست. بدون رمز عبور. بنابراین، سیستم تشخیص FaceVACS- Logon شرکت آلمانی $ \ textit (Cognitec) $ را می توان به سادگی با ارائه یک عکس از یک تاجر ثبت شده فریب داد. برای فریب نرم افزار پیچیده تر، تجزیه و تحلیل علائم مشخصه یک فرد زنده ( می تواند موفق باشد صفحه لپ تاپی که کلیپ ویدیویی روی آن نمایش داده می شود منجمد شده است با ضبط یک فرد، فریب دادن سیستم Authenticam BM-ET100 پاناسونیک برای تشخیص عنبیه چشم، زیرا مادون قرمز بسیار آسان تر است. سنسورها در اینجا فقط به تصویر مشخصه عنبیه پاسخ نمی دهند، بلکه به عمق متفاوت روتوش نیز پاسخ می دهند. اگر در عکس ها یک سوراخ کوچک در محل چشم باز کنید، جایی که افراد دیگر هنگام ثبت نام به آن نگاه می کنند، سیستم می توان فریب داد. در حالی که سیستم هایی برای ثبت نام کاربر در پشت انگشت، پشت یک سنسور اضافی روی ماهیچه یا صفحه کلید وجود دارد، پس رایج ترین راه برای فریب دادن، "دریافت" مجدد امضای آشکار است که توسط کاربر لغو ثبت شده است. برای "احیای" مایع اضافی، به سادگی می توانید حسگر را لمس کنید یا یک کیسه پلاستیکی نازک پر از آب را اعمال کنید. ترفندها، عینک‌ها و ولمی‌های مشابهی در گذشته بر روی خرس‌های ID Mouse شرکت $\textit (Ziemens)$، مجهز به سنسور لرزش FingerTIP $\textit (Infineon)$ آزمایش شده‌اند. آشیانه، یک «انگشت تکه‌ای» که به شکل پارافین از سیلیکون ساخته شده است و به محققان اجازه می‌دهد هر شش سیستم اثر انگشت آزمایش‌شده را تکمیل کنند.

با این حال، صرف نظر از ارزیابی منفی شدید از توسعه فعلی سیستم های شناسایی هویت بیومتریک، در سراسر جهان تمایل به توسعه تحقیقات و توسعه در زمینه بیومتریک وجود دارد. در این مورد، یکی از روندهای اصلی بقیه زمان، تغییر اولویت ها از روش های تماسی به روش های بدون تماس تشخیص بیومتریک است. دلیل این امر پیشرفت در قابلیت های عملکردی سیستم های امنیتی خودکار نصب شده در مکان های بزرگ (ایستگاه ها، فرودگاه ها، سوپرمارکت ها و غیره) به دلیل نیاز به انجام اقدامات لازم در زمان واقعی برای استقرار افراد حاضر در قلمرو کنترل شده بود. اما اغلب اوقات، نه تنها بدون تماس (از راه دور)، بلکه بدون نظارت خاص (نمایش ویژه علائم بیومتریک) در سمت افراد شناسایی شده، در ذهن، در یک گروه و در جامعه است. ایجاد چنین سیستم های بیومتریک نسل جدید با تعدادی از مشکلات خاص مواجه است که هنوز راه حل مناسبی ندارند.

اولین گروه از مشکلات مربوط به این واقعیت است که سیستم های امنیتی مخفی در ذهن رفتار طبیعی انسان که به طور خاص هویت خود را ارائه نمی دهد و عبارات کلیدی خاصی را شناسایی نمی کند، گناهکار هستند. در چنین شرایطی، حتی قبل از اینکه تکلیف تشخیص حل شود، باید تکلیف شناسایی (محل رشد مهم، دیدن افراد در گروه) حل شود، خود وظیفه شناخت چهره ها و صداها در ذهن های کنترل نشده به طور قابل توجهی تبدیل می شود. پیچیده تر. گروه دیگری از مشکلات آشکار در اینجا مربوط به این است که در زمان حفاظت امنیتی (تحت کنترل امنیت کنترل دسترسی) نمی توان از ورود یک فرد شناسایی شده به مراحل اولیه جلوگیری کرد. بنابراین، برای شروع، لازم است مواد صوتی و تصویری واضح و تکه تکه و متنوع با بیشترین پیچیدگی و شباهت برجسته شود. کار استفاده از یک سیستم بیومتریک حتی پیچیده تر است. حل، گروه سوم مشکلات با این واقعیت مرتبط است که اطمینان از تشخیص صحیح و شناسایی صحیح یک فرد خاص در ذهن طبیعی فقط با ظاهر یا صدا آشکار می شود. به طور قابل توجهی کمتر از شاخص های لازم برای عملکرد رضایت بخش ایمنی اضطراری است. سیستم ها و کنترل دسترسی این امر نیاز به ادغام همه جانبه نتایج تشخیص بیومتریک، جدا از قطعات مختلف اطلاعات را ضروری می کند.

مهم ترین مشکلات ممکن است با پیشرفت های فعلی در زمینه فناوری های بیومتریک در آینده نزدیک مرتبط باشد.

بیومتریک به معنای گسترده و محدود.

بنابراین، فناوری‌های شناسایی بیومتریک به سرعت در زمینه‌های علمی و فناوری در حال توسعه هستند که نیاز مبرمی به حوزه‌هایی مانند سیستم‌های امنیتی و کنترل دسترسی، سیستم‌های کنترل گذرنامه و روادید، سیستم‌های پیشگیری از وقوع جرم و غیره دارد. شناسایی مجرمان، سیستم‌های کنترل دسترسی، مجموعه سیستم‌های امنیتی. آمار از بازرگانان، سیستم های شناسایی برای بازرگانان راه دور و بازرگانان اینترنتی، تایید کارت اعتباری، معاینه پزشکی قانونی، کنترل ساعات کاری و غیره.

علاوه بر توصیف فن‌آوری‌های احراز هویت بیومتریک، حوزه «بیومتریک به معنای وسیع» همچنین شامل تعدادی اضافات مرتبط با مشاهدات و تغییرات ویژگی‌های بیولوژیکی مختلف بدن انسان، ژست‌ها، حرکات و غیره است. هدف برای شناسایی شخصی نیست، بلکه برای اهداف ورزشی، پزشکی، مخابراتی، مهم و غیره است.

ارائه قبل از این سخنرانی قابل دانلود است.

شناسایی آسان ویژگی ترکیبی از پارامترهای یک فرد، صدا و حرکات برای تشخیص بهتر. ادغام قابلیت های ماژول های Intel Perceptual Computing SDK برای پیاده سازی یک سیستم امنیت اطلاعات غنی بر اساس اطلاعات بیومتریک.

این سخنرانی مقدمه ای بر موضوع سیستم های مدیریت اطلاعات بیومتریک ارائه می دهد، اصل عملکرد، روش ها و پیاده سازی را در عمل مورد بررسی قرار می دهد. به اطراف نگاه کن راه حل های آمادهو یکسان سازی آنها. الگوریتم های اصلی برای شناسایی ویژگی ها بررسی می شوند. قابلیت های SDK برای ایجاد روش های بیومتریک برای حفاظت از اطلاعات.

4.1. شرح حوزه موضوعی

تنوع زیادی از روش های شناسایی وجود دارد و بسیاری از آنها به طور گسترده تجاری شده اند. امروزه پیشرفته‌ترین فناوری‌های تأیید و شناسایی مبتنی بر رمز عبور و شماره شناسایی شخصی (PIN) یا اسنادی مانند گذرنامه و گواهی‌نامه رانندگی است. با این حال، چنین سیستم هایی مستعد ریزش هستند و به راحتی می توانند توسط ضایعات، سرقت و سایر عوامل آسیب ببینند. بنابراین، علاقه فزاینده ای به روش های شناسایی بیومتریک وجود دارد، که امکان شناسایی یک فرد بر اساس ویژگی های فیزیولوژیکی او را از طریق تشخیص بر اساس تصاویر ذخیره شده قبلی فراهم می کند.

طیف مشکلاتی که می توان با استفاده از فناوری های جدید پیدا کرد بسیار گسترده است:

• جلوگیری از نفوذ مجرمان به مناطق حفاظت شده و اماکن برای سرقت اسناد، کارت، رمز عبور.
• محدود کردن دسترسی به اطلاعات و اطمینان از محرمانه بودن شخصی برای حفظ آن؛
• اطمینان از دسترسی به مکان های خاص فقط برای فاشیست های دارای گواهی.
• فرآیند تشخیص، رابط نرم افزاری و سخت افزاری کاملاً بصری، هوشمند و قابل دسترس برای افراد در هر سنی و عدم شناخت موانع؛
• حذف هزینه های سربار مرتبط با عملکرد سیستم های کنترل دسترسی (کارت ها، کلیدها)؛
• ناراحتی های مرتبط با اتلاف، بدبختی و فراموشی ابتدایی کلیدها، کارت ها، رمزهای عبور را خاموش کنید.
• سازماندهی منطقه دسترسی و در دسترس بودن دستگاه های اینترنتی.

علاوه بر این، یک عامل مهم قابلیت اطمینان این واقعیت است که مطلقاً راهی برای خریدار وجود ندارد. هنگامی که vikoristan رمز عبور zakhistu مردم می توانند vikoristovat کوتاه کلمه کلیدییا کاغذ را با راهنمای ابزار زیر صفحه کلید کامپیوتر امتحان کنید. اگر کلیدهای سخت افزاری خراب باشد، یک تاجر بی وجدان به شدت از نشانه خود محافظت نمی کند، در نتیجه ممکن است دستگاه در دستان یک فرد مخرب قرار گیرد. در سیستم های بیومتریک، هیچ چیز نمی تواند برای انسان ذخیره شود. عامل دیگری که بر قابلیت اطمینان سیستم های بیومتریک تأثیر مثبت می گذارد، سهولت شناسایی برای مشتری است. در سمت راست این است که، برای مثال، اثر انگشت اسکن شده برای افراد کمتر از وارد کردن رمز عبور قابل مشاهده است. و این روش را می توان نه تنها قبل از شروع عملیات، بلکه در طول برداشت نیز انجام داد، که به طور طبیعی، قابلیت اطمینان درمان را افزایش می دهد. به ویژه در این وضعیت، تکثیر اسکنرهای همراه با دستگاه های رایانه ای مرتبط است. بنابراین، برای مثال، مهم است که هنگام vikoristannaya، انگشت بزرگ koristuvach همیشه روی اسکنر قرار گیرد. بنابراین، سیستم می تواند به طور مداوم شناسایی را انجام دهد، به طوری که مردم نه تنها ربات را نمی شناسند، بلکه نمی خواهند چیزی را علامت گذاری کنند. در دنیای امروز، متاسفانه تقریباً همه چیز از جمله دسترسی به اطلاعات محرمانه فروخته می شود. تیم احتمالاً فردی است که با واگذاری اطلاعات هویتی به مجرمان، عملاً هیچ خطری را تهدید نمی کند. در مورد رمز عبور می توان گفت که انتخاب شده است و در مورد کارت هوشمند که به سرقت رفته است. پس از نصب محافظ بیومتریک، دیگر چنین وضعیتی رخ نخواهد داد.

انتخاب گالوزهایی که بیشترین امید را برای توسعه بیومتریک دارند، از دیدگاه تحلیلگران، باید بر اساس در نظر گرفتن دو پارامتر باشد: امنیت (یا امنیت) و کامل بودن این روش خاص کنترل یا حفاظت. البته جایگاه اصلی از نظر این پارامترها را حوزه های مالی و صنعتی، تاسیسات دولتی و نظامی، خدمات پزشکی و هوانوردی، اشیاء راهبردی بسته اشغال کرده اند. این گروه از سیستم‌های امنیتی بیومتریک تعاونی قبل از هر چیز مهم است که اجازه ندهند یک هکر غیرمجاز از میان کارمندان خود عملیاتی را انجام دهد که برای دیگران ناشناخته است و همچنین تأیید مداوم نویسندگی tsії عملیات پوستی مهم است. سیستم امنیتی فعلی دیگر نمی تواند بدون ویژگی های اساسی که امنیت یک شی را تضمین می کند، بلکه بدون بیومتریک نیز کار کند. همچنین از فناوری های بیومتریک برای کنترل دسترسی به رایانه ها استفاده می شود. سیستم های لبه، سایر مجموعه های اطلاعاتی، بانک های داده و غیره

روش‌های بیومتریک برای جمع‌آوری اطلاعات در حال تبدیل شدن به سرطان پوست هستند. با توسعه فناوری: اسکنرها، عکس ها و دوربین های فیلمبرداری، دامنه وظایفی که برای بیومتریک اضافی اعمال می شود در حال گسترش است و روش های مختلف بیومتریک محبوب تر می شوند. به عنوان مثال، بانک ها، اعتبار و سایر سازمان های مالی به عنوان نمادی از قابلیت اطمینان و اعتماد برای مشتریان خود عمل می کنند. برای توجیه هزینه بازیابی، موسسات مالی به طور فزاینده ای به شناسایی مشتریان و پرسنل احترام می گذارند و فعالانه فناوری های بیومتریک را ترویج می کنند. در اینجا چند گزینه برای انتخاب روش های بیومتریک وجود دارد:

• شناسایی قابل اعتماد مشتریان خدمات مالی مختلف، از جمله. آنلاین و موبایل (شناسایی با نوک انگشتان مهم است، فن آوری ها به طور فعال برای تشخیص رگ های کوچک کف دست و انگشت و شناسایی با صدای مشتریانی که با مرکز تماس i تماس می گیرند) در حال توسعه هستند.
• جلوگیری از کلاهبرداری با کارت‌های اعتباری و نقدی و سایر ابزارهای پرداخت (جایگزینی کد پین برای شناسایی پارامترهای بیومتریک که نمی‌توان آنها را دزدید، مشاهده کرد، شبیه‌سازی کرد).
• افزایش سرعت خدمات و راحتی (خودپردازهای بیومتریک)؛
• کنترل دسترسی FISICAL در Budіvlovi il Banv، و مانند فضاهای سپرده، Seyfiv، Skhovischi (Zvolivistya Bioometry، Yak SPIVROTYNIK BANK، بنابراین I KLINTA-KORISTUVACHA).
• حفاظت از سیستم های اطلاعاتی و منابع بانکی و سایر مؤسسات اعتباری.

4.2. سیستم های حفاظت از اطلاعات بیومتریک

سیستم‌های امنیت اطلاعات بیومتریک، سیستم‌های کنترل دسترسی هستند که بر اساس شناسایی و احراز هویت یک فرد با ویژگی‌های بیولوژیکی، مانند ساختار DNA، عنبیه، شبکیه چشم، هندسه و دما روی نقشه فرد، انگشت، هندسه دره است. همچنین به این روش‌های احراز هویت افراد، روش‌های آماری گفته می‌شود، زیرا بر اساس ویژگی‌های فیزیولوژیکی افراد است که حتی قبل از مرگ در جمعیت وجود دارد و در تمام طول زندگی یافت می‌شود و نمی‌توان آنها را گم کرد یا به سرقت برد. سایر روش های پویا منحصر به فرد احراز هویت بیومتریک اغلب استفاده می شود - امضا، دست خط صفحه کلید، صدا و حرکات، که بر اساس ویژگی های رفتاری افراد است.

مفهوم "بیومتریک" در پایان قرن نوزدهم ظاهر شد. توسعه فن‌آوری‌های پیچیده برای تشخیص تصاویر از ویژگی‌های بیومتریک مختلف مدت‌هاست که از دهه ۶۰ قرن گذشته شروع شده است. دانشمندان ما در توسعه مبانی نظری این فناوری ها به موفقیت چشمگیری دست یافته اند. با این حال، نتایج عملی عمدتاً در ابتدا و اخیراً به دست آمد. در پایان قرن بیستم، علاقه به بیومتریک به دلیل این واقعیت قابل توجه بود کامپیوترهای فعلیو الگوریتم های پیچیده امکان ایجاد محصولاتی را فراهم کردند که به دلیل ویژگی ها و سازگاری آنها، برای طیف گسترده ای از مصرف کنندگان قابل دسترسی و مفید بودند. حوزه علم رکود خود را در توسعه فناوری های جدید ایمنی پیدا کرده است. به عنوان مثال، یک سیستم بیومتریک می تواند دسترسی به اطلاعات و ذخیره سازی در بانک ها را کنترل کند، می تواند در شرکت هایی که درگیر پردازش اطلاعات ارزشمند هستند، برای محافظت از EOM، ارتباطات و غیره استفاده شود.

ماهیت سیستم های بیومتریک به ویکی خلاصه می شود سیستم های کامپیوتریتشخیص خاص بودن توسط کد ژنتیکی منحصر به فرد یک فرد. سیستم های امنیتی بیومتریک به شما این امکان را می دهد که به طور خودکار یک فرد را با ویژگی های فیزیولوژیکی یا رفتاری آنها تشخیص دهید.

کم اهمیت 4.1.

شرح سیستم های بیومتریک رباتیک:

همه سیستم های بیومتریک بر اساس یک طرح عمل می کنند. در ابتدا، فرآیند ضبط شروع می شود، در نتیجه سیستم ویژگی های بیومتریک را به خاطر می سپارد. همه سیستم های بیومتریک به تعدادی نمونه برای ثبت بهتر مشخصات بیومتریک نیاز دارند. پس از حذف اطلاعات، پردازش شده و به کد ریاضی تبدیل می شود. سیستم های امنیت اطلاعات بیومتریک از روش های بیومتریک برای شناسایی و احراز هویت مشتریان استفاده می کنند. شناسایی با استفاده از سیستم بیومتریک در چهار مرحله انجام می شود:

• ثبت یک شناسه - اطلاعات مربوط به ویژگی های فیزیولوژیکی یا رفتاری به فرمی در دسترس تبدیل می شود. فن آوری های کامپیوتری, І وارد حافظه سیستم بیومتریک شد.
• قابلیت مشاهده - از شناسه جدید ارائه شده، کاراکترهای منحصر به فرد تجزیه و تحلیل شده توسط سیستم قابل مشاهده است.
• تمدید - اطلاعات در مورد شناسه جدید ارائه شده و قبلاً ثبت شده ارائه می شود.
• قطعنامه - در مورد کسانی که از ارائه مجدد شناسه خود اجتناب کنند یا نخواهند تصمیم گیری می شود.

سپس هشدارهای مربوط به فرار/انحراف شناسه ها را می توان به سیستم های دیگر (کنترل دسترسی، امنیت اطلاعات و غیره) منتقل کرد که سپس بر اساس اطلاعات دزدیده شده عمل می کنند.

یکی از مهم‌ترین ویژگی‌های سیستم‌های امنیت اطلاعات مبتنی بر فناوری‌های بیومتریک، قابلیت اطمینان بالا است، به طوری که سیستم می‌تواند ویژگی‌های بیومتریک را که مربوط به افراد مختلف است به‌طور قابل اعتمادی متمایز کند و به‌طور قابل اعتماد zbigi پیدا شود. در بیومتریک، این پارامترها نوع اول (False Reject Rate، FRR) و نوع دیگر (False Accept Rate، FAR) نامیده می شوند. عدد اول قابلیت اطمینان دسترسی فرد را مشخص می کند، عدد دیگر ثبات ویژگی های بیومتریک دو نفر را مشخص می کند. حتی ساده تر است که الگوی پاپیلار انگشت شخص یا عنبیه چشم را با جزئیات مشخص کنید. بنابراین گناه «عفو از نوع دیگر» (یعنی دسترسی به افراد که حقی ندارد) عملاً خاموش می شود. با این حال، تحت تأثیر عوامل بیولوژیکی خاص، ویژگی هایی که برای شناسایی یک فرد استفاده می شود ممکن است تغییر کند. به عنوان مثال، ممکن است فردی سرما بخورد که در نتیجه صدای او غیرقابل تشخیص تغییر می کند. بنابراین، فراوانی ظهور «بخشش های نسل اول» (که در دسترس مردم است، درست است) در سیستم های بیومتریک زیاد است. سیستم ساده تر است، با مقدار FRR پایین تر در همان مقدار FAR. با این حال، مشخصه EER (نرخ خطا برابر) نیز تعیین می شود که نشان دهنده نقطه تقاطع نمودارهای FRR و FAR است. آل وونا تا نماینده بودن فاصله زیادی دارد. با استفاده از سیستم‌های بیومتریک، به‌ویژه سیستم‌های تشخیص چهره، با وارد کردن مشخصات بیومتریک صحیح، تصمیم در مورد احراز هویت صحیح نخواهد بود. این به دلیل تعدادی ویژگی و اول از همه به این دلیل است که بسیاری از ویژگی های بیومتریک می توانند تغییر کنند. این اولین مرحله از قابلیت اطمینان سیستم است. علاوه بر این، با استفاده از فناوری های مختلف، شستشو می تواند از اهمیت بالایی برخوردار باشد. برای سیستم‌های کنترل دسترسی که از فناوری‌های بیومتریک استفاده می‌کنند، درک این نکته ضروری است که اجازه ورود «کس دیگری» را ندهیم بلکه اجازه دهیم همه «خودمان» وارد شود.

نه تنها FAR و FRR قدرت سیستم بیومتریک را نشان می دهد. اگر فقط اینطور بود، آنگاه فناوری پیشرو تشخیص افراد توسط DNA بود که برای آن FAR و FRR به صفر می‌رسید. بدیهی است که این فناوری در مرحله کنونی توسعه انسانی قابل حفظ نیست. تام یک ویژگی مهماین به معنای دوام برای ساختگی، روان بودن کار و انعطاف پذیری سیستم است. همچنین مهم است که به یاد داشته باشید که ویژگی بیومتریک یک فرد می تواند در طول زمان تغییر کند، به طوری که ناپایدار بودن یک نقطه منفی است. عامل مهم دیگر برای استفاده از فناوری های بیومتریک در سیستم های امنیتی، سهولت استفاده است. فردی که مشخصاتش اسکن شده است در تشخیص نارسایی های روزمره گناهی ندارد. در این مورد، مطمئناً مؤثرترین روش، فناوری تشخیص ظاهری است. درست است، این به دلیل مشکلات دیگری است که عمدتاً به دقت سیستم مربوط می شود.

بنابراین، سیستم بیومتریک از دو ماژول تشکیل شده است: یک ماژول ثبت و یک ماژول شناسایی.

ماژول ثبت نامسیستمی را برای شناسایی یک شخص خاص "شروع می کند". در مرحله ضبط، یک دوربین فیلمبرداری یا سنسورهای دیگر افراد را اسکن می کند تا یک نمایش دیجیتالی از ظاهر آنها ایجاد کند. در نتیجه اسکن، آتلی از تصاویر تشکیل می شود. در حالت ایده آل، این تصاویر دارای زوایای و نماهای کمی متفاوت خواهند بود تا داده های دقیق تری ثبت شوند. یک ماژول نرم افزار ویژه پدیده را پردازش می کند و ویژگی های مشخصه را شناسایی می کند، سپس یک الگو ایجاد می کند. قسمت‌های خاصی از صورت وجود دارد که عملاً با گذشت زمان تغییر نمی‌کنند، به‌عنوان مثال، خطوط بالای چشم‌ها، قسمت‌های بالای صورت و لبه‌های دهان. اکثر الگوریتم‌های توسعه‌یافته برای فناوری‌های بیومتریک امکان ثبت تغییرات احتمالی را به هزینه افراد فراهم می‌کنند، زیرا نیازی به استفاده از آنها برای تجزیه و تحلیل فعالیت آشکار کردن رشد مو نیست. الگوی تصویر لایه بردار پوست در پایگاه داده سیستم بیومتریک ذخیره می شود.

ماژول شناساییتصویر یک فرد را از یک دوربین فیلمبرداری می گیرد و آن را به همان فرمت دیجیتالی که قالب در آن ذخیره شده است، تبدیل می کند. داده ها را حذف کرده و الگوی ذخیره شده در پایگاه داده را بررسی کنید تا مشخص شود که آیا تصاویر با یکدیگر مطابقت دارند یا خیر. سطح شباهت برای تأیید لازم است، و آستانه بعدی که می توان برای آن تنظیم کرد نوع مختلفکارکنان، حجم کاری کامپیوتر، ساعات کار و تعدادی از مقامات دیگر.

شناسایی می تواند به صورت تایید، احراز هویت یا شناسایی باشد. در حین تأیید هویت داده های گرفته شده و الگوی ذخیره شده در پایگاه داده تأیید می شود. احراز هویت - صحت تصویر موجود در دوربین فیلمبرداری را به یکی از الگوهایی که در پایگاه داده ذخیره شده است تأیید می کند. در صورت شناسایی، اگر مشخص شود که ویژگی های یکی از الگوهای ذخیره شده یکسان است، سیستم فردی را با یک الگوی منطبق شناسایی می کند.

4.3. به راه حل های آماده نگاه کنید

4.3.1. آزمایشگاه ІКAR: مجموعه تحقیقات جنایی گرامافون

مجموعه سخت‌افزار و نرم‌افزار ICAR Lab برای طیف گسترده‌ای از کاربردها وظیفه تجزیه و تحلیل اطلاعات صوتی مورد نیاز در بخش‌های تخصصی سازمان‌های مجری قانون، آزمایشگاه‌ها و مراکز پزشکی قانونی کشتی‌ها و خدمات تحقیقات جرم و جنایت را دارد. مراکز سال، پیش مطالعه و اولیه. اولین نسخه این محصول در سال 1993 منتشر شد و حاصل کار گسترده کارشناسان برجسته صدا و توسعه دهندگان نرم افزار بود. آنچه در انبار گنجانده شده است مجموعه ای از نرم افزارهای تخصصی برای اطمینان از سطح بالای نمایش بصری فونوگرام های فیلم است. الگوریتم‌های بیومتریک صوتی فعلی و ابزارهای اتوماسیون پیشرفته برای همه انواع ردیابی گرامافون به کارشناسان اجازه می‌دهد تا قابلیت اطمینان و اثربخشی معاینات را تا حد زیادی بهبود بخشند. برنامه SIS II با ابزارهای منحصربفرد برای بررسی هویت در مجموعه گنجانده شده است: نظارت مداوم بر گوینده، ضبط صدا و تبلیغ هرگونه شواهد برای معاینه و صدا و زبان مظنون. معاینه فونوسکوپی شناسایی بر اساس تئوری منحصر به فرد بودن صدا و زبان پوست یک فرد است. عوامل تشریحی: اندام های داخلی مفصل، شکل مجرای صوتی و حفره دهان، و همچنین عوامل خارجی: مهارت های ذهنی، ویژگی های منطقه ای، نقص و غیره.

الگوریتم‌های بیومتریک و ماژول‌های خبره به شما امکان می‌دهند طیف گسترده‌ای از فرآیندهای ردیابی شناسایی فونوسکوپی مانند جستجوی کلمات جدید، جستجوی صداهای جدید و انتخاب صداهای جدید را خودکار و رسمی کنید. انواع تحلیل شنیداری و زبانی نتایج روش تشخیص پوست در قالب نشانگرهای عددی محلول شناسایی جهانی ارائه شده است.

این برنامه از تعدادی ماژول تشکیل شده است که علاوه بر این به انجام تطبیق در حالت "یک به یک" کمک می کند. ماژول "تغییر فرمنت ها" بر اساس اصطلاح آوایی - فرمانت است که به معنای ویژگی های آکوستیک صداهای یک زبان (به ویژه آوازی) است که با فرکانس مساوی لحن آوازی همراه است و صدایی برای صدا ایجاد می کند. . فرآیند شناسایی از متغیرهای ماژول "هم ترازی فرمانت ها" را می توان به دو مرحله تقسیم کرد: ابتدا صدای تخصصی و انتخاب قطعات صدای مرجع، و سپس به عنوان قطعات مرجع برای صدای شناخته شده و ناشناخته پس از شماره گیری، متخصص می تواند تطبیق را شروع کند. این ماژول به طور خودکار تغییرپذیری درون و بین کارگردان مسیرهای شکل دهنده برای صداها را بررسی می کند و در مورد شناسایی مثبت/منفی یا نتایج تعریف نشده تصمیم می گیرد. این ماژول همچنین به شما امکان می دهد تقسیم صداها را به صورت بصری بر روی یک Scattergram تراز کنید.

ماژول "تصحیح گام اصلی" به شما امکان می دهد فرآیند شناسایی بلندگوها را با استفاده از یک روش اضافی برای تجزیه و تحلیل کانتور ملودیک خودکار کنید. روش تکالیف برای تراز کردن شخصیت های اصلی بر اساس پارامترهای اجرای عناصر مشابه ساختار مدار ملودیک. برای تجزیه و تحلیل، 18 نوع قطعه به مدار منتقل شد و 15 پارامتر برای توصیف آنها شامل مقادیر حداقل، میانگین، حداکثر، سرعت تغییر، تن، بیش از حد، کج و غیره. ماژول نتایج تنظیم را به صورت درصد افزایش پارامترهای پوست می چرخاند و در مورد شناسایی مثبت/منفی یا نتایج بی ارزش تصمیم می گیرد. همه داده ها را می توان به متن صادر کرد.

ماژول شناسایی خودکار امکان تطبیق را در حالت یک به یک با استفاده از الگوریتم های زیر فراهم می کند:

• فرمت طیفی؛
• آمار زمین؛
• توزیع گاوسی Sumish;

قابلیت اطمینان فرار و دید بلندگوها نه تنها برای روش های پوستی، بلکه برای کلیت آنها تعیین می شود. تمام نتایج تراز سیگنال ها در دو فایل موجود در ماژول شناسایی خودکار بر اساس نمادهای شناسایی و مقادیر عددی مشاهده شده در آنها، نزدیکی مجموعه نمادها و محاسبات انتخاب شده است. نشانه هایی بین یکدیگر برای اهمیت پوستی ورود به نزدیکی زیر ساعت، دوره شروع ماژول تراز خودکار از قابلیت اطمینان فرار و اهمیت بلندگوهایی که زبان آنها در فایل های تراز شده قرار داشت، حذف شد. این قابلیت اطمینان توسط خرده فروشان برای انتخاب اولیه بزرگ گرامافون ها مورد استفاده قرار گرفت: ده ها هزار گوینده، کانال های مختلفضبط صدا، جلسات ضبط صدا غیر شخصی، انواع مختلف مواد. ذخیره سازی داده های آماری تا یک سال، به روز رسانی فایل به فایل مستلزم توزیع احتمالی مقادیر محتوا بر اساس مجاورت دو فایل و احتمال نسبی فرار/تنوع بلندگوها در موقعیت و جزئیات مختلف است. وضعیت و ارتقاء برای چنین مقادیری در آمار ریاضی از مفهوم فاصله اعتماد استفاده می شود. ماژول تراز خودکار نتایج عددی را در فواصل صحیح سطوح مختلف نمایش می دهد، که به شما امکان می دهد نه تنها میانگین اطمینان روش، بلکه بهترین نتیجه را نیز از نتایج اولیه بهبود بخشید. قابلیت اطمینان بالای موتور بیومتریک توسعه یافته توسط شرکت MDG با آزمایش توسط NIST (موسسه ملی استاندارد و فناوری) تایید شده است.