Multi-Input-Erkennung: Kombinieren verschiedener biometrischer Informationen

• Autor:
• Autorenname

  Quantumrun-Vorausschau
• 24. Februar 2023

Die Suche nach eindeutigen Erkennungsmerkmalen unter der Hautoberfläche ist eine clevere Art, Menschen zu identifizieren. Frisuren und Augenfarben können leicht geändert oder maskiert werden, aber es ist nahezu unmöglich, dass jemand zum Beispiel seine Venenstruktur ändert. Die biometrische Authentifizierung bietet eine zusätzliche Sicherheitsebene, da sie lebende Menschen erfordert.

Multi-Input-Erkennungskontext

Multimodale biometrische Systeme werden in der Praxis häufiger eingesetzt als unimodale, da sie nicht die gleichen Schwachstellen aufweisen, wie z. B. Beeinflussung durch Datenrauschen oder Spoofing. Allerdings sind unimodale Systeme, die sich auf eine einzige Informationsquelle zur Identifizierung stützen (z. B. Iris, Gesicht), in staatlichen und zivilen Sicherheitsanwendungen beliebt, obwohl sie als unzuverlässig und ineffizient bekannt sind.

Eine sicherere Methode zur Sicherstellung der Identitätsauthentifizierung besteht darin, diese unimodalen Systeme zu kombinieren, um ihre individuellen Einschränkungen zu überwinden. Darüber hinaus können multimodale Systeme Benutzer effektiver registrieren und eine größere Genauigkeit und Widerstandsfähigkeit gegen unbefugten Zugriff bieten.

Laut einer Studie der University of Bradford aus dem Jahr 2017 ist die Entwicklung und Umsetzung eines multimodalen biometrischen Systems häufig eine Herausforderung, und viele Aspekte, die das Ergebnis erheblich beeinflussen könnten, müssen berücksichtigt werden. Beispiele für diese Herausforderungen sind die Kosten, die Genauigkeit, die verfügbaren Ressourcen für biometrische Merkmale und die verwendete Fusionsstrategie. 

Das wichtigste Problem für multimodale Systeme besteht darin, auszuwählen, welche biometrischen Merkmale am effektivsten sind, und einen effizienten Weg zu finden, sie zu verschmelzen. Wenn das System in multimodalen biometrischen Systemen im Identifizierungsmodus arbeitet, kann die Ausgabe jedes Klassifikators als Rang von eingetragenen Kandidaten angesehen werden, eine Liste, die alle möglichen Übereinstimmungen sortiert nach dem Konfidenzniveau darstellt.

Störende Wirkung

Die Multi-Input-Erkennung gewinnt an Popularität aufgrund der verschiedenen Tools, die zur Messung alternativer Biometrie zur Verfügung stehen. Mit dem Fortschritt dieser Technologien wird es möglich sein, die Identifizierung sicherer zu machen, da Venen- und Irismuster nicht gehackt oder gestohlen werden können. Mehrere Unternehmen und Forschungseinrichtungen entwickeln bereits Multi-Input-Tools für den groß angelegten Einsatz. 

Ein Beispiel ist das Zwei-Faktor-Authentifizierungssystem der National Taiwan University of Science and Technology, das Skeletttopologien und Fingervenenmuster untersucht. Die Fingervenenbiometrie (vaskuläre Biometrie oder Venenscanning) verwendet einzigartige Venenmuster in den Fingern einer Person, um sie zu identifizieren. Diese Methode ist möglich, weil Blut Hämoglobin enthält, das unterschiedliche Farben zeigt, wenn es nahem Infrarot- oder sichtbarem Licht ausgesetzt wird. Als Ergebnis kann das biometrische Lesegerät die unterschiedlichen Venenmuster des Benutzers scannen und digitalisieren, bevor es auf einem sicheren Server gespeichert wird.

Inzwischen verwendet Imageware mit Sitz in San Francisco mehrere biometrische Daten für Authentifizierungszwecke. Administratoren können bei der Implementierung der Plattformsicherheitsmaßnahme eine Biometrie oder eine Kombination von Biometrien auswählen. Zu den Arten von Biometrie, die mit diesem Dienst verwendet werden können, gehören Iriserkennung, Gesichtserkennung, Spracherkennung, Handvenenscanner und Fingerabdruckleser.

Mit der multimodalen Biometrie von ImageWare Systems können Benutzer ihre Identität überall und unter allen Bedingungen authentifizieren. Föderierte Anmeldung bedeutet, dass Benutzer nicht für jedes Unternehmen oder jede Plattform neue Anmeldeinformationen erstellen müssen, da ihre Identität einmal erstellt wird und sich mit ihnen bewegt. Darüber hinaus ermöglichen einzelne Identitäten, die mit verschiedenen Plattformen kompatibel sind, eine geringere Gefährdung durch Datenhacks.

Auswirkungen der Multi-Input-Erkennung

Weitere Auswirkungen der Multi-Input-Erkennung können sein: 

• Bevölkerungsweite Verbesserungen der Cybersicherheitsstandards, da (langfristig) die meisten Bürger eine Form der Mehrfacheingabeerkennung als Ersatz für herkömmliche Passwörter und physische/digitale Schlüssel verwenden werden, um ihre persönlichen Daten über mehrere Dienste hinweg zu sichern.
• Gebäudesicherheit und sensible öffentliche und private Daten, die inkrementelle Sicherheitsverbesserungen erfahren, da (langfristige) Mitarbeiter mit Zugang zu sensiblen Orten und Daten beauftragt werden, Multi-Input-Erkennungssysteme zu verwenden.
• Unternehmen, die Multi-Input-Erkennungssysteme einsetzen, die Deep Neural Networks (DNNs) verwenden, um diese unterschiedlichen biometrischen Informationen korrekt einzustufen und zu identifizieren.
• Startups, die sich auf die Entwicklung von mehr multimodalen Erkennungssystemen mit verschiedenen Kombinationen konzentrieren, einschließlich Stimm-, Herz- und Gesichtsabdrücken.
• Erhöhte Investitionen in die Sicherung dieser biometrischen Bibliotheken, um sicherzustellen, dass sie nicht gehackt oder gefälscht werden.
• Mögliche Fälle von biometrischen Informationen von Regierungsbehörden, die wegen Betrugs und Identitätsdiebstahls gehackt werden.
• Bürgergruppen fordern von Unternehmen Transparenz darüber, wie viele biometrische Informationen sie sammeln, wie sie sie speichern und wann sie sie verwenden.

Fragen zum Kommentieren

• Wenn Sie ein multimodales biometrisches Erkennungssystem ausprobiert haben, wie einfach und genau ist es?
• Was sind die anderen potenziellen Vorteile von Multi-Input-Erkennungssystemen?