Fjölinntaksþekking: Sameinar mismunandi líffræðileg tölfræðiupplýsingar

• Höfundur:
• Höfundur nafn

  Quantumrun Foresight
• Febrúar 24, 2023

Að leita að einstökum auðkennandi eiginleikum undir yfirborði húðarinnar er snjöll leið til að bera kennsl á fólk. Hægt er að breyta hárgreiðslum og augnlitum eða gríma auðveldlega, en það er til dæmis næstum ómögulegt fyrir einhvern að breyta bláæðum sínum. Líffræðileg tölfræði auðkenning býður upp á aukið lag af öryggi vegna þess að það krefst lifandi manna.

Marginntaksþekkingarsamhengi

Fjölþætt líffræðileg tölfræðikerfi eru notuð oftar en einmótakerfi í hagnýtum forritum vegna þess að þau hafa ekki sömu veikleika, svo sem að verða fyrir áhrifum af gagnahávaða eða skopstælingum. Hins vegar eru ómótuð kerfi, sem treysta á einn upplýsingagjafa til auðkenningar (td lithimnu, andlit), vinsæl í öryggisforritum stjórnvalda og borgaralegra öryggis, þrátt fyrir að vitað sé að þau séu óáreiðanleg og óhagkvæm.

Öruggari leið til að tryggja auðkenningarvottun er að sameina þessi ómótuðu kerfi til að sigrast á einstökum takmörkunum þeirra. Að auki geta fjölþætt kerfi skráð notendur á skilvirkari hátt og veitt meiri nákvæmni og viðnám gegn óviðkomandi aðgangi.

Samkvæmt 2017 rannsókn frá háskólanum í Bradford er oft krefjandi að hanna og framkvæma fjölþætt líffræðileg tölfræðikerfi og huga þarf að mörgum atriðum sem gætu haft gríðarleg áhrif á niðurstöðuna. Dæmi um þessar áskoranir eru kostnaður, nákvæmni, tiltæk úrræði líffræðilegra tölfræðilegra eiginleika og samrunastefnu sem notuð er. 

Mikilvægasta málið fyrir fjölþætt kerfi er að velja hvaða líffræðileg tölfræðieiginleikar munu skila mestum árangri og finna skilvirka leið til að sameina þá. Í fjölþættum líffræðileg tölfræðikerfum, ef kerfið starfar í auðkenningarham, þá er hægt að líta á úttak hvers flokkara sem röð skráðra umsækjenda, lista sem sýnir allar mögulegar samsvörun flokkaðar eftir öryggisstigi.

Truflandi áhrif

Fjölinntaksþekking hefur notið vinsælda vegna mismunandi verkfæra sem eru tiltæk til að mæla aðra líffræðilega tölfræði. Eftir því sem þessari tækni fleygir fram verður hægt að gera auðkenninguna öruggari þar sem ekki er hægt að hakka æðar og lithimnumynstur eða stela þeim. Nokkur fyrirtæki og rannsóknarstofnanir eru nú þegar að þróa fjölinntaksverkfæri fyrir stórfellda dreifingu. 

Dæmi er tveggja þátta auðkenningarkerfi National Taiwan University of Science and Technology sem skoðar beinagrind beinagrind og mynstrum fingraæða. Líffræðileg tölfræði fingurbláæða (æðalíffræðileg tölfræði eða bláæðaskönnun) notar einstakt bláæðamynstur í fingrum einstaklingsins til að bera kennsl á þau. Þessi aðferð er möguleg vegna þess að blóð inniheldur blóðrauða, sem sýnir mismunandi liti þegar það verður fyrir nær-innrauðu eða sýnilegu ljósi. Fyrir vikið getur líffræðileg tölfræðilesarinn skannað og stafrænt mismunandi bláæðamynstur notandans áður en þær eru geymdar á öruggum netþjóni.

Á sama tíma notar Imageware, með aðsetur í San Francisco, margar líffræðileg tölfræði til auðkenningar. Stjórnendur geta valið eina líffræðilega tölfræði eða samsetningu líffræðilegra tölfræði þegar þeir innleiða öryggisráðstöfun pallsins. Þær tegundir líffræðilegra tölfræði sem hægt er að nota með þessari þjónustu eru lithimnugreining, andlitsskönnun, raddgreining, lófaæðaskannar og fingrafaralesarar.

Með fjölþættri líffræðileg tölfræði ImageWare Systems geta notendur sannvott auðkenni sitt hvar sem er og við hvaða aðstæður sem er. Sameinuð innskráning þýðir að notendur þurfa ekki að búa til ný skilríki fyrir hvert fyrirtæki eða vettvang vegna þess að auðkenni þeirra er búið til einu sinni og færist með þeim. Að auki leyfa stök auðkenni sem eru krosssamhæf við mismunandi vettvanga minni útsetningu fyrir gagnaárásum.

Afleiðingar marginntaksgreiningar

Víðtækari afleiðingar marginntaksþekkingar geta falið í sér: 

• Umbætur á mannfjöldamælikvarða á netöryggisstöðlum þar sem (langtíma) flestir borgarar munu nota einhvers konar marginntaksþekkingu í stað hefðbundinna lykilorða og líkamlegra/stafrænna lykla til að tryggja persónuleg gögn sín í mörgum þjónustum.
• Byggingaröryggi og viðkvæm opinber og einkagögn sem verða fyrir stigvaxandi öryggisumbótum þar sem (langtíma) starfsmenn með aðgang að viðkvæmum stöðum og gögnum munu fá umboð til að nota marginntaksþekkingarkerfi.
• Fyrirtæki sem nota marginntaksþekkingarkerfi sem nota djúp taugakerfi (DNN) til að raða og bera kennsl á þessar mismunandi líffræðilegar upplýsingar á réttan hátt.
• Sprotafyrirtæki sem leggja áherslu á að þróa fleiri fjölþætt auðkenningarkerfi með ýmsum samsetningum, þar á meðal radd-, hjarta- og andlitsprentun.
• Auknar fjárfestingar í að tryggja þessi líffræðileg tölfræðisöfn til að tryggja að þau verði ekki hakkað eða svikin.
• Hugsanleg atvik þar sem líffræðileg tölfræðiupplýsingar ríkisstofnana hafa verið brotist inn fyrir svik og persónuþjófnað.
• Borgarahópar krefjast þess að fyrirtæki séu gagnsæ um hversu mikið af líffræðilegum tölfræðiupplýsingum þau safna, hvernig þau geyma þær og hvenær þau nota þær.

Spurningar til að tjá sig um

• Ef þú hefur prófað fjölþætt líffræðileg tölfræðigreiningarkerfi, hversu auðvelt og nákvæmt er það?
• Hverjir eru aðrir hugsanlegir kostir marginntaksgreiningarkerfa?