मल्टी-इनपुट ओळख: भिन्न बायोमेट्रिक माहिती एकत्र करणे

• लेखक बद्दल:
• लेखक नाव

  Quantumrun दूरदृष्टी
• 24 फेब्रुवारी 2023

त्वचेच्या पृष्ठभागाच्या खाली अद्वितीय ओळखण्याची वैशिष्ट्ये शोधणे हा लोकांना ओळखण्याचा एक हुशार मार्ग आहे. केशरचना आणि डोळ्यांचे रंग सहजपणे बदलले किंवा मुखवटा घातले जाऊ शकतात, परंतु एखाद्या व्यक्तीसाठी त्यांच्या शिराची रचना बदलणे जवळजवळ अशक्य आहे, उदाहरणार्थ. बायोमेट्रिक प्रमाणीकरण सुरक्षिततेचा एक अतिरिक्त स्तर प्रदान करते कारण त्यासाठी जिवंत मानवांची आवश्यकता असते.

मल्टी-इनपुट ओळख संदर्भ

मल्टीमॉडल बायोमेट्रिक सिस्टीम व्यावहारिक ऍप्लिकेशन्समध्ये युनिमोडल सिस्टीमपेक्षा जास्त वेळा वापरल्या जातात कारण त्यांच्याकडे डेटा आवाज किंवा स्पूफिंगमुळे प्रभावित होण्यासारख्या असुरक्षा नसतात. तथापि, युनिमोडल सिस्टीम, ज्या ओळखीसाठी माहितीच्या एकाच स्रोतावर अवलंबून असतात (उदा., बुबुळ, चेहरा), सरकारी आणि नागरी सुरक्षा अनुप्रयोगांमध्ये अविश्वसनीय आणि अकार्यक्षम असल्याचे ज्ञात असूनही लोकप्रिय आहेत.

ओळख प्रमाणीकरण सुनिश्चित करण्याचा अधिक सुरक्षित मार्ग म्हणजे त्यांच्या वैयक्तिक मर्यादांवर मात करण्यासाठी या युनिमोडल सिस्टम्सना एकत्र करणे. याव्यतिरिक्त, मल्टीमोडल सिस्टम अधिक प्रभावीपणे वापरकर्त्यांची नोंदणी करू शकतात आणि अनधिकृत प्रवेशास अधिक अचूकता आणि प्रतिकार प्रदान करू शकतात.

ब्रॅडफोर्ड युनिव्हर्सिटीच्या 2017 च्या अभ्यासानुसार, मल्टीमॉडल बायोमेट्रिक प्रणाली डिझाइन करणे आणि पार पाडणे हे वारंवार आव्हानात्मक असते आणि परिणामांवर मोठ्या प्रमाणावर परिणाम करू शकणार्‍या अनेक समस्यांचा विचार करणे आवश्यक आहे. या आव्हानांची उदाहरणे म्हणजे खर्च, अचूकता, बायोमेट्रिक गुणांची उपलब्ध संसाधने आणि वापरण्यात येणारी फ्यूजन रणनीती. 

मल्टीमोडल सिस्टीमसाठी सर्वात महत्वाची समस्या म्हणजे कोणते बायोमेट्रिक गुण सर्वात प्रभावी असतील ते निवडणे आणि त्यांना एकत्रित करण्याचा कार्यक्षम मार्ग शोधणे. मल्टीमॉडल बायोमेट्रिक सिस्टीममध्ये, जर सिस्टीम ओळख मोडमध्ये कार्य करत असेल, तर प्रत्येक क्लासिफायरचे आउटपुट नावनोंदणी केलेल्या उमेदवारांची रँक म्हणून पाहिले जाऊ शकते, आत्मविश्वास पातळीनुसार क्रमवारी लावलेल्या सर्व संभाव्य जुळण्या दर्शविणारी यादी.

व्यत्यय आणणारा प्रभाव

पर्यायी बायोमेट्रिक्स मोजण्यासाठी उपलब्ध असलेल्या विविध साधनांमुळे मल्टी-इनपुट ओळख लोकप्रिय होत आहे. हे तंत्रज्ञान जसजसे पुढे जाईल तसतसे, ओळख अधिक सुरक्षित करणे शक्य होईल, कारण शिरा आणि बुबुळाचे नमुने हॅक किंवा चोरी करता येणार नाहीत. बर्‍याच कंपन्या आणि संशोधन संस्था आधीच मोठ्या प्रमाणात तैनातीसाठी बहु-इनपुट साधने विकसित करत आहेत. 

एक उदाहरण म्हणजे नॅशनल तैवान युनिव्हर्सिटी ऑफ सायन्स अँड टेक्नॉलॉजीची द्वि-घटक प्रमाणीकरण प्रणाली जी स्केलेटन टोपोलॉजीज आणि बोटांच्या शिराचे नमुने पाहते. फिंगर वेन बायोमेट्रिक्स (व्हस्कुलर बायोमेट्रिक्स किंवा वेन स्कॅनिंग) एखाद्या व्यक्तीच्या बोटांमधील अनन्य शिरा पॅटर्न त्यांना ओळखण्यासाठी वापरतात. ही पद्धत शक्य आहे कारण रक्तामध्ये हिमोग्लोबिन असते, जे जवळ-अवरक्त किंवा दृश्यमान प्रकाशाच्या संपर्कात असताना भिन्न रंग दर्शवते. परिणामी, बायोमेट्रिक रीडर सुरक्षित सर्व्हरवर संग्रहित करण्यापूर्वी वापरकर्त्याचे वेगळे शिरेचे नमुने स्कॅन आणि डिजिटल करू शकतात.

दरम्यान, सॅन फ्रान्सिस्कोमध्ये स्थित इमेजवेअर, प्रमाणीकरणाच्या हेतूंसाठी एकाधिक बायोमेट्रिक्स वापरते. प्लॅटफॉर्म सुरक्षा उपाय लागू करताना प्रशासक एक बायोमेट्रिक किंवा बायोमेट्रिक्सचे संयोजन निवडू शकतात. या सेवेसह वापरल्या जाणार्‍या बायोमेट्रिक्सच्या प्रकारांमध्ये बुबुळ ओळख, चेहर्याचे स्कॅनिंग, आवाज ओळख, पाम वेन स्कॅनर आणि फिंगरप्रिंट रीडर यांचा समावेश होतो.

इमेजवेअर सिस्टम्सच्या मल्टीमोडल बायोमेट्रिक्ससह, वापरकर्ते त्यांची ओळख कुठेही आणि कोणत्याही परिस्थितीत प्रमाणित करू शकतात. फेडरेटेड लॉगिन म्हणजे वापरकर्त्यांना प्रत्येक व्यवसाय किंवा प्लॅटफॉर्मसाठी नवीन क्रेडेन्शियल्स तयार करण्याची गरज नाही कारण त्यांची ओळख एकदाच तयार केली जाते आणि त्यांच्यासोबत फिरते. याव्यतिरिक्त, भिन्न प्लॅटफॉर्मसह क्रॉस-सुसंगत असलेली एकल ओळख डेटा हॅकच्या कमी प्रदर्शनास अनुमती देते.

मल्टी-इनपुट ओळखीचे परिणाम

मल्टी-इनपुट ओळखीच्या विस्तृत परिणामांमध्ये हे समाविष्ट असू शकते: 

• सायबरसुरक्षा मानकांमध्ये लोकसंख्येच्या प्रमाणात सुधारणा (दीर्घकालीन) म्हणून बहुसंख्य नागरिक बहु-इनपुट ओळखीचा काही प्रकार पारंपारिक पासवर्ड आणि भौतिक/डिजिटल की बदलण्यासाठी वापरतील जेणेकरून त्यांचा वैयक्तिक डेटा एकाधिक सेवांवर सुरक्षित होईल.
• (दीर्घकालीन) कर्मचार्‍यांच्या रूपात संवेदनशील ठिकाणे आणि डेटामध्ये प्रवेशासह वाढीव सुरक्षा सुधारणांचा अनुभव घेणारा संवेदनशील सार्वजनिक आणि खाजगी डेटा तयार करणे आणि बहु-इनपुट ओळख प्रणाली वापरणे अनिवार्य केले जाईल.
• ही भिन्न बायोमेट्रिक माहिती योग्यरित्या रँक करण्यासाठी आणि ओळखण्यासाठी डीप न्यूरल नेटवर्क्स (DNNs) वापरणाऱ्या मल्टी-इनपुट ओळख प्रणाली तैनात करणाऱ्या कंपन्या.
• व्हॉइस-, हार्ट- आणि फेसप्रिंटसह विविध संयोजनांसह अधिक मल्टीमोडल ओळख प्रणाली विकसित करण्यावर लक्ष केंद्रित करणारे स्टार्टअप.
• या बायोमेट्रिक लायब्ररींना हॅक किंवा फसवणूक होणार नाही याची खात्री करण्यासाठी सुरक्षित करण्यासाठी वाढीव गुंतवणूक.
• फसवणूक आणि ओळख चोरीसाठी सरकारी संस्थांची बायोमेट्रिक माहिती हॅक केल्याच्या संभाव्य घटना.
• कंपन्या किती बायोमेट्रिक माहिती गोळा करतात, ती कशी साठवतात आणि ती कधी वापरतात याबाबत पारदर्शक असण्याची मागणी नागरी गट करतात.

टिप्पणी करण्यासाठी प्रश्न

• जर तुम्ही मल्टीमोडल बायोमेट्रिक ओळख प्रणाली वापरून पाहिली असेल, तर ती किती सोपी आणि अचूक आहे?
• मल्टी-इनपुट रेकग्निशन सिस्टमचे इतर संभाव्य फायदे काय आहेत?