Какая биометрия лучше: сравнительный обзор биометрических методов на базе Big Data и Machine Learning

Big Data, Большие данные, предиктивная аналитика, бизнес-процессы, цифровизация, цифровая трансформация, бизнес, защита информации, Security, безопасность, машинное обучение, Machine Learning, биометрия, биометрические методы

Продолжая рассматривать уязвимости биометрических систем, сегодня мы поговорим про отличия разных методов биометрии. Проанализируем быстроту их работы и устойчивость к фальсификации, а также используемые технологии Big Data и Machine Learning. Кроме того, сравним ставшие привычными способы идентификации личности по фотографии лица, снимкам глаз, отпечаткам пальцев и ладоней с более «экзотическими» методами: по запаху, сердцебиению и внутренним вибрациям.

Cравнительный анализ 5 самых популярных способов биометрической идентификации

Прежде всего, перечислим современные методы биометрии [1]:

  • распознавание физиологических признаков человеческого тела, которые не существенно меняются со временем и остаются с их носителем в течение всей его жизни (отпечатки пальце, лицо, радужная оболочка и сетчатка глаза, ладони, уши, ДНК);
  • исследование поведенческих характеристик, динамика которых постоянна на протяжении долгого времени вследствие постоянного повторения этих процессов (речь, почерк, манера печати на клавиатуре, походка).

На практике чаще всего используются следующие методы биометрии [1]:

  • отпечатки пальцев;
  • распознавание лица (двумерное и трехмерное);
  • снимки радужной оболочки и сетчатки глаза;
  • рисунок вен на ладони.

Сравним эти методы биометрии по следующим критериям:

  • средние показатели эффективности (FAR и FRR) [1];
  • возможность фальсификации;
  • практическая распространенность;
  • стоимость решения с учетом программных и аппаратных компонентов.

Метод биометрии

FAR

FRR

Фальсификация

Распространенность

Стоимость

Отпечаток пальца

0,001%

0,6%

возможна

высокая

низкая

Распознавание лица 2D

0,1%

2,5%

возможна

высокая

низкая

Распознавание лица 3D

0,0005%

0,1%

проблематична

средняя

средняя

Радужная оболочка глаза

0,00001%

0,016%

проблематична

средняя

средняя

Сетчатка глаза

0,0001%

0,4%

невозможна

низкая

высокая

Рисунок вен

0,0008%

0,01%

невозможна

низкая

высокая

 

Биометрические методы
Биометрические параметры принято делить на статические и динамические

От ушей до хвоста: краткий обзор других биометрических методов

Разумеется, в вышеприведенной таблице рассмотрены далеко не все методы биометрии. Развитие науки и техники приводит к появлению новых способов установления личности по физиологическим характеристикам и особенностям поведения. В частности, в 2017 году было научно доказано, что потовые выделения уникальны для каждого человека и подделать химический состав этих аминокислот невозможно. Поэтому пот, как и кровь, может точно и безошибочно идентифицировать личность.

В 2013 и 2014 годах были также предложены методы биометрии по запаху изо рта и даже с чисто вымытых ладоней. В 2017 году был разработан метод определения людей по микровибрациям пальцев, который почти также точен, как дактилоскопия или сканирование сетчатки глаза, но стоит в 10 раз дешевле.

В 2019 году на рынок вышел инфракрасный сканер Jetson, с помощью которого можно идентифицировать человека по скорости его сердцебиения на расстоянии до 200 метров с точностью до 95%. Это надежнее систем распознавания лиц и отпечатков пальцев, которые можно подделать, но гораздо медленнее. Для анализа сердцебиения нужно примерно полминуты, при этом человек должен быть легко одет и неподвижен. Похожие методы биометрии на основе анализа сердечной активности пользователя были предложены в 2017 и 2014 годах.

Ушные раковины также могут выступать в качестве уникальных идентификаторов личность, т.к. эта часть тела не повторяется даже у однояйцевых близнецов. Такой биометрический метод с точностью 99,6% целесообразно применять в бытовых индивидуальных задачах, например, для разблокировки смартфонов. Начиная с 2015 года стали активно развиваться Big Data системы поведенческой биометрии, основанные на анализе походки, движения губ при разговоре, голоса и манеры речи и даже особенностях работы на клавиатуре. Как правило, такие когнитивные характеристики используются в качестве дополнительных, а не основных параметров биометрической идентификации [2]. К поведенческой биометрии также относится сбор данных о пользовательском поведении в интернете, осуществляемый с помощью файлов cookies. Напомним, что в соответствии с требованиями GDPR и №ФЗ-152 «О персональных данных», необходимо предупредить пользователя о сборе такой информации и получить его согласие. Подробнее об этом мы рассказывали здесь.

Big Data, Большие данные, предиктивная аналитика, бизнес-процессы, цифровизация, цифровая трансформация, бизнес, защита информации, Security, безопасность, машинное обучение, Machine Learning, биометрия
По ДНК можно 100% точно определить личность, но этот биометрический метод самый сложный и дорогой

10 важнейших критериев для выбора биометрии на базе Big Data и Machine Learning

Эффективность методов биометрии зависит от условий его применения. Поэтому при выборе биометрических параметров для идентификации личности стоит учитывать следующие факторы [3]:

  • время идентификации – сколько минут потребуется для корректного сбора биометрических данных и их распознавания.
  • удобство сбора биометрической информации: например, анализ крови или пота позволит точно идентифицировать человека, однако, процедура взятия этих биологических жидкостей требует специального оборудования и времени.
  • широта охвата, например, пропускная способность Big Data системы биометрии на основе видеоаналитики потока людей в режиме онлайн значительно выше, чем при сканировании пальцев, ладоней, глаз или других частей тела каждого человека в отдельности.
  • способ сбора биоданных – пока контактные способы точнее, чем бесконтактные, но первые требуют больше времени и отличаются меньшей пропускной способностью.
  • устойчивость к фальсификациям, которая предполагает низкие показатели FAR и FMR. Это значит, что маловероятна ошибка 1-го рода (ложноположительное решение) когда, ML-модель ошибочно идентифицирует личность, распознав реальные БПД соответствующими шаблону другого человека.
  • устойчивость к помехам, которая означает низкие показатели FRR и FNMR и небольшую вероятность ошибок 2-го рода и отказов в обслуживании из-за того, что алгоритм Machine Learning не смог распознать легитимного пользователя в связи с помехами или низким качеством представленных данных.
  • необходимая инфраструктура Big Data средства для хранения биометрических шаблонов (например, HBase в Apache Hadoop или другие NoSQL-СУБД), фреймворки аналитической обработки с помощью алгоритмов Machine Learning (Apache Spark, Flink), а также сенсоры и другие интеллектуальные устройства интернета вещей (Internet of Things, IoT), которые будут собирать и передавать оцифрованные биометрические данные для их сверки с шаблонами в базе. Иногда вся эта инфраструктура может уместиться в рамках одного смартфона, а для крупных биометрических систем типа индийского AADHAAR или российской ЕБС требуются масштабные распределенные решения на базе высоконадежных кластеров.
  • общая надежность системы биометрии, которая характеризуется низким значением всех метрик качества распознавания (FAR, FRR, FMR, FNMR, FER, FTC), а малыми значениями RTO, RPO и другими SRE-показателями. Здесь следует учитывать не только алгоритмы Machine Learning, но и работу IoT/IIoT-оборудования, каналов передачи данных, технологии маршрутизации, инструменты резервирования информации, балансировки нагрузки на кластер и прочие компоненты масштабной Big Data системы.
  • контекст приложения, что включает в себя место и особенности использования системы биометрии, например, видеокамеры уличного наблюдения, контроль в аэропортах, пропускные пункты на режимных объектах, онлайн-банкинг, телемедицина и пр.
  • стоимость реализации – самыми точными, но и самыми дорогими являются многофакторные системы, которые используют сочетание нескольких методов биометрии, например, сканирование ладоней, сетчатки глаз и особенности движения.
Big Data, Большие данные, предиктивная аналитика, бизнес-процессы, цифровизация, цифровая трансформация, бизнес, защита информации, Security, безопасность, машинное обучение, Machine Learning, системы биометрии
Многофакторные биометрические системы — самые надежные, но дорогие

В следующей статье мы расскажем, насколько методы биометрии устойчивы к фальсификации, рассмотрев несколько реальных кейсов обхода биометрических систем на базе Big Data и Machine Learning. Другие практические вопросы информационной безопасности больших данных, включая методы биометрии на базе машинного обучения, рассматриваются на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

расписание компьютерные курсы для руководителей, аналитиков, программистов, администраторов и пользователей Internet of Things, Big Data и Machine Learning Смотреть расписание занятий
регистрация на компьютерные курсы для руководителей, аналитиков, программистов, администраторов и пользователей Internet of Things, Big Data и Machine Learning Зарегистрироваться на курс

 

Источники

  1. http://www.techportal.ru/security/biometrics/tekhnologii-biometricheskoy-identifikatsii/
  2. http://www.tadviser.ru/index.php/Статья:Технологии_биометрической_идентификации
  3. https://ai-news.ru/2018/11/ne_v_brov_a_v_glaz_kak_rabotaet_biometriya.html