Найти

Результаты поиска

• МЕТОД ВЫЧИСЛЕНИЯ КРИПТОГРАФИЧЕСКИХ КЛЮЧЕЙ ИЗ БИОМЕТРИЧЕСКИХ ДАННЫХ ЛИЦА НА ОСНОВЕ УСТОЙЧИВЫХ ПРЕОБРАЗОВАНИЙ

  И.В. Калиберда

  36-52

  2025-11-10

  Аннотация ▼

  Рассматривается задача преобразования биометрических данных лица в криптографические ключи, обеспечивающие высокий уровень защищённости. Биометрические данные, хотя и уникальные, не обладают достаточной случайностью для создания сильных криптографических ключей. Кроме того, возникают вопросы хранения ключей: злоумышленник может похитить их шаблон, а при малейшем изменении входных данных (другое освещение, мимика) создаётся риск несоответствия, что приводит к высокому уровню частоты ложных отбраковок. В качестве решения предлагается метод генерации криптографических ключей, объединяющий несколько ключевых технологий для обеспечения эффективности и безопасности процесса создания ключей. Дано описание основных этапов метода, включающих получение изображения лица, обработку изображения, анализ изображения с извлечением необходимых признаков с помощью сверточной нейронной сети, преобразование изображения (вектора признаков) в двоичную строку, устойчивые преобразования. Устойчивые преобразования призваны в качестве методик, направленных на защиту биометрических данных: использование корректирующих кодов Reed-Solomon, генерацию биометрически зависимого ключа, с последующим распределением его на части по классической схеме Шамира, шифрование. Проведено теоретическое обоснование преимущества такого подхода в контексте уменьшения вероятности ложных допусков и ложных отклонений. Представлены результаты экспериментов на базе публичных наборов данных. Показано, что по сравнению с классическими методами и некоторыми существующими схемами без коррекции ошибок предлагаемое решение даёт более высокую точность. Представленный метод дает существенные преимущества в области безопасности, делая криптографические системы более подходящими для приложений с высоким уровнем безопасности

• МЕТОДЫ УСИЛЕНИЯ ПРОЦЕДУРЫ ИДЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ НА ОСНОВЕ ТЕХНОЛОГИИ LIVENESS DETECTION

  В.В. Золотарев , А. О. Поважнюк, Е.А. Маро

  2022-05-26

  Аннотация ▼

  Биометрические системы идентификации и контроля доступа содержат методы
  распознавания личности субъекта на основе уникальных физиологических и поведенческих
  характеристик. Целью данной работы является разработка системы безопасного взаимо-
  действия (аутентификации) участников геймифицированных образовательных проектов,
  включающая в себя противодействие угрозам безопасности, возникающим при использовании биометрических характеристик пользователей. Выполнен сравнительный анализ эф-
  фективности распознавания поддельных биометрических образцов методами liveness detection
  на основе выявления подмены образца с помощью фото, видео на дисплее,
  3D-модели, маски. В ходе исследования предложен способ применения метода liveness detection
  для внедрения в системы геймифицированной образовательной среды. Предложена
  модификация метода liveness detection (гибридный метод) и спроектирована система био-
  метрической идентификации в реальном времени с использованием предложенного мето-
  да. Разработан двухэтапный гибридный метод биометрической идентификации на основе
  совместного использования пассивных и активных программных методов выявления под-
  дельных биометрических образцов. Метод адаптирован для использования с минимальным
  количеством дополнительных используемых устройств, единственным сканером биомет-
  рических признаков является 2D-камера. Проведено тестирования работы сети видов дву-
  слойный персептрон, трехслойный персептрон и сверточная нейронная сеть. Обучение
  сети проводилось на собственных обучающих примерах. Положение диктора при записи
  обучающих примеров: расстояние лица от камеры – 60см, режимы записи при повороте
  головы на 0 (взгляд прямо в камеру), 30 (голова немного повернута в сторону) и 45 (голова
  сильно повернута в сторону) градусов. По итогам тестирования лучшие показатели рас-
  познавания были выявлены у сверточной нейронной сети с 3 сверточными слоями и 1 пол-
  носвязным. Получена точность распознавания произнесенного слова до 100% при повороте
  головы пользователя до 30° и до 70% - при повороте головы пользователя до 45°. При тес-
  тировании на выборке, состоящей из 1000 примеров, значение FAR данной системы соста-
  вило 1%, значение FRR составило 0%.