Technologie řeči. Hlasová biometrie pro figuríny na příkladu práce v kontaktním centru

Onehdy se objevila zpráva, že nizozemská ING se stala první evropskou bankou, která spustila hlasově aktivované mobilní platby. A pak jsem si vzpomněl na to téma biometrické ověřování hlasem byla nejen jedna z prvních, o které jsem psal v tomto blogu před 8 lety, ale když jsem o ní mluvil v lednu, slíbil jsem, že ji udělám krátká recenze trh biometrické autentizace, který nyní dělám.

Systémy hlasové biometrie ve skutečnosti neřeší pouze úkoly ověřování, ale také prevenci podvodů. Je zřejmé, že největší smysl dává kombinace těchto dvou technologií. Člověk identifikuje osobu, ale může být přemožen nahraným hlasem. Druhý umožňuje sledovat změny v hlasových charakteristikách v procesu komunikace a identifikovat podezřelé nebo abnormální hlasové sekvence. Je jasné, že čím kritičtější je aplikace takové technologie, tím důležitější se stává jejich kombinace. Například používání Facebooku je jedna věc, ale správa účtu druhá. V prvním případě stačí základní autentizace, ve druhém je potřeba něco víc.

Hlasová autentizace má velmi důležitou výhodu – nízkou cenu čtečky. Otisky prstů se čtou pouze na iPhone. Sítnice oka nebo geometrie ruky vyžadují přesné a nákladné další zařízení. Mikrofon je nyní téměř všude (v počítačích, v mobilní zařízení ah) a docela kvalitní. Role hlasové biometrie proto jen poroste.

Další výhodou hlasové biometrie je, že je takříkajíc „znovu použitelná“. Máte jeden obličej, maximálně dvě oči, deset prstů, pokud je vše v pořádku. A pokud jsou tato data odcizena nebo kompromitována, nelze s tím nic dělat. Nemůžete používat cizí prsty, oči, ruce, abyste se identifikovali. A krádež databáze „frází“ povede pouze k tomu, že vás systém hlasové autentizace může požádat, abyste vyslovili novou frázi nebo jednoduše „s ní promluvili“.

A konečně, pokud si pamatujete, že autentizační systémy se liší z hlediska „kdo jste“, „co máte“, „co víte“ a „co děláte“, pak hlasová biometrie na rozdíl od jiných biometrických autentizačních systémů používá všechny tyto 4 faktory. Podle fyzických vlastností hlasu určuje „kdo jste“. Ona definuje jak a coříkáte, to znamená, že vám umožňuje chránit se před útoky na statické autentizační systémy (například hesla). Nakonec může určit, že víte, zda se jako identifikační fráze používá PIN nebo heslo.
Systémy hlasové biometrie (je lepší je tak nazývat, spíše než hlasová autentizace, protože rozsah úkolů, které řeší, je širší) mohou pracovat ve dvou režimech – tzv. pasivním (neboli textově nezávislém) a aktivním (textově závislém). ). V prvním případě systém rozpozná partnera podle jeho svobody projevu (podobným způsobem funguje služba Shazam na mobilních zařízeních); ve druhém - podle předem určených frází, které musí uživatel vyslovit. V aktivním režimu by měl systém k ochraně před nahrazováním uživatele předem nahraným (nebo zachyceným) hlasem používat náhodné fráze, o jejichž vyslovení by měl být uživatel požádán.

Nelze říci, která ze dvou možností fungování systému hlasové biometrie. Oba mají své výhody a nevýhody. Aktivní systémy jsou efektivnější, ale vyžadují více vstupů od identifikovaného uživatele. Hlasový tisk přitom zabírá méně místa než v pasivních systémech, což může být relevantní pro mobilní aplikace nebo tam, kde internet ještě není tak rozvinutý nebo vůbec neexistuje. Existují například řešení, která umožňují ověření na samotném zařízení bez připojení k externímu serveru. Na druhé straně aktivní systémy ne vždy použitelné v systémech hromadného použití - banky, pojišťovnictví, maloobchod atd., protože uživatelé mohou být nespokojeni s potřebou interakce s biometrickým systémem. A takové systémy se samozřejmě těžko používají k identifikaci podvodníků, což snadno udělají pasivní systémy, které klidně „poslouchají“ volajícího/mluvčího a identifikují jeho řeč, aniž by se za něco vydávaly. Pasivní systémy se proto snáze používají, ale také vyžadují více zdrojů pro jejich realizaci.

Ochrana proti podvodníkům je realizována pomocí obvyklých „černých listin“, tedy seznamů hlasových otisků známých podvodníků. Příslušný specialista označí hlas jako podvodný a následně jsou všechny hovory porovnány s „černou listinou“ podvodníků. V Rusku, kde neexistuje databáze hlasových otisků podvodníků a zločinců, nebude tato metoda nejúčinnější a každý spotřebitel systémů hlasové biometrie bude nucen samostatně si vytvořit vlastní databázi podvodníků (ponecháme stranou dodržování legislativa v oblasti osobních údajů). Časem si ale organizace, zejména v některých odvětvích, budou moci takové databáze vyměňovat, jako to dělají například dodavatelé antivirů. Dobrou perspektivu mají banky (a jsou pravděpodobně úplně prvními kandidáty na použití takových systémů), které disponují FinCERTem, který si časem bude umět vyměňovat nejen data o IP/DNS/e-mailových adresách podvodníků, ale také doplnit informace zaslané hlasovými otisky.

Této údajně vzácné technologie se není třeba bát. Dnes je celý svět na pokraji (ostře otočené a) revoluce UAF/U2F od aliance FIDO, kdy jakékoli zařízení, aplikace nebo bezpečnostní nástroj bude moci abstrahovat od konkrétní autentizační/identifikační metody, přidělující tento úkol specifikace U2F/UAF, která zajistí integraci s požadovanou metodou autentizace.

Pokud se pokusíte převést výhody používání hlasové biometrie do řeči čísel, mohou být následující:

Zkrácení času pro autentizaci uživatele z 23 sekund v manuálním režimu v call centru (Call Center) na 5 sekund v automatickém režimu.
Zvýšená loajalita uživatelů (a v důsledku toho i příjmy z nich) v důsledku odmítnutí zapamatovat si známé odpovědi na „tajné“ otázky, zapamatovat si PIN kód pro vstup do systému nebo odpovědět na otázky otravného zaměstnance banky (vaše plné jméno, datum narození, číslo průkazu atd.).
Snížení počtu zaměstnanců call centra automatickým zpracováním mnoha jednoduchých dotazů (úřední doba o svátcích, nejbližší kancelář či bankomat, tarify atd.).
Snížení počtu podvodných transakcí.
Snížená doba čekání na správnou osobu, která pomůže odpovědět volajícímu.
Zvýšení produktivity zaměstnanců společnosti a call centra.

480 rublů. | 150 UAH | $7,5", MOUSEOFF, FGCOLOR, "#FFFFCC",BGCOLOR, "#393939");" onMouseOut="return nd();"> Práce - 480 rublů, doprava 10 minut 24 hodin denně, sedm dní v týdnu a svátky

Kalašnikov Dmitrij Michajlovič Biometrická hlasová identifikace osoby pomocí hesla hlasová fráze v podmínkách zvýšeného hluku: disertační práce ... Kandidát technických věd: 13.05.01 / Kalašnikov Dmitrij Michajlovič; [Místo ochrany: Penza State University], 2017.- 196 s.

Úvod

Kapitola 1. Přehled metod a zařízení pro ochranu osobních údajů na základě biometrických hlasových informací a předběžného digitálního zpracování signálu 15

1.1. Obecný stav ochrany osobních údajů 15

1.2. Hodnocení síly biometrického kódu rozpoznávání neuronové sítě 17

1.3. Informační měřítko kvality zdrojových dat 17

1.4. Funkční model biometrického snímače-kód 21

1.5. Klasická Hammingova míra 23

1.6. Praktické použití biometrické převodníky na kód pro ochranu spustitelného kódu v systému hlasové identifikace 24

1.7. Potřeba klasifikovat zvukové fragmenty řeči na tónové a šumové 26

1.8. Přehled metod pro měření periody výšky tónů 34

1.9. Použití lineárních prediktorů 38

1.10. Nelineární algoritmus pro detekci periodicity signálu 42

1.11. Lineární předpověď očekávané doby rozteče 45

1.12. Odhad délky řečového fragmentu používaného vokodérem neuronové sítě nové generace pro automatické učení biometrický systém hlasové možnosti hlasatel "Vlastní" 48

1.13. Odhad délky řečového fragmentu potřebného k trénování vokodéru, který rozpoznává jednotlivé zvuky řeči 50

1.14. Odhad délky rozpoznávaného řečového fragmentu

1.15. Mel-cepstrální koeficienty 51

1.16. Segmentace řeči do samostatných biometrických prvků 54

1.17. Markovův model rozpoznávání řeči

Závěry kapitoly

Kapitola 2 Matematické modelování identifikace spojené řeči 67

2.1. Fragmentátor homogenních zvuků a dvojice zvuků řeči mluvčího „Vlastní“ v neuronových sítích 67

2.2. Prediktor periody řečnického tónu z aktuální a předchozí hodnoty 73

2.3. Výpočet průměrné hodnoty periody základního tónu a přípustných mezí odchylek 75

2.4. Klasifikátor tón/šum 76

2.5. Metody maticové inverze v algoritmu lineárního prediktoru 79

2.6. Diskrétní statistický popis trvání intervalů mezi hlukovými zvuky řeči a mezi tónovými zvuky 85

2.7. Určení deterministických úseků řeči a variací ve výškové frekvenci 91

Kapitola 106 Závěry

Kapitola 3 Aktuální mock software pro ověřování hlasu 108

3.2. Trénink hotových biometrických parametrů na neuronové síti... 114

3.3. Shlukování zvukových fragmentů řeči 116

3.4. Ověření hesla 119

Kapitola 125 Závěry

KAPITOLA 4. Testování biometrického algoritmu hlasové autentizace za různých podmínek prostředí 127

4.1. Experimentální testování programu na pravděpodobnost

výskyt chyb prvního druhu 127

4.2. Experimentální testování programu na pravděpodobnost výskytu chyb druhého druhu za předpokladu, že heslo nezná nikdo zvenčí 133

4.3. Experimentální testování programu na pravděpodobnost výskytu chyb druhého druhu za předpokladu, že heslo zná někdo zvenčí 136

Závěr 139

Úvod do práce

Relevance tématu. V současné době existuje akutní problém zachování důvěrnosti různých typů informací: státních, průmyslových atd. Tomuto problému je věnováno velké množství prací, ve kterých jsou navrženy různé způsoby kryptografické autentizace a biometrické autentizace. Kryptografická autentizace je založena na ukládání a zpracování speciálních zakódovaných informací. Biometrická autentizace je založena na osobních charakteristikách subjektu (otisky prstů, vzorky rukopisu, rysy obličeje, sítnice).

Bohužel tyto metody mají následující nevýhody. Kryptografické metody umožňují zajistit maximální spolehlivost a bezpečnost autentizační procedury, nicméně přesouvají odpovědnost za uložení klíčů (tajné informace nebo materiální nosiče) na uživatele, který kromě zjevné neochoty takové závazky převzít často nemá potřebné dovednosti pro správné použití a bezpečné uložení tajemství. Biometrie se tradičně používá pouze k identifikaci uživatelů v systémech pasové a vízové kontroly občanů. Použití klasických biometrických technologií pro porovnávání biometrického obrazu uživatele se šablonou nezajišťuje důvěrnost osobních údajů uživatele v otevřeném občanském informační systémy.

Biometrická metoda ověřování hlasu se vyznačuje snadností použití. Tato metoda nevyžaduje drahé vybavení, stačí mikrofon a zvuková karta. Při použití biometrické metody hlasové autentizace však nastává řada problémů. Jedním z nejdůležitějších problémů je kvalita hlasové identifikace. V současné době je pravděpodobnost chyby v rozpoznání osoby podle hlasu poměrně vysoká. Pro jasnější identifikaci biometrických parametrů z hlasového signálu je nutný vývoj nových algoritmů. Druhým hlavním problémem je nestabilní práce známá zařízení v hlučném prostředí. Důležitým problémem je hlasová identifikace s různými projevy hlasu jedné osoby: hlas se může měnit v závislosti na zdravotním stavu, věku, náladě atd.

Konstrukce algoritmů hlasové identifikace a odpovídajících zařízení, které nemají výše uvedené nevýhody, je naléhavým úkolem vědeckého, technického a společenského významu. To primárně určuje relevanci díla. Velký přínos k rozvoji biometrické autentizace přinesli vědci jako N. N. Akinfiev, S. P. Baronin, A. I. Ivanov, M. V. Nazarov, Yu.

dov, V. I. Romanovsky, G. S. Ramishvili, V. N. Sorokin, V. A. Utrobin, V. Gosset, M. Gray, J. Darbin, A. K. Jain, D. Clun, N. Levinson, K Pearson, R. A. Fisher, R. Hamming a další.

Pro praktickou realizaci navržených metod je nutné vytvořit efektivní technické prostředky. Jsou známy následující globální společnosti zabývající se vývojem metod hlasové identifikace: Agnitio, Auraya Systems, Ověřit, KeyLemon, Odstín atd.

Nevýhody technologií používaných těmito společnostmi jsou v serverovém zpracování dat, tzn. všechna biometrická data jsou odesílána na server ke zpracování, což je pro uživatele ztráta soukromí. Pravděpodobnost falešného rozpoznání u stávajících automatů je poměrně vysoká. Je to dáno tím, že stávající algoritmy nevytěžují ze zvukového signálu dostatečný počet biometrických parametrů a také proto, že neexistují žádné standardy pro porovnávání biometrických parametrů hlasu.

Účel disertační práce spočívá ve vývoji nových metod, algoritmů a softwaru, které je implementují a které provádějí spolehlivou biometrickou autentizaci osoby hlasem v podmínkách vysokého vnějšího hluku. K dosažení tohoto cíle je nutné vyřešit následující úkoly:

vyvinout metodologii a algoritmy pro zlepšení přesnosti určování frekvence základního tónu v libovolných intervalech zvukového signálu;

vyvinout metodu pro autentizaci uživatele za předpokladu, že frekvence hlavního tónu je určujícím faktorem;

vyvinout techniku a algoritmy pro filtrování zvukového signálu pro přesnější výběr periody základního tónu na jakémkoli segmentu zvukového signálu a potlačení šumové složky signálu při poměru signálu k šumu rovné jedné;

vybudovat jednovrstvou neuronovou síť podle normy GOST R 52633.5 pro převod hlasových biometrických parametrů na přístupový kód;

vytvořit úzkopásmový filtr, který přijímá jako vstup frekvenci základního tónu reproduktoru. Použijte filtrační vzorec pro různé harmonické signály k získání biometrických parametrů a jejich převodu na biometrický kód;

stavět nový algoritmus fragmentace zvukového signálu a využití výsledných jednotlivých tónových fragmentů řeči jako biometrických parametrů převedených do biometrického kódu;

implementovat rozložení pro učení a ověřování uživatele pomocí přístupové fráze. Provádět testování pravděpodobnostních charakteristik (pravděpodobnost chyb prvního a druhého druhu - chyby ve vyvracení testovaného uživatele, resp. chyby v přijetí externím uživatelem).

Metody výzkumu. V práci byly použity metody matematické statistiky, teorie pravděpodobnosti, teorie umělých neuronových sítí a číslicového zpracování signálů. K realizaci experimentů byl použit objektově orientovaný jazyk C++, knihovny Qt a QWT, vývojové prostředí QtCreator a prostředí matematického modelování MathCAD.

Vědecká novinka disertační práce je následující:

Byl vyvinut algoritmus pro odhadování statistických parametrů zvuku řeči. Na základě diskrétně souvislého popisu trvání zvuků smysluplného řečového proudu je určen takový parametr, jako je průměrná délka zvuku, a je uveden algoritmus pro jeho odhad. Metody odhadu hodnot matematického očekávání a rozptylu periody základního tónu jsou zobecněny. Jsou navrženy vzorce pro konstrukci úzkopásmového filtru audio signálu, které umožňují zlepšit kvalitu extrakce signálu při vysoké hladině šumu.

Je zobecněna numerická metoda pro konstrukci lineárního prediktoru založená na výběru periody základního tónu, což umožnilo výrazně zvýšit přesnost a rychlost prediktoru. Byla vyvinuta technika pro zpracování nerámcového signálu v lineárním prediktoru, která významně snížila pravděpodobnost detekce falešného tónu v části audio signálu.

Pro přesnější výběr periody základního tónu na libovolném segmentu zvukového signálu byl vyvinut nelineární matematický model filtrace zvukového signálu. Konstruovaný postup filtrování umožnil vylepšit stávající klasifikátor tón-šum a vybrat všechny tónové úseky řeči ve zvukovém souboru.

Byl vyvinut algoritmus pro konverzi hlasových parametrů neuronové sítě na biometrický přístupový kód. Na vstup neuronové sítě jsou přiváděny vektory biometrických parametrů hlasových signálů, které jsou následně převedeny na biometrický kód. Vektory biometrických parametrů hlasových signálů se používají pro konstrukci tabulek váhových koeficientů. V důsledku aplikace navrženého algoritmu je každému hlasovému signálu přiřazen individuální kód. Použití získaných kódů umožnilo minimalizovat chybu prvního a druhého druhu při provozu hlasové autentizace.

Byl vyvinut numerický algoritmus pro extrakci vektorů biometrických dat založený na použití tonálních zvukových segmentů řeči oddělených od vnějších šumů a pauz. Tyto vektory jsou získány na několika harmonických zvukového signálu a jsou zapojeny do procesu trénování neuronové sítě. Je ukázáno, že tyto vektory jsou biometricky informativní a používají se v proceduře trénování neuronové sítě ke zlepšení kvality rozpoznávání hlasových vzorů.

6. Algoritmus pro fragmentaci a klasifikaci zvukových signálů byl vytvořen a implementován v softwaru. Vědecká novinka spočívá v použití algoritmu segmentace neuronové sítě audio signálu zabudovaného v disertační práci. Na základě tohoto algoritmu byly získány vektory všech možných tónových zvuků obsažených v hlasové frázi hesla mluvčího. Tyto vektory jsou převedeny na parametry biometrického kódu a odeslány k trénování neuronové sítě. Použití těchto parametrů umožnilo zlepšit kvalitu rozpoznávání mluvčích v systému hlasové autentizace.

Praktický význam práce. Byl sestaven automat, který vám umožňuje určit hlasatele pomocí mluvené přístupové fráze. Byl vyvinut softwarový balík, ve kterém jsou implementovány adaptivní digitální algoritmy pro zpracování řečových signálů. Je navržen algoritmus pro rozpoznávání biometrických obrazů v signálu. Algoritmus je implementován jako neuronová síť. Metoda vyvinutá v dizertační práci má ve srovnání se známými metodami číslicového zpracování signálů následující významné výhody. Nejdůležitější výhodou je schopnost automatu implementujícího tuto metodu naladit se při autentizaci uživatele na frekvenci řeči mluvčího. Potlačení šumu se provádí, i když je poměr signálu k šumu roven jedné. Neuronové sítě GOST R 52633 byly implementovány pro převod hlasových biometrických parametrů na přístupový kód, který umožňuje získat stabilní dlouhé heslo ve fázi ověřování. Snížena na hodnotu 10-7 pravděpodobnost chyby autentizace uživatele, pokud uživatel nezná heslo, a na hodnotu 10-2, pokud uživatel zná daná hesla. Automaty známé v literatuře mají následující charakteristiky: pravděpodobnostní charakteristika chyby druhého druhu je pouze 10–1, zatímco pravděpodobnost chyby prvního druhu je 10–2.

Softwarový komplex je zaměřen na zajištění ochrany informací a eliminaci jejich úniku. Pro zajištění ochrany a depersonalizace osoby, která má přístup k informacím, se v rámci kontroly přístupu do systému navrhuje zavést technologii hlasové autentizace. Jako ověřovací systémy jsou nabízeny: Internetové skříně s globálními nebo lokálními výstupy. Tyto systémy běžně využívají státní a obecní instituce a také některé vzdělávací instituce. Obslužný terminál tak umožní identifikaci osoby pomocí mluveného hesla s poměrně nízkou pravděpodobností chyby 2. typu (podle statistických údajů získaných v dizertační práci by neměla být vyšší než 10-7) a také poskytne uživateli rychlý, bezpečný a pohodlný vstup do osobního účtu.

Spolehlivost a validita výsledků formulovaný v disertační práci je zajištěn správným použitím matematických metod a porovnáním teoretických tvrzení s výsledky zkušebních a terénních experimentů.

Základní ustanovení pro obranu:

algoritmus pro extrahování statistických parametrů řeči založený na diskrétním kontinuálním popisu trvání zvuků v proudu smysluplné řeči;

numerickou metodu pro konstrukci lineárního prediktoru pro extrakci periody hlavního tónu s nerámcovým zpracováním dat a s využitím statistických parametrů řeči mluvčího;

nelineární matematický model filtrování audio signálu, který provádí potlačení šumu signálu při poměru signálu k šumu rovné jedné;

Algoritmus pro extrahování vektorů biometrických dat;

fragmentační a klasifikační algoritmus pro zvukové biometrické "fonémy";

algoritmus pro konstrukci neuronové sítě pro rozpoznávání biometrických rysů lidské řeči;

rozložení školení a autentizace uživatele pomocí hlasové přístupové fráze.

Realizace výsledků práce a propojení s vědeckými programy. Získané výsledky výzkumu byly implementovány v organizaci JSC "PNIIE" (Penza) při vývoji layoutu softwaru "Autentizace uživatele hlasovou frází". Existuje zákon o realizaci výsledků disertační práce.

Byl vyvinut softwarový balík (certifikát č. 2016E13464 ze dne 21. října 2016 dne státní registrace počítačové programy) řešící problém konstrukce prostředku neuronové sítě biometrického rozpoznávání hlasem při úrovni šumu vyšší než je úroveň signálu. Uvedený softwarový balík, používaný ve výzkumných, výrobních a konstrukčních činnostech společnosti PNIEI JSC (Penza) při studiu a vývoji biometrických autentizačních algoritmů, obsahuje softwarové řešení aktuální úkol vývoje nástrojů pro automatizovanou heselnou identifikaci osobnosti člověka pomocí hlasové fráze. Program je schopen provést ověření identity v podmínkách šumu srovnatelného s úrovní řečového signálu.

Výzkum byl podpořen grantem „UMNIK“, smlouva č. 8909GU / 2015 ze dne 21. prosince 2015 o poskytnutí grantu Federálního státního rozpočtového orgánu „Fond na pomoc rozvoji malých forem podnikání ve vědeckých a Technical Sphere“ provést výzkum na téma „Vývoj prostředků pro biometrické rozpoznávání neuronové sítě hlasem při úrovni šumu vyšší než je úroveň signálu“.

Schválení disertační práce. Hlavní ustanovení disertační práce byla prezentována a diskutována na následujících mezinárodních konferencích: 6. a 7. mezinárodní vědeckotechnická konference „Matematická a počítačové modelování přírodní vědy a sociální problémy“ (Penza, 2013, 2014); Mezinárodní vědeckotechnická konference "Analytické a numerické metody pro modelování přírodovědných a sociálních problémů" (Penza, 2014); vědecká a praktická konference "Přínos mladých vědců k rozvoji ekonomiky Povolží" podzimní zasedání 2016 (Penza, 2016); vědecká konference soutěže „Granty rektora“ (Penza, 2015).

Osobní příspěvek autora. Všechny hlavní výsledky uvedené v disertační práci jsou formulovány a získány autorem samostatně. Práce byly publikovány ve spoluautorství s vedoucím práce, který vlastní formulaci řešeného problému a koncepci jeho řešení. Článek popisuje algoritmus vyvinutý autorem pro získávání statistických parametrů řeči na základě diskrétně spojitého popisu trvání zvuků v proudu smysluplné řeči. V práci autor nezávisle vyvinul nový algoritmus redukce šumu . V dílech autor vybudoval metodu pro depersonalizaci osobních údajů pomocí hlasového hesla, vylepšil známé lineární algoritmy pro zpracování zvukových signálů. V softwarovém balíku autor vyvinul hlavní algoritmy a zkompiloval programové kódy. Autor provedl i numerické experimenty, které potvrzují možnost praktického využití výsledků.

Publikace. Na základě podkladů disertační rešerše bylo publikováno 8 prací, z toho 3 práce v časopisech ze seznamu Vyšší atestační komise Ruské federace.

Struktura a rozsah práce. Disertační práce se skládá z úvodu, čtyř kapitol se závěry, závěru, seznamu literatury a 2 příloh. Celkový objem díla je 188 stran, z toho 170 stran hlavního textu, z toho 87 obrázků. Seznam literatury obsahuje 83 titulů.

Funkční model převodníku biometrických kódů

Hlavním funkčním prvkem vysoce spolehlivého biometricko-kryptografického autentizačního nástroje je převodník biometrie na kód. Práce převaděče biometrie na kód je založena na použití speciálních metod pro převod fuzzy biometrických dat na binární celé číslo s pevnou kapacitou - kódovou odezvou. Současně jsou fuzzy biometrická data „vlastního“ uživatele převedena na stabilní kódovou odpověď, nazývanou „vlastní“ kód, a fuzzy biometrická data „cizí“ uživatelů jsou převedena na náhodné (nekorelované) kódové odpovědi. "Mimozemšťan". Funkční schémačinnost převodníku biometrických kódů je znázorněna na obrázku 1.2.

Hlavní funkční charakteristikou konvertoru biometrie na kód je tedy to, že musí skládat vícerozměrné pole spojitých stavů nestabilního biometrického obrazu „Vlastní“ do kódového bodu „Vlastního“ náležejícího do nějakého konečného diskrétního pole možných stavů tento klíč. Druhou funkční charakteristikou převodníku biometrie na kód je to, že náhodné biometrické obrázky „Mimozemšťan“ by měly generovat náhodné výstupní kódové odpovědi na výstupech převodníku. Více biometrických vzorů Vícenásobné kódové odpovědi

Vnitřní struktura převodníku biometrických kódů se vytváří během speciálního postupu zvaného učení. Tréninkový postup akceptuje jako parametry soubor příkladů biometrického obrázku „Vlastní“, soubor biometrických obrázků „Cizinec“, z nichž každý je reprezentován jedním nebo více příklady, a kódovou odpověď „Vlastní“ a výsledek postupem je vygenerovaný převodník biometrických kódů s parametry, umožňujícími splnit výše uvedené funkční vlastnosti.

Parametry trénovaného převodníku biometrických kódů doplněné o některé dodatečné informace(například identifikátor nebo uživatelské jméno) tvoří biometrický kontejner. 1.5. Klasická Hammingova míra

Postup při objednávání biometrických snímků by měl být velkorozměrný a zohledňovat změny všech biometrických parametrů a všech z nich. možné kombinace, což se stává technicky nerealizovatelné již pro několik desítek zohledněných biometrických parametrů, tedy jediné možný způsob aby se tomu zabránilo, je přechod z prostoru vstupních spojitých vysokorozměrných biometrických obrazů do prostoru výstupních odpovědí diskrétního kódu. V tomto případě se třídění biometrických obrázků stává lineárním a jednorozměrným a činnost automatu pro uspořádané počítání biometrických obrázků se stává triviální.

Hlavní metrikou v prostoru výstupních kódových odpovědí je Hammingova míra - počet neshodných bitů kódových odpovědí a různé modifikace této míry, které jsou popsány níže. Hammingova míra k se vypočítá podle vzorce ph = YS iyi\ (1.5.1) /=1, kde Xj je hodnota /-té číslice první kódové odpovědi; yi - hodnota /-tého bitu druhé kódové odpovědi; n - délka kódu; Ф - modul sčítání 2. Pomocí této metriky lze stanovit míru blízkosti mezi dvěma biometrickými obrázky „Cizinec“ nebo míru blízkosti biometrického obrázku „Mimozemšťan“ k biometrickému obrázku „Vlastní“, pro který je vysoce byl vyškolen spolehlivý biometrický autentizační nástroj. Využití Hammingova opatření pro objednávání biometrických snímků má smysl pouze pro určitý biometrický převodník na kód trénovaný na nějakém biometrickém snímku „Vlastním“.

1. Hlavním rozdílem navrhované metody od všech ostatních je přítomnost automatů zakódovaných pro určité vlastnosti prostředí a spustitelného kódu automatů pro reorganizaci dlouhých náhodných vstupních dat do specifického kódu o délce 256 bitů.

2. Za centrum reorganizačního mechanismu jsou považovány vlastní hashovací funkce (NHF), které jsou zobecněným konceptem převodníků biometrických kódů ve srovnání s daty, která převádějí. Podstata navrhované metody spočívá ve zdrojových datech testovaného kódu. Lze rozlišit dva typy výchozích dat: parametry reorganizace NHV a vícerozměrné parametry. Reorganizační charakteristiky NHF jsou přeskupeny namísto spustitelného kódu programu spolu s automatem, který implementuje NHF. Když je program spuštěn, jsou do něj přeneseny vstupní vícerozměrné charakteristiky pro implementaci s prováděním. S podporou automatu NHF se uložené a vrácené charakteristiky použijí k obnovení jednoho dalšího bloku spustitelného kódu programu.

3. Po procesu obnovy je kód zkompilován a automat NHF pokračuje v dekódování správných bloků, které jsou důležité pro pokračování programu. Podle charakteristik stavu NHF, nebo pouze podle vstupních charakteristik, není snadné spustit spustitelný kód. To vám umožňuje použít NHF k vyřešení problému ochrany spustitelného kódu před výskytem hackingu. Schéma obrany pro libovolný blok kompilovaného kódu je znázorněno na obrázku 1.3.

Odhad délky řečového fragmentu použitého vokodérem neuronové sítě nové generace pro automatické trénování biometrického systému s hlasovými parametry mluvčího Svoi

Pro získání informativního hesla pro autentizaci je nutné vypočítat statistické parametry, které popisují jejich kvalitu a rozdíl.

Systémy hlasové identifikace, které berou jako parametry koeficienty frekvenčního spektra, mají podobné pravděpodobnostní chyby jako systémy, které analyzují řečový signál v průběhu času. Pravděpodobnost chyby prvního druhu charakterizuje odmítnutí přechodu na „Vlastní“. Na tento moment mezi existujícími hlasovými systémy je tato pravděpodobnost 10_1. Pravděpodobnost chyby druhého druhu charakterizuje vynechání „Alien“. Četnost výskytu této chyby závisí pouze na způsobu použití metody. V případě, že někdo zvenčí zná přístupovou frázi a nepoužívá diktafon, je úspěšnost jeho obejití systému přibližně 1% za předpokladu, že se jeho hlas blíží nahranému. V opačném případě může útočník k úspěšnému prolomení potřebovat až 1010 pokusů.

Je však možné přejít pod masku jiného hlasatele ve stávajících systémech, pokud je heslo původního hlasatele známé a zaznamenáno na záznamníku. V tomto případě se výrazně zvyšuje pravděpodobnost druhého druhu. Z toho vyplývá potřeba vyřešit problém zabránění zachycení hlasového hesla. Také jedním ze způsobů řešení tohoto problému je využití současné identifikace osoby podle struktury obličeje. Někteří specialisté na zabezpečení systémů navíc připojují pohybová čidla, aby identifikovali zdroj zvuku.

V současné době jsou široce používány časové postupy (lineární predikce) a postupy filtrování frekvenčního pásma ve vokodérech. Tyto i další postupy výrazně zkreslují biometrii uživatelů a zároveň nemohou zajistit vysokou kompresi řečových informací.

Výzkum v rámci práce Výzkumného elektrotechnického ústavu Penza, na kterém se autor podílel, ukázal, že existuje reálná příležitost vytvořit novou třídu vokodérů na základě nového typu popisu hlasových signálů. Nový typ popisu řeči je založen na využití skutečnosti, že koordinovaná řeč se skládá z tlumených oscilačních procesů, které se opakují s periodou základního tónu. Například foném "a" vypadá takto (obrázek 1.11). Tton = 60

Z obrázku 1.11 můžeme usoudit, že zvuk se skládá z periodicky se opakujících tlumených kmitů. Pro ekonomický popis procesu je proto nutné měřit míru tlumení a frekvenci (počet hrbolů) vnitřních kmitů. V tomto případě bude komplexní řečový proces, popsaný klasickými vokodéry pomocí 14-18 parametrů, popsán pouze čtyřmi parametry: 1) amplituda zvuku; 2) perioda základního tónu; 3) tlumení vnitřních oscilací; 4) frekvence vnitřních oscilací. Tento přístup ke kódování řeči umožňuje několikrát zhustit informace. Je velmi důležité, že v novém typu "oscilačního" popisu řečového signálu se různé fonémy ukázaly být velmi podobné. Například fonémy „o“ a „a“ se budou lišit pouze periodou výšky tónu. Příklad fonému "o" je na obrázku 1.12.

Porovnáním obrázků 1.11 a 1.12 můžeme dojít k závěru, že foném "o" a foném "a" jsou tvořeny stejnou vibrační vazbou. Fonémy se od sebe liší pouze periodou hlavního tónu. Tyto údaje nejsou v literatuře dostupné. V klasické literatuře o zpracování řeči byl učiněn pokus spojit první a druhý foném dohromady (viz obrázek 4.3 c). Je třeba vzít v úvahu frekvenční útlum, protože to umožňuje určit hranici zvuku. Útlum je spíše přímý než nepřímý parametr produkce řeči. Foném „o“ má ve srovnání s „a“ menší periodu výšky tónu, ale stejnou frekvenci plnění a stejný rozpad.

Provedené studie ukázaly, že na základě nového principu popisu zvukových signálů je možné sestavit jednoduchá „fuzzy“ pravidla pro klasifikaci „fonémů“ a syntézu jejich optimálního fuzzy popisu. Například popis fonémů „u“ a „u“ má téměř stejnou formu struktury, ale různá období hlavního tónu. Tato situace je znázorněna na obrázku 1.13. О 50 Ш!\ ft h 200 100 I Т=50 "у" Т=60 "ю" s odvozením jednoduchých fuzzy (fuzzy) pravidel pro rozlišování fonémů. Pro velkou většinu fonémů budou jednoduchá. Tato pravidla budou popisovat „průměrný" mluvčí. Odchylky od těchto pravidel nebudou nic jiného než biometrické vlastnosti mluvčího. Zřejmě právě tímto způsobem bude možné zvýšit kvalitu vokodérů, poměr komprese řeči, spolehlivost přenosu biometrických parametrů řeči.

Po syntéze fuzzy pravidel (fuzzy automat rozpoznávající fonémy) bude pravděpodobně možné zvýšit kompresní poměr řeči 1,5-2krát. Pokus o vytvoření vokodéru, který zohledňuje tlumení oscilačních procesů, ukazuje technickou proveditelnost tohoto směru.

Dalším způsobem, jak zvýšit poměr komprese řeči, je extrahovat fonémy a kódovat fonémy spíše než rámce. Kódování řeči snímků je nadbytečné. Vokodéry obvykle používají 44 zvukových snímků za sekundu. Průměrný člověk vysloví 11 fonémů za sekundu. To znamená, že vokodéry provádějí 4násobnou duplikaci jednoho fonému. Známe-li fuzzy pravidlo evoluce fonémů (jak se jeden foném přeměňuje v druhý), pak stačí přenést data fonémů jednou. To by mělo umožnit komprimovat dodatečné informace 3-4krát. Pokud přenášíme parametry řeči ve středu fonémů a mezi nimi, bude dodatečná komprese přibližně rovna dvěma.

Nový přístup, založený na odhadu útlumu period základního tónu a vnitřních oscilací, je tedy slibný a umožňuje několikanásobně zvýšit kompresní poměr řeči. Je technicky proveditelné mít výstupní vokodéry 600 bps. Zároveň lze vyřešit problém přesného přenosu biometrických parametrů pro vokodéry s tokem 2400 a 4800 bps.

Ověřování heslem

Použití metod a algoritmů používaných při konstrukci stávajících vokodérů neumožňuje použití těchto metod při konstrukci fragmentátorů hlasového signálu. Důvodem, proč nelze tyto metody použít, je to, že vysoce kvalitní hlasové datové vokodéry vyzařují obrovské množství tříd, jejichž tok je řádově 2400 bps. Toto číslo je typické pro vokodéry postavené na algoritmech lineárního prediktoru. Tento počet datových toků je nutné minimalizovat. V případě použití vokodérů, které dávají tok asi 1200 bps, počet přijímaných tříd klesá, ale přesto zůstává poměrně velký. I v tomto případě dojde ke ztrátě biometrických údajů uživatele.

Řešením těchto problémů je použití biometrických zařízení, která dokážou systému poskytnout dostatečné množství informací. Výstupem je také konstrukce automatického fragmentátoru řeči, který klasifikuje části hlasového signálu. Použití již existujících fragmentátorů neposkytuje systému dostatek informací vzhledem k tomu, že jejich algoritmy jsou založeny na jednotném zpracování hlasového signálu snímek po snímku. Rovnoměrné rozdělení hlasového signálu se obvykle mění na streamu 20-60 fps. Rovněž jednou z nevýhod stávajících fragmentátorů je úplné zanedbávání vnitřních změn v rámci zvukových fragmentů, tzn. dochází ke ztrátě znalostí o změně samotných biometrických parametrů.

Lze konstatovat, že hlavním cílem vytvoření udržitelných hlasových biometrických autentizačních systémů je předčasné zpracování zvukového signálu, které kombinuje konstrukci efektivního fragmentátoru kódových frází, který zohledňuje osobní vlastnosti uživatele a synchronizuje identifikované segmenty řeči na etapa školení programu, tzn v těchto oblastech řeči by neměl být žádný fázový nesoulad. Užitečnou funkcí nového fragmentátoru by také byla možnost samoučení a identifikace vlastností mluvčího ve fázi autentizace programu po dlouhé době vzhledem k výcviku tohoto mluvčího.

V době, kdy je uživatel ověřen, musí program nashromáždit všechny druhy statistických charakteristik, jasně klasifikovat vybrané úseky řeči. V případě biometrické identifikace je nutné vytvořit automatický fragmentátor schopný klasifikovat zvuky, díky předem vytvořenému slovníku a přistupovat k databázi vytvořených zvuků, zvlášť pro každého uživatele. Autentizační i identifikační systémy by měly být předem testovány na chyby typu I a typu II. Tento problém je v disertační práci řešen pomocí následujících přístupů. Byl vyvinut algoritmus pro řízení periody základního tónu uživatele. Pro každou osobu existuje samostatná sada parametrů pro periodu výšky tónu, která se počítá při nahrávání zvukový soubor. Matematické očekávání délky období hřiště je považováno za individuální charakteristiku, přestože se pro mnoho lidí může shodovat. Nejnižší hodnota periody základního tónu je typická pro hlavní ženské pohlaví a osoby do 16 let. Daná hodnota má výrazný rozdíl oproti mužskému hlasu. Někteří muži mají basový charakter hlasu a průměrná hodnota jejich menstruace převyšuje hodnotu průměrného člověka.

Fáze předzpracování hlasové fráze v případě identifikace nebo autentizace by měla operovat s průměrnými charakteristikami mluvčího, s přihlédnutím k mnoha parametrům bez využití moderních možností výpočetního výkonu počítače. Tuto podmínku musí zohlednit automatický fragmentátor-klasifikátor hlasové fráze, řeči identifikovaného uživatele.

Basový hlas má vzhledem k velké délce periody základního tónu poměrně velké množství změn amplitudy signálu v rámci studované oblasti. Tato funkce vede k rozšíření okna zpracování řečových fragmentů, lze tento problém vyřešit předpovídáním změn důležitých biometrických charakteristik. Navzdory těmto faktorům musí klasifikátor-fragmentátor utrácet stejné výpočetní zdroje pro různé typy lidí. Tyto zásady jsou stanoveny v oddíle 3 kapitoly 2 při vytváření praktického modelu fragmentace zvukové fráze.

Experimentální testování programu na pravděpodobnost výskytu chyb druhého druhu v případě neznalosti hesla cizí osobou

Procedura "LPCJ5" je lineární predikční filtr, na jehož výstupu máme hodnotu periody základního tónu "perioda LPC" (vzorec 3.1.7). Postup je dodáván s délkou snímku „TV“, početním číslem začátku a konce snímku „7V7 a N2“, pořadovým číslem snímku „kadr“, počtem koeficientů autokorelační funkce, "dmposonjjenod" - odchylka od nuly v autokorelační funkci, "error" - vektor chyby z předchozího snímku, vypočtený pomocí procedury "LPCJor error".

Procedura vypočítá autokorelační funkci chyby predikce: N/An-1-kr(k)= Y ew(n)e(n + k),ke0,N/An-l, (3.1.10) a v bloku 6 bylo zjištěno, při jakých hodnotách wn ss[w, n2] je autokorelační funkce chyby predikce r(k) maximální, což odpovídá výběru maxim (vrcholů) ve spektru řečového signálu. Za tímto účelem byla funkce minimalizována: (3.1.11) V tomto případě je u minimální délka periody základního tónu, u = inf T0T-n2 - maximální délka perioda hlavního tónu, n2 \u003d sup That. Výsledná hodnota je definována jako n. Najdeme maximální hodnotu periody v přesné dolní a horní meze, po které přejdeme ke vzorci T ± z n Гт-у, (3.1.12) 0, гт /, kde nastavení.

Procedura "Ma8htabirovanie_v" měří každý snímek vstupního signálu v daném rozsahu, aby se každý snímek porovnal korelací. Všechny deterministické řezy jsou redukovány na stejnou konstantní stupnici od -1 do +1.

Procedura "mashtabirovamejJoX" bere na vstup signál určitého rozměru "N_N" a aproximuje signál "ogib" na určitou délku "Nogib". To znamená, že vzor signálu je zachován, mění se pouze počet vzorků v něm.

Postup "Ogibayshayjjokadr" - počítání obálky na snímek, kde "y" je filtr o rozměru "N_N" s určitou harmonickou; "Nach", "Kop" - začátek a konec pole podle parametru "y"; "kadr" - matematické očekávání periody základního tónu; "ogib" - výsledná obálka; "Nogib" - rozměr obálky.

Po předzpracování signálu a extrakci potřebných biometrických parametrů jsou data odeslána do převodníku biometrie na kód, který se skládá z následujících procedur a funkcí: void netlr.koef (int kolobrazov, int Nobrazov, double obrazy, int &size, double &net); void netl: :norm net (int kolobrazov, double sigma, double Mat OG al, int size, double &net); void CCalculateADQ::CalculateInputADQ (int imageCount, float koeficientyArr, float averageArr, float disperzionArr, float qualityArr); void netS::SimpleTraining (int weights Number, const int ConnectionArr, int imageCount, int keyArr, float averageArr, float weightsArr); void netSr.NormalizationTrainmg(int weights Number, const int ConnectionArr, int imageCount, float dispersionArr, float qualityArr, float weightsArr).

Postup "Lf - výpočet Fourierových koeficientů z vygenerovaných snímků (biometrické parametry). "Nobrazov" - rozměr jednoho obrázku. akol obrazov" - počet obrázků odeslaných do neuronové sítě. Na výstupu procedury - matice "net" s rozměrem . Každý vektor 196 složek je vytvořen z Fourierových koeficientů uvažovaného signálu.

Postup tvorby spočívá ve zpracování signálu s různými okny, výpočtu Fourierových koeficientů funkcí vyříznutých těmito okny a vytvoření celkového vektoru podle speciálního algoritmu.

Procedura „normnet“ je normalizace „vlastních“ obrázků s ohledem na matematické očekávání a rozptyl „mimozemských“ obrázků. Obrazy "Alien" byly předběžně vytvořeny nahromaděním hlasové základny 10 000 obrázků. Základna vznikla jako výsledek probíhající sbírky v rámci interní práce PNIEI JSC v letech 2012-213. Normalizace snímků se provádí podle vzorce net[g][/] = - y, i _ 0..kol obrazov, g = 0.. 196, (3.2.1) alienW kde Malien je vektor matematické očekávání obrázků "Alien"; 64yyK0U[g] variační vektor cizích vzorů.

Procedura "CalculateInputADQ" vypočítává matematické očekávání, rozptyl a kvalitu parametrů "Custom" obrázků. Kvalita každého parametru se vypočítá jako poměr střední hodnoty parametru k jeho rozptylu.

Procedura „SimpleTraining“ vyplní a zapíše tabulku váhových koeficientů do samostatného souboru .1x1 pro její další použití v době depersonalizace. V důsledku postupu se vytvoří počáteční trénink první vrstvy. Vstupem procedury je tabulka spojení neuronů, vzhledem k nimž se tvoří parametry, které nabývají hodnot „0“ a „1“, a také náhodně generovaný přístupový kód „klíč“. Počet závaží "weightsJayerl" na vrstvě je 24. Trénink probíhá úpravou znamének váhových koeficientů pro část vstupů neuronu. Znaménko je opraveno tak, že pravděpodobnost dané odpovědi na výstupu neuronu se po předložení příkladů „Vlastního“ obrázku zvýší (sníží se počet chyb ve výstupním kódu). Korekce by měla být provedena na jednom vstupu. Pokud změna znaménka váhového koeficientu korigovaného vstupu dává opačný výsledek, pak by měla být korekce zrušena a přistoupit ke korekci znaménka dalšího váhového koeficientu. Procedura "NormalizationTraining" trénuje první vrstvu sítě pomocí vstupní kvality a rozptylu získané z funkce "CalculateInputADQ".

Řečové technologie z IT exotiky se dnes rychle mění v realitu. Poměrně velký úspěch vykazuje hlasová biometrie, na jejímž základě byly implementovány různé aplikace, které poskytují tvorbu užitečných služeb pro banky, kontaktní centra, kliniky, vozidla, hlasové ovládání práce pomocí mobilních komunikací a navigace. Mezi společnostmi, které nabízejí široký rozsah Populární řečová a textová řešení a také aplikace pro práci s dokumenty, Nuance Communications je také uvedena. Její regionální ředitel prodeje a rozvoje podnikání Nuance Communications Martin Vesyolka odpověděl na otázky publicisty z PC Week/RE Petra Chachina o moderních možnostech řečových technologií a hlasové biometrie.

Martin Vesyolka:Hlasová biometrie je jednou z technologií, která se velmi rychle rozvíjí a umožňuje různým společnostem používat její řešení k identifikaci zákazníků. V biometrickém systému se k určení nebo potvrzení osoby používají individuální behaviorální, psychologické a některé další charakteristiky. K dispozici je mnoho biometrických měření, včetně duhovky, otisku prstu, obličeje, hlasu, podpisu atd. Hlasová biometrie umožňuje zkoumáním hlasové vlastnosti osobu k identifikaci klienta. Jde o poměrně jednoduchý a ekonomický způsob řešení řady praktických problémů.

PC Week: Jaký je současný zájem IT oddělení v různých odvětvích o hlasovou biometrii a řečové technologie?

M.V.: Je to dáno tím, že hlasová biometrie a řečové technologie již nejsou hračky, jedná se o vysoce vyvinutou technologii, kterou lze zkvalitnit službu do takové míry, že toto zlepšení zákazník pocítí. Podnik musí poskytnout zákazníkovi automatizovanou službu a řečové technologie s tím mohou pomoci. Nikdo klienta nenutí čekat, nepřesměrovává a nenabízí použití menu. Hlasová komunikace je pro zákazníka pohodlná.

Systém klientovi rozumí a je schopen kontrolovat jeho slova. Možná si ani nepamatuje heslo nebo číslo. Hlasová biometrie, která se používá během konverzace, umožňuje určit, kdo volá. Tím se zkrátí doba hovoru. Klient se tedy nemusí představovat a uvádět heslo. Jeho heslem je jeho hlas! Zároveň cítí, že jeho výzva je důležitá a společnost se okamžitě rozhodne.

PC Week: Která průmyslová odvětví jsou nejvíce žádaná po aplikacích hlasové biometrie a řečových technologií?

M.V.: Nejčastěji se používají v bankovním sektoru, v pojišťovnách a v telekomunikacích. Letecké společnosti projevují značný zájem. Trh je také slibný mobilní aplikace pro mobily kde jsou řečové technologie plně žádané. V automobilovém průmyslu umožňují hlasové systémy používat navigační zařízení na cestách, dokážou zapnout hudbu, klimatizaci, pomoct, aniž by byli rozptylováni od řízení auta, nahrávat a odesílat SMS atd.

V medicíně se řečové technologie používají k zaznamenávání informací o zákaznících, vytváření elektronické karty pacientů. To optimalizuje práci lékařů a vytváří jasné výhody pro klienty. Lékař nepoužívá klávesnici počítače, pouze diktuje lékařské parametry a diagnózu. Systém rozpoznávání řeči převádí hlas na text a zaznamenává jej.

M.V.: Bankovní kontaktní centra úspěšně využívají hlasové technologie. Pokud klient potřebuje základní informace, pak jsou mu poskytovány zdarma. Ale pokud chce provést finanční transakci nebo nějaký druh transakce se svým účtem, pak je třeba zkontrolovat jeho [stav]. Hlasová biometrie je jedním z typů ověření klienta, pomocí kterého lze identifikovat, zda je osoba naživu nebo je vysílán záznam řeči.

Systém hlasové biometrie může odhalit potřebu dodatečného ověření klienta. Můžete také vytvořit „černou listinu“ hlasových otisků klientů, kteří byli viděni při podvodech nebo při pokusech získat neoprávněný přístup k účtům jiných klientů. To vám umožní zajistit bezpečnost bankovních transakcí.

PC Week: Je systém hlasového ověřování zákazníků bezpečnější než PINy a hesla?

M.V.: Hned bych rád poznamenal, že systém hlasové biometrie je pro zákazníka pohodlnější než používání PIN kódů a hesel. Dá se ale také říci, že hlasová biometrie je bezpečnější, protože heslo může být během hovoru přeslechnuto a odcizeno. Ano, a PIN je velký problém pro všechna kontaktní centra, protože tyto informace mohou využívat sami operátoři. Heslo a PIN lze snadno ukrást, takové informace mohou jít na černý trh, ale hlas vám zůstane! A zde je kombinace hlasové biometrie a otázek o osobní informace o vašem životě v kombinaci vám umožní dosáhnout vysokého stupně spolehlivosti.

M.V.: Jaké jsou konkrétní výzvy kontaktních center? Nemají čas reagovat na požadavky, není dostatek operátorů. V tomto případě se používají automatická zařízení interaktivní hlasová odezva IVR. Ne vždy ale klienti chtějí pracovat s IVR, raději čekají na odpověď operátora a ztrácejí čas na obsluhu kontaktního centra.

Zákazník zavolá na call centrum, ptáme se ho, jak mu pomoci. Na otázku svobodně odpovídá. Pomocí systému rozpoznávání řeči rozumíme jeho požadavku a rozhodujeme se, kam jít. Tyto informace buď odvysíláme do samoobslužného systému, nebo zavoláme operátorovi. Klienta zároveň dokážeme identifikovat pomocí hlasové biometrie. Aplikací těchto opatření ušetříme oproti tradičním metodám spoustu času, protože IVR neodpovídá na otázky.

Ve východní Evropě a Rusku se hlasová biometrie prakticky nepoužívá. A to v západní Evropě a USA tuto technologii již hojně používané. Tato situace se jistě během příštího roku či dvou změní. Call centra budou využívat technologii řeči, jako je hlasová biometrie, aby poskytovala lepší služby všem zákazníkům call center.

Například jedna ruská banka chce zavést hlasovou biometrii na podporu systému kreditních karet pro všechny své zákazníky. To umožní identifikaci uživatelů. Technologie instalace hlasové biometrie není složitá. Zákazníci by si ale měli být vědomi dostupnosti nové služby, je to důležitý prvek její propagace.

PC Week: Jak drahé jsou hlasové biometrické systémy? Je trh s hlasovými řešeními pro kontaktní centra velký?

M.V.: Na začátku každého projektu spočítáme nákladovou efektivitu a návratnost investice. Dle přání klienta lze návrh provést na základě počtu IVR portů, nebo na základě počtu hlasových otisků použitých v systému. Pokud je hlasové řešení dobře odladěno, pak se doba jednoho rozhovoru může zkrátit o 20-40 sekund a návratnost investice nastává za šest až devět měsíců.

Trh s hlasovou biometrií existuje jak v rámci kontaktních center, tak mimo ně. Navíc každé call centrum může využívat hlasovou biometrii. Dnes se hlasovými řešeními zabývají téměř všichni giganti IT průmyslu, jako je Google a Microsoft. Ale kromě call center existují i další možnosti využití hlasové biometrie, například pro ovládání mobilních zařízení, zajištění bezpečného přístupu do určitých místností nebo určitých zařízení, v oblasti medicíny atd.

PC Week: A jak se rozpoznávání řeči používá v medicíně?

M.V.: V medicíně rozpoznávání řeči pomáhá uvolnit zdravotnický personál. Diktovací a přepisovací aplikace byly vyvinuty s cílem zlepšit záznam, zpracování a použití údajů o pacientech. To umožňuje vytvářet hlasově ovládané lékařské archivy, které výrazně snižují provozní náklady a zlepšují kvalitu péče o pacienty. Použití takových systémů zvyšuje ziskovost nemocnic tím, že snižuje průměrnou dobu trvání úkolu a zároveň zvyšuje efektivitu poskytování služeb.

M.V.: Systémy hlasových technologií se rychle vyvíjejí. Prakticky ve všech oblastech podnikání vytvářejí nové příležitosti pro služby zákazníkům, zlepšují přesnost, produktivitu a efektivitu výroby, snižují čas a náklady. Napadají životy milionů soukromých uživatelů. Lze tedy očekávat další nárůst počtu uznávaných jazyků a nárůst počtu služeb vytvořených na tomto základě.

PC Week: Díky za chat.

Ahoj všichni.
Nedávno jsem psal tento o kontinuálním rozpoznávání řeči a nyní bych rád napsal o hlasové biometrii, tzn. potvrzení identity osoby hlasem a rozpoznání osoby hlasem.

Znovu, protože Jelikož je moje práce spojena s kontaktními centry (CC), budu mluvit o nich. To je také způsobeno tím, že nyní jsou to oni, kdo se aktivně zajímají o hlasovou biometrii, což není překvapivé, protože. telefonní kanál je pro to ideální aplikace.
- nevidíte účastníka na druhém konci drátu;
- k ověření identity nemůžete použít jiné způsoby: podle obličeje, sítnice, otisku prstu.
- nejsou potřeba žádná další skenovací zařízení, jako jsou ta, kam musíte přiložit prst nebo někoho, kdo vám ukáže oko.
- toto je nejlevnější způsob biometrie, i když je ve spolehlivosti mírně horší než ostatní metody. Ale protože jiné modality nejsou technicky použitelné po telefonu při masovém používání, ve skutečnosti není na výběr.
Samozřejmě můžete vznést námitku proti "znalostní" možnosti potvrzení identity účastníka - jedná se o hesla, tajná slova, kódy TPIN (banky), údaje o pasech atd. - to vše však není spolehlivé z hlediska bezpečnosti a vyžaduje, aby si účastník pamatoval informace nebo je měl vždy po ruce, což pro účastníka není příliš pohodlné a pro CC neefektivní (drahé).

Nejprve si definujme koncepty toho, co je součástí konceptu hlasové biometrie:
- Tento identifikace, tj. identifikace osoby podle hlasu. To je, když vám starý přítel zavolá na telefon s neznámé číslo a říká: "Hádej, kdo to je?" a vy se v hlavě snažíte mezi všemi známými (známými) hlasy najít tu nejlepší shodu. Když paměťové skenování skončí a vy najdete více či méně vhodnou shodu, můžete již říci: „Jo, to je můj spolužák Seryoga, se kterým jsem nemluvil 10 let.“ Ale nemáte žádnou záruku, že je to on, a přichází čas ověření.
- Ověření- jedná se o potvrzení totožnosti hlasem, tzn. jednoznačná identifikace. Abychom to udělali, můžeme požádat, abychom dokázali, že Seryoga je přesně tím, za koho se vydává. Můžeme se ho zeptat: "Řekni mi, kde jsme byli v 6 hodin ráno na promoci" - tato informace nám umožní potvrdit identitu Seryogy, protože. pouze on může být nositelem těchto informací (podobně jako u hesla, o kterém jsem psal výše).

Pokud chcete chytřejší definici, pak:
Identifikace- Kontroluje, zda jeden vzorek hlasu odpovídá mnoha hlasům v databázi. V důsledku identifikace systém zobrazí seznam jednotlivců s podobnými hlasy v procentech. 100% shoda znamená, že vzorek hlasu se zcela shoduje s hlasem z databáze a identita je spolehlivě stanovena.
Ověření- Provádí porovnání dvou vzorků hlasu: hlas osoby, jejíž identitu je třeba potvrdit, s hlasem, který je uložen v systémové databázi a jejíž identita je již spolehlivě zjištěna. Jako výsledek ověření systém ukazuje míru shody jednoho hlasu s druhým v procentech.
Existuje také něco jako autentizace. Je těžké jednoznačně říci, jak se liší od ověřování. Někteří naši zaměstnanci mají názor, že jde o jakýsi proces potvrzování biologické (!) identity, kdy je obtížné oddělit proces identifikace od ověřování, tzn. je to zobecněný proces.

Co je ověření?

- Nezávislý na textu
Když dojde k potvrzení identity spontánní řečí účastníka, tzn. Je nám jedno, co ten člověk říká. Toto je nejdelší způsob potvrzení - jasná řeč účastníka by měla nasbírat alespoň 6-8 sekund. Obvykle se tento způsob používá přímo při komunikaci účastníka s operátorem CC, kdy se tento potřebuje jednoznačně ujistit, že účastník je přesně ten, za koho se vydává. Nejzajímavější na tom je tudy ověření lze provést tajně od samotného předplatitele. Na pracovišti operátora CC je takový pracovní nástroj vidět.

Obr 1. Část rozhraní pracoviště operátora CC pro ověření klienta.

- Text závislý na statické přístupové frázi
Když je identita potvrzena pomocí přístupové fráze, se kterou účastník přišel v době registrace. Doba trvání přístupové fráze musí být alespoň 3 sekundy. Obvykle doporučujeme uvést své celé jméno a název společnosti. Přístupové heslo je vždy stejné.
- Text závislý na dynamické přístupové frázi
Při potvrzení identity pomocí přístupové fráze, kterou systém sám nabízí v okamžiku výzvy k ověření, tzn. heslo je pokaždé jiné! Obvykle nabízíme dynamickou přístupovou frázi ze sekvence čísel. Účastník opakuje čísla za systémem, dokud neučiní jednoznačné rozhodnutí „přítel / nepřítel“. Může to být jedno číslo jako „32“ nebo celá sada „32 58 64 25“. Je zajímavé, že výslovnost různých čísel poskytuje různé množství informací pro srovnání: „nejužitečnější“ číslo je „osm“ – obsahuje nejužitečnější řečové informace, nejneužitečnější je „dvě“.

Krok 1.
Abychom mohli provést ověření hlasem, potřebujeme již mít v databázi vzorek hlasu (hlasové obsazení), jehož vlastník je spolehlivě znám. Prvním krokem je tedy nahromadění základny s obsazením hlasů, k tomu žádáme předplatitele (klienty), aby prošli registračním procesem v systému.
Registrace předplatitele do systému znamená, že dobrovolně opustí svůj hlasový přenos, který následně použijeme k ověření. Obvykle vás žádáme o zanechání 3 hlasových obsazení za sebou, aby byla variabilita - řekněte své heslo třikrát. Poté, když je ověření úspěšně dokončeno, nahradíme nejstarší hlasový přenos novým, takže pokud předplatitel používá systém často, jsou obsazení neustále aktualizována. Takto řešíme problém stárnutí hlasu.
Pokud použijeme dynamické ověření přístupové fráze, požádáme účastníka, aby třikrát řekl čísla od 0 do 9. V důsledku toho budeme mít 30 hlasových vzorků.

Je žádoucí, aby klient opustil svůj hlasový přenos (registraci) prostřednictvím komunikačního kanálu, přes který bude následně ověřen, jinak se zvyšuje pravděpodobnost chyb. Jsou chvíle, kdy se zaregistrují z náhlavní soupravy na Skype a poté ověří domácí telefon- zde bude hrát velkou roli ve spolehlivosti služby faktor komunikačního kanálu. Při budování služby můžete vzít v úvahu, že komunikační kanály mohou být různé - to se vypracovává a testuje samostatně pro konkrétní případ a vliv komunikačního kanálu lze téměř zcela vyrovnat. Ale aniž byste o tom hned přemýšleli a provedli to šmahem, nastanou potíže.

Je důležité, aby klient registraci samostatně a vědomě dokončil (věděl, proč je to nutné a jak mu to později pomůže), protože. Ověřením pak může projít pouze věrný předplatitel, který potřebuje výsledek a přijme „pravidla hry“.
Pokud je klient nucen předat ověření na místo a ne na místo, pak může podvědomě změnit hlas, blbnout (nebýt přátelský k obsluze) - to povede k chybám a klientova loajalita klesne, přestože bude za to nepřímo vinen sám.

Jak probíhá registrace předplatitele do systému? (statická přístupová fráze)

Obr 2. Schéma evidence osoby v biometrickém systému.

1. Účastník zavolá biometrický systém, který ho vyzve, aby vymyslel a řekl přístupovou frázi. Řekněte 3krát.
2. Hlas je zpracováván biometrickým serverem a jako výstup dostáváme 3 hlasové modely. Jedno pro každé vyslovené heslo.
3. Na serveru spustíme klientskou kartu (Jurij Gagarin), ke které připojíme přijaté 3 hlasové modely.

Co je to hlasový model?
- to jsou jedinečné vlastnosti hlasu člověka odrážející se v matici čísel, tzn. toto je 18Kb soubor (pro statické pf). Je to jako otisk prstu. Právě tyto hlasové modely pak porovnáváme. Celkem hlasový model zachycuje 74 (!) různých hlasových parametrů.

Jak se získávají hlasové modely?
Používáme 4 nezávislé metody:
- analýza statistiky základních tónů;
- metoda směsi Gaussových rozdělení a SVM;
- spektrální formant;
- metoda plné variability.
Nebudu se zavazovat je zde podrobně popisovat – je to těžké i pro mě a rozhodně to není zahrnuto do kurzu „pro figuríny“. To vše vyučujeme na našem oddělení RIS na ITMO (St. Petersburg).

Krok 2
Toto je samotné ověření. To znamená, že na druhém konci drátu máme předplatitele, který tvrdí, že je Jurij Gagarin. A v naší databázi je klientská karta Jurije Gagarina, kde jsou uloženy odlitky jeho hlasu, takže nám nezbývá než porovnat hlas člověka, který o sobě tvrdí, že je Jurij Gagarin, s hlasem skutečného Jurij Gagarin.

Jak probíhá ověření účastníka v systému? (statická přístupová fráze)

Obr 3. Schéma ověření člověka v biometrickém systému.

1.Nejprve postupujeme jako při registraci, tzn. máme heslo namluvené klientem, které posíláme na biometrický server a sestavujeme model hlasu „prý“ Jurije Gagarina.
2. Poté vezmeme 3 hlasové modely skutečného Jurije Gagarina, složitým způsobem vytvoříme zprůměrovaný model a také jej odešleme na biometrický server.
3. Stačí porovnat 2 různé modely. Na výstupu získáme procento shody jednoho modelu s druhým.
4. Dále musíme s tímto číslem něco udělat (92 % na obrázku). Je to hodně nebo málo, dá se jednoznačně říci, že jde o Jurije Gagarina nebo jde o podvodníka?

Obrázek 4. Práh důvěry „přítel/nepřítel“.

V systému máme takový parametr jako „práh důvěry“ – to je určité procento dodržování. Řekněme, že si to sami nastavíme na 60 %. Pokud tedy procento vyhovění hlasovému modelu „údajně“ Jurije Gagarina nedosáhne „prahu důvěry“, zavolal nám podvodník. Pokud je to víc než „práh důvěry“, pak se nám ozval skutečný Jurij Gagarin. „Práh důvěry“ si můžeme nastavit sami, obvykle je to od 50 do 70 % v závislosti na ověřovacím úkolu.

Zde bych vám musel vyprávět o chybách prvního (FR) a druhého druhu (FA) a také o zobecněné chybě (EER), ale to neudělám - značně to zkomplikuje a zvětší text. Pokud budete mít zájem, pokusím se přesvědčit kohokoli z vědeckého oddělení, aby to populárně popsal a umístil to sem samostatně.

Dovolte mi jen říci, že v závislosti na ověřovací úloze je pro nás užitečnější minout „vlastní“ s větší mírou pravděpodobnosti než nepromeškat „cizí“. A naopak, někdy je důležitější nenechat si ujít „cizího“ než postrádat „vlastního“.
Jsem si jist, že nikdo z vás těmto 2 větám nerozuměl napoprvé a museli jste si je znovu promyšleně přečíst, abyste pochopili význam.

Integrace biometrického serveru do kontaktního centra.

Obr. 5. Blokové schéma produktu VoiceKey.

Abych byl upřímný, vše je zde velmi jednoduché: odešleme hlas ve formátu wave nebo PCM přes http jako vstup a na výstupu dostaneme výsledek porovnání. Nechci se o tom více rozepisovat.

Proces ověření trvá v průměru 0,8 sekundy. Je možné pracovat současně s mnoha vlákny.

Vše je podrobně popsáno na našem webu a hlavně jsou tam dobře propracované případy použití pro kontaktní centra. V posledních letech jsem měl hodně kontaktů s různými velkými CC v Rusku, především ve finančním sektoru, a pochopil jsem cíle a záměry.

Nyní se dotkneme následující otázky: jak obecně je technologie hlasové biometrie vhodná pro masové použití? Je spolehlivá?

Zkrátka ANO, funguje to opravdu skvěle. Ve firmě máme stojany na telefony. V případě zájmu pak může každý zavolat a osobně vyzkoušet, jak a co funguje. Telefonní číslo a pokyny k testování poskytnu na požádání z této stránky. Jen pro zajímavost statistiky k tomuto tématu a odhad zátěže serveru.

Pro informaci: vývoj ruských vědců v oblasti hlasové biometrie zaujímá, ne-li první místo na světě, pak to rozhodně sdílí s ostatními. To potvrzují i nezávislé studie, např. NIST (National Institute of Standards and Technology, USA), kde se naše společnost umístila ve všech pěti testech mezi komerčními společnostmi na prvních třech místech. Nebo to, že náš produkt „VoiceKey“ zvítězil v nominaci „Nejlepší produkt roku pro CC“ v roce 2013 v mezinárodní soutěži „Crystal Headset“.
Lze také poznamenat, že naše společnost vlastní implementaci dosud největšího světového projektu hlasové biometrie v telefonním kanálu.

Zkrátka tady je takový vzdělávací program. Připraveni odpovídat na otázky v komentářích.

A zdržující se a Kontaktskenerymůže používat jakoukoli níže popsanou technologii.

Kapacitní skenery

Kapacita je schopnost vodiče akumulovat elektrický náboj. Kapacitní snímač otisků prstů generuje obraz otisku prstu pomocí pole obsahujícího mnoho tisíc malých kondenzátorových desek. Matricové desky tvoří „pixely“ obrazu: každá z nich funguje jako jedna deska kondenzátoru s paralelními deskami, zatímco dermální vrstva prstu, která je elektricky vodivá, funguje jako druhá deska a je nevodivá. Epidermální vrstva jako dielektrikum mezi nimi.
Při přiložení prstu na snímač slabý elektrické náboje, tvořící vzor mezi hřebeny nebo dutinami prstu a senzorovými destičkami. Pomocí těchto nábojů snímač měří kapacitu kapacity na měřeném povrchu. Naměřené hodnoty jsou digitalizovány logikou senzoru a poté odeslány do sousedního mikroprocesoru k analýze.

Zařízení s kapacitními snímači- cena od 2 976 rublů

Technologie kapacitního skenování umožňuje získat obraz tisku díky rozdílu elektrických potenciálů v určitých oblastech pokožky. Tato zařízení jsou o něco levnější, ale zranitelnější než optická: stačí pouhá porucha (způsobená např. výbojem statické elektřiny), aby prvky snímací matice selhaly a kvalita rozpoznávání se zhoršila.

Pasivní kapacitní skenery

Právě pasivní kapacitní snímače otisků prstů jsou citlivé na statické výboje, ale i na suchou či poškozenou pokožku prstů. Docela dobře si ale poradí s různými světelnými podmínkami.
Hlavním omezením pasivních kapacitních snímačů je požadavek na minimální tloušťku ochranného povlaku, protože jsou založeny na analýze statického náboje mezi prstem a snímačem.

Kapacitní senzory nelze oklamat pouhým tiskem obrazu papilomového vzoru na papír. Více významnou výhodu kapacitní skenery je, že jsou kompaktnější, a proto se snadno integrují do přenosných zařízení. Právě díky této jejich vlastnosti se jim dostalo momentálně nejvíceširokýdistribuce vchytré telefony.
Navzdory obtížím je hackování kapacitního skeneru docela možné, stačí otisknout otisk prstu vysoké rozlišení navodivý papír , budete také potřebovat speciální tiskárnu a vodivý inkoust. Tady odemknout takový skener zabudovaný ve smartphonu od našich přátel z University of Michigan.I když je samozřejmě třeba poznamenat, že získat otisk prstu je obtížnější než jej vytisknout. Existují dva typy kapacitních snímačů: pasivní (každý článek snímače má pouze jednu z desek kondenzátoru) a aktivní (článek snímače obsahuje obě desky kondenzátoru).

Aktivní kapacitní skenery

Aktivní metoda má tyto výhody: umožňuje využití doplňkových funkcí pro zpracování obrazu otisku, vyšší odolnost vůči vnějším vlivům a má vyšší odstup signálu od šumu.

Aktivní kapacitní skenery jsou méně náročné na čistotu pokožky, poškození epidermis a kontaminaci povrchu senzoru. Navzdory tomu poskytují aktivní skenery vynikající kvalitu obrazu, dokonce umožňují vykreslování 3D otisků prstů, což nabízí vynikající zabezpečení a odolnost proti padělkům.
To vše dělá z aktivních kapacitních skenerů dnes nejpoužívanější typ kapacitní technologie.

Další důležitou výhodou aktivních kapacitních snímačů je, že vylepšená signalizace mezi povrchem otisku prstu a snímačem umožňuje umístění snímače za silnou ochrannou vrstvu nebo dokonce za sklo s minimálním snížením výkonu.
Aktivní senzory navíc umožňují registrovat elektrické impulsy, ke kterým dochází při srdeční kontrakci, což značně snižuje riziko použití modelu.Aktivní kapacitní snímače jsou v současnosti jednou z nejrozšířenějších technologií otisků prstů.

Optické skenery

Dokonalým, spolehlivým a pohodlným řešením je optické skenování. Právě optické skenery tvoří vysoce kvalitní, celoplošný a ucelený obraz tisku; kromě toho se tyto nástroje používají pohodlně: jediné, co se od uživatele vyžaduje, je dotknout se povrchu skeneru.

V současnosti se používají optické snímače otisků prstů CCD nebo CMOS matice, stejně jako IP kamery. Historicky byly snímače CCD mnohem lepší než CMOS, ale jak se technologie CMOS za posledních deset let výrazně vyvinula, schopnosti technologie CMOS dohnaly CCD. A nejpoužívanějším detektorem je stále CMOS.

Zařízení s optickými senzory- cena od 2 484 rublů
Katalog zařízení spolu s cenami je zveřejněn na našich webových stránkách, veškeré prezentované zařízení je možné objednat

Multispektrální skenery mají lepší hodnoty FRR< 0.01% и FAR < 0.00001% среди всех сенсоров отпечатков пальцев.

Lze otisk prstu zfalšovat?

Asi nejčastější otázka, kterou dostávám.
Jednoduchá odpověď na otázku: Některé jsou velmi jednoduché, stačí jen na tisk obrázků na papír, některé jsou velmi obtížné, některé nemožné, jako například ultrazvuk. Nemožné, samozřejmě v tom smyslu, že o úspěšných pokusech nevíme.

Nejúčinnější metodou padělání otisku prstu je vytvoření figuríny. K vytvoření falešného otisku prstu lze použít hlínu, papír, film, ale nejlepším materiálem je samozřejmě silikon, může být buď průhledný, nebo v barvě kůže. Úspěšné padělání pomocí figuríny je možné pouze u nejjednodušších skenerů, většina moderních skenerů se s tímto problémem vyrovná.

Existují lidé bez otisků prstů?

existuje vzácné genetické mutace , v jejichž přítomnosti člověk nemusí mít otisky prstů vůbec. Lidé sNaegeliho syndrom nebo retikulární pigmentová dermatopatie nemusí mít otisky prstů. Obě nemoci jsou formyektodermální dysplazie nedostatek otisků prstů je jen jedním z nejnebezpečnějších příznaků.

Zajímavější případ je adermatoglyfie , jediným projevem této genetické mutace je absence papilárního vzoru na prstech rukou a nohou, na dlaních a ploskách nohou. Tato mutace nemá žádné průvodní projevy vyjádřené porušením její normální životní aktivity nebo snížením střední délky života. To znamená, že adermatoglyfie není nemoc. Studie 2011 ukázal, že adermatoglyfie je způsobena abnormální expresí proteinů SMARCAD1 . Což lze vzhledem k rychlosti vývoje a dostupnosti technologií úpravy genomu použít jako metodu, jak se zbavit otisků prstů.

S vysokou pravděpodobností změny otisků prstů stechnologie úpravy genomu budou v budoucnu k dispozici útočníkům. Úpravy lidského genomu lze použít k provedení změn v těch částech DNA, které jsou zodpovědné za tvorbu otisků prstů. V roce 2017 úspěšnýoperace úpravy genomu přímo v lidském těle , ve stejném roce americký Úřad pro kontrolu potravin a léčiv (FDA) schválený schválená genová terapie pro léčbu akutní lymfoblastické leukémie.

Lze změnit otisky prstů?

Léčivý drogy mohou vést ke zmizení kresba papilomů. Otisky prstů mohou zmizet v důsledku vedlejších účinků některých léků, jako jsou - kapecitabin (vyrábí se pod značkou Xeloda ), protirakovinný lék, u kterého bylo zdokumentováno, že způsobujeke zmizení otisků prstů .

Otisky prstů mohou být změněny v důsledku plastické chirurgie- transplantace vlastní kůže, například z nohy. Je třeba poznamenat, že v důsledku plastické chirurgie mohou například na okrajích prstu zůstat prvky starého papilárního vzoru, s jejichž pomocí lze stále provádět identifikaci.

Navíc podle takového otisku je vidět, že je pozměněný v důsledku plastické operace. Použití plastické chirurgie ke změně otisku prstu je zločin, včetněvčetně osoby, která operaci provedla .

Papilární vzor se také často pokouší poškodit pomocí chemických činidel. jako je kyselina nebo zásada. John Dillinger byl jedním z nejznámějších zločinců, kteří pokusil se zbavit z otisků prstů s alkálií. Přes veškerou snahu byl po smrti identifikován právě podle otisků prstů.
Existují i další látky, které mohou způsobit poškození kůže, ale všechny spojuje skutečnost, že následně se kůže a papilární vzor docela dobře obnoví. A takové metody zpravidla svým majitelům nepřinášejí nic, kromě utrpení.

Fyzické poškození otisků prstů , další bolestivý způsob, jak se zbavit otisků prstů, který většinou k ničemu nevede. První zdokumentovaný případ sejmutí otisku prstu provedl Theodore Klutas , po jehož vraždě policie zjistila, že každý jeho otisk byl odříznut nožem, což však nebránilo jeho identifikaci, neboť na okrajích prstu byl dostatek papilárního vzoru pro úspěšnou identifikaci.

Věk se mění se vyskytují v celé oblasti lidské pokožky, včetně konečků prstů. S věkem se snižuje elasticita kůže, snižuje se výška hřebenů papilárního vzoru a další změny, celkem více než 30.
Navzdory tomu je míra změn souvisejících s věkem příliš malá na to, aby ztížila identifikaci, jak dokládá řada vědeckých studií v průběhu let. Jedním z nejvýznamnějších jevýzkum profesora University of Michigan Anil Jain . Porovnal otisky prstů 15597 lidí získané s přestávkou 5 až 12 let, ve výsledku nebyly identifikovány žádné vážné překážky identifikace.
Změny související s věkem také nepředstavují problém pro většinu moderních automatizovaných prostředků sběru a zpracování otisků prstů.
V některých případech může být změna papilárního vzoru spojena se specifiky práce.

Mohu k identifikaci použít prst mrtvé osoby?

Tato otázka není tak jednoduchá, jak by se na první pohled mohlo zdát. Začněme technickou částí, vše závisí na typu biometrického senzoru a konkrétní zařízení které se pokusíte odemknout, mnoho moderních zařízení analyzuje biologický stav prstu, a to jak pomocí dynamických dat – posouzení přirozené polohy prstu v okamžiku, kdy se dotkne povrchu senzoru, analýzu charakteristických rysů prstu, jako je např. rozložení pórů, ostrost rýh a další.
Používají se tedy další senzory, jako je infračervený senzor, které umožňují posoudit přirozenost prstu. Je třeba mít na paměti, že přirozenost bude ovlivněna dobou, která uplynula od oddělení prstu od těla nebo okamžikem smrti člověka. Ale v moderních biometrických zařízeních je pravděpodobnost úspěšného použití mrtvého prstu malá, ale stále existuje.

Velké množství biometrických senzorů se podaří úspěšně odemknout mrtvým prstem, jako je tomu u většiny chytrých telefonů. Kromě teoriepomocí praxe odemykání smartphonů prstem již mrtvého člověka říkají zdroje blízké policejnímu vyšetřování v New Yorku a Ohiu.

Otázka možnosti použití mrtvého otisku může být jednou z nejdůležitějších, a to i přesto, že se jí často nepřikládá žádný význam. Pokud se výrobcům biometrických zařízení nepodaří tuto možnost eliminovat, může to představovat vážné riziko zranění majitelů potenciálně krádeží, jejichž použití nebo přístup je blokován biometrickým zabezpečením.
Například v roce 2005 malajští zloději aut,usekl prst majiteli Mercedes-Benz při pokusu ukrást jeho auto .

Mýty o otiscích prstů

Jedním z nejznámějších mýtů a hororových příběhů je přesvědčení, že při skenování otisku prstu můžete získat informace o věku, pohlaví, rase a nemocech příjemce.
Zejména pro ty, kteří podobným tvrzením věří, šíří informace o výzkumu této problematiky speciální vědní disciplína – dermatoglyfy. Nicméně přední vědecké instituce světauznávají dermatoglyfy jako klasický příklad pseudovědy bez jakéhokoli vědeckého zdůvodnění.

Identifikace podle vzoru žíly

Žilní vzor je jedinečný pro každého člověka, včetně dvojčat. Vzhledem k tomu, že žíly jsou pod kůží, je téměř nemožné předstírat., která umožňuje vysoce spolehlivou autentizaci s mírou falešného přijetí - pravděpodobnost falešné identifikace uživatele, který není v databázi, je až 0,00008 %.

Identifikace vzoru (vein Recognition) žil na prstu nebo dlani je založena na získání šablony při fotografování vnější nebo vnitřní strany ruky nebo prstuinfračervená kamera . Infračervená kamera se používá ke skenování prstu nebo ruky. Vzor žil se stává viditelným díky skutečnosti, že hemoglobin (barvivo krve) absorbuje infračervené záření a žíly se stanou viditelnými ve fotoaparátu. Na základě přijatých dat software vytvoří digitální konvoluci.

Skenery žilních vzorů- cena od 16 650 rublů
Katalog zařízení spolu s cenami je zveřejněn na našich webových stránkách, veškeré prezentované zařízení je možné objednat.

Rozpoznání žil nebo cév se obvykle provádí na dlani nebo prstu uživatele.

Vysokýúroveň zabezpečení abezkontaktnídíky rozpoznávání je rozpoznávání žil vhodné pro mnoho aplikací, které vyžadujívelmi vysoká bezpečnost .

Co omezuje aplikace, je velikost a cena skenerů. Skenery jsou jednoduše příliš objemné na to, aby mohly být zabudovány do většiny mobilních zařízení, ale byly by skvělé pro použití v systémech kontroly přístupu. A dokonce zaznívá názor, že právě skenery žilního vzoru časem nahradí čtečky otisků prstů.
Autentizace zahrnující shodu šablony 1:N může být také časově náročná, zvláště pokud databáze obsahuje velké množství biometrických šablon. To je způsobeno vysokými nároky na zpracování šablon, protože vzory žil jsou velmi složité.
Jednou z rozhodujících výhod identifikace žilního vzoru je obtížnost neoprávněného získání šablony.
Spolehlivost rozpoznávání je srovnatelná s identifikací duhovkou, i když zařízení je mnohem levnější. Nyní je aktivně zkoumán a implementován v ACS.

ID obličeje

Rozpoznávání obličeje využívá různé rysy obličeje, které společně slouží k vytvoření jedinečné digitální šablony.Příklady rysů obličeje, které lze použít k identifikaci, jsou tvar nosu nebo vzdálenost mezi očima. Celkem je použito přes 80 různých vlastností.
Rozpoznávání obličeje využívá k analýze různé algoritmy a technologie, my máme ty nejpodrobnějšíblogový příspěvek na toto téma .

Rozpoznávání obličeje – nová éra v analýze videa
Podrobná recenze na našem blogu, Všechno technologické nuance a recenze všech moderních zařízení pro rozpoznávání obličeje.

Identifikace sítnice

První biometrické systémy skenování oka (Retinal scan - v angličtině) byly přesně skenery sítnice, které se objevily již v roce 1985. Sítnice zůstává od narození do smrti nezměněna, změnit ji mohou pouze některá chronická onemocnění.
Skenování sítnice se místo toho provádí pomocí infračerveného světla, které detekuje kapilární vzor a používá jej k identifikaci.
Ačkoli skenování sítnice poskytuje vysoký stupeň zabezpečení, tato technologie má mnoho nevýhod, které vedly k omezenému komerčnímu využití:
Nízká rychlost proces identifikace
Vysoká cena Skenování sítnice bylo použito pro identifikaci (1:N) v prostředí s vysokým zabezpečením organizacemi jako FBI, NASA a CIA.

Identifikace duhovky

Proces identifikace duhovkou (Iris Recognition - anglicky) začíná získáním detailního obrazu lidského oka. Snaží se udělat obrázek pro další analýzu ve vysoké kvalitě, ale není to nutné. Clona je tak unikátní parametr, že i neostrý záběr poskytne spolehlivý výsledek. K tomuto účelu slouží monochromatická CCD kamera s tlumeným osvětlením, která je citlivá na infračervené záření. Obvykle se pořizuje série několika fotografií kvůli tomu, že zornice je citlivá na světlo a neustále mění svou velikost.
Podsvícení je nenápadné a série snímků je pořízena během několika sekund. Poté se z přijatých fotografií vybere jedna nebo více fotografií a přistoupí se k segmentaci.

Výzkumníci zaznamenali zhoršení identifikace po požití alkoholu nebo LSD.

Video ukazuje krok za krokem všechny fáze vytváření falešného „oka“ a demonstruje následný podvod Samsung Galaxy S8

Autentizace srdeční frekvence

Identifikace srdeční frekvence je jednou z nejdůležitějších biometrických technologií současnosti. Srdeční tep je stejně jedinečná lidská vlastnost jako otisky prstů, sítnice nebo žilní vzory. Mezi výhody biometrické identifikace podle tepové frekvence patří vysoká přesnost, vysoká složitost padělání a získání standardu, analýza fyzického stavu příjemce.

Donedávna byla autentizace tepové frekvence pouze na seznamu perspektivních řešení pro biometrickou identifikaci, dnes již máme řešení připravená pro komerční využití. Lidská srdeční frekvence je charakterizována mnoha měřitelnými parametry - frekvence, rytmus, plnění, napětí, amplituda kmitů, tepová frekvence.

Společnost Numi nabízí jedinečný náramek na hodinky pro vysoce bezpečnou autentizaci.

Zařízení může komunikovat se všemi zařízeními, která podporují technologie přenosu dat NFC a Bluetooth.

Čtečky s podporou NFC - cena od 7 500 rublů
Čtečky s podporou Bluetooth - cena od 3 654 rublů

Princip fungování je jednoduchý - náramek je vybaven dvěma elektrodami, z nichž jedna je umístěna na zadní straně náramku a druhá na vnější straně. Když uživatel elektrody uzavře okruh, zařízení začne měřit srdeční frekvenci. Náramek má široké možnosti integrace a lze jej použít v informačních systémech, systémech kontroly přístupu a průmyslových řídicích systémech.

Mezi výhody autentizace srdeční frekvence patří:
Nemožnost použití v nepřítomnosti příjemce
To znamená, že pokud náramek ztratíte nebo zapomenete, nikdo kromě vás ho nemůže použít.
Nelze použít po smrti

Přes všechny výhody náramků pro měření tepu mají stále jednu nevýhodu. Pokud se obrátíte na výzkumněkteré případy přesnost náramků srdeční frekvence nemusí být adekvátní.

Společnosti b-zabezpečeno podařilo spojit identifikaci se sledováním lékařských dat

Pro účely identifikace je kontrola fyzického stavu příjemce druhotná, ale aplikací je kromě identifikace mnoho, kontrola biologického stavu je žádaná.

identifikace DNA

Analýza DNA (DNA Biometrics - v angličtině) je stále běžnější biometrická identifikační technologie a stále více se používá ve forenzní a zdravotní péči.
Na rozdíl od výše popsaných identifikačních technologií může identifikace DNA udělat více než jen snížit náklady nebo usnadnit a usnadnit náš život.

Výhody identifikace DNA:
DNA je jediná biometrická technologie, která dokáže identifikovat příbuzné z neidentifikovaného vzorku DNA.
Stejně jako otisky prstů je DNA jednou z mála lidských biometrických údajů, které zločinci zanechávají na místě činu.
Testování DNA je poměrně vyspělá a dynamická technologie, která je široce používaná a známá veřejnosti.
Zařízení pro rychlou identifikaci DNA umožňují sekvenování již za 90 minut
Je možné snadno ukládat velké množství výsledků analýzy DNA do databází, což umožňuje shromažďování dat a rychlé vyhledávání automatizovanými prostředky.

Rozsáhlé zavedení technologie identifikace DNA skutečně můžezachránit lidské životy , jako jsou lidé nespravedlivě odsouzení.
Ve skutečnosti nikde na světě neexistuje spolehlivé hodnocení tohoto problému, američtí experti uvádějí opatrný odhad 2,3 až 5 % všech vězňů, kteří jsou nevinní. V amerických zajatcíchpřes 2 miliony lidí , pak můžeme mluvit o více než 100 tisících nevinně odsouzených jen ve Spojených státech. Nikdo se ani nepokouší spočítat, kolik je v Rusku nespravedlivě odsouzeno, můžeme jen zmínit, že Rusko je vedoucí postavení v Evropě jak z hlediska počtu vězňů obecně, tak počtu vězněných žen. A pak, jak říká jeden televizní moderátor: - Pouze vy můžete dělat závěry.

V současné době, opět v USA, je čistě technická analýza DNA možná u 5-10 % kriminálních případů. Faktem je, že až donedávna byl celý proces sekvenování genomu dlouhý a nákladný proces. Klasické snímání DNA navíc nemohlo odhalit rozdíly mezi dvojčaty. Moderní technologie umožňují odhalit drobné rozdíly. které mají i dvojčata . To vše může výrazně zvýšit procento kriminálních případů, ve kterých je použití analýzy DNA možné.

Americká nezisková organizace Projekt Innocence se specializuje na poskytování důkazů o nevině pomocí identifikace DNA. V současné době" Projekt Innocence » dosáhl osvobození362 neprávem odsouzených , z nichž 20 bylo odsouzeno k trestu smrti.

Jeden široce známý příběh je příběh Steva Tita, díky Elizabeth Loftusové, kterou známeStevův srdcervoucí příběh a víme o důvodech, které vedou k nepodloženým obviněním. A nejde zde pouze o neomylnost soudního systému, který má také mnoho otázek.

Jde o rysy práce našeho mozku, které dostaly jména konfabulace nebo falešné vzpomínky. Lidé (většinou se jedná o samotnou oběť), na jejichž svědectví bylo stíhání založeno, neklamou, upřímně věří, že to, co říkají, je pravda.
Čína má největší databázi DNA, jak můžete hádat, s 54 miliony profilů v roce 2016. Na vytvoření databáze již byla vynaložena více než jedna miliarda juanů.

Technologie analýzy DNA výrazně rozšiřují možnosti policie pátrat po zločincích. například podařilo chytit sériový vrah žen, identita vraha byla zjištěna polékařské prohlídky provedené v Číně byla analyzována DNA jeho strýce.

Další příklad identifikace zločince po analýze DNA jeho příbuzných. Vrah dvou podnikatelů na území okresu Qianwei se podařilo dostat ven poté, co byliVzorky DNA byly odebrány všem studentům mužského pohlaví v tomto kraji.

Izraelští genetici provedli kuriózní experiment, který ukázal, že libovolného amerického občana lze v 60 % případů identifikovat z jediného vzorku DNA pouze za použití soukromých genomických databází. Jejich závěry bylyprezentované v časopise Science .

Dnes se společnosti jako 23andMe, Family Tree, Ancestry a jejich další konkurenti vyvíjejí obzvláště rychlým tempem, počítají rodinné vazby mezi svými zákazníky a určují jejich predispozici k různým nemocem na základě vzorků jejich DNA.

Tyto start-upy dnes využívají miliony lidí ve Spojených státech a dalších vyspělých zemích světa, díky čemuž si nashromáždily jedny z největších genetických databází na světě. Jejich data nyní vědci využívají k hledání genů spojených se vzácnými dědičnými chorobami a také k řadě dalších účelů.

Tato skóre byla převzata z ISOGG autosomal DNA srovnání wiki.

Rychlá identifikace pomocí DNA

Moderní technologie pro rychlou identifikaci DNA zkrátily proces sekvenování na 90 minut. A použití přenosných zařízení s automatickým zpracováním umožňuje provádět analýzy v terénu i nezaškoleným personálem, stačí předběžné hodinové zaškolení.
Světově nejmenší zařízení pro sekvenování DNA MinION je připraveno pro komerční použití.

Přenosná analytická zařízení obvykle stojí mezi 350 000 a 450 000 USD.
Další jednorázové léčebné sady stojí mezi 250 a 350 USD.

Ještě 18. srpna 2017 podepsal takzvaný Rapid DNA Act americký prezident Donald Trump - Rapid DNA Act z roku 2017 . Tento zákon umožní orgánům činným v trestním řízení v souladu se standardy a doporučeními FBI provádět analýzu DNA v reálném čase v době zatčení a zároveň zaznamenávat data na policejních stanicích.

Multimodální biometrická identifikace

Metody biometrické identifikace lze vzájemně kombinovat - multimodální identifikace výrazně zvyšuje bezpečnost objektu, protože číslo možné chyby, obecně vlastní biometrickým systémům, je snížena.

Například čtečka duhovky může číst duhovku z jednoho oka a současně číst duhovku ze dvou očí.

Behaviorální biometrie

Cokoli děláme, má svůj osobitý jedinečný styl. Způsob, jakým držíte smartphone, přejeďte, klepete, píšete, rolujete a pohybujete myší, vytváří jedinečnou kombinaci parametrů, jakýsi digitální rukopis. Některé banky využívají tuto technologii (behaviorální biometrii) pro dodatečné ověřování uživatelů. To je pohodlné – od uživatele se nic nevyžaduje, jen dělá to, co dělá vždy, a systém sleduje, zda je v jeho jednání něco neobvyklého. Odchylkami od obvyklého chování lze předpokládat, že uživatel není tím, za koho se vydává.

Royal Bank of Scotland používá behaviorální biometrii již dva roky. Technologie byla testována na individuálních účtech bohatých uživatelů a nyní je zaváděna pro všech 19 milionů soukromých a firemních klientů. Software zaznamenává více než 2000 parametrů: úhel smartphonu, prst, kterým uživatel přejíždí a klepe, rychlost rolování.
Pro stolní uživatele - rytmus stisku kláves a styl ovládání myší. Tyto parametry tvoří profil chování uživatele, se kterým se pak jeho pohyby porovnávají s každým novým přihlášením.

Jednou si systém všiml neobvyklého chování na účtu jednoho z bohatých uživatelů. Uživatel roloval kolečkem myši a psal čísla na hlavní klávesnici, čehož si nikdy předtím nevšiml. Systém tomuto uživateli zablokoval operace a neumožnil mu vybrat sedmimístnou částku. Další vyšetřování ukázalo, že účet byl skutečně hacknut. Zajímavá technologie obecně. Více - inNYT text.

Jak stránka ví, v jakém úhlu držíte smartphone v rukou? Je to jednoduché: stránky mají přístup ke gyroskopu vašeho smartphonu. Umět podívej se sám , a zároveň zjistit, jaké další informace o vás může zjistit jakákoliv stránka, kterou navštívíte.

Hlasová biometrie

Použití biometrie lidským hlasem je složitější a zajímavější než použití většiny biometrických prvků. Není náhodou, že šéf Mail.ru Dmitrij Grishin v roce 2016 v rozhovoru s Tinkovem řekl, že technologie rozpoznávání hlasu přinese revoluci. Pomalu, ale jistě se ubíráme tímto směrem, neustále se objevují noví hlasoví asistenti, například Yandex letos vydal stanici Yandex.

Klasická technologie hlasové identifikace zde proto nemusí být hlavními houslemi, mnohem zajímavější směr rozpoznávání hlasu vyniká samostatně.

Hlasová identifikace

Metoda rozpoznávání hlasu identifikuje osobnost člověka kombinací jedinečných hlasových charakteristik.Algoritmy analyzují hlavní rysy, podle kterých se rozhoduje o osobnosti mluvčího: zdroj hlasu, rezonanční frekvence vokálního traktu a jejich útlum a také dynamiku řízení artikulace.
První mezinárodní patent na systém hlasové identifikace podal v roce 1983 Telecommunications Research Center CSELT (Itálie) od Michele Cavazzy a Alberto Ciaramella.
V květnu 2013 začala bankovní divize Barclays používat systém identifikace zákazníků po telefonu. během prvních 30 sekund běžné konverzace. Systém byl vyvinut společností Odstín.

Vývojáři systémů identifikace hlasem

Nuance, USA
Nok Nok Labs
Hlasový trezor , americká společnost s výzkumným a vývojovým centrem ve Velké Británii
Sensory, Inc, USA
Skupina společností MDG, Rusko
Centrum inovačních technologií Sistema-Sarov, Rusko
BioLink, Rusko
ASM Solutions, Rusko
ValidSoft
Auraya Systems
Ověřit
KeyLemon
Verint Systems
VoiceTrust

Uznávaným lídrem na trhu je Nuance,jejich řešení využívá Aeroflot , rozpoznávání řeči Sirina základě jejich návrhů . Jelikož se však hlas člověka může měnit v závislosti na věku, emočním stavu, zdravotním stavu, hormonálních hladinách a řadě dalších faktorů, není metoda zcela přesná.
Kromě toho mohou mít systémy hlasové identifikace problémy s identifikací dvojčat, což je přesně způsob, jakým korespondenti BBCpodařilo oklamat identifikační systém hlasem banky HSBC.To všechno jsou ale dětské boláky, se kterými by se vývojáři postupně naučili vypořádat. Ale moderní možnosti umělé inteligence a specifika využití hlasové identifikace vzbuzují pochybnosti o vhodnosti použití.

Novináři z Bloombergu vytvořili příběh o společnosti Australský pták který který používá Umělá inteligence klonovat lidské hlasy s děsivou přesností.Neuronová síť vytváří svůj digitální model vaší hlavy na základě 30 krátké ukázky. Dále může být libovolný text vyjádřen vaším hlasem. Na stránce si můžete vytvořit digitální model svého hlasu, tato možnost je dostupná po registraci na firemní web ale pouze v angličtině.
Nejvtipnější moment v příběhu – říká novinář svémumaminka a mluví k ní generovaným hlasem umělýinteligence, máma si úlovku nevšimne. Podívej se sám.

Americká společnost Pindrop Security specializující se na vývoj řešení pro bezpečnou hlasovou autentizaci, ve své zpráva udává, že počet podvodných hovorů výrazně roste. V roce 2017 pro každého 638 zaúčtované hovory 1 podvodný.
Graf je jednoduchý pro podvodné hovory, data jsou prezentována ve formátu 1 podvodný za každých N hovorů.

Hlasová identifikace je jednou z nejatraktivnějších pro identifikaci, ale problémy, které v současnosti existují, by měly být alespoň zohledněny při implementaci do fungujících podniků. Například rozpoznávání hlasu lze efektivně použít jako doplňkovou metodu, například k rozpoznání obličeje.

Hlasové rozpoznávání

Adweek předpovídá, že trh platforem pro rozpoznávání hlasu dosáhne 601 milionů dolarů do roku 2019 a 40 miliard dolarů do konce roku 2022. Je to proto, že pro lidi je snazší mluvit než psát a potřebují hlasové asistenty, kteří podporují známou komunikaci.

Na trhu je již mnoho asistentů: Amazon Alexa, Google Assistant, Cortana, Bixby, Alice, SoundHound, Apple Siri, X.ai a další. Takové nástroje posilují nejen lidi, ale i značky – to potvrzují příklady použití Google Assistant.

Zavádění zařízení hlasového ovládání v automobilech je jedním z trendů vedoucích ke globálním změnám v automobilovém sektoru. Taková zařízení budou schopna centrálně ovládat většinu funkcí vozidla pomocí lidského hlasu, což eliminuje potřebu tlačítek, číselníků a spínačů. Pomocí zařízení pro rozpoznávání hlasu budou moci spotřebitelé snadno ovládat řadu funkcí vozidla, což je pohodlnější a umožní jim to, aby nebyli vyrušováni z přímého procesu řízení a soustředili se na řízení. Zavádění takových technologií poroste v blízkém a střednědobém horizontu.

Chůze

Jedna z nejpokročilejších biometrických technologií dostupných v roce 2018. Pokud jste sledovali Mission: Impossible 5, už víte, jak to funguje. Stručně řečeno, skenuje, jak lidé chodí a pohybují se. Vzhledem k tomu, že každý má jedinečný styl chůze a pohybu, toto nová technologie, která od roku 2018 určí budoucnost biometrie.

Například detekce chůze, nebo identifikace člověka podle chůze, se dělala desítky let bez většího pokroku – až dosud. Nedávné pokroky v přesnosti umožněné umělou inteligencí proměnily detekci chůze v něco životaschopného. Začátkem tohoto roku dosáhli vědci z univerzity v Manchesteru přesnosti 99,3 %.článek publikovaný v časopise Image Analysis and Machine Intelligence Operations (TPAMI)". Systém analyzuje kroky jednotlivců pomocí genderových senzorů a AI, přičemž získat poslední procento přesnosti je často nejobtížnějším úkolem.

Kompromis biometrických údajů

Jak víte, neexistují žádné systémy, které by zaručovaly 100% ochranu proti únikům, jak víte, hackerům se podařilo proniknout do objektů odříznutých od okolního světa, například do jaderných zařízeníÍrán a Rusko.

Bylo by tedy troufalé vycházet z toho, že databáze s biometrickými údaji zůstanou bez kompromisů, i když samozřejmě nikdo neruší, že je třeba o to usilovat.

Kompromis biometrických databází bude mít zvláštní význam při používání biometrických údajů pro autentizaci. Jde o to, že biometrické prvky jsou neměnné, tzn. odcizenou (prolomenou) značku nelze nahradit stejně snadno jako prolomené heslo.

V tomto smyslu bude mít heslo výhody oproti biometrickým údajům, protože hesla mohou být v případě kompromitace nahrazena novými a je známo, že lidské biometrické prvky jsou neměnné, a proto jsou tak vhodné pro identifikaci.

Krypto ochrana
Kromě kryptoochrany biometrické identifikátory, které jsou již považovány za tradiční v dobré systémy pomocí biometrických prvků existuje mnohem více způsobů, jak zabezpečit ukládání biometrických identifikátorů.

Reverzibilní biometrie
metoda" zrušené biometrické údaje “, jehož podstata je redukována na neustálé, opakované zkreslování biometrického znaku. Pokud dojde ke kompromitaci biometrického prvku, změní se charakteristika zkreslení, čímž získáme novou unikátní (odlišnou od kompromitované) šablony, která bude použita později.

Pomocí hashů
No, třetí metoda, široce používaná k ochraně biometrických údajů, se scvrkává na skutečnost, že pouze hash biometrické prvky a samotný standardní obrázek se neukládá. Tento způsob je dobrý i proto, že nespadá pod zákon o ochraně osobních údajů. Protože údaje o otiscích prstů jsou uloženy jako jednostranný hashovací funkce, tzn. i když máte hash, nebudete z něj moci obnovit biometrický identifikátor, jako je otisk prstu nebo jakýkoli jiný.

I když je třeba poznamenat, že kompromitované hashe mohou využít i útočníci, vše závisí na nastavení systému.

Distribuované skladovací systémy
Významným faktorem je samotná architektura úložného systému. Všechny centralizované systémy ukládání dat, včetně biometrických, byly ohroženy.

Dobrý příklad s využitím všech možností ochrany biometrického autentizačního systému implementovaného společností Apple.

Legislativa

Občanský zákoník Ruské federace zakazuje použití obrazu osoby bez jejího souhlasu.
Federální zákon „O osobních údajích“ N 152-FZ , je hlavní v oblasti ochrany práv subjektů osobních údajů.
Rozkaz FSB Ruské federace ze dne 16. prosince 2016 N 771, Po schválení postupu pro získávání, zaznamenávání, uchovávání, klasifikaci, používání, vydávání a ničení biometrických osobních údajů o strukturálních rysech papilárních vzorů prstů a (nebo) dlaní osoby, umožňujících zjistit její totožnost, získání biologický materiál
a provádění zpracování genomických informací v rámci provádění hraniční kontroly.
Objednávka FSTEC ze dne 14. března 2014 N 31 , O schválení Požadavky na zajištění ochrany informací v automatizovaných řídicích systémech pro výrobu a technologických postupů v kriticky důležitých zařízeních, potenciálně nebezpečných zařízeních i zařízeních, která představují zvýšené nebezpečí pro život a zdraví lidí a pro životní prostředí
Objednávka FSTEC ze dne 18. února 2013 N 21 , O schválení Složení a obsahu organizačních a technických opatření k zajištění bezpečnosti osobních údajů při jejich zpracování v informačních systémech osobních údajů
Objednávka FSTEC ze dne 11. února 2013 N 17 , o schválení Požadavků na ochranu informací, které nejsou státním tajemstvím obsažených ve státních informačních systémech
GOST R ISO/IEC 19794-8-2009 . Automatická identifikace. Biometrická identifikace. Formáty výměny biometrických dat. Část 8. Údaje o struktuře kostry otisku prstu

Ďábel je v detailech

Jako téměř ve všech oblastech je volba výrobce zařízení prvním základním kamenem úspěchu každého projektu.

Když viděly rostoucí poptávku, stovky společností se vrhly do tohoto výklenku a stovky ho po roce nebo dvou opouštěly, čímž na vlně zvýšené poptávky ukrojily nějaké peníze. Jde o módní startupy, zejména čínské, a OEM, zejména ruské. Pěkný příklad tak skvělé OEM značky Tantos, jejíž ovladače . Také mají svéřada biometrie. A jsou jich stovky.
A to je poloviční problém, startup (malá firma s malým obratem) se po pečlivém studiu stejně pozná. OEM je také uznáván průměrným úsilím (pečlivě si prostudujte dokumentaci a certifikáty).

Těžší je rozpoznat opravdu velkou a známou společnost, jejíž jedinou kompetencí je házení prachu do očí, zde je potřeba se podívat na celkové finanční výkony, a kvalitu nabízených řešení.

Například FST Biometrics (izraelská společnost) zavírá po 11 letech provozu. A jak hlasitě to všechno začalo. Společnost založil Aharon Zeevi Farkash, bývalý generál izraelské zpravodajské služby, s bývalým izraelským premiérem. Ehud Barakom ve správní radě. Jen v prvním čtvrtletí roku 2018 společnost přilákala investice ve výši 3,2 miliardy dolarů.

Připomenout si můžete i americkou společnost IDair, která hřměla všemi více či méně tematickými médii, a to i v Popular Science rozsvíceno.
V tomto případě bylo vše také velmi cool aprezentace na nejvýznamnější bezpečnostní výstavě ISC West, členství v SIA oba slavní zakladatelé a vlastnosti produktu byly působivé. Není to vtip, zakladatelé oznámili vývoj snímače otisků prstů – se čtecí vzdáleností až 6 metrů. Ale ve skutečnosti se všechno ukázalo jako zblbnutí. Stránka je mrtvá, twitter