La autenticación biométrica se ha convertido en una solución prometedora para mejorar la seguridad al ofrecer una defensa más sólida contra las amenazas cibernéticas. Sin embargo, los piratas informáticos pueden desarrollar métodos cada vez más sofisticados para eludir las medidas de seguridad tradicionales a medida que avanza la tecnología. Esto incluye falsificar protecciones comunes, como PIN y contraseñas fáciles de adivinar, o incluso extraviar claves físicas, que alguna vez se consideraron salvaguardas confiables.
A pesar de ser ampliamente utilizadas, las técnicas de seguridad tradicionales como contraseñas, PIN y claves tienen desventajas incorporadas, como la vulnerabilidad a la piratería, la pérdida o el robo. Esto pone de relieve la necesidad de métodos de autenticación más seguros y fáciles de usar que se ajusten a las cambiantes amenazas a la ciberseguridad.
Aunque los sistemas biométricos se han vuelto más populares como sustitutos, los sistemas unimodales convencionales son susceptibles a la suplantación de identidad. Para aumentar la seguridad, los sistemas biométricos multimodales integran características como iris y ECG u oído e iris, lo que hace que la duplicación sea más desafiante. Estos dispositivos son útiles en combinaciones como las venas de la palma y los dedos, aumentan la precisión, reducen la suplantación de identidad y son resistentes al ruido.
Los sistemas biométricos multimodales ofrecen beneficios, pero pueden tener inconvenientes, como mayor complejidad, mayores demandas de procesamiento y posibles problemas de privacidad. El desarrollo de sistemas de autenticación continúa enfrentando la dificultad de encontrar un equilibrio entre seguridad, usabilidad y privacidad a medida que evolucionan las amenazas a la ciberseguridad.
Para abordar los problemas mencionados anteriormente, una nueva investigación publicada en BioMed Research International describe una metodología novedosa que combina la fusión a nivel de características y de decisión para mejorar la precisión de la detección. El método consta de varias etapas clave: preprocesamiento para mejorar la calidad de los datos, segmentación y extracción de características para señales de ECG e iris, un módulo de fusión de características para combinar y refinar características, y fusión a nivel de decisión con un modelo de nivel de puntuación para evaluar la similitud entre Entradas de ECG y iris.
La metodología sugerida presenta una técnica de autenticación multimodal que mejora la precisión mediante la utilización de datos de iris y ECG. El procedimiento utiliza modelos de extracción, fusión y clasificación de características para identificar y categorizar patrones. La extracción y análisis de características biométricas son los principales objetivos de las distintas fases que componen el proceso de autenticación.
- Extracción de características del iris: los datos se capturan bajo condiciones de iluminación controladas para garantizar la precisión. El iris se segmenta aproximando su centro e identificando los límites internos y externos. La detección de bordes circulares mediante convolución ayuda a encontrar estos límites, lo que permite recortar y segmentar. Se aplica una combinación de filtrado de Gabor y transformación de características invariantes de escala (SIFT) para una extracción sólida de características, proporcionando descriptores invariantes de escala y rotación.
- Extracción de características de ECG: la transformada Wavelet extrae características de las señales de ECG, seguidas del Análisis de componentes principales (PCA) para reducir la dimensionalidad. La detección de picos identifica características clave como las ondas R, S y T. La función wavelet Symlet 8 se aplica debido a su simetría, con un proceso de descomposición de 2 niveles para analizar los componentes de alta y baja frecuencia de la señal de ECG.
- Clasificador de conjunto: la etapa final implica un clasificador de conjunto, donde los árboles de decisión se entrenan utilizando las características multimodales extraídas. Las predicciones de árboles individuales se combinan mediante votación mayoritaria para tomar la decisión de clasificación final. Este proceso mejora la solidez del sistema y los patrones de aprendizaje a partir de los datos del ECG y del iris para una autenticación precisa.
Para evaluar este método, el equipo de investigación realizó experimentos utilizando datos biométricos de 45 usuarios, divididos en un 70% para capacitación y un 30% para validación. Los experimentos evaluaron modalidades biométricas individuales y combinadas, centrándose en los datos del ECG y del iris.
Los resultados mostraron que el clasificador de conjunto propuesto superó a los métodos estándar, logrando exactitud superior (95,65%), sensibilidad (96,2%) y precisión (96,55%) para escenarios multimodales. El análisis comparativo destacó su eficacia sobre los clasificadores de bosques aleatorios, árboles de decisión y conjuntos en bolsas, y el enfoque multimodal combinado produjo el mayor rendimiento.
En conclusión, el sistema de autenticación biométrica multimodal propuesto demuestra un avance significativo en ciberseguridad al abordar las vulnerabilidades de los métodos de seguridad tradicionales unimodales y basados en contraseñas. Al integrar datos de ECG y del iris con técnicas innovadoras de fusión a nivel de función y de decisión, el sistema logra mayor precisión, solidez y resistencia a la suplantación de identidad. Los experimentos resaltan la superioridad del clasificador de conjuntos, que supera consistentemente a los métodos tradicionales, proporcionando una autenticación confiable y manteniendo la usabilidad.
Verificar el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. No olvides unirte a nuestro SubReddit de más de 65.000 ml.
🚨 Recomendar plataforma de código abierto: Parlant es un marco que transforma la forma en que los agentes de IA toman decisiones en escenarios de cara al cliente. (Promovido)
Mahmoud es un investigador de doctorado en aprendizaje automático. También posee un
Licenciatura en Ciencias Físicas y Maestría en
sistemas de telecomunicaciones y redes. Sus áreas actuales de
Las investigaciones se refieren a la visión por computadora, la predicción del mercado de valores y la profundidad.
aprendiendo. Produjo varios artículos científicos sobre la relación de personas.
identificación y estudio de la robustez y estabilidad de profundidades
redes.