多年來，生物特征認證技術一直是重要的行業趨勢，尤其是在2021年，由于市場上出現了新的人工智能創新。據IBM稱，20%的漏洞是由泄露的憑據造成的。更糟糕的是，識別和響應數據泄露平均需要287天。

　　基于人工智能的安全性的使用正在增加，對于在任何行業中保持競爭力都是必要的。IBM報告稱，截至2021年，25%的企業已完成基于AI的安全性部署，而另外40%的企業已部分部署。剩下的35%尚未開始此過程，如果您的業務屬于第三類，您可能會將您的客戶置于危險數據泄露的巨大風險中。到2021年，投資于基于人工智能的安全性預計將幫助企業節省高達381萬美元。

　　能夠使用人工智能來識別和自動響應數據泄露對于保護公司及其客戶的數據和隱私非常重要。 AI 生物識別身份驗證提供了另一種防止數據泄露的保護措施，使其對任何規模的企業都至關重要。不僅如此，IBM的研究表明，從長遠來看，正確使用AI安全平臺將使企業成本更低。了解并咨詢安全領域的專家以開發適合您業務的解決方案非常重要。

　　2021年，我們將擁有比以往任何時候都更先進的生物特征認證、驗證和識別技術，我們可以使行業系統更加安全，同時保持效率和可訪問性。讓我們談談生物識別認證的工作原理，以及人工智能生物識別等重要的新趨勢。

　　生物識別技術概述

　　乍一看，生物識別技術似乎只是一種在保持安全性的同時更快速地訪問手機的方式，但除了這種便利之外，還有更多好處。就其核心而言，生物識別安全技術的目標是通過使用我們身體中不易復制的部分來提高安全性。盡管機器學習和量子計算可能能夠猜出密碼，但指紋、面部和虹膜等生物特征信息并不那么容易確定或模擬。

　　根據Statista的數據，到2027年，生物識別技術市場的價值將達到554.2億美元。

　　從2017年到2027年的10年間，全球身份驗證市場的支出預計將增長超過130億美元，從2017年的49.3億美元增加到2027年的超過180億美元。身份驗證是身份驗證的一個重要方面。信息安全，因為它確保只有具有合法權限的人才能訪問信息，從而防止對受保護信息的有害或惡意入侵。

　　生物識別的類型

　　生物識別技術可以分為三個領域：識別、驗證和認證。當系統想知道用戶是誰時使用標識。驗證是關于使用該生物特征信息來確定它是否與與用戶關聯的其他信息一致。最后，身份驗證的目標是了解用戶聲稱的身份是否正確以及是否有權訪問他們請求的服務和數據。

　　例如，生物特征識別可用于根據面部數據庫確定用戶的身份。執法人員面部識別數據庫使用這項技術取得了巨大的效果，并且可以比人類更準確地調查安全攝像頭證據鏡頭。驗證有助于確保用戶和存儲在數據庫中的關于他們的信息匹配。身份驗證可能是三者中十分關鍵的，它使授權用戶能夠訪問敏感信息，同時限制未經授權的人員。

　　對于任何考慮生物識別安全方法的企業來說，十分重要的一點是，僅依賴一種形式的生物識別技術(即單模態)并不總是明智的。相反，使用多種生物識別技術的多模式方法要安全得多。

　　人臉識別技術

　　面部識別市場在2020年估計為38億美元。這個市場預計將在未來幾年增長，到2025年將達到85 億美元。

　　多年來，使用面部識別的生物特征認證技術一直是一項重要的安全功能，已應用于數百萬部 iPhone和Android智能手機。隨著增強現實和機器學習的進步專注于幫助計算機識別人臉，到2021 年，面部識別技術變得比以往任何時候都更加復雜。

　　今年面部識別技術在身份識別和授權方面有所改進的原因之一是因為大流行帶來的必需品。由于越來越多地使用口罩等面罩，面部識別變得更加困難，因為匹配一個人身份的數據點越來越少。但是，許多面部識別解決方案現在可以解決諸如面罩之類的障礙。這不僅有利于消費者的方便，而且有助于執法人員試圖識別犯罪分子。通過將對象的面部與數據庫進行匹配，即使對象戴著口罩也能被識別。

　　由于3D相機可以獲得比二維相機更多的人臉信息，因此面部識別現在作為生物特征認證技術也更加安全。以前，計算機更容易被某人臉部的照片甚至只是一張相似的臉的照片所迷惑。然而，機器學習有助于縮小錯誤范圍以防止黑客利用基于面部識別的安全性，并且現在存在各種反欺騙方法。

　　語音識別技術

　　預計全球語音識別市場規模將從2020年的107億美元增長到2026年的271.6億美元。

　　用于語言處理目的的語音識別生物識別技術極大地豐富了免提通信。然而，語音識別還有另一個目的：識別。像Google Home這樣的智能家居設備生態系統經過訓練后，可以通過使用語音識別來區分家庭中的不同成員。這有助于顯示與該個人相關的信息，例如他們的日歷和通知。

　　語音識別在身份驗證和驗證方面還有其他應用。能夠識別某人并根據他們的聲音驗證他們的訪問權限可以節省大量時間，盡管我們現在已經到了語音可能不如其他生物識別方法安全的地步。深度學習算法使使用稱為聲音合成的技術使用計算機真實地模仿聲音成為可能。“深度虛假”聲音已被用于成功的欺詐活動，其中一個案例在2019年使英國的一家能源公司損失了250,000美元。

　　隨著機器學習技術的進步，隨著時間的推移，人聲合成將變得更加逼真。除非技術改進以更好地識別合法語音和虛假語音，否則語音識別生物識別技術更適合非安全應用，尤其是身份識別。這在基于消費者的系統(如智能家居)或企業解決方案(如會議錄音的自動轉錄，可按姓名確定發言人)中可能很有用。

　　虹膜掃描技術

　　這種形式的生物識別技術經常出現在科幻小說中。它類似于面部識別，因為它是非接觸式的，但只關注一個特定的面部特征，即眼睛。這樣做的一個優點是要考慮的復雜性較低。不需要先進的面部識別系統;相反，系統只需要識別虹膜的特征。您也不一定非要靠近眼睛才能掃描虹膜。卡內基梅隆大學的測試展示了可以掃描40英尺外虹膜的技術。

　　這項技術的一個優點是，由于它使用紅外傳感器來分析虹膜，因此甚至可以在弱光條件下進行眼睛掃描。

　　執法部門使用這項技術來識別嫌疑人絕對是人們首先想到的事情之一。但是，這對于消費者和企業應用程序來說也是一種有用的身份驗證和驗證方法。三星的Galaxy S9和Note 9智能手機都具有虹膜掃描技術，表明這種生物識別方法可用于便攜式設備。這不僅對消費者很有價值，對企業級設備安全也很有價值。

　　與單個授權用戶的生物特征數據相比，虹膜掃描儀幾乎可以立即對用戶進行身份驗證。當針對包含數十萬個主題的大型數據庫識別或驗證用戶時，不到20秒的時間就足以進行身份驗證。

　　指紋認證技術

　　數千年來，指紋已被用于識別。它們在取證技術中特別有用，但近期它們也被用于消費者和企業安全解決方案。2003年，富士通F505i率先推出了第一款帶有指紋傳感器的手機。后來隨著Apple iPhone上的Touch ID和Android手機上的各種掃描儀而普及。

　　指紋認證技術的工作原理與任何其他生物識別方法一樣。通過將個人手指的凹槽和谷底與預先授權的圖像或此類圖像的數據庫進行比較，他們可以被識別、驗證和/或認證。這可以非常快速地完成，而不會中斷用戶體驗。

　　然而，指紋掃描的一個缺點是它通常不是非接觸式的。用戶必須將手指按在傳感器上才能進行注冊。在某些情況下，出于健康考慮，這可能是不可取的，尤其是在SARS-CoV-2病毒在全球傳播的情況下。但是，可以通過非接觸式方法掃描指紋或整個手。LG G8 ThinQ智能手機使用飛行時間 (ToF) 傳感器和紅外攝像頭來檢測用戶手中的血管，而無需用戶將手按在表面上。

　　指紋識別的另一個缺點是殘障人士可能無法使用它。由于這種限制，投資多種形式的生物識別身份驗證以保持可訪問性可能是明智之舉。

　　人工智能如何改進生物識別認證系統

　　在安全方面，提高生物識別認證系統的準確性和效率并不總是通過人工編程來完成的。人工智能和機器學習可以幫助我們提高系統的安全性和效率。

　　生物識別技術可以分為物理和行為兩個領域。

　　物理生物識別技術

　　物理生物識別包括我們在本文中已經討論過的所有內容。這些是人的客觀特征，例如面部或指紋、DNA等。這必須轉換為人工智能系統可以分析的數據，并與數據庫進行比較以進行身份??驗證。

　　人工智能和機器學習證明十分有用的案例之一是面部識別。人工智能廣泛用于增強現實解決方案，通過分析面部特征并將其與數據庫進行匹配，可以幫助計算機更輕松地進行面部識別。

　　行為生物識別技術

　　人工智能使之成為可能的十分有趣的趨勢之一是行為生物識別技術。這使用了主體如何與世界互動的獨特行為特征，用戶甚至可能沒有意識到他們自己的事情。這是抵御深度虛假欺詐企圖的十分有效防線之一。一些比較流行的測量行為生物特征的方法是：

　　鼠標活動

　　擊鍵動作

　　觸摸屏印刷尺寸、面積和壓力

　　移動設備動作

　　馬德里自治大學的生物識別和數據模式分析實驗室開發了BeCAPTCHA，這是一種使用行為生物識別的機器人檢測系統。完全有可能在用戶不知情的情況下使用行為生物識別技術，無需像 CAPTCHA挑戰多年來那樣對用戶的人性進行煩人的測試。在接下來的幾年里，用戶在瀏覽互聯網時可能再也不需要點擊人行橫道和紅綠燈的圖片來證明他們“不是機器人”。

　　重要的是，行為生物識別技術可以幫助確保整個會話的安全性。例如，如果用戶對自己進行身份驗證然后離開房間，無意中使未經授權的用戶能夠訪問他們的計算機，這可能會帶來嚴重的安全風險。但是，行為生物識別技術可以檢測第二個用戶的不一致行為并動態限制他們的訪問。

　　有一個Nvidia Docker可以簡化系統的部署，而服務提供商(例如AWS)可以提供不間斷的通信通道、神經網絡的計算能力以及用于擴展系統的便捷接口。

　　測試#1：面部識別

　　用戶使用相機創建存儲在設備上的照片印記。此生物特征印記使用OpenCV庫進行轉換和標準化。

　　使用照片識別人臉，并突出顯示OpenCV檢測到的所有64個地標。生物識別驗證標志包括從鼻梁到眼睛的距離和其他面部特征。

　　這些地標和人臉的剪切圖像被傳輸到深度神經網絡，該網絡使用TensorFlow庫進行訓練。

　　神經網絡處理完成后形成eDNA特征向量。特征向量收集特定人的生物特征。向量的長度通常為 2048位，但實際向量長度取決于DNN架構。

　　在驗證過程中，會發布eDNA并與之前形成的錨記錄進行比較。逆向工程是不可能的，因為無法訪問向量。生物識別系統將定期更新此錨記錄以匹配個人不斷變化的外觀。

　　測試#2：語音驗證

　　用戶通過麥克風提供語音樣本，然后由Librosa庫處理。該庫讀取音頻，對其進行轉換和轉換，然后將生物識別信息傳輸到神經網絡(DNN)。

　　形成了一個eDNA特征向量(2048位)，它考慮了諸如音色、語調、節奏、音高等生物特征，以及神經網絡被訓練來響應的其他特征。

　　案例研究：基于人工智能的生物特征認證解決方案

　　通過結合基于微服務的架構、WebRTC和機器學習驅動的生物特征識別，我們為一家美國公司開發了單點登錄(SSO)生物特征認證解決方案。利用語音和面部識別技術，我們開發了一種企業驗證即服務(EVaaS)解決方案，該解決方案使用前面討論的技術和趨勢。

　　多模式生物特征認證解決方案的工作原理

　　每種形式的生物識別技術都有其獨特的優缺點。它們都不是普遍有效的。為了提高生物特征認證技術的準確性和有效性，使用多模態生物特征識別解決方案進行安全分層非常重要。

　　該產品證明了生物識別身份驗證系統可以高度定制且易于使用，從幕后為非常簡單的用戶界面提供支持。此外，該示例能夠通過API與現有系統集成。

　　生物認證解決方案開發

　　保護系統不是一件容易的事。當受保護的健康信息或機構數據等敏感信息在線時，采取必要措施防止數據泄露極為重要。未能保持圍繞這些信息的高度安全性可能會導致欺詐，從而使企業損失數千萬甚至數億美元。