تعریف بیومتریک چیست؟ بیومتریک ویژگی های فیزیکی و ویژگی های رفتاری یک فرد، استفاده از آنها برای شناسایی و تایید را مطالعه می کند

بیومتریکشامل سیستمی برای تشخیص افراد بر اساس یک یا چند ویژگی فیزیکی یا رفتاری است. در حوزه فناوری اطلاعات، بیومتریک به عنوان شکلی از مدیریت شناسه دسترسی و کنترل دسترسی استفاده می شود. تجزیه و تحلیل بیومتریک همچنین برای شناسایی افرادی که تحت نظارت هستند (به طور گسترده در ایالات متحده آمریکا و همچنین در روسیه استفاده می شود - اثر انگشت) استفاده می شود.

یوتیوب دایره المعارفی

1 / 2

✪ خواننده بیومتریک به خوبی کار نمی کند. چرا؟

✪ سیستم های بیومتریک آناتولی بوکوف، فناوری سوندا

زیرنویس

برای وارد کردن اثر انگشت به پایگاه داده به طور کلی، پایانه های بیومتریک Timex. در اصل، 3 اثر انگشت در هر انگشت، تقریباً 3 ارسال را به شما ارائه می دهد. توصیه می شود ابتدا انگشت خود را به سمت چپ، وسط و راست بچرخانید تا تمام سطح آن پوشیده شود. زیرا اغلب آنها اثر انگشت را اشتباه وارد می کنند و سپس تعجب می کنند که چرا خوب کار نمی کند. بنابراین، در اینجا یک نکته نیز وجود دارد که شما نیز باید آنها را به درستی وارد کنید. هرچه آنها را با دقت و درستی وارد کنید، مشکلات کمتری در چاپ ممکن است. همچنین مواقعی وجود دارد که مردم، مشتریان، پایانه های بیومتریک زمان حضور و غیاب را با کنترلرهای تعبیه شده بر روی یک گردان پرتردد نصب می کنند. خب، این هم یک داستان مشکوک است، زیرا، مخصوصاً برای صنایع مختلف، مردم آنجا چنان آثاری دارند که قطعاً مشکلاتی به وجود می آید.

اصول اساسی

داده های بیومتریک را می توان به دو دسته اصلی تقسیم کرد:

• فیزیولوژیکی- به شکل بدن مربوط می شود. نمونه‌ها عبارتند از: اثر انگشت، تشخیص چهره، DNA، کف دست، شبکیه چشم، بو، صدا.
• رفتاری- مربوط به رفتار انسان است. مثلا راه رفتن و گفتار. گاهی از اصطلاح انگلیسی برای این دسته از بیومتریک استفاده می شود. رفتارسنجی

تعاریف

تعاریف اساسی مورد استفاده در زمینه دستگاه های بیومتریک:

• جهانی بودن - هر فرد باید یک ویژگی قابل اندازه گیری داشته باشد.
• منحصر به فرد بودن این است که چگونه یک فرد از نظر بیومتریک از دیگری متمایز می شود.
• ماندگاری معیاری است از میزانی که صفات بیومتریک منتخب در طول زمان بدون تغییر باقی می مانند، مانند طی فرآیند پیری.
• مجموعه ها - سهولت اندازه گیری.
• بهره وری - دقت، سرعت و قابلیت اطمینان فناوری های مورد استفاده.
• مقبولیت درجه قابلیت اطمینان فناوری است.
• حذف - سهولت استفاده جایگزین.

سیستم بیومتریک می تواند در دو حالت کار کند:

• تأیید - مقایسه یک به یک با یک الگوی بیومتریک. تأیید می کند که شخص همان چیزی است که ادعا می کند. تایید را می توان با کارت هوشمند، نام کاربری یا شماره شناسایی انجام داد.
• شناسایی - مقایسه یک به چند: پس از "گرفتن" داده های بیومتریک، برای تعیین هویت به پایگاه داده بیومتریک متصل می شود. اگر نمونه بیومتریک از قبل در پایگاه داده باشد، شناسایی شخصی موفقیت آمیز است.

اولین کاربرد خصوصی و انفرادی سیستم بیومتریک ثبت نام نام داشت. در طی مراحل ثبت نام، اطلاعات بیومتریک فرد ذخیره می شد. سپس اطلاعات بیومتریک ثبت و با اطلاعات به دست آمده قبلی مقایسه شد. لطفاً توجه داشته باشید که اگر قرار است یک سیستم بیومتریک ایمن باشد، ضروری است که ذخیره و بازیابی در خود سیستم ها امن باشد.

• نرخ پذیرش نادرست (FAR)، یا نرخ تطابق نادرست (FMR)
  FAR - نرخ پذیرش نادرست، احتمال شناسایی نادرست، یعنی احتمال اینکه سیستم شناسایی زیستی به اشتباه اصالت (مثلاً با اثر انگشت) کاربری را که در سیستم ثبت نشده است تشخیص دهد.
  FMR احتمالی است که سیستم به اشتباه یک الگوی ورودی را با یک الگوی بی همتا در پایگاه داده مقایسه می کند.
• نرخ رد کاذب (FRR) یا نرخ منفی کاذب (FNMR)
  FRR - نرخ امتناع از دسترسی نادرست - احتمال اینکه سیستم شناسایی زیستی صحت اثر انگشت کاربر ثبت شده در آن را تشخیص ندهد.
  FNMR احتمال خطای سیستم در شناسایی مطابقت بین الگوی ورودی و الگوی مربوطه از پایگاه داده است. این سیستم درصد ورودی های معتبری را که اشتباه دریافت شده اند اندازه گیری می کند.
• مشخصه عامل سیستم یا مشخصه عملیاتی نسبی (ROC)
  طرح ROC تجسمی از مبادله بین عملکرد FAR و FRR است. به طور کلی، الگوریتم تطبیق بر اساس آستانه ای تصمیم می گیرد که تعیین می کند نمونه ورودی چقدر باید به الگو نزدیک باشد تا مطابقت در نظر گرفته شود. اگر آستانه کاهش می یافت، عدم تطابق کاذب کمتری وجود داشت، اما موارد نادرست پذیرفته شد. بر این اساس، یک آستانه بالا باعث کاهش FAR اما افزایش FRR می شود. نمودار خطی تفاوت ها را برای عملکرد بالا نشان می دهد (خطاهای کمتر - خطاهای کمتر).
• نرخ خطای برابر (EER) یا نرخ خطای گذرا (CER) نرخ هایی هستند که در آن هر دو خطا (خطای دریافت و خطای رد کردن) معادل هستند. مقدار EER را می توان به راحتی از منحنی ROC بدست آورد. EER روشی سریع برای مقایسه دقت ابزار با منحنی های ROC مختلف است. به طور کلی، دستگاه هایی با EER پایین دقیق ترین هستند. هرچه EER کمتر باشد، سیستم دقیق تر خواهد بود.
• نسبت عدم ثبت نام (FTE یا FER) میزانی است که در آن تلاش برای ایجاد یک الگو از داده های ورودی ناموفق است. اغلب این به دلیل داده های ورودی با کیفیت پایین ایجاد می شود.
• Fase Hold Rate (FTC) - در سیستم های خودکار، این احتمال وجود دارد که سیستم قادر به تشخیص داده های ورودی بیومتریک در صورت ارائه صحیح نباشد.
• ظرفیت قالب حداکثر تعداد مجموعه داده هایی است که می توان در سیستم ذخیره کرد.

با افزایش حساسیت دستگاه های بیومتریک، FAR کاهش و FRR افزایش می یابد.

وظایف و مشکلات

محرمانه بودن و جداسازی

داده‌های به‌دست‌آمده در طول ثبت بیومتریک ممکن است برای مقاصدی استفاده شود که فرد ثبت‌نام شده رضایت نداده است (آگاه نبوده است).

خطر برای صاحبان داده های محافظت شده

در مواردی که سارقان نمی توانند به اموال حفاظت شده دسترسی پیدا کنند، امکان ردیابی و ترور دارنده شناسه های بیومتریک برای دسترسی وجود دارد. اگر چیزی توسط یک دستگاه بیومتریک محافظت شود، مالک ممکن است صدمات جبران ناپذیری را متحمل شود که احتمالاً هزینه آن بیشتر از خود ملک است. به عنوان مثال، در سال 2005، سارقان مالزیایی خودرو، انگشت صاحب مرسدس بنز کلاس S را در حالی که قصد سرقت خودروی وی را داشتند، قطع کردند.

استفاده از داده های بیومتریک به طور بالقوه در برابر تقلب آسیب پذیر است: داده های بیومتریک به نوعی دیجیتالی می شوند. یک کلاهبردار می تواند به اتوبوسی که از اسکنر به دستگاه پردازشگر منتهی می شود متصل شود و اطلاعات کاملی در مورد شی اسکن شده به دست آورد. در این صورت کلاهبردار حتی نیازی به یک فرد زنده نخواهد داشت ، زیرا با اتصال به اتوبوس به همان روش ، می تواند بدون استفاده از اسکنر تمام عملیات را از طرف شخص اسکن شده انجام دهد.

بیومتریک قابل لغو

مزیت پسوردها نسبت به بیومتریک، امکان تغییر آنهاست. اگر رمز عبور شما به سرقت رفت یا گم شد، می توانید آن را لغو کرده و با یک نسخه جدید جایگزین کنید. این با برخی از گزینه های بیومتریک غیرممکن می شود. اگر پارامترهای چهره شخصی از پایگاه داده به سرقت رفته باشد، نمی توان آنها را لغو کرد یا می توان موارد جدیدی صادر کرد. بیومتریک قابل لغو راهی است که باید شامل قابلیت لغو و جایگزینی بیومتریک باشد. اولین بار توسط Ratha و همکاران ارائه شد.

چندین روش بیومتریک قابل لغو توسعه داده شده است. اولین سیستم بیومتریک قابل لغو بر اساس اثر انگشت توسط Tulyakov طراحی و ساخته شد. . اساساً، بیومتریک قابل لغو، تحریف یک تصویر بیومتریک یا خصوصیات قبل از توافق بر روی آنها است. تغییرپذیری پارامترهای تحریف شده امکان لغو برای یک مدار معین را به همراه دارد. برخی از تکنیک‌های پیشنهادی با استفاده از مکانیسم‌های شناسایی خود، مانند کار تئو و ساووید، کار می‌کنند، در حالی که برخی دیگر (دبا) از ترویج تحقیقات بیومتریک به خوبی ارائه‌شده برای رابط‌های شناسایی خود بهره می‌برند. اگرچه محدودیت‌های امنیتی در حال افزایش است، اما این امر همچنان مدل‌های قابل ردیابی را برای فناوری‌های بیومتریک قابل دسترس‌تر می‌کند.

یکی از راه حل های خصوصی ممکن است برای مثال استفاده نکردن از تمام پارامترهای بیومتریک باشد. به عنوان مثال، برای شناسایی، از الگوی خطوط پاپیلاری تنها دو انگشت (مثلاً شست دست راست و چپ) استفاده می شود. در صورت لزوم (به عنوان مثال، اگر پدهای دو انگشت "کلید" سوخته باشد)، می توان داده های موجود در سیستم را تصحیح کرد تا از یک لحظه خاص ترکیب معتبر انگشت اشاره دست چپ و انگشت کوچک باشد. دست راست (داده هایی که قبلاً در سیستم ثبت نشده بودند - و نمی توانستند به خطر بیفتند).

تبادل بین المللی داده های بیومتریک

بسیاری از کشورها، از جمله ایالات متحده، در حال حاضر در تبادل داده های بیومتریک شرکت می کنند. این بیانیه در سال 2009 در کمیته تخصیص، کمیته فرعی امنیت داخلی در مورد "شناسایی بیومتریک" توسط کاتلین کرینینگر و رابرت موکنی بیان شد:

برای اطمینان از اینکه می‌توانیم سازمان‌های تروریستی را قبل از رسیدن به ایالات متحده متوقف کنیم، باید نقش رهبری را در ارتقای استانداردهای بین‌المللی برای بیومتریک داشته باشیم. با توسعه سیستم های قابل همکاری، ما قادر خواهیم بود اطلاعات مربوط به تروریست ها را بین کشورها به طور ایمن انتقال دهیم و امنیت خود را حفظ کنیم. همانطور که ما در حال بهبود نحوه همکاری خود در داخل دولت ایالات متحده برای شناسایی و از بین بردن تروریست ها و سایر افراد خطرناک هستیم، همچنین نسبت به شرکای خود در خارج از کشور تعهد داریم که برای جلوگیری از هرگونه فعالیت تروریستی با یکدیگر همکاری کنند.

ما می‌دانیم که از طریق بیومتریک و همکاری بین‌المللی، می‌توانیم گزینه‌های سفر را تغییر داده و گسترش دهیم و از مردم سراسر جهان در برابر کسانی که به ما آسیب می‌رسانند محافظت کنیم.

بر اساس مقاله ای که S. Magnuson در مجله دفاع ملی منتشر کرده است، وزارت امنیت داخلی ایالات متحده برای توزیع داده های بیومتریک تحت فشار است. مقاله می گوید:

میلر (مشاور وزارت امنیت داخلی و امور امنیتی در آمریکا) گزارش می دهد که ایالات متحده توافق نامه های دوجانبه ای در زمینه تبادل داده های بیومتریک با 25 کشور دارد. هر بار که یک رهبر خارجی در چند سال گذشته از واشنگتن بازدید کرده است، وزارت امور خارجه اطمینان حاصل کرده است که در مورد پیمان مشابهی با آنها مذاکره کرده است.

مقررات قانونی در روسیه

ماده 11 قانون فدرال "در مورد داده های شخصی" شماره 152-FZ مورخ 27 ژوئیه 2006 ویژگی های اصلی استفاده از داده های بیومتریک را تنظیم می کند.

بیومتریک در فرهنگ عامه

فناوری‌های بیومتریک در فیلم‌های محبوب به نمایش درآمده‌اند. این به تنهایی علاقه مصرف کنندگان را به بیومتریک به عنوان وسیله ای برای شناسایی یک شخص برانگیخته است. فیلم‌های «X-Men» و «Hulk» در سال 2003 از فناوری‌های تشخیص بیومتریک استفاده کردند: در قالب دسترسی اثر دست در فیلم «X-Men» و دسترسی اثر انگشت در «Hulk».

اما این چندان مهم نبود تا اینکه در سال 2004 فیلم «من، روبات» با بازی ویل اسمیت اکران شد. این فیلم آینده نگر توسعه فناوری های جدیدی را نشان می دهد که حتی امروز نیز هنوز به اندازه کافی توسعه نیافته اند. استفاده از فناوری‌های تشخیص صدا و کف دست در این فیلم، دید مردم از آینده را به تصویر می‌کشد و هر دوی این فناوری‌ها که امروزه برای ایمن کردن ساختمان‌ها یا اطلاعات استفاده می‌شوند، تنها دو مورد از کاربردهای احتمالی بیومتریک هستند.

در سال 2005 فیلم "جزیره" اکران شد. دو بار در طول فیلم، کلون ها از داده های بیومتریک استفاده می کنند: برای نفوذ به خانه و راه اندازی یک ماشین.

فیلم «گاتاکا» جامعه‌ای را به تصویر می‌کشد که در آن دو طبقه از مردم وجود دارد: محصولات مهندسی ژنتیک که برای برتری ایجاد شده‌اند (به اصطلاح معتبر) و افراد عادی پایین‌تر (معلولان). افرادی که «معتبر» در نظر گرفته می‌شدند از امتیازات بزرگی برخوردار بودند و دسترسی به مناطق ممنوعه به این افراد محدود می‌شد و با اسکنرهای بیومتریک خودکار کنترل می‌شد، شبیه به اسکنرهای اثر انگشت، اما با خارش انگشت و گرفتن نمونه DNA از خون گرفته شده.

در فیلم ویرانگر، شخصیت سایمون فینیکس با بازی وسلی اسنایپس چشم قربانی را برای باز کردن دری با اسکنر شبکیه برش می دهد.

در بازی DreamWorks's Monsters vs. Aliens، یک دستیار نظامی با استفاده از بیومتریک به منطقه نفوذ می کند.

معرفی

مسائل مربوط به مطالعه موجودات زنده و اشیاء گیاهی و همچنین فرآیندهایی که در سطح سلولی، مولکولی و ژنتیکی رخ می دهند، هر روز بیشتر و بیشتر مرتبط می شوند. برای این منظور آزمایشگاه های علمی در حال توسعه روش هایی برای مطالعه و شبیه سازی پدیده های پیچیده طبیعی هستند. متداول ترین روش های تحقیق شامل روش های آماری تجربی و چند متغیره است. آنها بخش مهم و جدایی ناپذیر یک آزمایش آزمایشگاهی هستند و شناسایی قابل اعتماد الگوهای فرآیندهای طبیعی در حال وقوع و همچنین یافتن روابط علت و معلولی بین آنها را ممکن می سازند.

در تحقیقات علمی، روش مشاهده انبوه به طور موثر برای به دست آوردن داده های قابل اعتماد استفاده می شود. این روش مبتنی بر استفاده از تعداد زیادی تکرار در هر گروه آزمایشی است. مواد به‌دست‌آمده در طول آزمایش آزمایشگاهی پردازش و تجزیه و تحلیل می‌شوند، سپس بر اساس داده‌های به‌دست‌آمده، نتیجه‌گیری مناسب و الگوهای مشخصی ایجاد می‌شود. اهمیت زیادی در دستیابی به بیشترین دقت نتایج و نتیجه‌گیری در طول آزمایش، نه تنها کیفیت روش‌های آزمایشی، بلکه پردازش آماری صحیح است، زیرا نتایج به‌دست‌آمده می‌تواند به طور قابل توجهی در یک گروه آزمایشی متفاوت باشد. بنابراین، انجام تجزیه و تحلیل آماری داده‌های به‌دست‌آمده تجربی، احتمال آگاهی از پدیده‌های طبیعی بیولوژیکی را گسترش می‌دهد، به ارزیابی عینی نتایج به‌دست‌آمده کمک می‌کند، و امکان دیدگاه ذهنی محقق و همچنین خطاهای روش‌شناختی ایجاد شده را حذف می‌کند. در طول آزمایش، و به آزمایشگر اجازه می دهد تا نتیجه گیری و نتیجه گیری دقیق و درستی در مورد پدیده مورد مطالعه بگیرد.

موردتحقیق - فناوری رایانه به عنوان روشی برای پردازش داده های به دست آمده از تحقیقات آزمایشگاهی.

هدفتحقیق - تجزیه و تحلیل توانایی های برنامه های آماری هنگام پردازش داده های به دست آمده در نتیجه یک آزمایش آزمایشگاهی.

وظایفپژوهش:

· ارزیابی روش های آمار ریاضی از نظر قابلیت ها و محدودیت های کاربرد آنها هنگام برنامه ریزی و پردازش یک آزمایش بیوشیمیایی.

· مطالعه بسته های تحلیل آماری موجود.

· تسلط بر توانایی حل مسائل آمار کاربردی با استفاده از مایکروسافت اکسل (با استفاده از توابع استاندارد و بسته های تحلیل داده ها) و بسته های آماری معروف STATISTICA در زمینه بیوشیمی.

فناوری های کامپیوتری در پردازش داده های آماری از اهمیت بالایی برخوردار هستند. این اجازه می دهد تا نه تنها این روند را چندین بار تسریع کنید، بلکه آن را در سطح کیفی بالاتر نیز تولید کنید.

جنبه های نظری استفاده از فناوری رایانه در انجام تحقیقات آزمایشگاهی

بیومتریک به عنوان یک علم و مفاهیم اساسی آن

در سال های اخیر، فناوری های رایانه ای به طور فزاینده ای برای حل و شبیه سازی مسائل مورد استفاده قرار گرفته اند. در این راستا نیاز به متخصصان مجرب با پایه نظری خوب و تجربه در کار با برنامه های خاص افزایش یافته است. امروزه رشته هایی در مؤسسات آموزشی ظاهر می شوند که امکان توسعه مهارت های پایدار لازم برای پردازش و ارائه نتایج فعالیت های علمی را فراهم می کند. علمی که به مطالعه روش های جمع آوری و تفسیر داده های عددی می پردازد، آمار نامیده می شود . این رشته از اهمیت عملی مهمی برخوردار است، زیرا به فرد اجازه می دهد تا توسعه فرآیندها و پدیده های طبیعی، اجتماعی را پیش بینی کند. با گذشت زمان، شاخه های تخصصی تری از این علم شروع به ظهور کردند. بدین ترتیب، در پیوند دو علم مستقل: زیست شناسی و آمار، ظاهر می شود آمار بیولوژیکی (یا بیومتریک) . بیومتریک یک علم تجربی است که داده های به دست آمده در طی یک آزمایش را با انجام برخی محاسبات ریاضی مطالعه می کند. انجام این عملیات بدون کامپیوتر و تکنولوژی کامپیوتری زمان زیادی می برد. با در نظر گرفتن برخی از پرکاربردترین مفاهیم بیومتریک هنگام مشخص کردن صفت مورد مطالعه، می‌توان متوجه شد که این فرآیند چقدر کار فشرده است.

مفاهیم اولیه بیومتریک

اغلب در فعالیت های عملی انسان و هنگام پردازش داده های به دست آمده در طول تحقیقات علمی، از یک مقدار متوسط ​​استفاده می شود. این مقدار مشخصه مشخصه مورد مطالعه است و نشان می دهد که اگر همه اشیاء نمونه دارای مقدار یکسانی باشند، مقدار متغیر چقدر خواهد بود. میانگین حسابی با استفاده از فرمول محاسبه می شود:

که در آن x 1 x 2، ...، x k - گزینه های جمعیت. n تعداد کل گزینه ها است.

میانه (50% حد فاصله)- مقداری که نمونه را به نصف تقسیم می کند: همان تعداد گزینه در دو طرف میانه سری تغییرات قرار دارد. این مقدار به تجمع فرکانس ها بستگی دارد. فرکانس ها تا زمانی که از نصف مجموع فرکانس ها فراتر رود، جمع می شوند. بزرگترین مقدار حاصل میانه است. فرمولی که با آن می توان این مقدار را محاسبه کرد به شرح زیر است:

,

که در آن x min حداقل مقدار حد فاصله است که در آن مقدار میانه قرار دارد. i - مقدار فاصله؛ N-حجم جمعیت; Σn تعداد کل تا فاصله زمانی است که مقدار میانه در آن قرار دارد. N e تعداد بازه هایی است که مقدار میانه در آن قرار دارد.

یکی دیگر از شاخص های آماری مد است. روشمقداری که بیشتر اتفاق می افتد نامیده می شود. حالت را می توان با استفاده از فرمول پیرسون محاسبه کرد:

,

جایی که من میانه هستم. M مقدار متوسط ​​ویژگی است.

انحراف معیار،- مهمترین ویژگی در یک آزمایش بیولوژیکی. این مقدار اندازه گیری پراکندگی سری توزیع است و با فرمول تعیین می شود:

برخی از آزمایشات به دقت تجربی بسیار بالایی نیاز دارند. به عنوان مثال، در پزشکی-بیولوژیکی، سم سنجی و ... خطا در این آزمایش ها نباید بیشتر از 1% باشد، اگر مقدار خطا از 1% بیشتر شود، دقت نتیجه رضایت بخش نیست و باید تعداد تکرارها را افزایش داد.

با این حال، مهم نیست که محقق چقدر تلاش می کند تا تمام مراحل روش آزمایشی را با دقت انجام دهد، خطاهایی همچنان در عمل رخ می دهد که باید هنگام پردازش داده ها در نظر گرفته شود. چندین نوع خطا وجود دارد.

میانگین خطا (m x)- شاخصی که بر اساس آن مقدار متوسط ​​جامعه نمونه (تجربی) با میانگین مقدار جمعیت عمومی متفاوت است، اگر توزیع پارامتر مورد مطالعه به یک مقدار نرمال تمایل داشته باشد. خطای اصلی میانگین با استفاده از فرمول محاسبه می شود:

اطلاعات بیشتر و قابل قبول برای مقایسه گروه ها استفاده می شود ضریب تغییرپذیری، یا تغییرات. ضریب تغییرپذیری انحراف اصلی است که به صورت درصدی از مقدار متوسط ​​بیان می شود که با فرمول محاسبه می شود:

بر اساس نتایج به‌دست‌آمده، در مورد ماهیت و درجه تنوع صفت نتیجه‌گیری می‌شود (جدول 1.1).

جدول 1.1. ماهیت تنوع صفات (طبق نظر M.L. Dvoretsky)

اگر مقدار t بزرگتر از چهار باشد، آنگاه مقدار متوسط ​​قابل اعتماد خواهد بود و بر این اساس، می توان نتیجه گیری صحیح را فرموله کرد.

درصد مغایرت بین نمونه و میانگین های عمومی نیز تعیین می شود - دقت تجربه (p،%)،یا خطای مشاهده:

این پارامتر تجربی نشان می دهد که اگر ادعا کنیم که میانگین کلی با میانگین نمونه بدست آمده برابر است، چند درصد می توان اشتباه کرد.

در آمار، شاخص سهمیه بندی مهم است. این شاخص برای ارزیابی یک گزینه نسبت به مقدار متوسط ​​یک گروه معین با استفاده از فرمول زیر استفاده می شود:

بسته به هدف مطالعه، مقدار می تواند از x: ± 0.5σ تا x±1σ باشد. اگر مقدار بیشتر از x± 2σ باشد، گزینه‌هایی با مقدار 0.67σ تا 2σ غیرعادی هستند. , پس چنین گزینه هایی باید به عنوان ناهنجاری طبقه بندی شوند.

در بیومتریک چیزی به نام وجود دارد خطای نمایندگی. این خطایی است که نه در حین اندازه گیری یا محاسبات، بلکه به دلیل انتخاب تصادفی هنگام تشکیل یک گروه رخ می دهد.

هنگام محاسبه خطای میانگین حسابی در گروه های کوچک، تعداد مشاهدات (پ)"تعداد درجات آزادی" است - از عبارت (n-1) استفاده می شود و سپس فرمول به نظر می رسد:

تعداد زیادی فرمول برای محاسبه خطاهای آزمایشی وجود دارد. برخی از آنها در زیر به عنوان نمونه آورده شده است. فرمول محاسبه میانگین خطای انحراف معیار:

میانگین خطای ضریب تغییرات (C):

میانگین خطای نشانگر عدم تقارن:

یا دقیق تر:

خطای ضریب کشیدگی:

تجزیه و تحلیل مقایسه ای نتایج به دست آمده به ارزیابی درجه اعتبار تفاوت های مشاهده شده بین آنها با استفاده از فرمول زیر منجر می شود:

جایی که t معیار قابلیت اطمینان است. مقدار آن با استفاده از جداول احتمال دانشجو تخمین زده می شود. اگر t واقعی بیشتر از t st جدول بندی شده باشد، بین دو گروه مطالعه تفاوت وجود دارد. تفاوت قابل توجه، قابل اعتماد است و با دلایل تصادفی قابل توضیح نیست.

برای مقایسه نتایج به‌دست‌آمده با نتایج مورد انتظار، از آزمون خی دو (χ 2) استفاده کنید که با فرمول به دست می‌آید:

جایی که p فرکانس تجربی است، p فرکانس مورد انتظار است. منظور از آزمون χ 2 این است که آیا این فرضیه توسط آزمایش تأیید یا رد می شود. اگر مقادیر χ 2 از مقدار جدول شده بیشتر شود، می توان استدلال کرد که تفاوت بین نتایج واقعی و مورد انتظار قابل اعتماد خواهد بود.

از آنجایی که اکثر اشیاء بیولوژیکی دارای تعداد زیادی ویژگی اغلب مرتبط با یکدیگر هستند که آنها را مشخص می کند، به عنوان مثال، وزن، قد، سن و غیره، تجزیه و تحلیل واریانس هنگام مطالعه مجموعه ای از شاخص ها استفاده می شود. رابطه ای که در آن برای هر مقدار از متغیر مستقل فقط یک مقدار از متغیر وابسته وجود داشته باشد نامیده می شود کاربردی. با این حال، در طبیعت چنین ارتباطی بسیار نادر است. به طور معمول، اشیاء مورد مطالعه با مقادیر یکسان یک مشخصه، مقادیر متفاوتی برای سایر ویژگی ها دارند. این ارتباط نامیده می شود همبستگی. ضریب همبستگی هانشان می دهد که چگونه یک ویژگی مورد مطالعه با ویژگی دیگر مرتبط است (جدول 2). ضریب همبستگی با استفاده از فرمول محاسبه می شود:

جدول 1.2. ویژگی های نزدیکی ارتباطات بین ویژگی ها

همچنین یافتن مربع خطای ضریب همبستگی ضروری است:

شاخص های بدست آمده از ضریب همبستگی با استفاده از معیار پایایی Student ارزیابی می شوند:

یا با استفاده از فرمول

هنگام ارزیابی رابطه بین کمیت ها، یافتن یک معادله تحلیلی که با ماهیت پدیده مورد مطالعه مطابقت دارد بسیار مهم است تا رفتار یک مشخصه مستقل یک شی را در هنگام تغییر پارامتر وابسته پیش بینی کند. رابطه بین متغیرها نامیده می شود پسرفت. ضریب رگرسیون که با فرمول های مشابه زیر تعیین می شود:

- ضریب رگرسیون Y.X;

ضریب رگرسیون X.Y،

و .

میانگین مربعات خطا نیز برای ضریب رگرسیون یافت می شود:

اینها فرمول های اساسی مورد استفاده در بیومتریک هستند که هنگام پردازش داده های به دست آمده در طول تحقیقات بیوشیمیایی استفاده می شوند. فرمول های آماری بسیار بیشتری وجود دارد، اما همه آنها، همانطور که قبلاً دیدیم، از چندین عملیات ریاضی تشکیل شده اند که محاسبات محقق را پیچیده می کند و می تواند منجر به خطاهای متعدد در محاسبات شود. تصحیح این خطاها هنگام پردازش حجم زیادی از داده ها می تواند زمان بر باشد. بنابراین، فناوری رایانه چندین بار این فرآیند روتین را ساده می‌کند، که امکان استفاده کارآمدتر از زمان را فراهم می‌کند، و همچنین احتمال خطا را کاهش می‌دهد، که به صحت نتایج به‌دست‌آمده اطمینان می‌دهد و به فرد اجازه می‌دهد نتیجه‌گیری درستی بگیرد.

برنامه ریزی و پردازش یک آزمایش بیوشیمیایی

در حال حاضر، اطلاعات زیادی وجود دارد و پیمایش در این جریان بی پایان دانش بسیار دشوار است. سپس این سوال مطرح می شود که چگونه می توانید با صرف حداقل زمان، اطلاعات مورد علاقه را به دست آورید و ادبیات لازم را انتخاب کنید. برای این کار، موتورهای جستجوی مختلفی وجود دارند که زمان صرف شده در مرحله مقدماتی را به میزان قابل توجهی کاهش می دهند. از آنجایی که قبل از شروع به انجام و برنامه ریزی یک مطالعه، باید مطمئن شد که آیا این موضوع قبلاً مطالعه شده است، نتایج مطالعات انجام شده چیست و چه معیارهایی قبلاً مطالعه شده است. برای درک کامل نیاز به فناوری اطلاعات در برنامه ریزی تجربی، لازم است درک کنیم که این فرآیند چیست.

برنامه ریزی آزمایشی مجموعه ای از اقدامات با هدف راه اندازی مؤثر یک آزمایش است که هدف اصلی آن دستیابی به حداکثر دقت اندازه گیری در حین انجام حداقل تعداد آزمایش است. هنگام برنامه ریزی یک آزمایش، چندین مرحله وجود دارد:

1. پیش برنامه ریزی – این مرحله شامل تهیه برنامه کاری و تصویب آن، انتخاب موضوع، تدوین فرضیه کاری، پردازش اطلاعات طرح و تسلط بر تکنیک ها می باشد.

این مرحله امکان تکرار تحقیقات را از بین می برد، اطمینان دانش و رویکردی اصیل برای حل مشکلات محول شده به محقق را تضمین می کند.

2. فرآیند تحقیق واقعی - در این مرحله، بررسی تحلیلی ادبیات در مورد این مشکل انجام می شود، داده ها انباشته می شوند، سیستم سازی آنها و توسعه ایده ها و انجام آزمایش انجام می شود. آزمایش مجموعه ای از اعمال و مشاهدات است که برای آزمایش درستی یا نادرستی یک فرضیه و ایجاد روابط علت و معلولی بین پدیده های مورد مطالعه انجام می شود.

به لطف این مرحله، محقق می تواند متوجه شود که این موضوع چقدر جدید است و نتایج چقدر مرتبط است و اهمیت علمی و عملی را تدوین می کند.

3. آخرین مرحله، رسمی کردن نتایج تحقیقات علمی - تدوین گزارش، نوشتن مقاله است.

هر آزمایش بر اساس عملکرد یک روش تحلیلی است. روش های تحلیلی معیارهایی دارند که مناسب بودن روش را تعیین می کنند:

· ویژگی - توانایی تعیین مؤلفه ای که این روش تحقیق برای آن در نظر گرفته شده است.

· دقت - کیفیت اندازه گیری که منعکس کننده نزدیکی نتایج به دست آمده حاوی آنالیت است

· همگرایی (تکرارپذیری در یک سری) ایده نزدیکی به یکدیگر نتایج یک مطالعه انجام شده در شرایط یکسان در یک سری است.

· تکرارپذیری - نزدیکی نتایج به دست آمده هنگام انجام یک مطالعه تحلیلی آزمایشگاهی از یک نمونه در شرایط مختلف. این پارامتر میزان پراکندگی داده ها را نشان می دهد و به شما امکان می دهد خطاهای تصادفی را شناسایی کنید.

· درست و نادرست - تفاوت از معنای واقعی

· حساسیت - توانایی روش برای تشخیص کمترین مقدار آنالیت. بزرگی نسبت اختلاف بین نشانگرهای اندازه گیری دستگاه تخمین زده می شود. هر چه این نسبت بیشتر باشد، حساسیت روش بیشتر است.

· حساسیت حد - غلظت ماده آزمایشی مربوط به حداقل اندازه گیری متفاوت از مقدار نمونه خالی.

تفسیر نتایج تحقیق به صورت دستی یا با استفاده از رایانه انجام می شود. یکی از راه های ارزیابی نتایج، ساختن یک منحنی مدرج (کالیبراسیون) است. منحنی کالیبراسیون رابطه نزدیک بین انقراض، شدت نور و غلظت یک ماده را در مجموعه ای از محلول های استاندارد نشان می دهد. راه حل های استاندارد برای ساخت منحنی مدرج استفاده می شود.

ساخت منحنی کالیبراسیون:

ü تهیه محلولهای استاندارد

ü تهیه رقت یک ماده استاندارد که محدوده غلظت های مورد مطالعه را پوشش می دهد و از مقادیر حداکثر و حداقل فراتر می رود.

ü از اصلی ما محلول های استوک تهیه می کنیم

ü برای هر غلظت محلول استاندارد 3-5 اندازه گیری انجام می دهیم

ü با استفاده از نقاط به دست آمده نمودار می سازیم.

برای وضوح و دقت بیشتر، بهتر است یک نمودار بسازید. نمودار وابستگی چگالی نوری به غلظت محلول را نشان می دهد. این برای تعیین بعدی غلظت ماده مورد مطالعه در نمونه های آزمایشی راحت تر خواهد بود، که به محاسبه غلظت صحیح تر محلول های کاری کمک می کند.

اطلاعات مربوطه.

حدود 14 میلیون آیفون در روسیه وجود دارد که یک سوم آنها دارای عملکرد Touch ID هستند. برای باز کردن قفل صفحه گوشی هوشمند خود، داده های بیومتریک را با اپل به اشتراک می گذارید. کاربران به طور فزاینده ای اطلاعات شخصی بدن را در اختیار کاربران قرار می دهند. به نظر می رسد راحت، قابل اعتماد و در مبارزه با جرم و جنایت کمک می کند. اگرچه حادثه اخیر هند با خبرنگارانی که به داده های بیومتریک میلیون ها همشهری دسترسی پیدا کردند، خلاف آن را نشان می دهد. با پیشرفت فناوری، قانونگذاران در سراسر جهان با نحوه تنظیم و حفاظت از جمع آوری و استفاده از اطلاعات بیومتریک دست و پنجه نرم می کنند.

بیومتریک چیست؟

بیومتریک ویژگی های فیزیکی و رفتاری افراد را برای شناسایی هویت آنها تجزیه و تحلیل می کند. در ساده ترین مفهوم، اینها فناوری هایی برای اندازه گیری بدن انسان هستند. دو دسته اندازه گیری بیومتریک وجود دارد: فیزیولوژیکی و رفتاری.

اندازه گیری های فیزیولوژیکیدو نوع وجود دارد: مورفولوژیکی و بیولوژیکی. مورفولوژی شامل اثر انگشت، شکل دست، انگشتان یا صورت، الگوی عنبیه و شبکیه است. برای آزمایش های بیولوژیکی - آزمایش DNA، بزاق، خون یا ادرار.

اندازه گیری های رفتاری- این تشخیص صدا، دینامیک دست خط (سرعت حرکت، شتاب، فشار، شیب)، دینامیک ضربه زدن به کلید، نحوه استفاده از اشیاء، راه رفتن، صدای گام ها، حرکات است.

این اندازه گیری ها را می توان به دو روش مختلف استفاده کرد: برای تأیید هویت و برای شناسایی.

تاییدشامل مقایسه داده های بیومتریک با یک الگوی خاص موجود در یک پایگاه داده یا یک رسانه قابل حمل، مانند کارت هوشمند است. این عملیات به شما امکان می دهد مطمئن شوید که فرد دقیقا همان چیزی است که ادعا می کند.

چه زمانی شناساییداده های بیومتریک یک فرد با داده های افراد دیگر در پایگاه داده مقایسه می شود. شناسایی موفقیت آمیز است اگر چنین نمونه بیومتریک از قبل در پایگاه داده باشد.

بیومتریک - یک پدیده جدید؟

نه واقعا. در قرن نوزدهم، وکیل و پلیس فرانسوی آلفونس برتیلون شروع به مقایسه خصوصیات فیزیکی افراد برای شناسایی مجرمان کرد. سیستم آنتروپومتری که او ایجاد کرد، اولین رویکرد علمی برای تعیین شخصیت در جرم شناسی شد. تحولات او اساس انگشت نگاری را تشکیل داد، سیستمی برای شناسایی افراد بر اساس اثر انگشت. سیستم شناخته شده توسط افسر بریتانیایی ویلیام هرشل اختراع شد - در سال 1877، او فرضیه ای را در مورد تغییر ناپذیری الگوی پاپیلاری در کف دست یک فرد مطرح کرد. شناسایی اثر انگشت مجرمان برای اولین بار در سال 1902 مورد استفاده قرار گرفت.

بیومتریک رفتاری نیز ریشه در قرن نوزدهم دارد: در دهه 1860، اپراتورهای تلگراف از کد مورس برای شناسایی یکدیگر با انتقال "نقطه" و "خط تیره" استفاده می کردند.

امروزه در کجا از بیومتریک استفاده می شود؟

عمدتاً در زمینه امنیت ملی، مراقبت های بهداشتی و سیستم های ثبت نام. بیومتریک به طور گسترده توسط شرکت ها برای نظارت بر کارمندان و امنیت داخلی، بانک ها - برای شناسایی مشتریان، شرکت ها و شبکه های اجتماعی - برای اهداف تجاری استفاده می شود.

مانند قرن نوزدهم، امروزه سازمان های مجری قانون از بیومتریک برای شناسایی مجرمان استفاده می کنند. سیستم‌های خودکار شناسایی اثر انگشت (AFIS) تصاویر اثر انگشت را پردازش و ذخیره می‌کنند، در حالی که سیستم‌های شناسایی بیومتریک خودکار (ABIS) شامل الگوهایی برای صورت، انگشتان و عنبیه هستند. شهرهای بزرگ، فرودگاه‌ها و مرزها در حال حاضر از فناوری تشخیص چهره زنده استفاده می‌کنند، که امکان شناسایی چهره در یک جمعیت را در زمان واقعی ممکن می‌سازد.

کنترل مرزی از گذرنامه های الکترونیکی و بیومتریک استفاده می کند که علاوه بر عکس مالک، دارای دو اثر انگشت نیز می باشد. زیرساخت بیومتریک شامل اسکنرهای اثر انگشت و دوربین هایی است که سرعت عبور از مرزها را افزایش می دهد. دولت ها این فناوری ها را برای کنترل جریان های مهاجرت معرفی می کنند.

بیومتریک همچنین برای ایجاد کارت های شناسایی که دسترسی به مراقبت های بهداشتی، هویت مدنی و ثبت نام رای دهندگان را فراهم می کند، مورد نیاز است.

تعداد زیادی فناوری در زمینه جمع آوری داده های بیومتریک توسط غول های فناوری اطلاعات مانند گوگل و فیس بوک در حال توسعه هستند. تبلیغ‌کنندگان از فناوری تشخیص چهره در زمان واقعی برای نشان دادن تبلیغات خاص به مشتریان استفاده می‌کنند. بانک ها و فروشگاه های خرده فروشی از بیومتریک برای ردیابی مجرمان و مشتریان غیرقابل اعتماد استفاده می کنند. شرکت ها قفل های اداری را با اسکنرهای عنبیه یا اثر انگشت جایگزین می کنند و باشگاه های نخبه از اطلاعات بیومتریک برای شناسایی مشتریان مهم استفاده می کنند.

سال گذشته، بانک های روسیه در همه جا شروع به راه اندازی پروژه های آزمایشی با استفاده از فناوری های بیومتریک برای ثبت نام کاربران و ارائه خدمات آنلاین به آنها کردند. در حال حاضر، در این زمینه، داده های بیومتریک در کنار سیستم های امنیتی استاندارد، مانند جفت ورود و رمز عبور، کار خواهند کرد.

بیومتریک چقدر قابل اعتماد است؟

در حالی که فناوری های بیومتریک از کامل بودن فاصله زیادی دارند. شاخص های فیزیولوژیکی در مقایسه با شاخص های رفتاری پایدارتر هستند: در طول زندگی کمتر تغییر می کنند و در برابر عوامل موقعیتی مانند استرس حساس نیستند. با این حال، تاریخ نمونه‌های زیادی را می‌داند که چنین اندازه‌گیری‌ها به اشتباه توسط سیستم‌های تشخیص پذیرفته یا رد شوند. به عنوان مثال، یک چهره را می توان با یک عکس یا فیلم با وضوح بالا جایگزین کرد و اثر انگشت را می توان "دزدید". یک مورد معروف در سال 2005 در زندان بریتانیایی گلنوچیل رخ داد، جایی که زندانیان به راحتی یاد گرفتند که بر اساس انگشت نگاری سیستم قفل را تقلب کنند.

اغلب خطر خطا با شرایط شناسایی مرتبط است. عکاسی با کیفیت پایین می تواند به میزان قابل توجهی خطر را افزایش دهد. نور، شدت صدای پس زمینه و موقعیت فرد در فضا مهم هستند. در شرایط آزمایشگاهی ایده آل، میزان خطا در تشخیص چهره از 5 تا 10 درصد متغیر است.

خطرات نشت داده ها

در حین تأیید، داده ها با یک الگوی بیومتریک که خود شخص، به عنوان مثال، در یک کارت هوشمند ذخیره می کند، بررسی می شود. فقط کاربر روی داده های خود کنترل دارد. در مورد شناسایی، داده های یک شخص در برابر داده های یک پایگاه داده متمرکز بررسی می شود، به این معنی که حامل آنها هیچ قدرتی بر آنها ندارد. در چنین شرایطی، هیچ کس از نقض حریم خصوصی و قرار گرفتن اطلاعات بیومتریک به دست افراد نادرست محافظت نمی شود.

بنابراین ، مشخص شد که بانک های روسی بیومتریک مشتری را به FSB تحویل داده اند - داده های کاربر را می توان به روشی کاملاً متفاوت که مشتری با آن موافقت کرد استفاده کرد.

حادثه هند

در اوایل ژانویه 2018، روزنامه‌نگاران روزنامه تریبون در شهر چاندیگر گفتند که نرم‌افزاری را خریدند که به داده‌های پایگاه داده هندی Aadhaar از فروشندگان ناشناس در واتس‌اپ دسترسی پیدا می‌کرد، تنها به قیمت 6 پوند. Aadhaar یک پایگاه داده متمرکز بزرگ است که نام، شماره تلفن، آدرس ساکنان و داده های بیومتریک آنها را ذخیره می کند. برای دسترسی شهروندان هندی به خدمات دولتی، دریافت مزایا و کمک هزینه ها، کارت شناسایی Aadhaar مورد نیاز است. روزنامه‌نگاران گزارش دادند که نرم‌افزاری که خریداری کرده‌اند به آنها امکان چاپ کارت‌های شناسایی جعلی را نیز می‌دهد.

اگرچه اداره شناسایی منحصر به فرد هند (UIDAI) گفت که روزنامه نگاران تنها به نام ها و آدرس هایی دسترسی پیدا می کنند که بدون بیومتریک بیمعنا هستند، این حادثه بار دیگر نشان داد که چنین پایگاه های اطلاعاتی چقدر می توانند غیرقابل اعتماد باشند. فعالان قبلاً Aadhaar را به دلیل مرگ دو شهروند هندی در اثر گرسنگی مورد انتقاد قرار داده اند که نمی توانستند به جیره غذایی خود دسترسی داشته باشند زیرا دریافت آنها مستلزم احراز هویت Aadhaar بود.

در آگوست 2017، دادگاه عالی حکم داد که حریم خصوصی یک حق تضمین شده توسط قانون اساسی هند است. تحلیلگران پیش‌بینی می‌کنند که این تصمیم باعث می‌شود که نقش مهم آدهار در زندگی هندی‌ها بازنگری شود.

حفاظت از داده های بیومتریک: کجا و چگونه کار می کند؟

با وجود ماهیت بسیار خاص داده های بیومتریک، عملاً هیچ مقررات قانونی در سراسر جهان در مورد حفاظت از آنها وجود ندارد. بیشتر متون حقوقی در مورد حفاظت از داده های شخصی و حریم خصوصی به معنای گسترده صحبت می کنند، اما گاهی اوقات چنین قوانینی به خوبی با بیومتریک سازگار نیست.

در روسیه، جمع آوری و ذخیره سازی داده های بیومتریک تنها با رضایت کتبی موضوع داده های شخصی امکان پذیر است. این بند در قانون "در مورد داده های شخصی" آمده است. در 1 ژوئیه 2017 تغییراتی در آن ایجاد شد و اکنون همه سایت‌هایی که هر گونه اطلاعاتی را درباره کاربران جمع‌آوری و ذخیره می‌کنند باید اسنادی را به منبع خود اضافه کنند. جریمه عدم رعایت این الزامات برای هر تخلف شناسایی شده از 10000 تا 75000 روبل متغیر است. و در پاییز 2017، الکساندر ژاروف، رئیس Roskomnadzor، خواستار ممنوعیت شناسایی بیومتریک افراد زیر سن قانونی در هنگام استفاده از وسایل فنی شد.

در طول 10 سال گذشته، تعدادی از لوایح ایجاد شده با تاکید بر داده های بیومتریک در ایالات متحده ظاهر شده است و در ماه مه 2018، یک قانون جدید اتحادیه اروپا در مورد حفاظت از داده های شخصی (مقررات حفاظت از داده های عمومی، GDPR) وارد خواهد شد. نیرو در تمام کشورهای اتحادیه اروپا

ایالات متحده آمریکا: سه در مقابل چهل و هفت

هیچ قانون واحدی در ایالات متحده وجود ندارد که بر جمع آوری و استفاده از داده های شخصی، از جمله بیومتریک، نظارت کند. قوانین سختگیرانه در مورد بیومتریک تنها در سه ایالت وجود دارد: ایلینوی، تگزاس و واشنگتن.

در سال 2008، ایلینوی قانون حفظ حریم خصوصی اطلاعات بیومتریک (BIPA) را تصویب کرد، که الزامات سختگیرانه ای را برای سازمان هایی که داده های بیومتریک کاربران را جمع آوری، خرید یا به دست می آورند، تعیین کرد. هدف این قانون، استفاده نامحدود از بیومتریک برای مقاصد تجاری است. هر کسب‌وکاری که به چنین داده‌هایی دسترسی پیدا می‌کند باید یک خط‌مشی حفظ داده‌های در دسترس عموم ایجاد کند، انتقال یا افشای اطلاعات بیومتریک را محدود کند و از آن داده‌ها به همان روشی که یک شرکت از سایر اطلاعات حساس محافظت می‌کند محافظت کند. BIPA حق اقدام را برای "شخص آسیب دیده" ایجاد می کند و خسارتی معادل 1000 دلار برای هر تخلف سهل انگارانه و 5000 دلار برای تخلفات عمدی در نظر می گیرد. در ژانویه 2017، لوایح مشابهی در کانکتیکات، نیوهمپشایر، واشنگتن و آلاسکا مورد بررسی قرار گرفت، اما تنها در واشنگتن به تصویب رسید.

در سال 2016، گروهی از شاکیان ایلینوی از فیس بوک به دلیل جمع آوری غیرقانونی داده های بیومتریک شکایت کردند. شاکیان ادعا کردند که ویژگی تشخیص چهره این شبکه اجتماعی که عکس ها را برچسب گذاری می کند، به طور غیرقانونی داده های کاربران را جمع آوری و ذخیره می کند. در سال 2017، بیش از 30 شکایت در دادگاه های ایلینویز علیه شرکت هایی که اثر انگشت کارمندان را برای ردیابی ساعات کار جمع آوری می کردند، تشکیل شد.

به طور کلی، در 47 ایالت آمریکا، شرکت‌ها می‌توانند از نرم‌افزاری برای شناسایی چهره‌ها در تصاویر بدون رضایت کاربر استفاده کنند، اگر تصویر در مالکیت عمومی باشد. نرم‌افزار تشخیص چهره از قبل وجود دارد که فروشگاه‌ها می‌توانند از آن برای شناسایی مشتریانی که اغلب کالاها را مرجوع می‌کنند یا نوع خاصی از خرید را ترجیح می‌دهند، استفاده کنند. به لطف فیس بوک، کارمندان می توانند بلافاصله پس از ورود به فروشگاه، اطلاعاتی در مورد مشتریان دریافت کنند، بفهمند که چه کسانی هستند، اهل کجا هستند و درآمدشان چقدر است. از منظر حریم خصوصی، این نقض ناشناس بودن، اصل رضایت کاربر و مناسب بودن استفاده از داده‌های بیومتریک است. اما این کار در این ایالت ها منع قانونی ندارد.

اتحادیه اروپا در تلاش است تا حریم خصوصی را بازگرداند

امسال، اتحادیه اروپا در حال برداشتن گامی در جهت محرمانه بودن اطلاعات بیومتریک است: در ماه مه 2018، قانون یکپارچه در مورد حفاظت از داده های شخصی (مقررات عمومی حفاظت از داده ها، GDPR) که در سال 2016 به تصویب رسید، به اجرا گذاشته شد. از GDPR بازگرداندن کنترل شهروندان اروپایی بر داده های شخصی آنها و در عین حال ساده سازی چارچوب نظارتی برای شرکت ها است. این قانون نه تنها بر 28 کشور اتحادیه اروپا تأثیر می گذارد، بلکه سازمان هایی را نیز تحت تأثیر قرار می دهد که دارای دفاتر نمایندگی در کشورهای اتحادیه اروپا هستند، داده های شخصی را جمع آوری و پردازش می کنند، به افراد - شهروندان اتحادیه اروپا خدمات ارائه می دهند و از ثبت نام آنلاین در وب سایت ها و برنامه های کاربردی استفاده می کنند. بنابراین، این قانون به ویژه بر تجارت روسیه تأثیر زیادی خواهد داشت.

این قانون که با تمرکز بر بیومتریک نوشته شده است، تمام استانداردهای قبلی موجود برای حفاظت از داده های شخصی در کشورهای اروپایی را یکپارچه و تقویت می کند. به طور خاص، GDPR هر سازمانی را ملزم می‌کند قبل از جمع‌آوری داده‌ها رضایت کاربر را جلب کند. با این حال، موضوع داده این حق را دارد که رضایت خود را در هر زمان پس بگیرد. این اصل "حق فراموش شدن" نامیده می شود.

شرکت‌هایی که اطلاعات بیومتریک را مدیریت می‌کنند، اگر نتوانند اطلاعات را ایمن نگه دارند، با جریمه‌های هنگفتی روبرو خواهند شد. تحریم ها می تواند به 20 میلیون یورو یا 4 درصد از گردش مالی سالانه جهانی برسد.

قانون می گوید که استفاده از داده ها باید محدود شود. داده‌های شخصی باید فقط برای «مقاصد خاص، صریح و مشروع» جمع‌آوری و پردازش شوند (اصل کمینه‌سازی داده‌ها).

چین در حال ساخت یک دیکتاتوری دیجیتال است

در حالی که کشورها و سازمان های اروپایی برای اجرایی شدن GDPR آماده می شوند، چین همچنان به توسعه یک سیستم اعتبار اجتماعی ادامه می دهد که به نظر می رسد هیچ اثری از حریم خصوصی در این کشور باقی نمی گذارد. تا سال 2020، به هر یک از ساکنان چین، بسته به رفتارشان، یک رتبه بندی شخصی اختصاص داده می شود که بر دسترسی به خدمات دولتی، توانایی گرفتن وام، گرفتن شغل، ثبت نام کودکان در مدرسه، خرید و مسافرت تأثیر می گذارد.

سیستم اعتبار اجتماعی مبتنی بر جمع‌آوری هرچه بیشتر داده‌های ممکن در مورد شهروندان و ارزیابی قابلیت اعتماد ساکنان بر اساس رفتار مالی، اجتماعی و آنلاین است. بنابراین، این رتبه بندی تاریخچه اعتباری، پرداخت به موقع جریمه ها، رعایت قوانین راهنمایی و رانندگی، عادات خرید، زمان صرف شده برای بازی های رایانه ای (هرچه بیکاری بیشتر، رتبه پایین تر)، رعایت قوانین تنظیم خانواده، دفعات ملاقات با والدین را در نظر می گیرد. ، اظهارات در اینترنت ، دایره اجتماعی ( گذراندن وقت با افراد دارای رتبه پایین تر بی سود خواهد بود). در حال حاضر، شرکت در رتبه بندی داوطلبانه است، اما تا سال 2020 برای همه اشخاص حقیقی و حقوقی اجباری خواهد بود.

برای جمع آوری داده های شهروندان، دولت هشت شرکت خصوصی را برای توسعه الگوریتم هایی برای ارزیابی اعتبار اجتماعی استخدام کرده است. در میان آنها China Rapid Finance، شریک غول فناوری Tencent است که از بزرگترین پیام رسان WeChat با بیش از 850 میلیون کاربر فعال پشتیبانی می کند. بازیکن دیگر Sesame Credit است که توسط Ant Financial Services Group (AFSG)، یکی از شرکت های تابعه علی بابا اداره می شود. AFSG بیمه می فروشد و به مشاغل کوچک و متوسط ​​وام می دهد و همچنین مالک سرویس AliPay است که نه تنها برای خرید آنلاین، بلکه برای رستوران ها، تاکسی ها، هزینه های مدرسه، بلیط سینما و انتقال پول نیز استفاده می شود. برای توسعه سیستم اعتبار اجتماعی، Sesame با دیگر پلتفرم‌های جمع‌آوری اطلاعات، Didi Chuxing، رقیب چینی اصلی سابق اوبر، و Baihe، بزرگترین سرویس دوستیابی آنلاین کشور، همکاری کرد. حتی تصور اینکه این شرکت ها چقدر در مورد کاربران خود می دانند سخت است.

از طریق کنترل کامل رفتار آنلاین و آفلاین، انتظار می‌رود این سیستم شهروندان را به انجام اقداماتی که دولت تأیید می‌کند و کمک به افزایش «صداقت» و اعتماد عمومی سوق دهد. نقش سیستم های تشخیص چهره و سایر فناوری های بیومتریک در این پروژه بسیار زیاد خواهد بود.

امکانات بیومتریک به طور فزاینده ای به مشکلات تبدیل می شود: نشت داده ها، جرایم سایبری، "سرقت هویت". و استفاده روزافزون از فناوری های بیومتریک چالش های جدیدی را برای دولت ها ایجاد می کند. آیا دولت‌ها از ناشناس ماندن شهروندان خود محافظت می‌کنند یا شفافیت کامل نه تنها در انتظار ساکنان چین، بلکه همه کسانی هستند که در شبکه‌های اجتماعی حساب دارند، از تلفن استفاده می‌کنند و حداقل گاهی اوقات خانه را ترک می‌کنند؟ توسعه فناوری در هر صورت مستلزم تدوین چارچوب قانونی است.

متن:آنا کوزونینا

بسیاری از خوانندگان Habr احتمالاً از قبل با فناوری های بیومتریک آشنا هستند. آنها اکنون در همه جا حضور دارند. در یک مفهوم کلی، بیومتریک سیستمی برای تشخیص افراد بر اساس یک یا چند ویژگی فیزیکی (یا رفتاری) است. در حوزه فناوری اطلاعات، داده های بیومتریک به عنوان شکلی از مدیریت شناسه دسترسی و کنترل دسترسی استفاده می شود. به طور معمول، حالت عملکرد سیستم های بیومتریک به دو نوع اصلی تقسیم می شود.

اولین مورد تایید نامیده می شود که مقایسه نتیجه آزمایش با یک الگوی بیومتریک است. این گزینه به بررسی اینکه آیا فرد همان چیزی است که می‌گوید، کمک می‌کند. تأیید را می توان به روش های مختلفی از جمله کارت هوشمند، نام کاربری یا شماره کاربری انجام داد. حالت دوم شناسایی است. هنگامی که یک نمونه خاص دریافت می شود، سیستم در برابر یک پایگاه داده بیومتریک برای تعیین هویت بررسی می شود. در اینجا یک نکته مهم وجود دارد - برای این حالت عملکرد، نمونه بیومتریک باید در پایگاه داده باشد و مقایسه باید بر اساس اصل "یک به چند" انجام شود. به طور کلی، فناوری های بیومتریک پتانسیل بسیار زیادی دارند که هنوز به طور کامل محقق نشده است. وضعیت فناوری های بیومتریک در روسیه و جهان امروز چگونه است؟

در تعدادی از موارد، هنوز نمی توان توسعه آنها را رضایت بخش در نظر گرفت. تا کنون، این منطقه به طور فعال در حال توسعه است، اگرچه در حال حاضر نتایجی وجود دارد (در ادامه در این مورد بیشتر). در برخی موارد، بیومتریک روش چندان قابل اعتمادی برای شناسایی یا تأیید در نظر گرفته نمی شود. بنابراین، در ایالات متحده، اداره پلیس تامپا حتی نرم افزار تشخیص چهره را حذف نصب کرد، زیرا آن را چندان قابل اعتماد نمی دانست. اما در آنجا در مورد معرفی روش های بیومتریک قدیمی صحبت کردند که همیشه بهترین جنبه خود را نشان نمی دهند.

با این حال، فناوری‌های بیومتریک مدرن دقیق‌تر و قابل اعتمادتر می‌شوند. بسیاری از شرکت ها و سازمان های علمی در حال تحقیق و توسعه در این زمینه هستند. علاوه بر این، اولویت در طول زمان به روش‌های بدون تماس تشخیص بیومتریک تغییر کرده است. بیومتریک در بسیاری از زمینه ها از جمله بانکداری، سیستم های امنیتی و کنترل دسترسی، سیستم های کنترل ویزا، سیستم های شناسایی جنایی پلیس، جمع آوری آمار بازدیدکنندگان و موارد دیگر استفاده می شود. تاکنون حدود نیمی از بازار بیومتریک توسط سیستم های تشخیص اثر انگشت اشغال شده است. اما وضعیت به تدریج در حال تغییر است، توسعه دهندگان می دانند که اثر انگشت قابل اعتمادترین راه برای شناسایی یک فرد نیست (در "MythBusters" آنها حتی زمانی راهی برای باز کردن قفل اثر انگشت با استفاده از اثر انگشت چاپ شده روی چاپگر نشان دادند)، بنابراین فناوری های بیومتریک جدید هستند. به تدریج محبوب تر و بیشتر می شود.

بیومتریک: مقیاس

به طور کلی می توان گفت که بیومتریک به بخشی جدایی ناپذیر از زندگی افراد تبدیل شده است. به عنوان مثال، در برخی از کشورها، بدون اطلاعات بیومتریک نمی توانید گذرنامه یا ویزا دریافت کنید. سازمان های دولتی در کشورهای مختلف بر این باورند که بیومتریک یکی از موثرترین روش ها برای شناسایی پناهندگان و کسانی است که به طور غیرقانونی از مرز عبور می کنند.

اکنون پروژه های زیادی بر اساس فناوری های بیومتریک وجود دارد. شاید یکی از بزرگ ترین آنها پروژه AADHAAR باشد که در هند اجرا شده است. این یک سیستم شناسایی بیومتریک است که حاوی داده های بیش از یک میلیارد نفر است. پایگاه داده شامل حدود 10 میلیارد الگوی اثر انگشت، دو میلیارد الگوی عنبیه و یک میلیارد عکس است. چیزی مشابه در فیلم علمی تخیلی I Origins نشان داده شد. با این حال، شناسایی توسط عنبیه یک فناوری بسیار واقعی است که به طور فزاینده ای محبوب می شود.

همه ساکنان هند می توانند یک ورودی در AADHAAR دریافت کنند؛ این یک شماره شناسایی است که به داده های بیومتریک کاربران مرتبط است. در معاملات مالی، هنگام کار با خدمات مختلف دولتی و خصوصی استفاده می شود. یک سرویس ابری برای ذخیره اسناد اسکن شده نیز به AADHAAR مرتبط است.

البته هند در معرفی هویت بیومتریک تنها نیست. ایالت های دیگر نیز این کار را انجام می دهند. و نه تنها ایالت ها، بلکه شرکت های خصوصی نیز. به گفته آژانس تحلیلی J"son & Partners Consulting، بازار جهانی سیستم های بیومتریک تا سال 2022 به 40 میلیارد دلار خواهد رسید. نتیجه گیری تحلیلگران بر اساس شاخص های درآمد بازیگران کلیدی بسته به بخش ها، با در نظر گرفتن سخت افزار، نرم افزار و یکپارچه سازی است.

آژانس تحلیلی دیگر، Acuity Research، رشد تعداد اسناد الکترونیکی بیومتریک e-ID را تا سال 2018 به 749 میلیون تخمین می‌زند. و در مجموع، به گفته متخصصان آژانس، در سال 2018 حدود 3.5 میلیارد سند الکترونیکی در جهان وجود خواهد داشت. در حال حاضر بیش از نیمی از کشورهای عضو سازمان ملل گذرنامه بیومتریک صادر می کنند. نمونه ای از اجرای برنامه های انتقال به اسناد الکترونیکی بیومتریک شامل قراردادهای دولتی و خصوصی در کانادا، ایالات متحده آمریکا، بلاروس، اوکراین، مولداوی، لیتوانی، مجارستان، بنگلادش، سنگال و سایر کشورها است.

در روسیه چطور؟

در روسیه، فناوری‌های بیومتریک بسیار سریع، فعال‌تر از بسیاری از کشورها در حال توسعه هستند. به عنوان مثال، بزرگترین بانک های فدراسیون روسیه آزمایش سیستم های شناسایی بیومتریک مشتری را در سال جاری آغاز کردند. بانک مرکزی، وزارت مخابرات و ارتباطات جمعی و Rosfinmonitoring در حال ایجاد پایگاه بیومتریک خود هستند؛ این سیستم در سال جاری به مرحله آزمایش خواهد رسید.

به گفته نایب رئیس بانک مرکزی اولگا اسکوروبوگاتووا، این پروژه آزمایشی به شما امکان می دهد از راه دور مشتری هر بانکی شوید. برای انجام این کار کافی است یک بار در هر موسسه اعتباری شرکت کننده در پروژه، مراحل ثبت بیومتریک را طی کنید.

بیومتریک موضوع بسیار هیجان انگیزی است. این شناسایی، شناسایی از راه دور، ایجاد یک پایگاه داده یکپارچه در مورد افراد است، من بیشتر در مورد افراد صحبت می کنم، که به هر بانک و هر سازمانی امکان می دهد مشتریان را مجبور نکند که روی پای خود بیایند تا لیست بزرگی از اسناد را پر کنند. RIA به نقل از Skorobogatova.

از این آزمایش تا ایجاد پایگاه بیومتریک ملی به معنای واقعی کلمه یک قدم باقی مانده است.

بخش بانکی در تلاش است تا سیستم های شناسایی مشتری را با صدا، عکس و اثر انگشت معرفی کند. به عنوان مثال، VTB24 قبلاً شناسایی بیومتریک را به عنوان بخشی از بانکداری آنلاین آزمایش کرده است. در طی مراحل ورود به اپلیکیشن بانکداری آنلاین، از مشتریان خواسته شد تا نمونه عکس و صدای خود را ارائه دهند. با استفاده از این داده ها برای انجام شناسایی برنامه ریزی شده است. پس از تایید هویت کاربر، تمامی عملیات بدون تایید اضافی انجام می شود. Sberbank همچنین علاقه زیادی به بیومتریک نشان می دهد که قبلاً RecFaces (برنامه Comlogic) را به عنوان یکی از شرکای خود در این زمینه تأیید کرده است.

فناوری های مشابه در Promsvyazbank و Home Credit، Tinkoff Bank و تعدادی از سازمان های دیگر استفاده می شود. در مورد پایگاه بیومتریک یکپارچه، بانک مرکزی، وزارت مخابرات و ارتباطات جمعی و Rosfinmonitoring به طور همزمان روی ایجاد آن کار می کنند. این پروژه ممکن است چندین سال طول بکشد تا تکمیل شود. به گفته کارشناسان، پایگاه داده های بیومتریک مشترک برای بخش های مالی و حقوقی، خدمات دولتی، امنیت عمومی، پزشکی و غیره مفید خواهد بود.

پروفایل بیومتریک دیجیتال از RecFaces

وقتی در مورد بیومتریک در روسیه صحبت می کنیم، نمی توانیم از توسعه خود - یک پلت فرم اطلاعاتی برای شناسایی چند وجهی، به نام Id-Me - خودداری کنیم.

به طور معمول، شرکت‌هایی که بیومتریک را پیاده‌سازی می‌کنند باید چندین تامین‌کننده را انتخاب کنند و بودجه قابل‌توجهی را در ایجاد زیرساخت محاسباتی مرکزی، نگهداری آن، انواع مجوزها و تجهیزات سرمایه‌گذاری کنند.

اما این فقط در مورد سرمایه گذاری و پیچیدگی فرآیند نیست. هر الگوریتمی که در حال حاضر در بازار ارائه می شود تعدادی ویژگی و مزیت خاص خود را دارد. ما در RecFaces به طور خاص بر ایجاد یک پلتفرم یکپارچه تمام عیار متمرکز شده ایم که از بهترین دستاوردهای جهان در زمینه بیومتریک استفاده می کند. با داشتن فرصتی برای مطالعه الگوریتم ها و مقایسه آنها، راه حل هایی را انتخاب می کنیم که حداکثر کارایی را نشان می دهند.

به عنوان مثال، فناوری‌های شناسایی بیومتریک مبتنی بر مدل ریاضی چهره از شرکت ژاپنی توشیبا مجوز دارند. شناسایی سه بعدی با استفاده از راه حل های Artec ID و Intel Corporation انجام می شود. شکی نیست که برای ماژول های شناسایی مبتنی بر الگوهای عنبیه، اثر انگشت و الگوهای ورید کف دست که برای پیاده سازی در پلتفرم Id-Me آماده می شوند، RecFaces مدرن ترین و امیدوارکننده ترین راه حل های فنی را انتخاب خواهد کرد. مشتریان فقط باید از "جادو" Id-Me برای حل مشکلات برنامه خود استفاده کنند.

برای یک ناظر خارجی، Id-Me کاملا ساده کار می کند. یکی از اجزای اصلی سیستم Id-Box (ماژول ضبط) است. این یک دستگاه شناسایی کوچک "هوشمند" است که بر اساس یک پلتفرم رایانه شخصی در یک کیس جمع و جور است. این عنصر است که مسئول تشخیص چهره ها و در آینده انواع دیگر داده های بیومتریک است. به دوربین مدار بسته و سنسورهای دیگر متصل می شود. سیستم آرایه ای از داده ها را از آنها دریافت می کند، که سپس به یک شاخص تخصصی، یک مدل ریاضی تبدیل می شود، که برای مقایسه با استاندارد ذخیره شده در آنجا به ابر ارسال می شود. با کار با نمایه ها، سیستم به "عرض" کانال اینترنت نیاز ندارد.

این یک سیستم جهانی است که به طور موثر با انواع مختلف تصاویر کار می کند و می تواند از اطلاعات دوربین های نظارتی استفاده کند. ID-Box در صورت لزوم می تواند آماری از تعداد بازدیدکنندگان از جمله سن، جنسیت و وضعیت عاطفی جمع آوری کند. اگر خرابی رخ دهد، جای نگرانی نیست؛ داخل جعبه هارد دیسک بزرگ خود وجود دارد که تمام اطلاعات مهم در آن ذخیره می شود. در صورت قطع ناگهانی شبکه، تمامی اطلاعات ذخیره شده و سیستم به کار خود ادامه می دهد.

داده های جمع آوری شده توسط Id-box به ابر ارسال می شود، جایی که سیستم شاخص فعلی را با تمام نسخه های قبلی مقایسه می کند. اگر مطابقت وجود داشته باشد، یعنی سیستم فرد ثبت نام شده را بشناسد، مشتری یک هشدار دریافت می کند. این سرویس با پلتفرم های اصلی اصلی، از جمله رابط وب، مشتریان موبایل iOS، اندروید، ویندوز سازگار است.

به لطف اتصال رمزگذاری شده، کل سیستم به طور ایمن محافظت می شود. علاوه بر این، یک فایروال و یک دروازه کریپتو با روترهای رمزنگاری ارائه شده است. یک امضای دیجیتال الکترونیکی، نرم افزار ضد ویروس و ابزارهای تشخیص نفوذ تایید شده توسط FSTEC استفاده می شود.

دامنه کاربرد Id-Me

پلت فرم بیومتریک Id-Me از RecFaces به گونه ای طراحی شده است که تا حد امکان برای بانک ها، فرودگاه ها، خرده فروشی ها، مشاغل هتل، سازمان های ورزشی و سازمان های دولتی مفید باشد.

بانک ها می توانند از بیومتریک برای بهبود امنیت استفاده کنند. در اینجا می‌توانیم یک مورد احتمالی از تلاش کلاهبردار برای برداشت پول از کارت شخص دیگری را به عنوان مثال بیاوریم. دوربین ATM متصل به Id-Me چهره فردی را که سعی در انجام این کار دارد شناسایی می کند. اگر این اطلاعات با آنچه در پایگاه داده وجود دارد مطابقت نداشته باشد، برداشت وجه تقریباً بلافاصله مسدود می شود. برای استفاده از این روش حفاظتی، حتی نیازی به تجهیز دستگاه خودپرداز به تجهیزات اضافی ندارید.

به طور مشابه، یک بانک می تواند از بخش وام دهی خود محافظت کند. کلاهبرداری که قصد انجام یک تراکنش مالی را با نام جعلی دارد، اگر توسط دوربین متصل به سرویس Id-Me زیر نظر گرفته شود، قادر به انجام این کار نخواهد بود.

بعلاوه، کارمندان بانک نیز می توانند وارد سیستم شوند، که هنگام انجام هر کار مهم ضروری است. این تابع می تواند در بسیاری از زمینه ها مفید باشد. برای مثال Id-Me به شما امکان می دهد ردیابی زمان کارکنان را خودکار کنید.

از آنجایی که Id-Me می‌تواند جریان‌های ویدئویی از دوربین‌های نظارتی و تصاویر فردی را تجزیه و تحلیل کند، از این سیستم می‌توان برای جمع‌آوری آمار بازدیدها، مسیر حرکت و رفتار بازدیدکنندگان استفاده کرد.

Id-Me با استفاده از فناوری‌های تشخیص اختصاصی توشیبا و سایر شرکا، به شما امکان می‌دهد از شناسایی بیومتریک برای تعیین جنسیت، سن، و ترجیحات شخصی خریدار استفاده کنید و همه اینها را با CRM مرتبط کنید. چنین سیستمی همچنین برای شناسایی یک مشتری مهم با دریافت فوری اطلاعات در مورد او، تاریخ آخرین بازدید او از یک فروشگاه یا سایت دیگر عالی است. همه اینها به شما کمک می کند تا یک زبان مشترک با یک فرد پیدا کنید و فوراً ترجیحات او را تعیین کنید.

نمونه‌هایی از چنین ترکیبی از شناسایی بیومتریک با CRM که قبلاً به طور مشترک با شرکای RecFaces پیاده‌سازی شده‌اند، اثربخشی بازاریابی بالای خود را نشان داده‌اند. حتماً بعداً در این مورد مفصل خواهیم نوشت.

برای صنعت هتلداری، شناخت مشتریان شما ضروری است. اگر شخصی ببیند که نه تنها نام و نام خانوادگی، بلکه ترجیحات او نیز به یاد می آید، به احتمال زیاد، چنین مشتری بارها و بارها به هتل "توجه" باز خواهد گشت. و برای مهمانان ناخواسته، می توانید یک "لیست سیاه" با داده های مربوطه ایجاد کنید.

دوربین‌های نظارتی هتل هر اتفاقی را که می‌افتد ضبط می‌کنند و در صورت ورود فرد ناشناس به اتاق یا فضای اداری به اداره اطلاع می‌دهند. کارمندان هتل آگاه خواهند بود که سیستم هوشمند همیشه می داند چه کسی کجا و چرا رفته است، بنابراین سوء استفاده کمتری صورت خواهد گرفت.

سازمان دهندگان مسابقات ورزشی، کنسرت ها و سایر رویدادهای عمومی می توانند به سرعت اطلاعاتی در مورد عناصر ناخواسته (به عنوان مثال، طرفداران اوباش) که سعی در ورود به رویداد دارند دریافت کنند. فرزند گمشده؟ این سیستم به شما کمک می کند تا به سرعت تعیین کنید که چگونه و چه زمانی این اتفاق افتاده است، و همچنین تعیین می کند که در صورت مشاهده کودک کجاست. مشکلی پیش آمده است؟ امنیت فورا هشدار داده خواهد شد.

اگر افسران مجری قانون اعلان هایی در مورد افراد مشکوک و رویدادهای رخ داده در منطقه نظارت دریافت کنند، حفظ امنیت در مدارس یا مکان های عمومی یا تأسیسات زیرساختی حمل و نقل آسان تر خواهد بود. سرقت خودرو، هولیگانیسم - اگر به موقع متوجه مشکل شوید، می توان از همه اینها جلوگیری کرد.

به طور کلی، تعداد زیادی روش برای استفاده از سیستم های بیومتریک وجود دارد. مهم نیست چقدر ادعایی به نظر می رسد، آنها آینده هستند. بیومتریک در تعداد زیادی از مناطق استفاده می شود و خواهد بود. و Id-Me می تواند در اکثر آنها استفاده شود. شما می توانید با مراجعه به بیست و سومین نمایشگاه بین المللی تجهیزات فنی امنیتی و تجهیزات حفاظتی و آتش نشانی بیشتر در مورد راهکارهایی که این شرکت در حال حاضر ارائه می دهد و در حال آماده سازی آن است بیشتر بدانید و با راهکارهای جامع آن آشنا شوید.

مسیر فناوری که فراتر از استفاده در سازمان های مجری قانون رفته و جایگزین رمزهای عبور گرافیکی و عددی شده است.

به نشانک ها

بیومتریک اولین موردی بود که توسط سازمان های مجری قانون و سرویس های امنیتی بالا استفاده شد. امروزه سیستم های بیومتریک تقریباً در تمام دستگاه های مدرن یافت می شوند: اتومبیل ها، لپ تاپ ها، تلفن های هوشمند.

بیومتریک ویژگی های آناتومیکی، فیزیولوژیکی و رفتاری قابل اندازه گیری است که برای شناسایی یک فرد استفاده می شود. رایج ترین روش تشخیص اثر انگشت است. اما راه های دیگری وجود دارد - DNA، عنبیه، صدا، کف دست و ویژگی های صورت.

چارچوب نظارتی، فنی و قانونی برای فناوری های بیومتریک اکنون به طور فعال در حال توسعه است. دولت شروع به تشکیل استانداردهای یکنواخت برای اطمینان از تعامل سیستم های خودمختار می کند. کمیته ها و بخش های بیومتریک در حال ایجاد هستند. علیرغم تنوع روش‌های بیومتریک، تنها از سه حوزه استفاده می‌شود: اثر انگشت، چهره و تشخیص عنبیه.

توسعه فناوری رایانه استفاده از بیومتریک را در بسیاری از زمینه‌های فعالیت ممکن می‌سازد: کنترل دسترسی به اماکن و دستگاه‌ها، تأیید تراکنش‌های مالی، تضمین امنیت در فرودگاه‌ها، شناسایی در مدارس و بیمارستان‌ها، جستجوی مجرمان.

تاریخ بیومتریک از سه هزار سال پیش آغاز شد. آثار کشف شده در نوا اسکوشیا، بابل و چین نشان می دهد که از دست و اثر انگشت در دوران باستان برای معاملات تجاری و شواهد جنایات استفاده می شده است.

تنها قرن‌ها بعد بود که مردم استفاده از اثر انگشت و سایر شاخص‌ها را به عنوان ابزاری برای شناسایی از سر گرفتند.

اولین افرادی که در دنیای مدرن از بیومتریک استفاده کردند افسران پلیس بودند. تا اواسط دهه 1800، افسران مجری قانون مجبور بودند از چشم و حافظه برای شناسایی مجرمان دستگیر شده قبلی استفاده کنند. یک عکس از یک شخص کار را آسان تر می کند، اما نمی تواند به عنوان دلیلی بر گناه باشد.

در دهه 1920، FBI اولین دپارتمان شناسایی را افتتاح کرد و یک مخزن مرکزی از داده های شناسایی مجرمان برای سازمان های مجری قانون ایالات متحده ایجاد کرد. در دهه 1980، دولت ایالات متحده از ایجاد سیستم‌های شناسایی خودکار اثر انگشت حمایت کرد که مرکز پلیس و سایر سازمان‌های مجری قانون در سراسر جهان شد.

مانند اثر انگشت، عنبیه چشم با افزایش سن بدون تغییر باقی می ماند. استفاده از آن در بیومتریک امکان استفاده از شناسایی بدون تماس را فراهم می کند.

یک نوع بیومتریک به همان اندازه ضروری، تشخیص چهره است. در ابتدا از این فناوری برای اطمینان از ایمنی در مکان های شلوغ استفاده می شد.

در مراکز خرید، این به جلوگیری از جرم و خشونت کمک می کند. فرودگاه ها در حال بهبود راحتی و ایمنی هستند. سازندگان دستگاه ها از فناوری تشخیص چهره برای ارائه سطح جدیدی از امنیت بیومتریک به کاربران استفاده می کنند.

دشوارتر از اسکن اثر انگشت، صورت یا عنبیه، فقط شناسایی اثر صوتی است. اجزای منحصر به فرد، جایگزینی صدا را تقریبا غیرممکن می کند. تاریخچه داده های بیومتریک صوتی خیلی دور شروع می شود. اولین روش های شناسایی بلادرنگ در اواخر دهه 1990 ظاهر شد.

1665

مارچلو مالفیگی کشف خود را در مورد منحصر به فرد بودن اثر انگشت منتشر می کند.

1858

ویلیام هرشل، کارمند دولت هند، اثر انگشت هر کارمند را در پشت قراردادهای کاری آنها ثبت می کند. به این ترتیب، هرشل کارمندان را از سایر افرادی که ممکن است ادعا کنند در روز حقوق کارمند هستند متمایز می کند.

1870

وکیل فرانسوی Alphonse Bertillonage در حال توسعه سیستم Bertillonage است - روشی برای شناسایی مجرمان با استفاده از داده های آنتروپومتریک. این روش بر اساس گزارش های دقیق از اندازه گیری های بدن، توضیحات فیزیکی و عکس ها است. این سیستم به مدت 30 سال در سراسر جهان مورد استفاده قرار گرفت تا اینکه پلیس متوجه شد که برخی از افراد می توانند پارامترهای مشابهی داشته باشند.

1880

هنری فاولدز، جراح اسکاتلندی، مقاله ای در مورد مفید بودن اثر انگشت برای شناسایی منتشر می کند.

1892

افسر پلیس آرژانتین خوان ووچنیچ شروع به جمع آوری و فهرست نویسی اثر انگشت می کند. و همچنین از چاپ برای اثبات گناه نهایی فرانسیسکا روجاس در قتل همسایه اش استفاده می کند. افسر پلیس تشخیص می دهد که اثر او مشابه یک رد خون جزئی در صحنه جرم است.

در همان سال، فرانسیس گالتون مطالعه مفصلی در مورد اثر انگشت نوشت و در آن یک سیستم طبقه بندی جدید ارائه کرد.

1896

بازرس کل پلیس بنگال، ادوارد هنری، علاقه مند به سیستم گالتون، یک چمدان از عکس های اثر انگشت جمع آوری می کند و طبقه بندی گالتون را بهبود می بخشد. هنری الگوهای انگشت را به پنج الگوی اصلی تقسیم می‌کند: کمان‌های ساده و پیچیده، حلقه‌ها به سمت انگشت شست یا انگشت کوچک و چرخش.

ایده اصلی هنری این است که الگوها را با فرمول های عددی رمزگذاری کند. گونه ها با حروف A، T، R، U، W و زیرگونه ها با اعداد تعیین می شدند. روش هنری پیشرو سیستم طبقه بندی بود که FBI و سایر سازمان های مجری قانون برای سال ها از آن استفاده می کردند.

1903

سیستم برتیلون "از بین می رود". دو مرد که بعدها مشخص شد دوقلو هستند، به کار اجباری در ایالات متحده محکوم شدند. مشخص شده است که اندازه گیری های Bertillonage تقریباً یکسانی دارند. اما این داستان بعداً مورد مناقشه قرار گرفت زیرا از آن برای اثبات ناقص بودن برتیلوناژ استفاده شد.

1936

فرانک برچ، چشم پزشک، استفاده از عنبیه چشم را برای تشخیص شخصیت پیشنهاد کرد.

1960

پروفسور سوئدی گونار فانت مدلی را منتشر می کند که اجزای فیزیولوژیکی تولید گفتار آکوستیک را توصیف می کند. نتایج بر اساس تجزیه و تحلیل اشعه ایکس از افرادی است که صداهای خاصی تولید می کنند.

1964

وودرو بلدسو، هلن چان ولف و چارلز بیسون فناوری اولیه را به عنوان بخشی از تحقیقات جمعی خود در زمینه تشخیص الگو توسعه دادند. با این حال، Bledsoe این مطالعه را ترک می کند که توسط پیتر هارت در موسسه تحقیقاتی استنفورد ادامه دارد.

1965

Woodrow Bledsoe در حال توسعه اولین سیستم تشخیص چهره نیمه خودکار بر اساس قرارداد دولت ایالات متحده است.

هوانوردی آمریکای شمالی اولین سیستم تشخیص امضا را توسعه داد.

1968

یک کامپیوتر به طور مداوم در شناسایی چهره انسان از پایگاه داده ای متشکل از دو هزار عکس از انسان ها بهتر عمل می کند.

1969

FBI شروع به توسعه سیستمی برای خودکارسازی فرآیند شناسایی اثر انگشت می کند که به یک اولویت تبدیل می شود و اکثر منابع انسانی را اشغال می کند.

FBI قراردادی را با موسسه ملی استاندارد و فناوری (NIST) امضا می کند تا فرآیند خودکارسازی شناسایی اثر انگشت انسان را مطالعه کند. NIST دو مشکل اصلی را شناسایی می‌کند: اولی اسکن اثر انگشت و شناسایی ویژگی‌های متمایز، دومی مقایسه و تضاد ویژگی‌ها است.

1970

مولفه های رفتاری گفتار مدل شده است. دکتر جوزف پورکل مدل اصلی توسعه یافته در سال 1960 را توسعه می دهد. او شامل زبان و فک خود است. این مدل درک دقیق تری از اجزای رفتاری و بیولوژیکی پیچیده گفتار ارائه می دهد.

1971

محققان گلدشتاین، هارمون و لسک مقاله ای به نام «شناسایی چهره انسان» منتشر کردند که از 22 نشانگر نسبی مانند رنگ مو و ضخامت لب برای تشخیص خودکار چهره ها استفاده می کند. این مطالعه مبنایی برای مطالعه بیشتر در مورد شناسایی چهره مبتنی بر رایانه بود.

1974

اولین دستگاه های تجاری بیومتریک تشخیص کف دست ظاهر شد. این سیستم ها برای سه هدف اصلی پیاده سازی می شوند: کنترل دسترسی فیزیکی، ثبت زمان و ردیابی حضور و غیاب، و شناسایی افراد.

1975

FBI بودجه توسعه حسگرهایی را برای اسکن الگوهای اثر انگشت برای کاهش هزینه ذخیره‌سازی اطلاعات دیجیتال پرداخت می‌کند. سنسورهای اولیه از روش‌های خازنی برای جمع‌آوری ویژگی‌های اثر انگشت استفاده می‌کنند.

در طول دهه‌های آینده، NIST بر توسعه روش‌های خودکار برای دیجیتالی کردن اثر انگشت و فشرده‌سازی تصویر، طبقه‌بندی، استخراج ویژگی‌ها و تطبیق ویژگی‌ها تمرکز دارد. تحقیقات NIST منجر به M40 شد، اولین الگوریتم تطبیق اثر انگشت کامپیوتری که توسط FBI استفاده شد.

1976

سازنده قطعات الکتریکی ایالات متحده Texas Instruments در حال توسعه یک نمونه اولیه تشخیص گفتار است که توسط نیروی هوایی ایالات متحده و شرکت غیرانتفاعی Mitre Corporation در حال آزمایش است. دومی در طراحی، تحقیق و توسعه سیستم ها و همچنین پشتیبانی از فناوری اطلاعات برای دولت ایالات متحده مشغول است.

1977

Veripen حق ثبت اختراع "دستگاه شناسایی شخصی" را دریافت کرده است که ویژگی های پویای امضای یک شخص را نشان می دهد. توسعه این سیستم منجر به آزمایش تأیید خودکار دست‌نویس شد که توسط شرکت Mitre برای بخش سیستم‌های الکترونیک نیروی هوایی ایالات متحده انجام شد.

1984

ارتش ایالات متحده شروع به استفاده از تشخیص کف دست در بانکداری کرده است.

1985

چشم پزشکان لئوناردو فلوم و آران سفیر معتقدند که هیچ دو عنبیه شبیه هم نیستند.

1986

NIST و موسسه استانداردهای ملی آمریکا (ANSI) در حال ایجاد استاندارد تبادل داده الگوی اثر انگشت ANSI/NBS-I CST 1-1986 هستند. این اولین نسخه از استانداردهای موجود است که اکنون توسط سازمان های مجری قانون در سراسر جهان استفاده می شود.

فلوم و سفیر یک حق اختراع برای استفاده از عنبیه برای شناسایی دریافت می کنند. فلوم با درخواستی برای ایجاد الگوریتمی برای شناسایی شخص از طریق عنبیه به دکتر جان داگمن نزدیک می شود.

1987

NIST در حال تشکیل گروهی برای مطالعه و توسعه استفاده از تکنیک های پردازش گفتار است.

1988

بخش لیک وود بخش کلانتر شهرستان لس آنجلس از اولین سیستم تشخیص چهره نیمه خودکار در برابر پایگاه داده ای از کپی های دیجیتالی استفاده می کند.

در همان سال، کربی و سیروویچ تحلیل مؤلفه‌های اصلی - روش‌های استاندارد جبر خطی - را برای مسئله تشخیص چهره به کار گرفتند. این فناوری Eigenface نام دارد.

1991

متیو ترک و الکس پنتلند دریافتند که خطای باقیمانده Eigenface را می توان برای یافتن لبه ها در تصاویر استفاده کرد. در نتیجه این کشف، تشخیص خودکار قابل اعتماد چهره در زمان واقعی امکان پذیر شد.

1992

NSA کنسرسیوم بیومتریک را ایجاد می کند و اولین جلسه خود را در اکتبر 1992 برگزار می کند. در ابتدا، مشارکت در کنسرسیوم به سازمان های دولتی محدود می شود. با این حال، سازمان به زودی عضویت خود را گسترش داد تا جوامع خصوصی و دانشگاهی را در بر گیرد و گروه های کاری متعددی را برای آغاز و گسترش تلاش ها در زمینه آزمایش، توسعه استانداردها، قابلیت همکاری و همکاری دولتی ایجاد کرد.

از آغاز کار بیومتریک در اوایل دهه 2000، گروه های کاری در سازمان های دیگر مانند INCITS، ISO و شورای ملی علم و فناوری ایالات متحده ادغام شدند تا فعالیت های خود را گسترش دهند و تسریع بخشند. کنسرسیوم تبدیل به یک انجمن برای گفتگو بین دولت، صنعت و دانشگاه می شود.

1993

آژانس پروژه های تحقیقاتی پیشرفته دفاعی و دفتر برنامه توسعه دفاعی برنامه فناوری تشخیص چهره (FERET) را تامین مالی می کنند. هدف از این انگیزه توسعه الگوریتم‌ها و فناوری‌های تشخیص چهره است.

1994

مسابقه سیستم شناسایی خودکار اثرانگشت یکپارچه (IAFIS) سه مشکل اصلی را بررسی می‌کند: دریافت اثر انگشت دیجیتال، استخراج ویژگی شیار محلی، و تطبیق ویژگی شیار. لاکهید مارتین برنده مسابقه ایجاد IAFIS برای FBI شد.

اولین سیستم خودکار شناسایی اثر انگشت (AFIS) که برای پشتیبانی از چاپ اثر انگشت طراحی شده است، گمان می‌رود که توسط شرکت مجارستانی RECOWARE ساخته شده باشد. در سال 1997، فناوری شناسایی کف دست و اثر انگشت که در RECOderm تعبیه شده بود، توسط سیستم‌های اطلاعاتی لاکهید مارتین خریداری شد.

در همان سال، خدمات تسریع خدمات مسافرتی مهاجرت و طبیعت (INSPASS) بر اساس بیومتریک ایجاد شد. این به مسافران کمک کرد تا خطوط مهاجرت را در فرودگاه های منتخب در سراسر ایالات متحده دور بزنند تا اینکه در پایان سال 2004 از کار افتاد.

جان دانگمن اولین الگوریتم‌ها را برای شناسایی رایانه‌ای الگوهای عنبیه توسعه داده و ثبت اختراع می‌کند. این پتنت lriScan نام دارد. تاکنون، الگوریتم های داگمن اساس کاربردهای عمومی این فناوری بوده است.

1995

آژانس دفاع هسته ای و iriScan پروژه مشترکی را ایجاد کردند که منجر به اولین محصول تجاری تشخیص عنبیه شد.

1996

المپیک آتلانتا سیستم های دسترسی به کف دست را برای کنترل و ایمن کردن دسترسی فیزیکی به دهکده المپیک پیاده سازی می کند. این سیستم اطلاعاتی را در میان داده های بیش از 65 هزار نفر پیدا می کند. بیش از یک میلیون تراکنش طی 28 روز پردازش شد.

با بودجه NSA، NIST یک ارزیابی سالانه NIST Speaker Recognition Assessment را برای پیشرفت بیشتر جامعه تشخیص بلندگو راه اندازی می کند.

1997

IAFIS کار خود را آغاز می کند. در طول توسعه این سیستم، دانشمندان مسائل مربوط به تبادل اطلاعات بین سیستم‌های خودمختار را در نظر گرفتند و همچنین اجرای یک سیستم ملی برای شناسایی اثر انگشت را مورد مطالعه قرار دادند. IAFIS برای بررسی سوابق جنایی افراد و شناسایی آثار پنهان یافت شده در صحنه جرم استفاده می شود.

کریستوف فون در مالسبورگ و تیمی از دانشجویان فارغ التحصیل از دانشگاه بوخوم در آلمان سیستم ZN-Face را توسعه دادند که در آن زمان به دلیل توانایی آن در تشخیص چهره در عکس های با کیفیت پایین، قابل اعتمادترین بود.

این فناوری توسط آزمایشگاه تحقیقاتی ارتش ایالات متحده تامین مالی شده است. با این حال، فرودگاه های بین المللی بزرگ، بانک ها و سازمان های دولتی از آن استفاده کردند.

با پشتیبانی NSA، اولین استاندارد تجاری رایج بیومتریک، Human Authentication API (HA-API)، منتشر شد. هدف این پروژه تسهیل یکپارچگی و تضمین قابلیت تعویض و استقلال تامین کنندگان است. این یک پیشرفت بزرگ برای ارائه دهندگان فناوری بیومتریک بود که با یکدیگر همکاری می کردند.

1998

FBI یک پایگاه داده DNA پزشکی قانونی به نام Combined DNA Index System (CODIS) راه اندازی می کند. این سیستم ذخیره دیجیتال و بازیابی نشانگرهای DNA را برای سازمان های مجری قانون فراهم می کند.

1999

گروه مشاوره فنی سازمان بین‌المللی هوانوردی غیرنظامی (ICAO) در زمینه اسناد مسافرتی قابل خواندن با ماشین (TAG یا MRTD) تحقیقاتی را در مورد سازگاری اسناد مسافرتی بیومتریک و قابل خواندن با ماشین آغاز کرده است. اهداف این مطالعه ایجاد استانداردهای بین المللی برای انتقال داده های چند سرویسی است.

سال 2000

چندین آژانس دولتی ایالات متحده از تست فروشنده تشخیص چهره (FRVT) حمایت می کنند. آزمایشات توسط NIST انجام می شود. این اولین ارزیابی باز و در مقیاس بزرگ از چندین سیستم بیومتریک تجاری موجود بود.

ارزیابی‌های اضافی در سال‌های 2003 و 2006 انجام شد. هدف این پروژه ارائه اطلاعات لازم به مجریان قانون و دولت ایالات متحده برای تعیین بهترین راه ها برای به کارگیری فناوری تشخیص چهره بود.

دانشمندان اولین مقاله تحقیقاتی را منتشر کردند که در آن استفاده از الگوهای کشتی برای تشخیص افراد توضیح داده شد. این مقاله اولین فناوری تجاری را توصیف می کند که از تصویر رگ های خونی دست انسان برای شناسایی استفاده می کند.

در همان سال، دانشگاه ویرجینیای غربی و FBI یک برنامه لیسانس در سیستم های بیومتریک معرفی کردند.

ژانویه 2001

تشخیص چهره در Super Bowl در تامپا فلوریدا برای شناسایی افراد تحت تعقیب در استادیوم نصب شده است. سیستم آنها را پیدا نکرد، اما به اشتباه یک دوجین طرفدار بی گناه را شناسایی کرد. نگرانی رسانه ها از نقض حریم خصوصی افراد هنگام استفاده از بیومتریک است.

11 سپتامبر 2001

مجموعه ای از حملات تروریستی که توسط سازمان تروریستی القاعده انجام شد، علاقه علمی به این فناوری را تجدید کرد. این امر عمدتاً بر سیستم‌های حمل‌ونقل و بدنه‌هایی تأثیر می‌گذارد که حرکت بین‌المللی مردم را تضمین می‌کنند، به‌عنوان مثال، خدمات گمرکی و مهاجرت.

شناسایی شخصی هنگام بررسی اسناد کافی نبود، در حالی که شاخص های بیومتریک تشخیص دقیق افراد را تضمین می کند.

نوامبر 2001

یک کمیته فنی M1 برای تسریع در توسعه استانداردهای استفاده از بیومتریک در ایالات متحده و در کمیسیون های استاندارد بین المللی ایجاد می شود.

2002

سازمان بین المللی استاندارد (ISO) و کمیسیون بین المللی الکتروتکنیکی (IEC) کمیته فرعی ISO/IEC JTC1 را برای حمایت از استانداردسازی فناوری های بیومتریک ایجاد کرده اند. کمیته فرعی استانداردهایی را برای امکان ادغام و تبادل داده بین برنامه ها و سیستم های مستقل ایجاد می کند.

2003

سازمان بین المللی هوانوردی غیرنظامی (ایکائو) در حال اتخاذ یک طرح هماهنگ جهانی برای ادغام اطلاعات شناسایی بیومتریک در گذرنامه ها و سایر اسناد قابل خواندن با ماشین (MRDO) است. تشخیص چهره به عنوان یک مدل بیومتریک قابل همکاری جهانی برای تأیید هویت رایانه ای انتخاب شده است.

در همان سال، کمیسیون اروپا از ایجاد انجمن بیومتریک اروپا حمایت کرد. هدف این پروژه این است که اتحادیه اروپا را با حذف موانع تصمیم‌گیری و پراکندگی در بازار به یک رهبر جهانی در بیومتریک تبدیل کند. انجمن همچنین به عنوان یک نیروی محرکه برای هماهنگی، حمایت و تقویت مقامات ملی عمل می کند.

2004

وزارت دفاع ایالات متحده در حال پیاده سازی سیستم شناسایی بیومتریک خودکار (ABIS) است. این برای بهبود توانایی دولت ایالات متحده برای ردیابی و شناسایی تهدیدات امنیت ملی اجرا می شود.

سال 2005

حق ثبت اختراع ایالات متحده در مورد مفهوم تشخیص عنبیه منقضی می شود. این فرصت های بازاریابی را برای شرکت هایی باز می کند که الگوریتم های تشخیص عنبیه خود را توسعه داده اند.

2010

NSA از داده های بیومتریک برای شناسایی تروریست ها استفاده می کند. این شامل استفاده از اثر انگشت از مکان‌های مرتبط با حملات 11 سپتامبر می‌شود.

2011

دولت پاناما با همکاری جانت ناپولیتانو، وزیر امنیت داخلی ایالات متحده، برنامه آزمایشی پلت فرم تشخیص چهره FaceFirst را برای کاهش فعالیت های غیرقانونی در فرودگاه توکومن پاناما آغاز کرده است.

این مرکز به عنوان مرکز قاچاق مواد مخدر و جرایم سازمان یافته شناخته می شود. در نتیجه، این سیستم به دستگیری چندین مظنون اینترپل کمک کرد.

شناسایی چهره به طور فزاینده ای برای اهداف پزشکی قانونی توسط نیروهای مجری قانون و پرسنل نظامی استفاده می شود. این اغلب موثرترین راه برای شناسایی اجساد مرده است.

تشخیص چهره و فناوری DNA برای تایید هویت اسامه بن لادن - بنیانگذار سازمان تروریستی القاعده - پس از کشته شدن او در یک حمله آمریکایی استفاده شد.

سال 2013

اپل در حال معرفی تشخیص اثر انگشت Touch ID در گوشی های هوشمند جدید است.

2016

سامسونگ در حال ارائه دستگاهی با اسکنر عنبیه چشم است تا سطح امنیت دسترسی به دستگاه را افزایش دهد.

مسترکارت، ویزا و سایر موسسات مالی شامل احراز هویت بیومتریک پرداخت هستند.

2017

تجارت خرده فروشی به طور فعال فناوری های تشخیص چهره را معرفی می کند. و در حال تبدیل شدن به سریعترین بخش در حال رشد در استفاده از این فناوری است.

علاوه بر این، اپل آیفون X را با فناوری تشخیص چهره Face ID معرفی می کند.

اکنون