Índice
El siguiente artículo forma parte de un trabajo en grupo realizado para la asignatura Seguridad en Sistemas Operativos de la facultad de Ingeniería Informática de Granada (ETSIIT). Los componentes del grupo fueron @MPV_Prod , @_musicalnote y @ElBaulP. Este artículo es autoría de @_musicalnote.
Índice
- Biometría aplicada a la seguridad - Introducción
- Biometría aplicada a la seguridad - Reconocimiento de patrones
- Biometría aplicada a la seguridad - Sistemas biométricos
Reconocimiento de patrones
Se ha hablado de las distintas técnicas que existen para realizar la identificación de un individuo, ahora se profundizará en el como se consigue reconocer una cara, un iris, una firma etc, mediante el reconocimiento de patrones.
Qué es el reconocimiento de patrones
Es la ciencia encargada de la descripción y clasificación de objetos, personas, señales, representaciones etc. El reconocimiento de patrones tiene varios campos de aplicación, sin embargo el más relacionado con la seguridad es sin duda el reconocimiento biométrico de personas. En este campo se trata de asignar una identidad a una persona, o verificar que es quién dice ser, midiendo ciertas características propias. Características como la voz, cara, manos, huellas dactilares, iris, firma etc.
El problema del reconocimiento de patrones
A los humanos se nos da terriblemente bien reconocer algunos patrones, nuestro cerebro tiene unos algoritmos que aún desconocemos muchísimo más rápidos que cualquier computador para reconocer una cara,o la voz, por ejemplo.
Aproximaciones al reconocimiento de patrones
Hay varios tipos de aproximaciones, aunque se suelen combinar entre sí para dar lugar a sistemas híbridos. Todas ellas tienen en común dos fases:
- Fase de train o aprendizaje
- Fase de clasificación o test.
En primer lugar, para realizar un sistema de reconocimiento de patrones que nos permita identificar a un individuo por alguna característica propia debemos disponer de un buen volumen de datos de dicha característica, haciendo así más grande la probabilidad de crear un modelo más certero. Ahora bien, fuente fácil de problemas es no tener en cuenta si dichos datos están o no exentos de variabilidad (ruido introducido por el sensor, cambios de escala, deformaciones, rotaciones…) por lo que antes de entrenar el sistema y testearlo, es importarte limpiar esos datos o tomar alguna decisión con respecto a los datos afectados (no utilizarlos para entrenar el clasificador, por ejemplo). Finalmente tras haber entrenado al sistema,se procede a testearlo, pasándole otro conjunto de datos que representen las características a analizar,evaluando así la capacidad del reconocedor de acertar en sus decisiones.
Extacción de características
En un reconocedor, es muy importante tener en cuenta la extracción de características (parametrización) a realizar sobre la entrada, esto es, decidir qué vectores de características usar. Por ejemplo, en imágenes se puede usar el mapa de bits. Es indudable que el hecho de parametrizar nos facilita en cierta medida el problema, ya que mediante ella conseguimos disminuir el número de datos a procesar y transformamos el espacio de características, siendo más fácil discriminar en él(ver qué muestras sirven y cuales no).
Problema: determinar los vectores de características más adecuados no es una tarea trivial.
Separabilidad entre clases
Si queremos minimizar el error en nuestro sistema biométrico, debemos procurar que la clasificación de los datos sea lo más certera posible, y para eso debemos seleccionar el clasificador que nos resulte más adecuado a nuestros datos(clasificadores distintos, resultados distintos), eligiendo bien el criterio mediante el cual clasificar.
En la Figura se puede apreciar como las dos clases son perfectamente separables cuando se usan las dos componentes del vector (2 dimensiones), pero si reducimos a una dimensión se solapan ambas clases,resultando imposible separarlas.
Es fácil mostrarlo en una imágen cuando tenemos pocas clases, como es este caso, que tenemos sólo dos. Pero cuando tenemos muchas el problema se complica. ¿Cómo sabemos si nuestro clasificador lo está haciendo bien o no? ¿cómo sabemos si una característica es discriminativa? En este caso se procede a calcular la media discriminativa de la característica, a partir de la distancia media entre clases y normalizando por la varianza.
Introducción a la detección de intrusos
Aplicando técnicas biométricas en sistemas de detención de intrusos nos permite reforzar la seguridad del sistema, por ejemplo, durante la autentificación, ya que podríamos establecer un perfil de cada usuario con más detalle, sin tener que preocuparnos de ciertos problemas como por ejemplo de que estos dejen su contraseña a la vista,la compartan se la roben…evitando así una posibilidad de ataque que afecte al rendimiento de un IDS.
Como es evidente, el empleo de biometría no hará imposible que se produzcan ataques en el sistema, pero al menos permitirá identificar a cada usuario previamente, mediante los mecanismos de autentificación/validación, por lo que cualquier mal uso/ataque provocado por un usuario y detectado por un IDS apuntarán a un usuario determinado.
Esto está todavía mejorándose, pero ya se habla de que en un futuro se podrían desarrollar técnicas avanzadas de biometría, como por ejemplo, reconocimiento mediante ADN.
Índice
- Biometría aplicada a la seguiridad - Introducción
- Biometría aplicada a la seguiridad - Reconocimiento de patrones
- Biometría aplicada a la seguiridad - Sistemas biométricos
Referencias
- M. Tapiador Mateos and J. A. Sigüenza Pizarro, Tecnologías biométricas aplicadas a la seguridad
- C. H. Chen and C. H. Chen, Handbook of Pattern Recognition and Computer Vision 4th edition
- Wikipedia, “Biometría, según wikipedia.”
- G. Argentina, “Historia de la biometría.”
¿Has visto algún error?: Por favor, ayúdame a corregirlo contactando conmigo o comentando abajo.