Modelos de Machine Learning para la mejora de la precisión, seguridad y eficiencia en la gestión de datos biométricos

Abstract

La gestión de acceso es un problema cada vez más recurrente para los usuarios, dado que normalmente no es sencillo recordar varias contraseñas para accesos a diferentes sistemas, especialmente para aquellos con altos niveles de seguridad. Para resolver este problema se utilizan ampliamente los sistemas biométricos. A pesar de su importancia, estos sistemas aún presentan desafíos en cuanto a precisión, seguridad y eficiencia: precisión para disminuir las tasas de falsos positivos y falsos negativos; seguridad de datos biométricos, referido a la protección ante ataques tanto a nivel de captura, transmisión como almacenamiento de las plantillas recogidas durante los procesos de enrolamiento, identificación y verificación;  eficiencia en el proceso de identificación (búsqueda 1 a n), dado que las bases de datos biométricas pueden ser enormes. Por lo antes expuesto, en este trabajo, se propondrá en primer lugar, para tratar el problema de la precisión utilizando modelos basados en técnicas de ML para el reconocimiento biométrico. En segundo lugar, se analizará el diseño de una plataforma segura para la captura, transmisión y almacenamiento de información, para lo cual se desarrollarán enfoques basados en métodos de detección/identificación de ataques mediante ML y/o sistemas recomendadores. Por último, dado que las comparaciones entre plantillas no son triviales (como es el caso de datos alfanuméricos), es importante encontrar formas que reduzcan el espacio de búsqueda o métodos de indexación de dominio específicos, se analizarán métodos de indexación que permitan reducir los espacios de búsquedas en el proceso de identificación.