Autenticación biométrica facial segura en ciudades inteligentes utilizando metodología multimodal

Área de la Ciencia:

• Ciencias de la computación; Inteligencia artificial; Ciberseguridad

Sus antecedentes:

• La seguridad biométrica facial es fundamental en las ciudades inteligentes para proteger los datos de los ciudadanos y prevenir el acceso no autorizado.
• Los sistemas existentes se enfrentan a desafíos con los ataques de suplantación de identidad y la transmisión segura de datos.
• Necesidad de métodos de autenticación robustos que combinen la extracción de características y la seguridad criptográfica.

Objetivo del estudio:

• Proponer un modelo multimodal de aprendizaje profundo integrado con un marco criptográfico para mejorar la autenticación biométrica facial.
• Asegurar los datos faciales contra ataques de suplantación de identidad y garantizar la privacidad durante la transmisión en redes de ciudades inteligentes.
• Evaluar el rendimiento del modelo y compararlo con métodos tradicionales.

Principales métodos:

• Se utilizó un enfoque multimodal de aprendizaje profundo que combina la Red Neuronal Convolucional (CNN) para la extracción de características de bajo nivel y la Red Residual (ResNet-50) para la identificación de patrones semánticos de alto nivel.
• Se integró la criptografía ElGamal para proteger las características faciales extraídas y garantizar la privacidad de los datos.
• Se entrenó y evaluó el modelo en el conjunto de datos CelebA Faces.

Principales resultados:

• Se logró una precisión de predicción de mapeo facial del 97,1% con una baja pérdida de puntuación media de 0,04.
• Se demostró un rendimiento superior en comparación con los modelos tradicionales: 1,2% más de precisión que CNN, 2,2% más que ResNet-50 y 1,1% más que el algoritmo Brakerski-Gentry-Vaikuntanathan.
• Se manejaron eficazmente los ataques de suplantación de identidad y se aseguró la transmisión segura de datos.

Conclusiones:

• El enfoque multimodal fusionado propuesto mejora significativamente la seguridad biométrica facial en entornos de ciudades inteligentes.
• La combinación de CNN, ResNet-50 y criptografía ElGamal proporciona una solución robusta para prevenir el acceso no autorizado y garantizar la privacidad de los datos.
• El modelo es muy adecuado para aplicaciones futuristas de ciudades inteligentes que requieren funciones de seguridad avanzadas.