تصور کنید دیگر نیازی به عکس گرفتن از کارت شناسایی و آپلود آن در اپلیکیشن‌های بانکی نباشد و یک سلفی ساده، تمام مدارک شما را تأیید کند. این رویای ساده، اکنون برای میلیون‌ها کاربر در فیلیپین به یک دستور قانونی تبدیل شده است.
طبق اعلام دولت فیلیپین، تمامی بانک‌ها، وام‌دهندگان دیجیتال و ارائه‌دهندگان کیف پول الکترونیکی باید تا ۱۶ اوت ۲۰۲۶، سامانه سرویس‌های احراز هویت شناسنامه ملی (NIDAS) را یکپارچه کنند. برای این اجرا، یک مهلت ۹۰ روزه برای شروع ادغام سیستم‌ها تعیین شده است تا عصر تکیه بر نویسه‌خوانی نوری (OCR) — که شبیه به اسکنری است که متن عکس را می‌خواند و به تایپ تبدیل می‌کند — به پایان برسد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت سیستم‌های شناسایی دیجیتال اشاره کردیم، جهان به سمت امضاهای بیومتریک به عنوان ریشه اصلی اعتماد حرکت می‌کند. برای توسعه‌دهندگان، این یعنی تبدیل فرآیند شناخت مشتری (KYC) از یک بررسی تصویر ایستا به یک عملیات ریاضی با دقت بالا.
به گزارش dev.to، سامانه NIDAS سلفی کاربران را با یک پایگاه داده متمرکز شامل بیش از ۹۰ میلیون رکورد مقایسه می‌کند. این پیاده‌سازی فنی بر سه رکن اصلی استوار است:
- تحلیل فاصله اقلیدسی (Euclidean Distance Analysis): سیستم روابط فضایی بین نقاط شاخص چهره را محاسبه می‌کند تا یک بردار معنایی (Embedding) — مثل یک کارت معرفی عددی که جایگاه هر چهره را در فضای ریاضی مشخص می‌کند — بسازد و بر اساس فاصله بین نقاط، نمره اطمینان را تعیین کند.
- تشخیص زنده بودن (Liveness Detection): برای جلوگیری از کلاهبرداری از طریق عکس‌های باکیفیت یا ویدیوهای جعل عمیق (Deepfake)، لایه‌های ضد-جعل الزامی است. در همین راستا، به‌کارگیری تحلیل‌های کینماتیک چهره توانسته است دقت تشخیص این نوع جعل‌ها را به ۹۵٪ برساند.
- موازنه FAR و FRR: توسعه‌دهندگان باید نرخ پذیرش نادرست (برای جلوگیری از کلاهبرداری) را در برابر نرخ رد نادرست (برای جلوگیری از مسدود شدن کاربران واقعی) تنظیم کنند.
یکپارچه‌سازی این سرویس‌ها در هسته‌های قدیمی بانکی طی ۹۰ روز، یک چالش عظیم برای تیم‌های DevOps ایجاد می‌کند. آن‌ها باید معماری‌های «اعتماد صفر» را برای مدیریت الگوهای بیومتریک پیاده کنند تا تغییرات ظاهری کاربر در طول زمان، منجر به خطای سیستم نشود. برای بهینه‌سازی این فرآیندها، استفاده از زنجیره‌های تشخیص سه‌لایه راهکاری موثر برای حذف هزینه‌های سرور در اتوماسیون‌های شناسایی است.
در حالی که دولت یک سیستم شناسایی یک-به-چند (1:N) می‌سازد، شرکت‌های خصوصی مانند CaraComp این ریاضیات را برای کارهای تحقیقاتی یک-به-یک (1:1) بهینه کرده‌اند. CaraComp ادعا می‌کند هزینه این تحلیل‌های دقیق را به یک-بیست و سومِ هزینه‌های ارائه‌دهندگان سازمانی کاهش داده است.
این دستورالعمل نشان‌دهنده ترندی است که در آن شواهد بیومتریک باید برای ارائه در دادگاه معتبر و قابل اتکا باشند. در واقع، دوران شناسایی مبتنی بر کاغذ در بخش مالی فیلیپین به پایان رسیده است.
با احتمال تکرار این مدل در مناطق دیگر، معیار صنعت از «تأیید سند» به «نمره اطمینان بیومتریک» تغییر می‌کند. چالش فعلی این است که این سیستم‌ها بدون به خطر انداختن امنیت ملی، مقرون‌به‌صرفه باقی بمانند.
گام بعدی شما
- بررسی نحوه مدیریت NIDAS در مورد تغییرات چهره بر اثر پیری و تغییرات نور محیط برای بهینه‌سازی خط لوله‌های احراز هویت.
- مطالعه استانداردهای جدید «اعتماد صفر» در مدیریت داده‌های بیومتریک حساس.
- تحلیل مدل‌های کاهش هزینه در تحلیل‌های بیومتریک مشابه رویکرد CaraComp.
اما تأثیر این متمرکزسازی داده‌ها بر حریم خصوصی کاربران حتی پیچیده‌تر است — به بررسی ما درباره‌ی مخاطرات پایگاه‌های داده متمرکز مراجعه کنید.
گفتگو