企業セキュリティのための AI 生体認証

生体認証技術は、市場に登場した最新の AI イノベーションのおかげで、特に 2021 年には長年にわたって業界の重要なトレンドとなっています。 IBM によると、侵害の 20% は資格情報の侵害によって発生しています。さらに悪いことに、データ侵害を特定して対応するには平均 287 日かかります。

AI ベースのセキュリティの使用は増加しており、どの業界でも競争力を維持するために必要となっています。 IBM の報告によると、2021 年時点で 25% の企業が AI ベースのセキュリティ導入を完了しており、さらに 40% の企業が部分的に導入しています。残りの 35% はまだこのプロセスを開始しておらず、あなたの会社が 3 番目のカテゴリに該当する場合、顧客を危険なデータ侵害の大きなリスクにさらしてしまう可能性があります。 2021 年までに、AI ベースのセキュリティへの投資により、企業は最大 381 万ドルを節約できると予想されています。

AI を使用してデータ侵害を特定し、自動的に対応できることは、企業とその顧客のデータとプライバシーを保護するために重要です。 AI 生体認証は、データ侵害に対する新たな保護手段を提供するため、あらゆる規模の企業にとって重要です。それだけでなく、IBM の調査によると、AI セキュリティ プラットフォームを正しく使用すると、長期的には企業のコストが削減されることがわかっています。ビジネスに適したソリューションを開発するには、セキュリティ分野の専門家を理解し、相談することが重要です。

2021 年には、これまで以上に高度な生体認証、検証、識別技術が実現し、効率性とアクセシビリティを維持しながら、産業システムをより安全にすることができます。生体認証の仕組みと、AI 生体認証などの最も重要な新しいトレンドについてお話ししましょう。

生体認証技術の概要

一見すると、生体認証はセキュリティを維持しながら携帯電話に素早くアクセスする方法にすぎないように思えるかもしれませんが、その利便性以外にも多くの利点があります。本質的に、生体認証セキュリティ技術の目標は、簡単に複製できない体の部分を使用してセキュリティを向上させることです。機械学習や量子コンピューティングではパスワードを推測できるかもしれませんが、指紋、顔、虹彩などの生体認証情報を特定したりシミュレートしたりするのはそれほど簡単ではありません。

Statistaによると、生体認証市場は2027年までに554億2000万ドルに達すると予想されています。

2017年から2027年までの10年間で、世界の本人確認市場の支出は、2017年の49億3,000万ドルから2027年には180億ドル以上に増加し、130億ドル以上増加すると予想されています。本人確認は認証の重要な側面です。情報セキュリティは、正当な権限を持つユーザーのみが情報にアクセスできるようにすることで、保護された情報への有害または悪意のある侵入を防ぐためです。

生体認証の種類

生体認証は、識別、検証、認証の 3 つの領域に分けられます。識別は、システムがユーザーが誰であるかを知りたい場合に使用されます。検証とは、生体認証情報を使用して、それがユーザーに関連付けられた他の情報と一致しているかどうかを判断することです。最終的に、認証の目的は、ユーザーが本人であるかどうか、また、要求したサービスやデータにアクセスする権限を持っているかどうかを理解することです。

たとえば、生体認証は、顔のデータベースに基づいてユーザーの身元を判断するために使用できます。法執行機関の顔認識データベースはこの技術を効果的に使用しており、防犯カメラの証拠映像を人間よりも正確に調査できます。認証は、ユーザーとデータベースに保存されているユーザーに関する情報が一致することを確認するのに役立ちます。認証はおそらく 3 つの中で最も重要であり、許可されたユーザーが機密情報にアクセスできるようにしながら、許可されていない人物のアクセスを制限します。

次の表は、各生体認証技術のさまざまな特性を示しています。

生体認証セキュリティ アプローチを検討している企業が覚えておくべき最も重要なことは、生体認証の 1 つの形式のみ (つまり、単一モード) に依存することが必ずしも賢明ではないということです。対照的に、複数の生体認証を使用するマルチモーダルアプローチははるかに安全です。

顔認識技術

顔認識市場は2020年に38億ドルに達すると推定されています。この市場は今後数年間で成長し、2025年までに85億ドルに達すると予想されています。

顔認識を使用した生体認証は長年にわたり重要なセキュリティ機能であり、何百万台もの iPhone や Android スマートフォンで利用可能となっている。拡張現実と機械学習の進歩により、コンピューターによる顔認識の支援に重点が置かれるようになり、顔認識技術は 2021 年にこれまで以上に洗練されつつあります。

今年、識別と認証のための顔認識技術が向上した理由の一つは、パンデミックによってもたらされた必要性によるものだ。マスクなどの顔を覆うものの使用が増えるにつれて、個人の身元を照合するデータポイントが減るため、顔認識はより困難になっています。しかし、現在では多くの顔認識ソリューションがフェイスマスクなどの障害物を考慮できるようになりました。これは消費者の利便性を高めるだけでなく、犯罪者を特定しようとする法執行機関にも役立ちます。対象者の顔をデータベースと照合することで、マスクを着用していても対象者を識別できます。

3D カメラは 2D カメラよりも人の顔に関する多くの情報を取得できるため、顔認識は生体認証技術としてもより安全になっています。以前は、コンピューターは、誰かの顔の写真、あるいは似た顔の写真で簡単に騙されていました。しかし、機械学習は、ハッカーが顔認識ベースのセキュリティを悪用するのを防ぐために誤差の範囲を狭めるのに役立ち、現在ではさまざまななりすまし防止方法が存在しています。

音声認識技術

世界の音声認識市場規模は、2020年の107億米ドルから2026年には271.6億米ドルに成長すると予想されています。

言語処理を目的とした音声認識バイオメトリクスは、ハンズフリー通信を大幅に強化します。ただし、音声認識には認識という別の目的があります。 Google Home のようなスマートホーム デバイスのエコシステムは、音声認識を使用して、家庭内のさまざまなメンバーを区別するようにトレーニングできます。これにより、カレンダーや通知など、その個人に関連する情報を表示できます。

音声認識は、本人確認や認証にも応用できます。声に基づいて人物を識別し、アクセスを検証できれば、多くの時間を節約できますが、現在では、声は他の生体認証方法ほど安全ではないという段階に達しています。ディープラーニングアルゴリズムにより、音声合成と呼ばれる技術を使用してコンピューターで音声をリアルに模倣することが可能になります。ディープフェイク音声は、2019年に英国のエネルギー会社に25万ドルの損害を与えた詐欺キャンペーンを含め、成功した詐欺キャンペーンで使用されてきた。

機械学習が進歩するにつれて、音声合成は時間とともによりリアルなものになるでしょう。技術が向上して正当な音声と偽造音声をより正確に識別できるようになるまでは、音声認識バイオメトリクスは、セキュリティ以外のアプリケーション、特に本人確認に適しています。これは、スマート ホームなどの消費者ベースのシステムや、発言者の名前を識別できる会議記録の自動書き起こしなどのエンタープライズ ソリューションで役立ちます。

虹彩スキャン技術

この形式の生体認証技術は、SF 小説によく登場します。非接触である点では顔認識に似ていますが、特定の顔の特徴、つまり目だけに焦点を当てています。これの利点の 1 つは、考慮すべき複雑さが少なくなることです。高度な顔認識システムは必要ありません。代わりに、システムは虹彩の特徴を認識するだけで済みます。虹彩をスキャンするために必ずしも目に近づく必要もありません。カーネギーメロン大学でのテストでは、40フィート離れたところから虹彩をスキャンできる技術が実証された。

この技術の利点の 1 つは、赤外線センサーを使用して虹彩を分析するため、暗い場所でも目のスキャンを実行できることです。

法執行機関がこの技術を使って容疑者を特定するというのは、間違いなく真っ先に思い浮かぶことの一つです。ただし、これは消費者向けアプリケーションと企業向けアプリケーションの両方にとって便利な認証および検証方法でもあります。サムスンのGalaxy S9とNote 9スマートフォンはどちらも虹彩スキャン技術を搭載しており、この生体認証方法がポータブルデバイスで使用できる可能性があることを示唆している。これは消費者にとってだけでなく、企業レベルのデバイス セキュリティにとっても価値があります。

単一の承認済みユーザーの生体認証データと比較すると、虹彩スキャナーはユーザーをほぼ瞬時に認証できます。数十万の対象者を含む大規模なデータベースに対してユーザーを識別または認証する場合、認証には 20 秒未満で十分です。

指紋認証技術

指紋は何千年もの間、識別のために使用されてきました。これらは特に法医学技術に役立ちますが、最近では消費者向けおよび企業向けのセキュリティ ソリューションにも使用されています。 2003年、富士通F505iは指紋センサーを搭載した初の携帯電話を開発しました。その後、Apple iPhone の Touch ID や Android スマートフォンのさまざまなスキャナーによって普及しました。

指紋認証技術は他の生体認証方法と同じように機能します。個人の指の溝や谷を、事前に承認された画像またはそのような画像のデータベースと比較することで、個人を識別、検証、および/または認証することができます。これは、ユーザーエクスペリエンスを中断することなく、非常に迅速に実行できます。

ただし、指紋スキャンの欠点の 1 つは、通常は非接触ではないことです。登録するには、ユーザーはセンサーに指を押し付ける必要があります。特にSARS-CoV-2ウイルスが世界的に蔓延しているため、健康上の懸念から、場合によってはこれが推奨されないことがあります。ただし、非接触方式で指紋または手全体をスキャンすることは可能です。 LG G8 ThinQ スマートフォンは、Time of Flight (ToF) センサーと赤外線カメラを使用して、ユーザーが手を表面に押し付けることなく、ユーザーの手の血管を検出します。

指紋認識のもう一つの欠点は、障害のある人が使用できない可能性があることです。この制限があるため、アクセシビリティを維持するために複数の形式の生体認証に投資することが賢明な場合があります。

AIが生体認証システムを改善する方法

セキュリティに関して言えば、生体認証システムの精度と効率性の向上は、必ずしも手動プログラミングによって達成されるわけではありません。人工知能と機械学習は、システムのセキュリティと効率性を向上させるのに役立ちます。

生体認証は、身体的領域と行動的領域の 2 つの領域に分けられます。

身体的な生体認証

物理的な生体認証には、この記事ですでに説明したすべてのものが含まれます。これらは、顔や指紋、DNA など、個人の客観的な特徴です。これを AI システムが分析し、本人確認のためにデータベースと比較できるデータに変換する必要があります。

人工知能と機械学習が最も有用であることが証明されたユースケースの 1 つは、顔認識です。人工知能は拡張現実ソリューションで広く使用されており、顔の特徴を分析してデータベースと照合することで、コンピューターが顔認識をより簡単に実行できるように支援します。

行動バイオメトリクス

AI によって可能になった最も興味深いトレンドの 1 つは、行動バイオメトリクスです。これは、対象が世界とどのように相互作用するかという独自の行動特性を利用しますが、ユーザーは自分が行っていることにさえ気づいていない可能性があります。これはディープフェイク詐欺の試みに対する最も効果的な防御策の 1 つです。行動バイオメトリクスを測定するための一般的な方法には、次のようなものがあります。

• マウスの活動
• キーストローク
• タッチスクリーンの印刷サイズ、面積、圧力
• モバイルデバイスのアクション

マドリード自治大学の生体認証およびデータパターン分析研究所は、行動生体認証を使用したロボット検出システムである BeCAPTCHA を開発しました。行動バイオメトリクスは、ユーザーに知られることなく、また長年CAPTCHAチャレンジが行ってきたようなユーザーの人間性を試す煩わしいテストなしに、完全に使用できます。今後数年のうちに、ユーザーはインターネットを閲覧する際に、自分が「ロボットではない」ことを証明するために横断歩道や信号機の写真をクリックする必要がなくなるかもしれません。

重要なのは、行動バイオメトリクスがセッション全体のセキュリティを確保するのに役立つことです。たとえば、ユーザーが認証した後に部屋を離れると、誤って権限のないユーザーが自分のコンピュータにアクセスできるようになるため、重大なセキュリティ リスクが生じる可能性があります。ただし、行動バイオメトリクスは、2 番目のユーザーの一貫性のない行動を検出し、そのアクセスを動的に制限することができます。

マルチモーダル生体認証ソリューションの仕組み

生体認証技術の各形式には、それぞれ独自の長所と短所があります。 それらのどれも普遍的に効果的ではありません。 生体認証技術の精度と有効性を向上させるには、マルチモーダル生体認証ソリューションを使用してセキュリティを階層化することが重要です。 これは次の画像で確認できます。

モバイル アプリ上のニューラル ネットワークの開発と実装は難しい場合があります。 TensorFlow Lite を使用してニューラル ネットワークをアプリケーションに統合することは可能ですが、さまざまな制限があります。 ニューラル ネットワーク モデルをトレーニングするには、TensorFlow ライブラリを使用すると便利です。 これらの要件を考慮して、事前にアプリケーションを慎重に設計する必要があります。

ローカル アプリケーションが利用できない場合は、このプロセスをクラウドにオフロードして、Rest API のようにデータを処理できます。 ただし、これにより追加のネットワーク リソースが消費され、インターネット接続が必要になります。

システムの導入を簡素化する Nvidia Docker があり、AWS などのサービス プロバイダーは中断のない通信チャネル、ニューラル ネットワークの計算能力、システムを拡張するための便利なインターフェイスを提供できます。

テスト#1: 顔認識

ユーザーはカメラを使用して写真のインプリントを作成し、デバイスに保存します。 この生体認証プリントは、OpenCV ライブラリを使用して変換および正規化されます。

写真を使用して顔を認識し、OpenCV によって検出された 64 個のランドマークすべてを強調表示します。 生体認証マーカーには、鼻梁から目までの距離や顔のその他の特徴が含まれます。

これらのランドマークと顔の切り抜き画像は、TensorFlow ライブラリを使用してトレーニングされたディープ ニューラル ネットワークに入力されます。

ニューラルネットワーク処理が完了すると、eDNA 特徴ベクトルが形成されます。特徴ベクトルは、特定の人物の生体認証特性を収集します。ベクトルの長さは通常 2048 ビットですが、実際のベクトルの長さは DNN アーキテクチャによって異なります。

検証プロセス中に、eDNA がリリースされ、以前に形成されたアンカー レコードと比較されます。ベクトルにアクセスできないため、リバースエンジニアリングは不可能です。生体認証システムは、個人の外見の変化に合わせてこのアンカー レコードを定期的に更新します。

テスト#2: 音声認証

ユーザーはマイクを通じて音声サンプルを提供し、それが Librosa ライブラリによって処理されます。ライブラリはオーディオを読み取り、変換して、生体認証情報をニューラル ネットワーク (DNN) に送ります。

音色、イントネーション、リズム、ピッチなどの生体認証機能や、ニューラル ネットワークが応答するようにトレーニングされたその他の機能を考慮した eDNA 機能ベクトル (2048 ビット) が形成されました。

ケーススタディ: AI ベースの生体認証ソリューション

マイクロサービスベースのアーキテクチャ、WebRTC、機械学習駆動型生体認証を組み合わせて、米国企業向けにシングルサインオン (SSO) 生体認証ソリューションを開発しました。音声および顔認識技術を活用して、前述の技術とトレンドを使用する Enterprise Verification as a Service (EVaaS) ソリューションを開発しました。

この製品は、生体認証システムが高度にカスタマイズ可能で使いやすく、舞台裏で非常にシンプルなユーザー インターフェイスを実現できることを証明しています。 さらに、サンプルは API を介して既存のシステムと統合できます。

生体認証ソリューション開発

システムを保護するのは簡単な作業ではありません。 保護された健康情報や機関データなどの機密情報がオンラインにある場合、データ侵害を防ぐために必要な手順を踏むことが非常に重要です。 この情報に関する高いレベルのセキュリティを維持できない場合、企業に数千万ドル、場合によっては数億ドルもの損害を与える可能性のある詐欺行為につながる可能性があります。