عنوان المقالة:تحسين التحكم في الوصول إلى الشبكة باستخدام إطار عمل المصادقة البيومترية متعدد الوسائط. Enhancing Network Access Control Using Multi-Modal Biometric Authentication Framework
Abdelnasser Saber Mohamed, Amr Ismail Hassan, Ahmed Salama
الملخص العربي
تقدم هذه الدراسة إطار عمل مبتكر متعدد الوسائط للمصادقة البيومترية يدمج تقنيات التعلم العميق (DL) مع مبادئ بنية الثقة الصفرية لتحسين التحكم في الوصول إلى الشبكة. يستخدم الإطار استراتيجية اندماج ثلاثية المستويات (مستوى الميزة، ومستوى النتيجة، ومستوى القرار) تتضمن طرق التعرف على الوجه وبصمات الأصابع وقزحية العين. تنفذ بنية النظام نهجًا متطورًا متعدد الطبقات باستخدام بنية الشبكة العصبية التلافيفية (CNN) القائمة على ResNet-50 للتعرف على الوجه، واستخراج التفاصيل الدقيقة القائمة على CNN لمعالجة بصمات الأصابع، وموجات جابور ثنائية الأبعاد مع استخراج الميزة القائمة على DL لتحليل القزحية. يُظهر التحقق التجريبي باستخدام مجموعات البيانات الراسخة، وهي Labeled Faces in the Wild (LFW)، وCelebA، وFVC2004، وNIST SD14، وCASIA Iris V4، وUBIRIS v2، أداءً استثنائيًا بدقة مصادقة 99.47%، ومعدل قبول خاطئ 0.02%، ومعدل رفض خاطئ 0.15%. أدى الإطار إلى انخفاض محاولات الوصول الاحتيالية بنسبة 68%. وحقق متوسط وقت مصادقة 235 مللي ثانية (SD = 28 مللي ثانية)، وهو ما يمثل تحسنًا بنسبة 45% عن الأنظمة التقليدية. أظهر تحليل كفاءة الموارد انخفاضًا كبيرًا في النفقات العامة للنظام: 32% في استخدام وحدة المعالجة المركزية، و28% في استهلاك الذاكرة، و45% في متطلبات عرض النطاق الترددي للشبكة. وأكد اختبار قابلية التوسع أداءً خطيًا يصل إلى 100000 طلب مصادقة متزامن. أكد الاختبار الإحصائي للدلالة من خلال اختبار t التحسينات المهمة التي حققها الإطار مقارنة بالحلول الحالية (قيمة p < 0.001). تؤسس هذه الدراسة نموذجًا فعالًا ...
الملخص الانجليزي
This study presents an innovative multi-modal biometric authentication framework that integrates Deep Learning (DL) techniques with zero-trust architecture principles for enhanced network access control. The framework employs a three-tier fusion strategy (feature-level, score-level, and decision-level) incorporating facial, fingerprint, and iris recognition modalities. The system architecture implements a sophisticated multi-layered approach utilizing the ResNet-50 based Convolutional Neural Network (CNN) architecture for facial recognition, CNN-based minutiae extraction for fingerprint processing, and 2D Gabor wavelets with DL-based feature extraction for iris analysis. The experimental validation using established datasets, namely Labeled Faces in the Wild (LFW), CelebA, FVC2004, NIST SD14, CASIA Iris V4, and UBIRIS v2, demonstrates exceptional performance with 99.47% authentication accuracy, 0.02% False Acceptance Rate (FAR), and 0.15% False Rejection Rate (FRR). The framework resulted in a 68% reduction in fraudulent access attempts. It achieved a mean authentication time of 235 ms (SD= 28 ms), representing a 45% improvement over traditional systems. The resource efficiency analysis showed significant reductions in system overhead: 32% in CPU utilization, 28% in memory consumption, and 45% in network bandwidth requirements. The scalability testing confirmed a linear performance scaling up to 100,000 concurrent authentication requests. The statistical test of significance through t-test confirmed the framework's significant improvements over existing solutions (p-value< 0.001). This study establishes an effective …
تاريخ النشر
01/02/2025
الناشر
Engineering, Technology & Applied Science Research
أ.د. أحمد سلامة | Prof. Dr. Ahmed Salama | 10807