Método de generación de claves a partir de imágenes de huellas dactilares basado en un modelo de red neuronal convolucional profunda

Ibrahim Hashem, Mithak and Hasen Kuban, Kadhim (2023) Método de generación de claves a partir de imágenes de huellas dactilares basado en un modelo de red neuronal convolucional profunda. Nexo Revista Científica, 36 (06). pp. 906-925.

Text 906-925.pdf - Published Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (1276Kb)

Abstract

La biometría afecta nuestra vida. Las aplicaciones de seguridad emplean biometría. El cifrado biométrico está creciendo. El cifrado requiere la creación de una clave biométrica. Larga, aleatoria e inesperada es la clave. La investigación sobre seguridad de la información y la comunicación hace hincapié en las claves de cifrado largas y sólidas. El sistema propuesto utiliza la biometría de huellas dactilares para generar una clave de cifrado biométrico larga y aleatoria para el cifrado simétrico. El preprocesamiento eliminó el ruido de las imágenes de huellas dactilares del donante en el conjunto de datos. Luego, el programa entrena un modelo de red neuronal convolucional Tuned VGG-16 actualizable y lo prueba en imágenes de huellas dactilares para aprender las propiedades fundamentales de las huellas dactilares. El modelo CNN de red neuronal convolucional conserva los pesos finales para el segundo modelo para extraer las características de la clave de cifrado. El aprendizaje por transferencia construyó un segundo modelo de red neuronal convolucional para recuperar las características sin volver a aprender. Manteniendo la media del vector para el procesamiento. El último paso genera una clave de cifrado basada en el vector de características biométricas únicas de cada persona que se puede utilizar para algoritmos de cifrado simétrico para cifrar documentos personales en la PC personal o la nube personal. Nuestro método basado en CNN utiliza datos biométricos para reconocer personas y crear claves de cifrado seguras y confiables con una precisión de más del 99 % en las pruebas. Nuestro clasificador ANN profundo con una precisión del 98 % supera a los clasificadores de máquinas de vectores de soporte y bosques aleatorios.

Actions (login required)

View Item