Intelligente Cloud-Speicherung mithilfe von Gesichtserkennung

Zusammenfassung - Datensicherheit und Identitätsbestätigung sind kritische Elemente in der modernen digitalen Gesellschaft, aufgrund der schnell wachsenden Auswirkungen, die Cloud-Computing auf die Datenspeicherung hat. Ungenehmigter Datenzugriff kann schwere Datenschutzverletzungen verursachen und Unternehmen negativ beeinträchtigen - oft führt dies dazu, dass sensible Kundeninformationen verloren gehen oder verändert werden. Dieses Forschungspapier präsentiert ein fortschrittliches intelligentes Smart Cloud Storage-System mit einer äußerst effektiven Zwei-Faktor-Authentifizierung (2FA), die auf einer Pipeline zur Gesichtserkennung basiert. Dies wird erreicht, indem ein intelligentes Rückfallerkennungsschema basierend auf mehreren Backends verwendet wird, wobei die erste Erkennungsebene ein Rückfalleben hat, das das RetinaFace-Erkennungssystem priorisiert - was eine größere Zuverlässigkeit während dieser Phase des Authentifizierungsprozesses bietet. Je nach den verwendeten biometrischen Merkmalsätzen garantieren sowohl die spezifischen Distanzmetriken von FaceNet als auch von GhostFaceNet für die Merkmalsvalidierung hohe Genauigkeit und Kontextbewusstsein. Alle oben genannten Merkmale werden in einer neuen weichen Abstimmungs-Ensemble-Architektur kombiniert, die als "Crop Once, Embed Everywhere" bekannt ist, und somit sowohl die Genauigkeit als auch die Geschwindigkeit beim Verarbeiten des vollständigen 2FA-Authentifizierungsprozesses erhöht. Der gesamte Prozess wurde anhand des Labeled Faces in the Wild (LFW)-Datensatzes validiert, wobei Leistungsbenchmarks für jede durchgeführte Architektur und Experiment erstellt wurden. Die Ergebnisse zeigen, dass FaceNet eine durchschnittliche Identifikationsgenauigkeit von 98,85 % bei maximaler Trainingszeit erreicht hat, während SFace sich als eine der schnellsten Architekturen mit einer PPS-Bewertung von 21,36 Bildern pro Sekunde (FPS) erwiesen hat. Dieser Ansatz bietet eine effektive Methode, um bekannte Daten schnell mit neuen Daten zu vergleichen, während eine Verifizierungsgenauigkeit von 96,5 % und niedrige Fehlerraten von 3 % während der Verifikationsaufgaben im Training erreicht werden. Darüber hinaus enthält das System, um die vom Kunden geforderte betriebliche Transparenz zu gewährleisten, ein visuelles Diagnose-Dashboard, das eine Echtzeit-Debugging von Authentifizierungsfehlern ermöglicht, indem es Berechnungen zur strukturellen Ähnlichkeit und zur Einbettungsqualität bereitstellt.