Almacenamiento en la Nube Inteligente Usando Reconocimiento Facial

Resumen - La seguridad de los datos y la confirmación de identidad son elementos críticos en la sociedad digital moderna, dado el rápido impacto que la computación en la nube ha tenido en el almacenamiento de datos. El acceso no autorizado a datos puede causar graves violaciones de privacidad y afectar negativamente a las empresas, a menudo provocando la pérdida o alteración de información sensible de los clientes. Este artículo de investigación presenta un avanzado sistema de Almacenamiento en la Nube Inteligente con un sistema de Autenticación de Dos Factores (2FA) altamente efectivo basado en un pipeline de reconocimiento facial. Esto se logra mediante la utilización de un esquema inteligente de detección de respaldo basado en múltiples backend, con el primer nivel de detección teniendo un nivel de respaldo que prioriza el sistema de detección RetinaFace, proporcionando una mayor fiabilidad a lo largo de esta fase del proceso de autenticación. Dependiendo de los conjuntos de características biométricas que se estén utilizando, tanto FaceNet como GhostFaceNet utilizan métricas de distancia específicas para la validación de características que garantizan altos niveles de precisión y conciencia del contexto. Todas las características mencionadas se combinarán en una nueva arquitectura de conjunto de votación suave conocida como "Corta Una Vez, Inserta En Todas Partes", lo que permite tanto un aumento de la precisión como de la velocidad al procesar el pipeline completo de autenticación 2FA. Todo el proceso ha sido validado utilizando el conjunto de datos de Caras Etiquetadas en la Naturaleza (LFW), generando puntos de referencia de rendimiento para cada arquitectura y experimento realizado. Los hallazgos muestran que FaceNet tiene una precisión promedio de identificación del 98.85% en el momento pico de entrenamiento, mientras que SFace ha demostrado ser una de las arquitecturas más rápidas con una calificación de PPS de 21.36 fotogramas por segundo (FPS). Este enfoque proporciona un método efectivo para comparar rápidamente datos conocidos contra nuevos datos, mientras ofrece una precisión de verificación del 96.5% y teniendo bajas tasas de error del 3% durante las tareas de verificación de entrenamiento. Además, para proporcionar la transparencia operativa solicitada por el cliente, el sistema incluye un panel de diagnóstico visual que permite la depuración en tiempo real de fallos de autenticación, proporcionando cálculos de similitud estructural y calidad de inserción.