GIẢI PHÁP XÁC THỰC NGƯỜI HỌC BẰNG PHƯƠNG PHÁP ĐA YẾU TỐ SINH TRẮC HỌC

Nguyễn Quốc Trung, Nguyễn Võ Phi Long, Lê Đức Long, Nguyễn Đình Thúc

Tóm tắt


Học tập trực tuyến, đặc biệt là các hệ kiểm tra đánh giá người học từ xa phải đối mặt với các vấn đề xác thực người học. Hiện tại, phương pháp xác thực người học trên các hệ thống này chủ yếu dựa trên cách tiếp cận là tài khoản-mật khẩu (username-password), một phương pháp phổ biến, dễ dùng. Nhưng để đảm bảo an toàn, người dùng cần sử dụng mật khẩu mạnh và phức tạp, các mật khẩu này thường rất khó nhớ. Bên cạnh đó, một số hệ thống học tập trực tuyến đã triển khai việc xác thực người học bằng các phương pháp sinh trắc học, theo đó người học có thể đăng nhập mà không cần mật khẩu. Tuy nhiên, việc chỉ sử dụng trực tiếp một yếu tố sinh trắc lại gặp phải nhiều vấn đề, nhất là tính ổn định của thông tin sinh trắc. Bài báo này đề xuất một giải pháp xác thực đa yếu tố sử dụng sinh trắc học khuôn mặt và giọng nói. Đề xuất đã được thử nghiệm trên tập dữ liệu VoxCeleb1, mang lại hiệu quả vượt trội với độ chính xác là 99,1%, so với 95,62% khi chỉ sử dụng khuôn mặt và 98.66% khi chỉ sử dụng giọng nói.

 


Từ khóa


xác thực; sinh trắc học; đa yếu tố sinh trắc học; đơn yếu tố sinh trắc học; xác thực người học; hệ thống học tập trực tuyến

Toàn văn:

PDF

Trích dẫn


Asha, S., & Chellappan, C. (2008). Authentication of e-learners using multimodal biometric technology. In 2008 International Symposium on Biometrics and Security Technologies (pp. 1-6). Islamabad, Pakistan. https://doi.org/10.1109/ISBAST.2008.4547640

Dinca, L. M., & Hancke, G. P. (2017). The Fall of One, the Rise of Many: A Survey on Multi-Biometric Fusion Methods. IEEE Access, 5, 6247-6289. https://doi.org/10.1109/ACCESS.2017.2694050

Drozdowski, P., Rathgeb, C., Mokroß, B. -A., & Busch, C. (2020). Multi-Biometric Identification With Cascading Database Filtering. IEEE Transactions on Biometrics, Behavior, and Identity Science, 2(3), 210-222. https://doi.org/10.1109/TBIOM.2020.2977215

Jung, J., Kim, S., Shim, H., Kim, J., & Yu, H. (2020). Improved RawNet with Feature Map Scaling for Text-independent Speaker Verification using Raw Waveforms. arXiv Preprint. https://doi.org/10.48550/arXiv.2004.00526

Gavrilova, M. L., & Monwar, M. M. (2011). Current Trends in Multimodal Biometric System—Rank Level Fusion. In P. S. P. Wang (Ed.), Pattern Recognition, Machine Intelligence and Biometrics. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-22407-2_25

Gad, R., El-Fishawy, N., El-Sayed, A., & Zorkany, M. (2015). Multi-Biometric Systems: A State of the Art Survey and Research Directions. International Journal of Advanced Computer Science and Applications (IJACSA), 6(6), 128-138.

Meng, Q., Zhao, S., Huang, Z., & Zhou, F. (2021). MagFace: A Universal Representation for Face Recognition and Quality Assessment. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 14225-14234). https://doi.org/10.48550/arXiv.2103.06627

Sabhanayagam, T., Venkatesan, V. P., & Senthamaraikannan, K. (2018). A Comprehensive Survey on Various Biometric Systems. International Journal of Applied Engineering Research, 13(5), 2276-2297.

Sharma, S. (2014). An Improved Iris Recognition System Based on 2-D DCT and Hamming Distance Technique. ICRTEDC-2014, GV/ICRTEDC/08, 1(2), 32-34.

Shon, S., Oh, T. -H., & Glass, J. (2019). Noise-tolerant Audio-visual Online Person Verification Using an Attention-based Neural Network Fusion. In ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 3995-3999). Brighton, UK. https://doi.org/10.1109/ICASSP.2019.8683477

Siddiqui, A. M. N., Telgad, R., & Deshmukh, P. D. (2014). Multimodal Biometric Systems: Study to Improve Accuracy and Performance. International Journal of Current Engineering and Technology, 4(1), 165-171.

Stefanidi, A., Topnikov, A., Tupitsin, G., & Priorov, A. (2020). Application of Convolutional Neural Networks for Multimodal Identification Task. In 2020 26th Conference of Open Innovations Association (FRUCT) (pp. 423-428). Yaroslavl, Russia. https://doi.org/10.23919/FRUCT48808.2020.9087458

Qian, Y., Chen, Z., & Wang, S. (2021). Audio-Visual Deep Neural Network for Robust Person Verification. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 29, 1079-1092. https://doi.org/10.1109/TASLP.2021.3057230




DOI: https://doi.org/10.54607/hcmue.js.20.10.3729(2023)

Tình trạng

  • Danh sách trống