СОВЕРШЕНСТВОВАНИЕ ДВУХФАКТОРНОЙ АУТЕНТИФИКАЦИИ ДЛЯ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ ОБЛАЧНЫХ МЕДИЦИНСКИХ СИСТЕМ: ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ МЕТОДОВ ГЛУБОКОГО ОБУЧЕНИЯ: ENHANCING TWO-FACTOR AUTHENTICATION FOR CLOUD HEALTHCARE SECURITY: THE ROLE OF DEEP LEARNING
В современном цифровом мире безопасная аутентифика-ция пользователей приобретает особую значимость, особенно в облачных сре-дах, таких как системы здравоохранения, финансовые сервисы и корпоративные платформы. Поскольку традиционные системы аутентификации, основанные на паролях, становятся всё более уязвимыми для взлома, всё более широкое рас-пространение получает двухфакторная аутентификация (2FA). Биометрические методы, такие как распознавание лиц, позволяют повысить уровень безопасно-сти, однако большинство существующих решений основаны на вычислительно сложных моделях и требуют больших объёмов данных, что ограничивает их применение в лёгких или облачных средах. В связи с этим данное исследова-ние направлено на решение задачи разработки эффективной и гибкой системы двухфакторной аутентификации, объединяющей распознавание лица и проверку одноразового пароля (OTP), которая может эффективно функционировать при ограниченных объёмах данных и вычислительных ресурсов. Основная цель ис-следования заключается в разработке практической архитектуры системы 2FA на основе методов глубокого обучения, которая будет простой в обучении, раз-вёртывании и интеграции в современные веб-инфраструктуры. Для реализации предложенного подхода используется небольшой набор изображений лиц для обучения специально разработанной сверточной нейронной сети (CNN) с при-менением функции потерь triplet loss. Модель формирует эмбеддинги и исполь-зует метрику cosine similarity для различения подлинных пользователей и лож-ных входов. Система аутентификации реализована на основе FastAPI и включает веб-интерфейс для загрузки изображений и проверки одноразовых паролей. В процессе обучения обеспечивается возможность наблюдения за показателями loss и accuracy в режиме реального времени. Результаты исследования показыва-ют, что предложенная модель способна эффективно обобщать данные, используя всего 5-10 обучающих примеров, при этом сохраняя высокий уровень точности верификации. Разработанная архитектура является лёгкой, готовой к использо-ванию в облачных средах и может применяться в реальных защищённых при-ложениях. В дальнейшем планируется расширение функциональности системы, включая поддержку большего числа пользователей, использование камер для ввода данных и интеграцию с облачными провайдерами идентификации.
Сведения
- Опубликовано
- 2026 · Т. 7, № 3(27), С. 122-140
- Язык
- Русский
- ISSN
- 2708-2032 · 2708-2040
- Издатель
- International Information Technology University
- Аффилиации
- Международный университет информационных технологий, Алматы, Казахстан.