نظام التعرف على أوردة الأصابع لتأمين البيانات في البلوكشين

الباحث

زينب جليل طاهر

المشرف

عبير طارق مولود - اياد حازم ابراهيم

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم علوم الحاسوب / علوم الحاسوب

الشهادة

ماجستير

السنة

2024

لغة الرسالة

انكليزي

الكلمات المفتاحية

Finger vein recognition;Blockchain;Biometric security;Data protection

يلعب نظام التعرف على أوردة الأصابع دورًا GA ge مجالات متعددة، بما في ذلك الأمن والمصادقة والتعرف الشخصي. تتكون المكونات الرئيسية لنظام التعرف على أوردة الأصابع من الكشف واستخراج الميزات والتعرف. باستخدام قاعدة بيانات ALLE يمكن لهذه الوحدات التعرف على أنماط الأوردة في الأصابع وخصائصها الفريدة، مما يضمن دقة التعرف. تطوّر هذه الأطروحة نظامًا للتعرف على أوردة الأصابع باستخدام الشبكات العصبية الالتفافية (CNNs) لمطابقة أنماط الأوردة بدقة تحت ظروف مختلفة. ويستخدم نموذجين: نموذج تعلم الآلة مع خوارزميات بايز النايفء الجيران الأقربء وأشجار القرار، ونموذج التعلم العميق باستخدام الشبكات العصبية الالتفافية المحسنة بتحليل التمييز الخطي Jats (LDA). النهج العميق استخدام الشبكات العصبية القياسية لتقييم الأداء. يتم تشفير البيانات الشخصية:؛ بما في ذلك المعلومات الحساسة؛ باستخدام خوارزميات 31055و 904 ]وتخزينها بشكل آمن على 5|001 أكدت التجارب أن الجمع بين التعلم العميق والشبكات العصبية الالتفافية يوفر حلا قويّا للأمان البيومتري عبر التعرف على أوردة الأصابع. أظهر نموذج التعلم العميق القائم على الشبكات العصبية الالتفافية أداءً متفوقًا مقارنة بنماذج تعلم الآلة. حقق النموذج القياسي للشبكات العصبية الالتفافية دقة استثنائية بلغت 9 ملفي المقابل، أظهرت نماذج تعلم الآلة دقة أقل: بايز النايف %0.98، الجيران الأقرب 00.87؟9، وأشجار القرار 900.58. يبرز هذا التفاوت في الأداء هيمنة التعلم العميق في هذا المجال، خاصة مع تقسيم البيانات بنسبة ¢70:30 ومعدل تعلم 0.001، و10 فترات تدريبية. يضمن استخدام خوار زميات التشفير 3DES و8504 ULI عاليًا للبيانات الشخصية المخزنة على البلوكشين.

Finger vein recognition plays a vital role in various fields, including security, authentication, and personal identification. The main components of the Finger vein recognition system are detection, feature extraction, and recognition. Using a comprehensive database, these units recognize finger vein patterns and their unique characteristics, ensuring accurate identification. This thesis develops a finger vein recognition system using convolutional neural networks (CNNs) to match vein patterns accurately under different conditions. It employs two models: a machine learning model with Naive Bayes, K- Nearest Neighbors, and Decision Trees, and a deep learning model using CNNs enhanced by Linear Discriminant Analysis. The deep learning approach incorporates standard CNNs for performance evaluation. Personal data, including sensitive information, is encrypted with 3DES and RC4 algorithms and stored securely on the blockchain. Experiments confirm that deep learning combined with CNNs offers a strong biometric security solution through finger vein recognition. The CNN-based deep learning model demonstrated superior performance compared to the machine learning models. The standard CNN model achieved an exceptional accuracy of 99.99%. In contrast, the ML models showed lower accuracies: Naive Bayes at 0.98%, K-Nearest Neighbors at 0.87%, and Decision Trees at 0.58%. This performance disparity underscores deep learning's dominance in this field, especially with a 70:30 data split, a learning rate of 0.001, and 10 epochs. The utilization of 3DES and RC4 encryption algorithms ensures high security for the stored personal data in blockchain.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب