В статье рассмотрена задача построения системы контроля и управления доступом (СКУД), способной принимать обоснованные решения не только на основе биометрического шаблона, но и с учетом контекста: уровня прав сотрудника, зоны доступа, временного режима и истории аутентификации. Предложена архитектура комплексной интеллектуальной системы, объединяющей нейросетевой и логический уровни искусственного интеллекта. Биометрическая идентификация реализована с помощью сверточной нейронной сети ResNet18, адаптированной для grayscale-изображений вен ладони и обученной на датасете из 834 субъектов (8 340 снимков) с использованием триплетного метрического обучения и классификационной головы; достигнута точность Top-1 Accuracy = 87,47 %, Top-5 = 96,58 %, Top-10 = 98,14 %, ROC-AUC = = 0,9985 и EER = 1,64 % при среднем уровне уверенности правильных совпадений 0,908. Степень уверенности нейронной сети совместно с пятью контекстными параметрами передается в миварную экспертную систему (МЭС), реализованную в среде КЭСМИ Wi!Mi Разуматор. МЭС содержит три независимых отношения с общими входными параметрами, формирующих решение о доступе, уровень тревоги и оценку надежности биометрии. Общие входы порождают перекрестные дуги в двудольном графе решения, что отражает многоаспектность принятия решений в комплексном искусственном интеллекте. Разработан алгоритм принятия решений из 32 правил, распределенных по пяти группам приоритета. Проведено тестирование МЭС на трех репрезентативных сценариях, демонстрирующих три различные топологии графа решения – от вырожденной до полной двудольной. Результаты подтверждают корректность миварного логического вывода и масштабируемость базы знаний без изменения нейросетевого модуля. Практическая значимость полученных результатов состоит в возможности построения аудируемых биометрических СКУД, сочетающих точность глубокого обучения и прозрачность логического вывода миварных баз знаний.
The paper addresses the task of designing an access control system (ACS) capable of making informed decisions not only on the basis of a biometric template but also taking into account the context: employee access level, zone of access, time-of-day policy and authentication history. An architecture of a complex intelligent system combining neural-network and logical levels of artificial intelligence is proposed. Biometric identification is implemented using a ResNet18 convolutional neural network adapted for grayscale palm-vein images and trained on a dataset of 834 subjects (8,340 images) using triplet metric learning with a classification head; Top-1 accuracy of 87.47 %, Top-5 of 96.58 %, Top-10 of 98.14 %, ROC-AUC of 0.9985 and EER of 1.64 % are achieved with an average confidence of correct matches equal to 0.908. The neural-network confidence together with five contextual parameters is passed to a mivar expert system (MES) implemented in the KESMI Wi!Mi Razumator environment. The MES contains three independent relations with shared inputs that produce an access decision, an alert level and a biometric reliability estimate. Shared inputs induce cross-edges in the bipartite solution graph, reflecting the multi-aspect nature of decision making in complex AI. A decision algorithm of 32 rules grouped into five priority tiers is developed. Testing on three representative scenarios demonstrates three distinct topologies of the solution graph – from a degenerate case to a full bipartite one. The results confirm the correctness of mivar logical inference and the scalability of the knowledge base without any change to the neural-network module.
The authors declare that there are no conflicts of interest present.