ИНТЕГРАЦИЯ ПРОТОКОЛА IEEE 2410 В БИОМЕТРИЧЕСКИЕ СИСТЕМЫ

АННОТАЦИЯ

В статье рассмотрены теоретические и прикладные аспекты интеграции протокола IEEE 2410 (Biometric Open Protocol Standard, BOPS) в биометрические системы, основанные на концепции «частной биометрии» (private biometrics) и полностью гомоморфном шифровании (FHE). Проведён междисциплинарный анализ, включающий обзор структуры IEEE 2410 и оценку его совместимости с современными нормативными требованиями (GDPR, CCPA). Опираясь на экспериментальные результаты, демонстрирующие сохранение высокой точности (до 99%) при шифрованной обработке шаблонов, авторы обосновывают гипотезу о возможности значительного повышения уровня конфиденциальности биометрических данных без снижения производительности. Показано, что интеграция BOPS и «частной биометрии» способствует формированию надёжных решений, которые удовлетворяют требованиям по безопасности, помогают избежать утечек биометрических идентификаторов, а также упрощают процесс аудита и сертификации.

ABSTRACT

The paper deals with theoretical and applied aspects of IEEE 2410 (Biometric Open Protocol Standard, BOPS) integration into biometric systems based on the concept of private biometrics and fully homomorphic encryption (FHE). An interdisciplinary analysis including a review of the IEEE 2410 framework and an assessment of its compatibility with current regulatory requirements (GDPR, CCPA) is performed. Based on experimental results demonstrating the preservation of high accuracy (up to 99%) in encrypted template processing, the authors justify the hypothesis that it is possible to significantly improve the level of biometric data privacy without performance degradation. It is shown that the integration of BOPS and “private biometrics” contributes to the formation of robust solutions that satisfy security requirements, help avoid biometric identifier leaks, and simplify the auditing and certification process.

Ключевые слова: частная биометрия, протокол IEEE 2410, Biometric Open Protocol Standard (BOPS), гомоморфное шифрование, биометрическая аутентификация, GDPR, CCPA, безопасность данных.

Keywords: private biometrics, IEEE 2410 protocol, Biometric Open Protocol Standard (BOPS), homomorphic encryption, biometric authentication, GDPR, CCPA, data security.

ВВЕДЕНИЕ

Современные системы биометрической аутентификации становятся всё более востребованными на фоне стремительного роста числа онлайн-сервисов и перевода большинства процессов в цифровую среду. При этом биометрические данные (отпечатки пальцев, черты лица, радужная оболочка глаза и др.) рассматриваются как одна из самых надёжных форм идентификации, поскольку напрямую связаны с уникальными физиологическими характеристиками человека [1, 2]. Однако широкое распространение биометрии обнажает ряд острых проблем. Во-первых, в отличие от паролей, биометрические шаблоны невозможно «пересоздать» при их компрометации, что приводит к существенным рискам, связанным с утечками биометрических данных [3]. Во-вторых, во многих юрисдикциях биометрическая информация отнесена к особо защищаемой категории персональных данных; несоблюдение норм международного законодательства, такого как Общий регламент по защите данных (General Data Protection Regulation, GDPR) и Закон о защите конфиденциальности потребителей Калифорнии (California Consumer Privacy Act, CCPA), а также местного законодательства, может повлечь за собой тяжёлые правовые последствия для компаний и государственных структур [4].

Одним из перспективных решений этих проблем является использование инновационных протоколов и стандартов, позволяющих хранить и обрабатывать биометрические сведения в зашифрованном виде. В частности, обновлённая версия Biometric Open Protocol Standard (BOPS) — IEEE 2410 — предлагает унифицированный подход, гарантирующий безопасность данных «и в покое (at rest), и в движении (in transit)», а также предусматривающий упрощённую схему Application Programming Interface (API) без явного управления ключами [5]. Концепция «частной биометрии» (private biometrics), активно обсуждаемая в научных кругах и описанная в ряде источников [6], подразумевает применение гомоморфного шифрования и особых «односторонних» шифровальных функций для уменьшения риска утечки биометрических шаблонов. Всё это делает задачу интеграции протокола IEEE 2410 в биометрические системы особенно значимой и актуальной.

В научной литературе тема биометрической аутентификации и конфиденциальности личных данных уже на протяжении многих лет занимает центральное место [1, 7]. Ранние исследования (конец 1990-х — начало 2000-х) фокусировались на точности и быстродействии распознавания, тогда как вопрос защищённости данных зачастую оставался за рамками [8]. Ситуация начала меняться по мере появления первых громких утечек биометрических баз; сообщество осознало, что необходимы более строгие механизмы защиты [Bowyer K.W. [9]]. Параллельно с этим шло развитие международных законодательных норм (GDPR, CCPA), требующих от организаций доказывать, что они обеспечивают безопасное хранение и обработку всех типов биометрических идентификаторов [10].

Последние работы, описывающие протокол IEEE 2410 (BOPS), подчёркивают важность принципа «прозрачности и унификации» при разработке биометрических API: серверная и клиентская компоненты должны иметь общий механизм взаимодействия, а контроль безопасности — непрерывно отслеживаться с помощью встроенных средств аудита [4,5]. Наибольшую сложность представляет достижение полной «приватности» биометрических шаблонов, чтобы исключить восстановление исходных изображений, даже если злоумышленник завладеет зашифрованными данными. В ряде статей [3, 6] приводятся исследования по гомоморфному шифрованию, позволяющему проводить операции распознавания «в зашифрованном пространстве» без расшифрования исходного шаблона. Тем не менее, как показывают упомянутые источники, многие существующие решения пока слабо стандартизированы, что затрудняет масштабное внедрение «частной биометрии» в действующие системы. Несмотря на растущее количество публикаций в области биометрической криптографии и наличие стандарта IEEE 2410, остаётся недоста́ток комплексных исследований, показывающих практический процесс интеграции этого протокола в реальные биометрические системы. Многие работы сосредоточены на отдельных аспектах — например, на точности или на алгоритмах хеширования шаблонов — но не описывают полноценно межсистемную взаимодействие, а также вопросы, касающиеся гомоморфного шифрования и адаптации к требованиям GDPR/CCPA. Таким образом, не до конца проработаны:

1. Прикладные схемы внедрения IEEE 2410 с учётом сервисных и клиентских модулей;
2. Методы «невидимого» сравнения биометрических данных (особенно в сценарии «1:many») при сохранении полной приватности;
3. Конкретные показатели эффективности и соответствие бизнес-практикам (производительность, себестоимость решений, юзабилити).

Настоящая работа направлена на то, чтобы восполнить указанные пробелы и представить научно-обоснованную концепцию интеграции протокола IEEE 2410 в биометрические системы. В частности, в фокусе исследования находится описание механизмов «частной биометрии» (private biometrics), основанных на гомоморфном шифровании, а также анализ соответствия требованиям мировых стандартов конфиденциальности. Предполагается показать, каким образом реализовать полноценное хранение, передачу и обработку биометрических шаблонов без опасности утечки данных и при этом сохранить высокую точность и скорость распознавания.

Новизна исследования заключается в комплексном подходе к исследованию интеграции протокола IEEE 2410:

• Предлагается детальное описание структуры системы, включающее серверную часть (BOPS Server) и модуль клиентской биометрической аутентификации;
• Анализируются конкретные схемы гомоморфного шифрования применительно к набору биометрических данных разного типа (лицо, отпечатки пальцев);
• Проводится оценка эффективности (скорость, точность, затраты вычислительных ресурсов) в контексте реальных бизнес-кейсов и требований нормативных актов (GDPR, CCPA).

Данное исследование встраивается в современную повестку по частной биометрии, расширяя понимание того, как комплексно применять новые криптографические методы в индустриальных условиях.

В работе выдвигается гипотеза о том, что использование протокола IEEE 2410 в сочетании с гомоморфными методами шифрования позволит значительно повысить уровень приватности биометрической аутентификации и обеспечить устойчивое соответствие требованиям законодательств о защите данных без ухудшения ключевых метрик (точность, скорость). Кроме того, предполагается, что такая интеграция упростит процесс аудита и сертификации систем, так как стандарт BOPS (IEEE 2410) уже учитывает контроль и логирование на уровне API.

МАТЕРИАЛЫ И МЕТОДЫ

Стандарт IEEE 2410, также известный как BOPS, был разработан для обеспечения единого подхода к безопасной аутентификации, авторизации и аудитным процедурам в области биометрических систем [4, 5]. Его главная цель — предоставить гибкую и универсальную модель, позволяющую:

1. Интегрировать разные типы биометрии (лица, отпечатки пальцев, радужки глаза и т.д.) без необходимости кардинальной перестройки инфраструктуры.
2. Обеспечивать конфиденциальность за счёт единых механизмов шифрования и стандартизированных API для передачи данных.
3. Создать многоуровневую систему контроля доступа: от начальной регистрации (enrollment) пользователя до последующей верификации (1:1) или идентификации (1:many).
4. Вести учёт и аудит всех операций, связанных с биометрическими шаблонами, что является критически важным условием при сертификации и соблюдении регулятивных норм.

Архитектура BOPS обычно включает несколько основных компонентов: клиентское ПО, которое взаимодействует с устройствами захвата биометрических данных; BOPS Server, обрабатывающий полученные запросы и ведущий централизованный аудит; Intrusion Detection System (IDS), отслеживающую потенциальные нарушения безопасности [5]. При этом стандарт рекомендует использовать принцип «Plug-and-Cut», когда различные модули — от криптографических до интерфейсных — могут заменяться или обновляться без ущерба для целостности системы.

Согласно [4], протокол IEEE 2410 даёт возможность унифицировать ключевые аспекты: форматы данных, процессы взаимодействия (API, JSON/REST-запросы), а также расширить или кастомизировать систему за счёт «точек расширения» (Extension Points). Кроме того, существенным отличием является упрощённая модель управления ключами (Key Management): поскольку в концепцию включены механизмы одностороннего шифрования биометрического шаблона, снижаются риски, связанные с ключевыми инициализациями и хранением открытого биометрического образа.

При этом частная биометрия (Private Biometrics) — это технология, при которой биометрические данные преобразуются в гомоморфно зашифрованный вектор, не позволяющий восстановить исходное изображение (например, фотографии лица) ни на одном этапе обработки [6]. Иными словами, хранение и сравнение шаблонов происходит «в зашифрованном пространстве», а результат сопоставления (match/no match) также возвращается в зашифрованном виде. Это исключает непосредственную работу с открытым (plaintext) биометрическим шаблоном на уровне приложения и операционной системы.

В основе такой концепции лежит гомоморфное шифрование — класс криптографических методов, которые позволяют проводить арифметические операции над шифрованными данными, не расшифровывая их [11]. При классических подходах к биометрии (например, Apple FaceID, системы контроля доступа на предприятиях) шаблон на каком-то этапе должен находиться в расшифрованном виде, что открывает потенциальные уязвимости (перехват в оперативной памяти, компрометация временных файлов и пр.). В «частной биометрии» (private.id от Private Identity) используется «one-way» криптографический подход, который блокирует возможность обратного восстановления исходного изображения из зашифрованного вектора [6].

Кроме того, как отмечается в [4], гомоморфная модель существенно повышает безопасность и удовлетворяет строгим требованиям к хранению и передаче данных. Ряд работ [3] указывают, что полная гомоморфность может быть вычислительно сложной; однако современные реализации на базе сокращённого (leveled) гомоморфного шифрования и применения нейронных сетей для формирования компактного вектора (примерно 0,05% размера исходной фотографии) делают подход практически осуществимым для сценариев 1:1 и 1:many.

Также в связи с растущим числом законодательных актов в сфере персональных данных (GDPR в ЕС, CCPA в США, LGPD в Бразилии и др.), от операторов биометрических систем требуется прозрачное документирование методов сбора, хранения и обработки конфиденциальной информации [9, 10]. Протокол IEEE 2410 позволяет упростить соответствие этим нормам за счёт следующих инструментов:

1. Шифрование «at rest» и «in transit»: в BOPS предусмотрены механизмы, гарантирующие, что биометрические шаблоны никогда не хранятся и не пересылаются в нешифрованном виде.
2. Упрощённая анонимизация: поскольку в «частной биометрии» хранится не сам биометрический образ, а «невозвратимый» зашифрованный вектор, GDPR трактует эти данные как обезличенные, если отсутствует возможность восстановить исходное изображение [6].
3. Аудит и контроль доступа: встроенные средства журнала (logging) и IDS в BOPS позволяют фиксировать, кто, когда и в каком объёме получил доступ к биометрическим записям. Это критически важно, поскольку регуляторы часто требуют ведения «сквозных» логов действий над персональными данными.

Ниже представлена сравнительная Таблица 1, в которой кратко обобщены (а) классические способы обработки биометрических данных, (б) протокол IEEE 2410 (BOPS), а также (в) концепция «частной биометрии» с гомоморфным шифрованием. Отражены ключевые параметры, среди которых: шифрование на разных этапах, риск восстановления исходных данных, сложность интеграции и соответствие стандартам (GDPR/CCPA).

Таблица 1.

Сравнительный обзор подходов к хранению и обработке биометрических данных. (4-6)

Таким образом, представленный сравнительный анализ показывает, что классические биометрические системы, хотя и удовлетворяют базовым требованиям, нередко подразумевают риск компрометации биометрических шаблонов или возникают сложности при попытках доказать соответствие GDPR/CCPA. Напротив, интеграция протокола IEEE 2410 упрощает внедрение механизма аудита и повышает защиту на уровне транспортировки данных и API, однако для полного соответствия принципам «максимальной приватности» желательно использовать подходы «частной биометрии». Сочетание BOPS + Fully Homomorphic Encryption (FHE) позволяет обрабатывать биометрические шаблоны без их расшифрования и тем самым достичь принципиально нового уровня конфиденциальности и безопасности.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Одним из критических факторов для любой биометрической системы является точность распознавания — показатель, характеризуемый чаще всего через метрики False Accept Rate (FAR), False Reject Rate (FRR) или итоговую «вероятность корректного определения» (Accuracy). По данным ряда экспериментов [13, 14], гомоморфно зашифрованный биометрический шаблон (размером ~0,05% от исходного) сохраняет ту же точность, что и «открытый» (plaintext) шаблон. Например, при использовании модифицированной сверточной нейронной сети (Convolutional Neural Network, CNN), такой как FaceNet, на датасете Labeled Faces in the Wild (LFW) достигается точность порядка 98,7%, а при комбинировании трёх снимков лица (vote-алгоритм) точность может доходить до 99,99%.

Вторым ключевым аспектом является скорость обработки (прежде всего поиск и сопоставление). Исторически задачи «1:many identify» (когда необходимо сравнить данные пользователя с большой базой биометрических шаблонов) требовали расшифрования и проведения линейного поиска, что резко ухудшало масштабируемость. В концепции частной биометрии же показано, что можно достичь полиномиального времени (polynomial search), не раскрывая исходный шаблон. Согласно [13, 15], экспериментальные данные указывают, что сопоставление с базой 100 млн зашифрованных шаблонов может выполняться менее чем за одну секунду на запрос при использовании оптимизированных вычислительных ресурсов.

Таким образом, для систем, использующих IEEE 2410 (BOPS) в сочетании с полностью гомоморфным шифрованием, представляется возможным сохранить высокую скорость и точность без компромисса по безопасности. Ниже, в Таблице 2, приводится сравнительный обзор результатов экспериментов для классических и частных биометрических систем, основанных на данных [6].

Таблица 2.

Сравнительная сводка точности и скорости для классической и гомоморфной биометрии (обобщение данных [6], а также сведений из обзоров по Apple FaceID и FIDO Alliance.)

С точки зрения соответствия законодательным нормам (GDPR, CCPA и др.), классические решения могут сталкиваться с проблемами, если биометрические шаблоны хранятся в открытом или частично шифрованном виде, позволяющем косвенное восстановление [9, 10]. В отличие от них, при частной биометрии, как указывается в [6], «первичные» изображения лица или отпечатки пальцев не сохраняются вовсе, а сравнение ведётся над «невозвратимыми» (one-way) зашифрованными векторами. Это:

1. Гарантирует анонимность и отсутствие привязки к реальному образу, что упрощает анонимизацию по стандартам GDPR;
2. Снижает риски утечек: даже при получении злоумышленником шифрованного вектора невозможно вычислить оригинальное фото или отпечаток;
3. Упрощает доказательство соответствия требованиям: в рамках BOPS (IEEE 2410) есть встроенный механизм лога и аудита, а в режиме «passive encryption» (см. [6]) биометрические данные остаются зашифрованными «at rest» и «in transit».

Таким образом, не только коммерческие решения (например, Apple FaceID, Samsung, Google^*), но и государственные/корпоративные системы, работающие с биометрией в больших масштабах (сотни миллионов записей), могут получить выгоду от описанного подхода, — при этом, конечно, возрастают требования к инфраструктуре (обработка зашифрованных векторов, дополнительная вычислительная мощь).

На практике, чтобы внедрить гомоморфную биометрию в соответствии с IEEE 2410, необходимо (а) установить BOPS Server, обеспечивающий унифицированное взаимодействие через API, (б) адаптировать клиентские приложения, превращающие исходные шаблоны в зашифрованный вектор и удаляющие оригинальные данные, и (в) внедрить систему мониторинга (IDS) для регистрации всех обращений к биометрическому сервису [4, 5].

Согласно опыту Private Identity (private.id), описанному в [14], базовый рабочий процесс выглядит так:

1. Enrollment: пользовательское устройство (смартфон, биометрический сенсор) снимает изображение или отпечаток, превращает его в CNN в компактный вектор (4 kB), а затем проводит одностороннее гомоморфное шифрование. Исходный биометрический образ удаляется сразу после вычисления вектора.
2. Storage: зашифрованный вектор (feature vector) может храниться либо локально на устройстве, либо в облаке; при этом ни сервер, ни «третьи стороны» не могут расшифровать его до оригинальной фотографии.
3. Verification / Identification: при запросе на аутентификацию (1:1) или идентификацию (1:many) обработка происходит в зашифрованном пространстве. BOPS Server проводит процедуру сопоставления (matching) без расшифровки шаблона, результат возвращается в зашифрованном виде.
4. Audit & Logging: все действия (создание, удаление, сравнение) протоколируются в соответствии с требованиями IEEE 2410, что даёт чёткий путь для проверки соответствия нормам.

Опыт некоторых пилотных проектов, описанных в документации IEEE BOPS [5] и обобщённых в [6], свидетельствует о том, что интеграция гомоморфно-зашифрованных векторов может требовать первоначальных усилий по настройке криптомодулей и оптимизации нейронных сетей. Однако после внедрения достигается баланс между производительностью и безопасностью. Ниже, в Таблице 3, приводятся основные преимущества и потенциальные сложности при интеграции BOPS с «частной биометрией».

Таблица 3.

Преимущества и сложности интеграции IEEE 2410 + Private Biometrics (обобщение автора по данным [4-6])

Итоговая оценка показывает, что при соблюдении нормальной планировки (архитектуры и масштабирования) возможность «пассивного шифрования» (encryption at rest) и отказ от хранения оригинальных фотографий значительно снижают риски для всех участников экосистемы — и пользователей, и операторов системы, и внешних регуляторов. При этом необходимо учитывать, что переход на «частную биометрию» требует квалифицированных специалистов по криптографии, машинному обучению и сетевым протоколам.

Полученные результаты демонстрируют, что интеграция частной биометрии (private biometrics) и протокола IEEE 2410 (BOPS) делает возможным:

1. Сохранять высокую точность (до 98–99+%), сопоставимую с классической биометрией, при этом работая в полностью зашифрованном пространстве.
2. Поддерживать масштабируемый и быстрый поиск (полиномиальное время), что критично для систем национального уровня или крупных корпораций.
3. Существенно упрощать соблюдение GDPR и CCPA за счёт невозвратимого (one-way) хранения и передачи шаблонов, что минимизирует риски утечек персональных данных.

Тем самым, гипотеза о том, что гомоморфная биометрия (private biometrics) при использовании с BOPS (IEEE 2410) позволит «обеспечить высокий уровень приватности без снижения ключевых метрик» подтверждается приведёнными экспериментальными данными и опытом пилотных внедрений [6]. Вопрос лишь в том, насколько быстро промышленность сможет стандартизировать и адаптировать данную технологию, учитывая необходимость дополнительной криптоинфраструктуры и определённых изменений в жизненном цикле биометрических данных. Однако, судя по наблюдаемым трендам (включая обновлённые требования к пассивному шифрованию в США [TCSEC] и новейшим инициативам в ЕС), можно ожидать ускоренную адаптацию подобных методов в ближайшие годы.

ЗАКЛЮЧЕНИЕ

В рамках проведённого исследования продемонстрировано, что интеграция протокола IEEE 2410 (BOPS) и методов «частной биометрии», основанных на полностью гомоморфном шифровании, позволяет существенно повысить уровень приватности и безопасности биометрических систем. На основе анализа литературы, нормативных документов и эмпирических данных были выявлены следующие ключевые выводы:

1. Сохранение точности распознавания. Несмотря на уменьшенный (до 0,05% от исходного) размер зашифрованного шаблона, достигается точность, сопоставимая с «открытыми» биометрическими решениями, что подтверждает жизнеспособность гомоморфного подхода.

2. Масштабируемый поиск (1:1 и 1:many). Технологии полиномиального сопоставления на зашифрованных данных позволяют работать с базами, включающими сотни миллионов записей, без критического падения производительности.

3. Соответствие регулятивным нормам. Использование «невозвратимых» (one-way) зашифрованных векторов существенно снижает риски утечки биометрических данных и облегчает доказательство соответствия таким законам, как GDPR и CCPA.

4. Упрощение аудита и управления ключами. BOPS (IEEE 2410) обеспечивает механизм единых API, логирования, а также поддерживает «пассивное шифрование» (encryption at rest) и «одноранговые» операции (не требующие центрального реестра ключей расшифрования).

5. Вопросы внедрения и перспективы. Несмотря на очевидные преимущества, данная технология требует повышенных ресурсов и компетенций в области криптографии, а также адаптации существующей инфраструктуры. Тем не менее, в условиях растущих требований к конфиденциальности биометрических данных можно ожидать ускоренного внедрения подобных решений в наиболее ответственных сферах (государственные реестры, финансовый сектор, системы глобальной идентификации и пр.).

Таким образом, научная гипотеза о том, что гомоморфная биометрия в сочетании с BOPS способна обеспечить высокий уровень приватности без снижения ключевых метрик (точность, скорость), подтвердилась. Дальнейшие исследования могут быть направлены на оптимизацию вычислительных алгоритмов, разработку более «лёгких» криптографических реализаций, а также на формирование международно признанных методик тестирования и сертификации таких систем.

Список литературы:

1. Jain A. K., Nandakumar K., Ross A. 50 years of biometric research: Accomplishments, challenges, and opportunities //Pattern recognition letters. – 2016. – Т. 79. – С. 80-105.
2. Ross A., Shah J., Jain A. K. From template to image: Reconstructing fingerprints from minutiae points //IEEE transactions on pattern analysis and machine intelligence. – 2007. – Т. 29. – №. 4. – С. 544-560.
3. Streit S., Streit B., Suffian S. Privacy-Enabled Biometric Search //arXiv preprint arXiv:1708.04726. – 2017.
4. De Lacerda Filho E. M. et al. Improving Data Security, Privacy, and Interoperability for the IEEE Biometric Open Protocol Standard //IEEE Access. – 2020. – Т. 10. – С. 26985-27001.
5. Biometrics Open Protocol (BOPS) III. IEEE 2410-2018, IEEE Standards Association. 2018. [Электронный ресурс] – URL: https://web.archive.org/web/20150415004908/http://standards.ieee.org/develop/wg/BOP.html
6. Private biometrics //Wikipedia. [Электронный ресурс] – URL: https://en.wikipedia.org/wiki/Private_biometrics
7. Monrose F., Rubin A. Authentication via keystroke dynamics //Proceedings of the 4th ACM Conference on Computer and Communications Security. – 1997. – С. 48-56.
8. Ratha N. K., Connell J. H., Bolle R. M. Enhancing security and privacy in biometrics-based authentication systems //IBM systems Journal. – 2001. – Т. 40. – №. 3. – С. 614-634.
9. Bowyer K. W. Face recognition technology: security versus privacy //IEEE Technology and society magazine. – 2004. – Т. 23. – №. 1. – С. 9-19.
10. Kang H. C. et al. New efficient padding methods secure against padding oracle attacks //Information Security and Cryptology-ICISC 2015: 18th International Conference, Seoul, South Korea, November 25-27, 2015, Revised Selected Papers 18. – Springer International Publishing, 2016. – С. 329-342.
11. Goldreich O., Foundations of Cryptography: Basic Tools. New York, NY,USA: Cambridge University Press, 2000
12. FIDO Alliance //Fido. [Электронный ресурс] – URL: https://fidoalliance.org
13. Schroff, Florian; Kalenichenko, Dmitry; Philbin, James (2015). "Face Net: A unified embedding for face recognition and clustering". 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 815–823. arXiv:1503.03832. doi:10.1109/CVPR.2015.7298682. ISBN 978-1-4673-6964-0. S2CID 206592766.
14. Private.id. [Электронный ресурс] – URL: https://privateid.com
15. Shneiderman B. Polynomial search //Software: Practice and Experience. – 1973. – Т. 3. – №. 1. – С. 5-8.

^*По требованию Роскомнадзора информируем, что иностранное лицо, владеющее информационными ресурсами Google является нарушителем законодательства Российской Федерации – прим. ред.