Artículo
de revisión
Eficacia
y limitaciones de los sistemas biométricos en la verificación de identidad: Una
revisión sistemática
Effectiveness
and Limitations of Biometric Systems in Identity Verification: A Systematic
Review
Bruno Samir Bocanegra Chistama[1]
https://orcid.org/0000-0003-1463-8999
Fernando Arturo Fernández Salvo[2]
https://orcid.org/0009-0006-1631-0099
Alberto Carlos Mendoza De Los
Santos[3]
https://orcid.org/0000-0002-0469-915X
Recibido:
10/11/2024
Aceptado:
02/12/2024
Publicado:
27/12/2024
Resumen
La digitalización y automatización crecientes
demandan métodos avanzados y seguros para el control de acceso. Este estudio
sintetizó herramientas de inteligencia artificial (IA) aplicadas en este campo,
mediante una revisión de literatura en bases como Scopus, SciELO e IEEE Xplore,
utilizando PRISMA y VOSviewer. El análisis bibliométrico identificó a China,
India, Estados Unidos y Corea del Sur como líderes en investigación, destacando
términos como machine learning, deep learning, criptografía y biometría, junto
con tecnologías emergentes como blockchain e IoT. Machine learning y deep
learning sobresalieron como técnicas predominantes, mientras que blockchain
aportó transparencia en la gestión de datos sensibles. Sin embargo, desafíos
como altos costos, dependencia de datos extensos y preocupaciones de privacidad
limitan su implementación. Se recomienda explorar métodos híbridos, optimizar
los modelos de IA y reducir la dependencia de datos para mejorar la seguridad y
la adopción de estas tecnologías
Palabras
clave: control de acceso; sistemas de seguridad; inteligencia artificial;
biometría.
Abstract
Increasing digitization and automation demand advanced
and secure methods for access control. This study synthesized artificial
intelligence (AI) tools applied in this field, through a literature review in
databases such as Scopus, SciELO and IEEE Xplore, using PRISMA and VOSviewer.
The bibliometric analysis identified China, India, the United States and South
Korea as leaders in research, highlighting terms such as machine learning, deep
learning, cryptography and biometrics, along with emerging technologies such as
blockchain and IoT. Machine learning and deep learning stood out as predominant
techniques, while blockchain brought transparency in the management of
sensitive data. However, challenges such as high costs, reliance on big data
and privacy concerns limit its implementation. It is recommended to explore
hybrid methods, optimize AI models and reduce data dependency to improve
security and adoption of these technologies.
Keywords: access
control; security systems; artificial intelligence; biometrics; artificial
intelligence; biometrics.
1. Introducción
En la era digital, la seguridad y
protección de la identidad se han convertido en prioridades para gobiernos,
empresas y ciudadanos. A medida que la sociedad avanza hacia una mayor
digitalización y los servicios se ofrecen cada vez más en línea, la
autenticación de la identidad de los usuarios se ha vuelto indispensable para
mitigar riesgos como el robo de identidad, el fraude y los accesos no
autorizados (Ghadge, 2024). Tradicionalmente, los métodos de
verificación de identidad han dependido de contraseñas, tokens o documentos físicos
de identidad, los cuales, aunque útiles, presentan múltiples vulnerabilidades (Al-Rajeh y Al-Shargabi, 2023). Las contraseñas, por ejemplo, pueden ser
olvidadas, robadas o interceptadas, mientras que los documentos físicos son
susceptibles a la falsificación o el robo (Mane y Bhosale, 2023). Además, Ryu et
al. (2023) argumentan que la dependencia de contraseñas aumenta el riesgo de
seguridad, ya que muchos usuarios tienden a reutilizar credenciales en
múltiples plataformas.
Ante estos desafíos, los sistemas
biométricos representan una solución tecnológica avanzada que ofrece un nuevo
paradigma en la verificación de identidad. La biometría se basa en el uso de
características físicas y conductuales únicas de cada individuo, como las
huellas dactilares, el reconocimiento facial, el escaneo de iris, la voz o
incluso los patrones de escritura de una persona (Arman et al., 2024).
A diferencia de los métodos tradicionales como las contraseñas o
identificaciones físicas, estos rasgos son inherentemente personales y
difíciles de replicar, lo que proporciona una capa adicional de seguridad (Khan y Aithal, 2022).
Según la Organización Internacional de Normalización (ISO, 2018) y la Comisión
Electrotécnica Internacional, las tecnologías biométricas son consideradas uno
de los métodos más confiables para la verificación de identidad debido a su
alta precisión en la identificación de personas basándose en características
inmutables a lo largo del tiempo. La biometría no solo se utiliza en
aplicaciones cotidianas como el desbloqueo de teléfonos móviles o el acceso a
cuentas bancarias, sino que también ha sido adoptada en sectores como la
seguridad aeroportuaria, los servicios financieros, el control fronterizo, la
atención médica y la gestión gubernamental (Labayen et al., 2021). Su creciente
popularidad puede atribuirse a su capacidad de equilibrar conveniencia y
seguridad: permite a los usuarios autenticar su identidad de manera rápida,
mientras reduce significativamente el riesgo de accesos no autorizados.
Sin embargo, a pesar de sus innegables
ventajas, los sistemas biométricos presentan importantes limitaciones que deben
ser abordadas para garantizar su eficacia a largo plazo. Un desafío clave es la
variabilidad en las condiciones de captura de las características biométricas.
Por ejemplo, en el caso del reconocimiento facial, factores como la
iluminación, el ángulo de captura, y las expresiones faciales pueden afectar la
precisión del sistema. De igual manera, la huella dactilar puede verse
comprometida por cortes, humedad o desgaste en los dedos del usuario, mientras
que el escaneo de iris puede enfrentar dificultades cuando los usuarios usan
gafas o lentes de contacto. Estos factores pueden generar tanto falsos
negativos (rechazo de una identidad legítima) como falsos positivos (aceptación
de una identidad incorrecta), lo que compromete la confiabilidad del sistema (Ezichi et al., 2020;
Ryu et al., 2023). Además de las limitaciones técnicas, existen preocupaciones
éticas y de privacidad relacionadas con el uso de los datos biométricos. El
almacenamiento y manejo de esta información personal plantea interrogantes
sobre el posible abuso, mal manejo o hackeo de los datos sensibles. En varios
casos, la recolección y procesamiento de datos biométricos ha generado
controversias, especialmente cuando los usuarios no son plenamente conscientes
de cómo se utilizan sus datos o no se les ofrece una opción de participación
voluntaria (Chuquisengo, 2006; Mane y Bhosale, 2023). En 2021, el Tribunal Europeo de Derechos
Humanos destacó la importancia de salvaguardar los derechos de los individuos
frente al uso masivo de tecnologías biométricas, subrayando la necesidad de
regulaciones sólidas que garanticen un uso ético y seguro de estas tecnologías (Défenseur des Droits, 2021; European
Parliament, 2021a; European Parliament, 2021b).
Por lo tanto, el objetivo del estudio fue
examinar la eficacia y las limitaciones de los sistemas biométricos en la verificación
de identidad, considerando tanto sus beneficios como sus desafíos, además de
las implicaciones éticas y de privacidad asociadas.
2. Metodología
Se utilizó la metodología PRISMA. De acuerdo a Page et al. (2021) esta
metodología fue actualizada en 2020 y es esencial para garantizar la
transparencia, calidad y reproducibilidad en revisiones sistemáticas y
meta-análisis. Este conjunto de directrices ofrece un marco detallado para
estructurar la recopilación, evaluación y presentación de estudios, reduciendo
el sesgo de publicación y permitiendo una exposición exhaustiva de la evidencia
recopilada. Asimismo, facilita la evaluación de la calidad y validez de los
estudios incluidos, promueve la integridad científica y fortalece la confianza
en los resultados. Finalmente, establece un estándar para la presentación clara
y estructurada de revisiones sistemáticas, mejorando la interpretación de la
evidencia y posibilitando la replicación de los hallazgos por otros
investigadores.
Los datos fueron recolectados entre los meses de 15 de junio y 5 de
julio de 2024, a partir de búsquedas en cuatro bases de datos académicas: Scopus,
ScienceDirect, Google
Académico y SpringerLink, utilizando palabras clave como "biometría",
"verificación de identidad" y "sistemas biométricos" tal
como se presenta en la Tabla 1.
|
Tabla 1 Ecuaciones
de búsqueda de diferentes bases de datos |
|
|
Base de dato |
Ecuaciones de búsqueda |
|
Scopus |
Title-abs-key (( " biometric
systems " OR " biometric technologies" ) AND ( "identity verification"
OR "identity authentication" ) AND ( "efficacy" OR
"effectiveness" OR "performance" ) AND (
"limitations" OR "challenges" OR "constraints"
) ) |
|
ScienceDirect |
Title("biometric systems" OR
"biometric technologies") AND Title("identity verification"
OR "identity authentication") AND Title("efficacy" OR
"effectiveness" OR "performance") AND
Title("limitations" OR "challenges") |
|
Google Académico |
Intitle:"biometric systems" AND
"identity verification" AND (limitations OR challenges) |
|
SpringerLink |
Title("biometric systems" OR
"biometric technologies") AND Title("identity
verification" OR "identity authentication") AND Title("efficacy" OR
"effectiveness" OR "performance") AND
Title("limitations" OR "challenges") |
Una vez recopilados los documentos de
diversas bases de datos académicas, se procedió a aplicar un proceso de
filtración basado en criterios de exclusión específicos, que fueron codificados
como CE1 a CE6. Estos criterios, los cuales se describen en la Tabla 2,
permitieron asegurar que solo se incluyeran aquellos artículos pertinentes para
la revisión.
|
Tabla 2 Criterios de
exclusión |
|
|
Código |
Descripción |
|
CE1 |
Resultados que no son artículos originales o
artículos de revisión. |
|
CE2 |
Artículos publicados antes del año 2020. |
|
CE3 |
Artículos que no están redactados en inglés o
español. |
|
CE4 |
Artículos a los cuales no se puede acceder. |
|
CE5 |
Artículos que no se relacionan con la temática de la investigación. |
|
CE6 |
Artículos que no han sido citados por otros autores. |
Las ecuaciones de búsqueda
formuladas en cada base de datos (Tabla 1) arrojaron un total de 277
resultados. Sin embargo, para garantizar que solo se consideraran fuentes de
alta calidad y relevancia, se establecieron criterios de exclusión adicionales,
los cuales se detallan en la Tabla 3. Estos criterios fueron fundamentales para
el proceso de selección, ya que ayudaron a eliminar artículos que no cumplían
con las condiciones necesarias para el análisis. Adicionalmente, en la Figura 1
se presenta diagrama de flujo PRISMA, el cual describe visualmente el proceso
de selección de los documentos, desde la identificación de los registros hasta
la inclusión de los artículos finales, junto con las razones de exclusión
correspondientes.
|
Tabla 3 Procedimiento
de exclusión al aplicar los criterios de exclusión |
||||||||
|
Fuente |
Resultados |
CE1 |
CE2 |
CE3 |
CE4 |
CE5 |
CE6 |
Final |
|
Scopus |
32 |
17 |
7 |
0 |
3 |
1 |
0 |
4 |
|
19 |
4 |
4 |
0 |
6 |
4 |
0 |
1 |
|
|
191 |
158 |
16 |
0 |
4 |
1 |
3 |
9 |
|
|
35 |
23 |
3 |
0 |
3 |
1 |
3 |
2 |
|
Por otra parte, El análisis bibliométrico se llevó a cabo utilizando
Bibliometrix, un software basado en R que incluye la interfaz gráfica
Biblioshiny. Esta herramienta destaca por su capacidad para realizar estudios
detallados, como el mapeo de co-ocurrencia de palabras clave y países, la
co-citación de revistas y el seguimiento de la evolución de temas de
investigación. Su diseño combina métodos analíticos avanzados con una interfaz
interactiva que facilita tanto la exploración de datos como la creación de
visualizaciones dinámicas. Además, ofrece la opción de personalizar los
análisis mediante scripts en R, adaptándose a las necesidades específicas de
cada estudio (Aria y Cuccurullo, 2017).
|
Figura 1 Secuencia
metodológica mediante el diagrama de flujo PRISMA |
|
|
3. Resultados
3.1. Análisis
bibliométrico
La Figura 2a muestra las
conexiones entre los países de los autores (AU_CO), las revistas donde
publicaron (SO) y los principales temas de estudio (DE). China, India y Estados
Unidos destacan como los principales contribuyentes en investigación
biométrica, lo que refleja su liderazgo tecnológico en este ámbito. Las
revistas más influyentes, como IEEE Access, Applied Sciences
(Switzerland) y Sensors, evidencian que la investigación en
biometría se publica predominantemente en plataformas relacionadas con
tecnología y aplicaciones científicas. Los temas dominantes, como
"biometría", "aprendizaje profundo" y "autenticación
continua", reflejan el interés creciente en mejorar técnicas de
reconocimiento y fortalecer la seguridad, alineándose directamente con los
objetivos de sistemas más eficaces. Mientras que la Figura 2b ilustra la
interacción entre regiones. Destacan las colaboraciones activas entre Estados
Unidos, Europa y Asia, en particular entre países como China, India y Alemania,
lo que reafirma el papel de estos centros como motores globales de innovación.
Sin embargo, la limitada participación de regiones como África y América Latina
revela desigualdades significativas en términos de acceso a recursos y
desarrollo de infraestructura tecnológica. Esto no solo evidencia las
fortalezas colaborativas, sino también las brechas que podrían abordarse.
|
Cantidad de artículos encontrados por países |
|
|
|
Nota. Las gráficas fueron
creadas con el software bibliometrix, donde (a) representa al gráfico de tres
campos, (b) el
mapa mundial de colaboración entre países y (c) la evolución temática.
|
En esa línea, La
Figura 2c, analiza la evolución temática entre 2020-2022 y 2023-2025, donde se
evidencia una transición hacia tópicos más avanzados y específicos. Temas como "reconocimiento
facial", "autenticación continua" y "blockchain",
centrales en el periodo inicial, han dado paso a conceptos emergentes como
"aprendizaje profundo", "rastreo ocular" y "control de
acceso". Al mismo tiempo, se mantienen constantes palabras clave como
"biometría" y "reconocimiento biométrico", destacando su
relevancia transversal en el campo. El surgimiento de términos como
"CNN"(Red Neuronal Convolucional) y "visión por
computadora" subraya un enfoque en algoritmos más sofisticados para mejorar
la precisión y la eficiencia.
3.2. Revisión sistemática
Una vez analizados los artículos seleccionados para la revisión, se
procedió a recopilar los datos más relevantes, los cuales se sintetizan en la
Tabla 4 que se muestra a continuación.
|
Registros de los artículos analizados |
|
||||||||||||||
|
N° |
Autor/Año/Aporte |
Factores que
determinan la eficacia |
Principales
limitaciones |
|
|||||||||||
|
1 |
Arman et al. (2024)
clasifican métodos de autenticación biométrica centrados en la privacidad,
analizando desafíos y riesgos asociados. Sugieren estrategias para mitigar
problemas y anticipan tendencias futuras en seguridad, autenticación y
criptografía biométrica. |
-
Niveles de seguridad. -
Desempeño. -
Facilidad de uso. -
Aplicaciones. -
Compatibilidad con mecanismos de protección. |
-
Vulnerabilidad a ataques. -
Complejidad en la implementación. -
Problemas de exactitud. -
Cuestiones de privacidad. -
Costo y recursos. |
|
|||||||||||
|
2 |
Khan y Aithal (2022)
revisan y comparan los sistemas de biometría de voz para la identificación y
autenticación de usuarios, destacando las tecnologías más avanzadas y sus
aplicaciones en sectores como la banca, seguridad informática y control de
acceso. Además, explora las mejoras recientes en redes neuronales que han
incrementado la eficacia de los sistemas biométricos de voz. |
-
La calidad del modelo. -
El procesamiento adecuado de las señales de voz
en sus fases de entrenamiento y prueba. -
La tecnología de red neuronal aplicada al
reconocimiento y autenticación. |
-
Dificultad para distinguir entre voces masculinas
y femeninas en algunos sistemas. -
Sensibilidad a las condiciones de salud del
usuario que puedan afectar su voz. -
Complejidad de implementación en sistemas IoT y
la coordinación entre proveedores y usuarios. |
|
|||||||||||
|
3 |
Labayen et al. (2021)
presentaron un sistema de autenticación biométrica y supervisión continua
para estudiantes impacto positivamente en la solución técnica, Mejora de la
integridad académica y aceptación estudiantil y docente. |
-
Precisión del reconocimiento biométrico. -
Condiciones ambientales. -
Integración con LMS. -
Escalabilidad y
seguridad. |
-
Preocupaciones de privacidad. -
Variabilidad en el rendimiento. -
Dependencia de la tecnología. -
Necesidad de verificación
humana. |
|
|||||||||||
|
4 |
Khan y Efthymiou (2021),
contribuyen a la literatura sobre biometría en entornos aeroportuarios,
ofrecen un análisis detallado de las tecnologías de reconocimiento facial. |
-
Calidad de imágenes. -
Condiciones de Iluminación. -
Diversidad de nacionalidad y
rango de edad de los usuarios. -
Fiabilidad de la red. -
Infraestructura del sistema. |
-
Baja tasa de coincidencia biométrica. -
Problemas de conectividad. -
Dependencia de cooperación de
las empresas. |
|
|||||||||||
|
5 |
Tucci et al., (2024)
presentaron una revisión sobre la aplicación de métodos de Inteligencia
Artificial Explicable (XAI) en sistemas biométricos, destacando tendencias en
metodologías y evaluación, y enfatizando la importancia de seguir directrices
de diseño de HCI y de integrar métricas personalizadas para mejorar la
confianza del usuario. |
-
Calidad de datos
biométricos. -
Robustez del modelo. -
Diseño de explicaciones. -
Cumplimiento de normativas. |
-
Falta de explicabilidad. -
Sesgo de datos. -
Limitaciones en el diseño de
explicaciones. -
Contexto de uso. |
|
|||||||||||
|
6 |
Dargan y Munish (2020)
aportaron en la identificación de tendencias significativas en la evolución
de la identidad digital, destacando el cambio hacia un paradigma centrado en
el usuario. Además, el artículo resalta la creciente importancia de términos
relacionados con biometría y blockchain. |
-
Calidad de datos biométricos. -
Algoritmo de reconocimiento. -
Entorno de capturas. -
Tasa de error. -
Interacción del usuario. |
-
Accesibilidad. -
Falsas aceptaciones y
rechazos. |
|
|||||||||||
|
7 |
Genser et al. (2020)
aportaron un diseño innovador de sensor de cámara en array y un enfoque para
el emparejamiento estéreo multimodal en imágenes multiespectrales para
identificación biométrica. También presentaron un método de calibración y una
revisión de técnicas actuales, resaltando sus aplicaciones y limitaciones. |
-
Calidad de captura de imágenes. -
Características biométricas únicas. -
Algoritmos de reconocimiento. -
Condiciones ambientales. -
Capacidad de adaptación. |
-
Falsos aceptaciones y rechazos. -
Costos. -
Privacidad y ética. -
Limitaciones técnicas. -
Dependencia de condiciones. |
|
|||||||||||
|
8 |
Comb y Martin (2024)
aportan al campo de la identidad digital destacando en identificación de
tendencias, metodologías efectivas, Implicaciones para la innovación |
-
Calidad de datos biométricos. -
Tecnología utilizada. -
Adaptabilidad de diferentes condiciones. -
Seguridad y protección de
datos. -
Usabilidad y experiencia del usuario. |
-
Problemas de privacidad. -
Tasa de falsos aceptados y falsos rechazados. -
Costo de implementación. -
Dependencia de la tecnología. |
|
|||||||||||
|
9 |
Ezichi et al. (2020)
contribuyen al campo de la seguridad biométrica al revisar dos estrategias de
fusión a nivel de puntajes para sistemas multibiométricos: la regla de suma y
la razón de verosimilitud. Presentan una comparación detallada entre ambas,
analizando sus fortalezas, debilidades y aplicaciones más adecuadas, lo que
ayuda a mejorar el rendimiento de los sistemas multibiométricos al
seleccionar la estrategia de fusión más óptima. |
-
Calidad de las muestras biométricas. -
La precisión del comparador (matcher). |
-
Dificultad de implementación en fusión temprana. -
Necesidad de normalización de puntajes. -
Complejidad y costo en sistemas basados en la
razón de verosimilitud. |
|
|||||||||||
|
10 |
Sharma y Dwivedi (2024) ofrecen
una revisión sobre los avances en los sistemas de autenticación biométrica,
incluyendo la evolución hacia sistemas multimodales y el uso de patrones de
venas. Se destaca cómo estas nuevas tecnologías mejoran la seguridad,
precisión y resistencia contra ataques de suplantación, especialmente con el
uso de imágenes 3D y algoritmos de aprendizaje profundo (out). |
-
Calidad de los dispositivos de captura de datos
biométricos. -
Implementación de algoritmos avanzados, como
redes neuronales profundas. -
Uso de múltiples modalidades biométricas
(multimodal) que combinan características fisiológicas y de
comportamiento(out). |
-
Vulnerabilidad a ataques, como el uso de
fotografías o muestras capturadas de usuarios. -
Sensibilidad a variaciones externas, como la
iluminación o la postura, en el caso de la biometría facial. -
Costos elevados asociados a la implementación de
dispositivos avanzados para la captura de imágenes de alta calidad(out). |
||||||||||||
|
11 |
Ryu et al. (2023)
contribuyen al campo de la autenticación biométrica adaptativa al revisar de
manera sistemática las modalidades y métricas de evaluación utilizadas,
destacando la importancia de la usabilidad, escalabilidad y seguridad en el
diseño de estos sistemas. |
-
Precisión de medición. -
Usabilidad. -
Escalabilidad. -
Robustez frente a ataques. |
-
Falta de estandarización. -
Dependencia de la calidad de los datos. -
Problemas de privacidad y seguridad. -
Costo y complejidad de implementación. |
||||||||||||
|
12 |
Sumalath et al. (2024)
aportaron una revisión de los sistemas de autenticación biométrica de huellas
dactilares, resaltando las diferencias entre enfoques unimodales y
multimodales, y subrayando la importancia de la fusión de datos, protección
de plantillas y la mitigación de ataques para mejorar la seguridad y
efectividad de estos sistemas. |
-
Precisión y exactitud. -
No universalidad. -
Variaciones en clase. -
Escalabilidad. |
-
Vulnerabilidad de ataques de suplantación. -
Invariabilidad y ruido en los datos. -
Privacidad. -
Desafíos de escalabilidad. |
||||||||||||
|
13 |
El-Dahshan et al. (2021)
presentan una revisión de las tecnologías y metodologías utilizadas en los
sistemas biométricos de fonocardiograma (PCG), abarcando diferentes fases del
proceso desde la adquisición de datos hasta la evaluación |
-
Calidad de la adquisición de datos. -
Preprocesamiento de señales. -
Extracción de características. -
Tamaño y diversidad del conjunto de datos. |
-
Variabilidad de señales. -
Ruido y artefactos. -
Limitaciones de los dispositivos. -
Falta de estándares. -
Escalabilidad y costos. |
|
|||||||||||
|
14 |
Mane y Bhosale (2023)
destacan cómo los sistemas biométricos multimodales y basados en patrones de
venas mejoran la seguridad y precisión en la autenticación de usuarios,
utilizando técnicas avanzadas como la fusión de múltiples rasgos biométricos
y aprendizaje profundo. |
-
Calidad de la captura de datos. -
Métodos de fusión biométrica. -
Algoritmos de extracción. -
Liveness detección -
Adaptación a factores externos. |
-
Vulnerabilidad a ataques de falsificación. -
Privacidad y seguridad. -
Errores de autenticación. -
Factores externos. |
|
|||||||||||
|
15 |
Albalawi et al. (2022)
establecen criterios para evaluar técnicas de reconocimiento biométrico,
destacando la propuesta de un sistema de identificación por iris que utiliza
PCA y SVM, mejorando así la precisión en contextos críticos. Se enfatiza la
importancia de la segmentación del iris y la calidad de la imagen en la
eficacia del sistema. |
-
Precisión. -
Uso de algoritmos avanzados. -
Resistencia a variaciones. |
-
Calidad de la imagen. -
Desafíos en la segmentación. -
Costo y accesibilidad. -
Condiciones ambientales. -
Preocupaciones de privacidad. |
|
|||||||||||
|
16 |
Al-Rajeh y Al-Shargabi
(2023) analizan técnicas de detección de ataques de presentación en sistemas
biométricos de iris, abordando la seguridad en la verificación de identidad.
También destacan estrategias de ataque y proponen direcciones futuras para
mejorar la eficacia de estos sistemas. |
-
Calidad de imágenes. -
Verificación de tejido vivo. -
Robustez en entornos no controlados. -
Técnicas de
detección de ataques. |
-
Susceptibilidad de ataques de presentación. -
Dificultades en condiciones no controladas. -
Sesgos en el rendimiento. -
Complejidad de los algoritmos. |
|
|||||||||||
4. Discusión
La efectividad y las limitaciones de los sistemas biométricos son temas
recurrentes en la literatura actual, lo que enfatiza la necesidad de considerar
estos aspectos en el desarrollo e implementación de tecnologías de
autenticación. En su investigación, Shanhriar et al. (2024) subrayan la
importancia de encontrar un equilibrio entre la seguridad y la privacidad en
los sistemas biométricos, indicando que tanto los niveles de seguridad como la
facilidad de uso son elementos fundamentales para su eficacia. Sin embargo,
también advierten sobre la vulnerabilidad a ataques y las complejidades en su
implementación, que representan limitaciones significativas a tener en cuenta. Por otra parte,
Nils et al. (2020) presentan un enfoque novedoso utilizando sensores de cámara
en array y métodos de emparejamiento multimodal, poniendo de relieve la
relevancia de la calidad de la captura de imágenes y las condiciones
ambientales en la precisión del reconocimiento biométrico. No obstante, su
dependencia de circunstancias específicas y las inquietudes relacionadas con la
privacidad generan preocupaciones serias sobre su viabilidad práctica.
En cuanto a la
seguridad, Noura y Amal (2023) se enfoca en la detección de ataques de
presentación en sistemas biométricos de iris, reflejando así una creciente
preocupación por la seguridad en la verificación de identidad. A pesar de sus
aportes en términos de robustez y calidad de imagen, la vulnerabilidad a
ataques y los desafíos en entornos no controlados destacan la complejidad de
asegurar un sistema biométrico confiable. En un enfoque más aplicado, Mikel et
al. (2021) introducen un sistema de autenticación biométrica para estudiantes,
que pone énfasis en la importancia de integrar estas tecnologías con
plataformas de gestión de aprendizaje (LMS) y en su escalabilidad. Sin embargo,
las inquietudes sobre la privacidad y la necesidad de verificación humana
sugieren que, aunque estas tecnologías podrían mejorar la integridad académica,
su aceptación podría estar restringida por las percepciones de los usuarios en
relación a la privacidad. Tucci et al. (2024) aportan una perspectiva centrada
en el usuario al explorar la Inteligencia Artificial Explicable (XAI) en
sistemas biométricos, sugiriendo que la falta de explicabilidad y los sesgos en
los datos pueden tener un impacto negativo en la confianza del usuario. Esto se
complementa con los hallazgos de Comb y Martin (2024), quienes examinan la
usabilidad y seguridad en la identidad digital, enfatizando la necesidad de
adaptar las tecnologías a diferentes contextos y requerimientos de los
usuarios.
Desde un enfoque
técnico, Ryu et al. (2023) analizan la autenticación biométrica adaptativa,
poniendo de relieve su escalabilidad y usabilidad, mientras que Sumalat et al.
(2024) abordan la efectividad de los sistemas de huellas dactilares, subrayando
que la fusión de datos y la mitigación de ataques son vitales para mejorar la
seguridad. Estos estudios ponen de manifiesto que, a pesar de la evolución de
las tecnologías biométricas, aún existen desafíos relacionados con su
vulnerabilidad y complejidad. Por último, los trabajos de Dahshan y Bassiouni
(2021) sobre tecnologías de fonocardiograma y de Khan y Aithal (2022) sobre
biometría de voz ilustran la diversidad de aplicaciones biométricas. Sin
embargo, estas investigaciones también coinciden en señalar la necesidad de
establecer estándares claros y superar las complejidades asociadas con su
implementación. En conjunto, estos hallazgos refuerzan la importancia de
enfoques sistemáticos e integrales que aborden tanto las fortalezas como las
limitaciones inherentes a los sistemas biométricos para garantizar su eficacia
y aceptación en un mundo en constante evolución.
5. Conclusiones
Los sistemas biométricos representan una solución
innovadora para la autenticación y verificación de identidad, con importantes
ventajas en seguridad y eficiencia. Sin embargo, su eficacia depende de
factores como la calidad de los datos biométricos, la precisión del reconocimiento,
la facilidad de uso y su integración con otras plataformas. Asimismo, la
adaptabilidad a diversas condiciones y un diseño centrado en el usuario
resultan esenciales para optimizar su desempeño y fomentar su aceptación. A
pesar de sus beneficios, estas tecnologías enfrentan desafíos importantes. Las
preocupaciones sobre la privacidad, la vulnerabilidad ante ataques de
suplantación y la complejidad técnica de su implementación plantean obstáculos
significativos. Además, su rendimiento puede verse limitado en entornos no
controlados debido a su dependencia de condiciones específicas. Superar estas
limitaciones es clave para fortalecer la confianza del usuario y asegurar su
aplicación efectiva.
6. Referencias Bibliográficas
Albalawi, S.,
Alshahrani, L., Albalawi, N., Kilabi, R., y Alhakamy, A. (2022). A
comprehensive overview on biometric authentication systems using artificial
intelligence techniques. International Journal of Advanced Computer
Science and Applications : IJACSA, 13(4). https://doi.org/10.14569/ijacsa.2022.0130491
Al-Rajeh, N. S., y Al-Shargabi, A. A. (2023). Iris presentation
attack detection: Research trends, challenges, and future directions. Journal
of Autonomous Intelligence, 7(2). https://doi.org/10.32629/jai.v7i2.1012
Aria, M., y
Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science
mapping analysis. Journal of Informetrics, 11(4), 959–975.
https://doi.org/10.1016/j.joi.2017.08.007
Arman, S. M., Yang,
T., Shahed, S., Mazroa, A. A., Attiah, A., y Mohaisen, L. (2024). A
comprehensive survey for privacy-preserving biometrics: Recent approaches,
challenges, and future directions. Computers, Materials & Continua, 78(2),
2087–2110. https://doi.org/10.32604/cmc.2024.047870
Comb, M., y Martin,
A. (2024). Mining digital identity insights: patent analysis using NLP. EURASIP
Journal on Information Security, 2024(1). https://doi.org/10.1186/s13635-024-00172-5
Défenseur des
Droits (2021). Biometrics: the urge
to safeguard fundamental rights. https://www.defenseurdesdroits.fr/sites/default/files/2023-07/ddd_rapport_technologies-biometriques_2021_EN.pdf
El-Dahshan, E.-S. A., Bassiouni, M. M., Sharvia, S., y Salem, A.-B. M.
(2021). PCG signals for biometric authentication systems: An in-depth review. Computer
Science Review, 41(100420), 100420. https://doi.org/10.1016/j.cosrev.2021.100420
European
Parliament. (2021a). Biometric Recognition and Behavioural Detection:
Assessing the ethical aspects of biometric recognition and behavioural
detection techniques with a focus on their current and future use in public
spaces. https://www.europarl.europa.eu/RegData/etudes/STUD/2021/696968/IPOL_STU(2021)696968_EN.pdf
European
Parliament. (2021b). Person identification, human rights and ethical
principles: Rethinking biometrics in the era of artificial intelligence. https://www.europarl.europa.eu/regdata/etudes/stud/2021/697191/eprs_stu(2021)697191_en.pdf
Ezichi, S. I.,
Ezika, I. J. F., Nkpume, C., y Iloanusi, O. N. (2020). Biometric security: A
review of the sum rule and the likelihood ratio fusion algorithms for
multibiometric systems [Conferencia]. 2020
LGT-ECE-UNN International Conference: Technological Innovation for Holistic
Sustainable Development, Nsukka, Nigeria https://www.researchgate.net/publication/351461712_Biometric_Security_A_Review_of_the_Sum_Rule_and_the_Likelihood_Ratio_Fusion_Algorithms_for_Multibiometric_Systems
Genser, N., Seiler, J., y Kaup, A. (2020). Camera array for
multi-spectral imaging. IEEE transactions on image processing: a
publication of the IEEE Signal Processing Society, 29,
9234–9249. https://doi.org/10.1109/tip.2020.3024738
Ghadge, M. N.
(2024). Digital identity in the age of cybersecurity: Challenges and
solutions. Global Journal of Computer Science and Technology, 1–9. https://doi.org/10.34257/ljrcstvol24is1pg1
International
Organization for Standardization (ISO). (2018). Information technology —
Biometrics — Overview and application. https://www.iso.org/obp/ui/#iso:std:iso-iec:tr:24741:ed-2:v1:en
Khan, A. H., y Aithal, P. S. (2022). Voice biometric systems for
user identification and authentication – A literature review. International
Journal of Applied Engineering and Management Letters, 198–209. https://doi.org/10.47992/ijaeml.2581.7000.0131
Khan, N., y Efthymiou, M. (2021). The use of biometric
technology at airports: The case of customs and border protection (CBP). International
Journal of Information Management Data Insights, 1(2), 100049. https://doi.org/10.1016/j.jjimei.2021.100049
Labayen, M., Vea, R., Florez, J., Aginako, N., y Sierra, B. (2021). Online student
authentication and proctoring system based on multimodal biometrics
technology. IEEE access: practical innovations, open solutions, 9,
72398–72411. https://doi.org/10.1109/access.2021.3079375
Mane, J. S., y Bhosale, S. (2023). Advancements in biometric
authentication systems: A comprehensive survey on internal traits, multimodal
systems, and vein pattern biometrics. Revue d intelligence artificielle, 37(3),
709–718. https://doi.org/10.18280/ria.370319
Page, M. J.,
McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville,
J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W.,
mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement:
an updated guideline for reporting systematic reviews. BMJ (Clinical
Research Ed.), n71. https://doi.org/10.1136/bmj.n71
Ryu, R., Yeom, S.,
Herbert, D., y Dermoudy, J. (2023). The design and evaluation of adaptive
biometric authentication systems: Current status, challenges and future
direction. ICT Express, 9(6), 1183–1197. https://doi.org/10.1016/j.icte.2023.04.003
Serratosa, F.
(2020). Security in biometric systems. En arXiv
[cs.CR]. https://doi.org/10.48550/ARXIV.2011.05679
Sharma, S., y Dwivedi, R. (2024). A survey on blockchain
deployment for biometric systems. IET Blockchain, 4(2),
124–151. https://doi.org/10.1049/blc2.12063
Shaveta, D., y
Munish, K. (2020). A comprehensive survey on the biometric recognition systems
based on physiological and behavioral modalities. Expert Systems with
Applications, 143(113114), 113114. https://doi.org/10.1016/j.eswa.2019.113114
Sumalatha, U.,
Prakasha, K. K., Prabhu, S., y Nayak, V. C. (2024). A comprehensive review of
unimodal and multimodal fingerprint biometric authentication systems: Fusion,
attacks, and template protection. IEEE access: practical innovations,
open solutions, 12, 64300–64334. https://doi.org/10.1109/access.2024.3395417
Tucci, C., Della Greca, A., Tortora, G., y Francese, R. (2024). Explainable
biometrics: a systematic literature review. Journal of Ambient
Intelligence and Humanized Computing. https://doi.org/10.1007/s12652-024-04856-1