En la era digital, nos hemos acostumbrado a la idea de que el cifrado es el escudo definitivo para nuestras comunicaciones. Confiamos en que, si un mensaje se codifica durante la transmisión, permanece a salvo de miradas indiscretas. Sin embargo, una brecha crítica persiste en esta lógica: el cifrado protege los datos, pero no demuestra quién sostiene el dispositivo o si la persona al otro lado sigue siendo la misma que inició la conversación. En entornos de alto riesgo como la cirugía remota, el control industrial o la telepresencia segura, saber que una conexión está cifrada no es suficiente; también se debe saber que el humano autorizado está realmente presente y que el dispositivo no ha sido sustituido por un impostor malicioso. Este desafío requiere un sistema que pueda verificar la identidad de forma continua, no solo en el momento del inicio de sesión, sino durante toda la duración de una sesión, incluso cuando cambie la iluminación, los rostros giren o las cámaras tengan dificultades debido a una mala visibilidad.

Investigadores del Instituto de Ciencia y Tecnología SRM en la India han propuesto una nueva arquitectura diseñada para resolver este problema para el "borde" (edge) de internet —la red de cámaras inteligentes, robots y dispositivos móviles que operan con una capacidad de cómputo limitada—. Su trabajo, titulado "Comunicación consciente de la identidad y resistente al quantum para el IoT de borde", introduce un sistema que se aleja del envío de transmisiones de video en bruto, que son pesadas y vulnerables, y en su lugar envía resúmenes matemáticos compactos del rostro de una persona. Estos resúmenes, conocidos como embeddings, son generados por un potente modelo de inteligencia visual llamado DINOv2, el cual ha sido preentrenado para reconocer patrones sin necesidad de ser instruido sobre rostros específicos. El sistema utiliza entonces dos métodos especializados para verificar la identidad: una red siamesa, que actúa como un estricto portero comparando dos observaciones para ver si coinciden, y una Red Neuronal de Grafos, que observa la secuencia de observaciones a lo largo del tiempo para asegurar que la identidad de la persona se mantenga constante y lógica.

El núcleo de esta investigación reside en cómo gestiona los datos visuales. En lugar de transmitir un cuadro de video completo, lo que consumiría un ancho de banda significativo y expondría información visual sensible, el dispositivo captura un único fotograma, lo procesa localmente y extrae un vector cuantizado diminuto que representa la identidad de la persona. Este vector se envía entonces a una puerta de enlace (gateway) de borde segura. La puerta de enlace no solo comprueba si el rostro coincide con una foto almacenada; emplea una evaluación de confianza continua. Utiliza la red siamesa para verificar que el rostro actual coinca con el usuario registrado, y utiliza la Red Neuronal de Grafos para razonar sobre la relación entre la observación actual y las anteriores en la sesión. Si el grafo detecta un cambio repentino e ilógico —como un rostro que se parece al del usuario pero que aparece de una manera que rompe el patrón de movimiento o iluminación establecido—, el sistema puede señalar una anomalía. Este enfoque permite al sistema manejar complicaciones del mundo real como que una persona gire la cabeza, que una sombra caiga sobre su rostro o que una cámara sea parcialmente bloqueada, todo ello manteniendo un alto nivel de seguridad.

Para asegurar que este sistema esté preparado para el futuro, los investigadores integraron la criptografía post-cuántica, una forma de cifrado diseñada para resistir ataques de futuros ordenadores cuánticos. Esto significa que las firmas digitales y las claves utilizadas para proteger los datos de identidad no solo son seguras contra las computadoras de hoy, sino que también están preparadas para la avanzada potencia de cálculo que pueda existir en las décadas venideras. Todo el flujo de trabajo está diseñado para ser lo suficientemente ligero como para ejecutarse en hardware de borde común. El equipo probó su prototipo en dispositivos como la Raspberry Pi 4 y la Jetson Nano, que son computadoras pequeñas y económicas utilizadas frecuentemente en robótica y dispositivos inteligentes. Los resultados mostraron que el sistema podía extraer las características de identidad de un rostro en 62 milisegundos en una Raspberry Pi y en solo 28 milisegundos en una Jetson Nano. Los pasos de verificación subsiguientes fueron incluso más rápidos, con la comprobación siamesa tomando solo 1.7 milisegundos y el razonamiento basado en grafos entre 9 y 14 milisegundos.

La eficiencia del sistema se extiende más allá de la velocidad al volumen de datos que transmite. Al enviar únicamente el compacto vector de identidad en lugar de un cuadro de video completo, los investigadores lograron una reducción en la transmisión de datos visuales de aproximadamente el 94 por ciento. Esta reducción masiva de ancho de banda hace que el sistema sea viable para redes donde los datos son costosos o limitados. El tiempo total desde la captura de un fotograma hasta la toma de una decisión sobre si permitir que la sesión de comunicación continúe se midió en menos de 110 milisegundos, una velocidad lo suficientemente rápida como para soportar escenarios interactivos como consultas de salud remota o comunicación operador-máquina sin un retraso perceptible. Los investigadores validaron sus capacidades de reconocimiento visual utilizando dos conjuntos de datos muy conocidos, Labeled Faces in the Wild y CelebA, que contienen miles de imágenes con diversas poses, condiciones de iluminación y expresiones. Estas pruebas confirmaron que el sistema podía distinguir entre diferentes individuos incluso cuando las imágenes eran difíciles, como cuando un rostro estaba parcialmente obstruido o visto desde un ángulo inusual.

El estudio descarta explícitamente la idea de que una verificación de un solo fotograma sea suficiente para una autenticación fiable en entornos dinámicos. Los autores argumentan que confiar solo en una instantánea es demasiado frágil porque no puede dar cuenta de las variaciones naturales que ocurren durante una conversación en vivo. En su lugar, demuestran que combinar un codificador visual congelado y preentrenado con un motor de razonamiento basado en grafos proporciona una base mucho más estable y confiable. El sistema no requiere el proceso pesado y de alto consumo energético de reentrenar el modelo visual principal para cada nueva aplicación; en su lugar, mantiene el potente codificador visual fijo y solo entrena las cabezas de decisión ligeras. Esta separación permite que la misma tecnología subyacente se despliegue en diferentes tipos de dispositivos y servicios, desde aulas inteligentes hasta salas de control industrial, sin necesidad de recursos computacionales masivos en el extremo (endpoint).

En su conclusión, los investigadores enfatizan que este marco de trabajo no es una solución final y perfecta, sino un paso significativo hacia la comunicación consciente de la identidad en la era del borde. Señalan que, si bien su prototipo demuestra viabilidad y velocidad, el trabajo futuro deberá abordar las sesiones de video en tiempo real completo, los posibles ataques de repetición (replay attacks) donde un atacante graba y reenvía datos antiguos, y la equidad del sistema entre diferentes grupos demográficos. El artículo presenta un camino claro a seguir: un sistema que protege no solo los datos, sino la presencia del humano autorizado, utilizando una combinación de aprendizaje visual avanzado, lógica basada en grafos y criptografía preparada para el futuro. Al cambiar el enfoque de la transmisión de video en bruto hacia tokens de identidad inteligentes y compactos, los investigadores han demostrado que es posible mantener una alta seguridad y privacidad incluso en los dispositivos más limitados, asegurando que la persona en la pantalla es realmente quien afirma ser.