À l'ère numérique, nous nous sommes accoutumés à l'idée que le chiffrement est le bouclier ultime de nos communications. Nous avons confiance dans le fait que si un message est brouillé pendant la transmission, il reste à l'abri des regards indiscrets. Cependant, une faille critique subsiste dans cette logique : le chiffrement protège les données, mais il ne prouve pas qui tient l'appareil ou si la personne à l'autre bout est toujours la même que celle qui a commencé la conversation. Dans des environnements à enjeux élevés comme la chirurgie à distance, le contrôle industriel ou la téléprésence sécurisée, savoir qu'une connexion est chiffrée ne suffit pas ; il faut également savoir que l'humain autorisé est réellement présent et que l'appareil n'a pas été remplacé par un imposteur malveillant. Ce défi nécessite un système capable de vérifier l'identité en continu, non seulement au moment de la connexion, mais tout au long de la session, même lorsque l'éclairage change, que les visages se tournent ou que les caméras luttent contre une mauvaise visibilité.

Des chercheurs de l'Institut des sciences et technologies SRM en Inde ont proposé une nouvelle architecture conçue pour résoudre ce problème pour l'« edge » (la périphérie) d'Internet — le réseau de caméras intelligentes, de robots et d'appareils mobiles qui fonctionnent avec une puissance de calcul limitée. Leurs travaux, intitulés « Quantum-Resilient Identity-Aware Communication for Edge IoT », introduisent un système qui s'éloigne de l'envoi de flux vidéo bruts, qui sont lourds et vulnérables, pour envoyer plutôt des résumés mathématiques compacts du visage d'une personne. Ces résumés, appelés plongements (embeddings), sont générés par un modèle d'intelligence visuelle puissant appelé DINOv2, qui a été pré-entraîné pour reconnaître des motifs sans avoir besoin d'être instruit sur des visages spécifiques. Le système utilise ensuite deux méthodes spécialisées pour vérifier l'identité : un réseau siamois, qui agit comme un gardien strict comparant deux observations pour voir si elles correspondent, et un réseau de neurones graphiques (Graph Neural Network), qui examine la séquence d'observations au fil du temps pour s'assurer que l'identité de la personne reste cohérente et logique.

Le cœur de cette recherche réside dans la gestion des données visuelles. Au lieu de transmettre une image vidéo complète, ce qui consommerait une bande passante importante et exposerait des informations visuelles sensibles, l'appareil capture une seule image, la traite localement et extrait un minuscule vecteur quantifié qui représente l'identité de la personne. Ce vecteur est ensuite envoyé vers une passerelle edge sécurisée. La passerelle ne se contente pas de vérifier si le visage correspond à une photo enregistrée ; elle emploie une évaluation de confiance continue. Elle utilise le réseau siamois pour vérifier que le visage actuel correspond à l'utilisateur inscrit, et elle utilise le réseau de neurones graphiques pour raisonner sur la relation entre l'observation actuelle et les précédentes au cours de la session. Si le graphe détecte un changement soudain et illogique — comme un visage qui ressemble à celui de l'utilisateur mais qui apparaît d'une manière qui rompt le schéma de mouvement ou d'éclairage établi — le système peut signaler une anomalie. Cette approche permet au système de gérer les complications du monde réel telles qu'une personne tournant la tête, une ombre tombant sur son visage ou une caméra partiellement obstruée, tout en maintenant un haut niveau de sécurité.

Pour garantir que ce système soit prêt pour l'avenir, les chercheurs ont intégré la cryptographie post-quantique, une forme de chiffrement conçue pour résister aux attaques des futurs ordinateurs quantiques. Cela signifie que les signatures numériques et les clés utilisées pour protéger les données d'identité ne sont pas seulement sécurisées contre les ordinateurs d'aujourd'hui, mais sont également préparées pour la puissance de calcul avancée qui pourrait exister dans les décennies à venir. L'ensemble du pipeline est conçu pour être suffisamment léger pour fonctionner sur du matériel edge courant. L'équipe a testé son prototype sur des appareils tels que le Raspberry Pi 4 et le Jetson Nano, qui sont de petits ordinateurs abordables souvent utilisés dans la robotique et les objets connectés. Les résultats ont montré que le système pouvait extraire les caractéristiques d'identité d'un visage en 62 millisecondes sur un Raspberry Pi et seulement 28 millisecondes sur un Jetson Nano. Les étapes de vérification suivantes étaient encore plus rapides, la vérification siamoise ne prenant que 1,7 milliseconde et le raisonnement basé sur le graphe prenant entre 9 et 14 millisecondes.

L'efficacité du système s'étend au-delà de la vitesse pour toucher la quantité de données transmises. En envoyant uniquement le vecteur d'identité compact au lieu d'une image vidéo complète, les chercheurs ont obtenu une réduction de la transmission de données visuelles d'environ 94 %. Cette réduction massive de la bande passante rend le système viable pour les réseaux où les données sont coûteuses ou limitées. Le temps total, de la capture d'une image à la prise de décision sur la poursuite de la session de communication, a été mesuré à moins de 110 millisecondes, une vitesse assez rapide pour supporter des scénarios interactifs comme les consultations médicales à distance ou la communication opérateur-machine sans décalage perceptible. Les chercheurs ont validé leurs capacités de reconnaissance visuelle en utilisant deux ensembles de données bien connus, Labeled Faces in the Wild et CelebA, qui contiennent des milliers d'images présentant diverses poses, conditions d'éclairage et expressions. Ces tests ont confirmé que le système pouvait distinguer différents individus même lorsque les images étaient difficiles, comme lorsqu'un visage était partiellement obstrué ou vu sous un angle inhabituel.

L'étude exclut explicitement l'idée qu'une vérification sur une seule image soit suffisante pour une authentification fiable dans des environnements dynamiques. Les auteurs soutiennent que s'appuyer sur un seul instantané est trop fragile car cela ne peut pas rendre compte des variations naturelles qui surviennent lors d'une conversation en direct. Au lieu de cela, ils démontrent qu'en combinant un encodeur visuel pré-entraîné et figé avec un moteur de raisonnement basé sur les graphes, on fournit une base beaucoup plus stable et digne de confiance. Le système ne nécessite pas le processus lourd et énergivore de réentraînement du modèle visuel principal pour chaque nouvelle application ; au lieu de cela, il garde l'encodeur visuel puissant fixe et n'entraîne que les têtes de décision légères. Cette séparation permet de déployer la même technologie sous-jacente sur différents types d'appareils et de services, des salles de classe intelligentes aux salles de contrôle industriel, sans nécessiter de ressources de calcul massives au point de terminaison.

Dans leur conclusion, les chercheurs soulignent que ce cadre n'est pas une solution finale et parfaite, mais une étape significative vers une communication sécurisée et consciente de l'identité à l'ère de l'edge. Ils notent que bien que leur prototype démontre la faisabilité et la vitesse, les travaux futurs devront aborder les sessions vidéo en temps réel complet, les attaques par rejeu où un attaquant enregistre et renvoie de vieilles données, ainsi que l'équité du système vis-à-vis des différents groupes démographiques. Le document présente une voie claire : un système qui protège non seulement les données, mais aussi la présence de l'humain autorisé, en utilisant une combinaison d'apprentissage visuel avancé, de logique basée sur les graphes et de cryptographie prête pour le futur. En déplaçant l'accent de la transmission de vidéos brutes vers des jetons d'identité intelligents et compacts, les chercheurs ont montré qu'il est possible de maintenir une sécurité et une confidentialité élevées, même sur les appareils les plus contraints, garantissant que la personne à l'écran est réellement celle qu'elle prétend être.