डिजिटल युग में, हम इस विचार के अभ्यस्त हो गए हैं कि एन्क्रिप्शन हमारी संचार व्यवस्था के लिए परम ढाल है। हम भरोसा करते हैं कि यदि कोई संदेश ट्रांसमिशन के दौरान स्कैंबल (scrambled) किया जाता है, तो वह झाँकने वाली आँखों से सुरक्षित रहता है। हालाँकि, इस तर्क में एक महत्वपूर्ण कमी बनी हुई है: एन्क्रिप्शन डेटा की रक्षा करता है, लेकिन यह यह सिद्ध नहीं करता कि डिवाइस किसके हाथ में है या क्या दूसरी ओर का व्यक्ति वही व्यक्ति है जिसने बातचीत शुरू की थी। रिमोट सर्जरी, औद्योगिक नियंत्रण, या सुरक्षित टेलीप्रेजेंस जैसे उच्च-दांव वाले वातावरणों में, यह जानना पर्याप्त नहीं है कि कनेक्शन एन्क्रिप्टेड है; यह जानना भी आवश्यक है कि अधिकृत मानव वास्तव में उपस्थित है और क्या डिवाइस को किसी दुर्भावनापूर्ण छद्म रूप (imposter) द्वारा बदला नहीं गया है। इस चुनौती के लिए एक ऐसे सिस्टम की आवश्यकता है जो न केवल लॉगिन के समय, बल्कि पूरे सत्र के दौरान निरंतर पहचान को सत्यापित कर सके, भले ही प्रकाश बदल रहा हो, चेहरे मुड़ रहे हों, या कैमरे खराब दृश्यता के साथ संघर्ष कर रहे हों।

भारत के एसआरएम इंस्टीट्यूट ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नया आर्किटेक्चर प्रस्तावित किया है, जो इंटरनेट के "एज" (edge) के लिए डिज़ाइन किया गया है—स्मार्ट कैमरों, रोबोट और मोबाइल उपकरणों का नेटवर्क जो सीमित कंप्यूटिंग शक्ति के साथ काम करते हैं। उनका कार्य, जिसका शीर्षक "क्वांटम-रेज़िलिएंट आइडेंटिटी-अवेयर कम्युनिकेशन फॉर एज आईओटी" (Quantum-Resilient Identity-Aware Communication for Edge IoT) है, एक ऐसी प्रणाली पेश करता है जो कच्चे वीडियो स्ट्रीम भेजने से दूर हटती है, जो भारी और असुरक्षित होते हैं, और इसके बजाय व्यक्ति के चेहरे के संक्षिप्त, गणितीय सारांश भेजती है। ये सारांश, जिन्हें एम्बेडिंग्स (embeddings) कहा जाता है, DINOv2 नामक एक शक्तिशाली विजुअल इंटेलिजेंस मॉडल द्वारा उत्पन्न किए जाते हैं, जिसे विशिष्ट चेहरों को सिखाने की आवश्यकता के बिना पैटर्न पहचानने के लिए प्री-ट्रेन किया गया है। सिस्टम फिर पहचान को सत्यापित करने के लिए दो विशिष्ट तरीकों का उपयोग करता है: एक सियामी नेटवर्क (Siamese network), जो दो अवलोकनों की तुलना करने वाले एक सख्त द्वारपाल की तरह कार्य करता है कि क्या वे मेल खाते हैं, और एक ग्राफ न्यूरल नेटवर्क (Graph Neural Network), जो यह सुनिश्चित करने के लिए अवलोकनों के अनुक्रम को देखता है कि व्यक्ति की पहचान निरंतर और तार्किक बनी रहे।

इस शोध का मूल यह है कि यह विजुअल डेटा को कैसे संभालता है। एक पूर्ण वीडियो फ्रेम प्रसारित करने के बजाय, जो महत्वपूर्ण बैंडविड्थ का उपभोग करेगा और संवेदनशील दृश्य जानकारी को उजागर करेगा, डिवाइस एक एकल फ्रेम कैप्चर करता है, उसे स्थानीय रूप से प्रोसेस करता है, और एक छोटा, क्वांटाइज्ड वेक्टर निकालता है जो व्यक्ति की पहचान का प्रतिनिधित्व करता है। इस वेक्टर को फिर एक सुरक्षित एज गेटवे पर भेजा जाता है। गेटवे केवल यह जाँच नहीं करता कि चेहरा संग्रहीत फोटो से मेल खाता है या नहीं; यह निरंतर विश्वास मूल्यांकन (continuous trust evaluation) लागू करता है। यह वर्तमान चेहरे को नामांकित उपयोगकर्ता से मिलाने के लिए सियामी नेटवर्क का उपयोग करता है, और यह देखने के लिए ग्राफ न्यूरल नेटवर्क का उपयोग करता है कि वर्तमान अवलोकन और पिछले अवलोकनों के बीच संबंध क्या है। यदि ग्राफ एक अचानक, अतार्किक बदलाव का पता लगाता—जैसे कि एक चेहरा जो उपयोगकर्ता जैसा दिखता है लेकिन एक ऐसे तरीके से दिखाई देता है जो स्थापित पैटर्न या प्रकाश व्यवस्था को तोड़ता है—तो सिस्टम एक विसंगति (anomaly) को फ्लैग कर सकता है। यह दृष्टिकोण सिस्टम को वास्तविक दुनिया की जटिलताओं जैसे कि व्यक्ति के सिर घुमाने, चेहरे पर छाया पड़ने, या कैमरे के आंशिक रूप से बाधित होने को संभालने की अनुमति देता है, जबकि सुरक्षा का उच्च स्तर बनाए रखता है।

यह सुनिश्चित करने के लिए कि यह सिस्टम भविष्य के लिए तैयार है, शोधकर्ताओं ने पोस्ट-क्वांटम क्रिप्टोग्राफी को एकीकृत किया है, जो क्वांटम कंप्यूटरों के हमलों को सहने के लिए डिज़ाइन किया गया एन्क्रिप्शन का एक रूप है। इसका अर्थ है कि पहचान डेटा की रक्षा करने वाले डिजिटल हस्ताक्षर और कुंजियाँ न केवल आज के कंप्यूटरों के लिए सुरक्षित हैं, बल्कि आने वाले दशकों में मौजूद उन्नत कंप्यूटिंग शक्ति के लिए भी तैयार हैं। संपूर्ण पाइपलाइन इतनी हल्की (lightweight) डिज़ाइन की गई है कि इसे सामान्य एज हार्डवेयर पर चलाया जा सके। टीम ने अपने प्रोटोटाइप का परीक्षण Raspberry Pi 4 और Jetson Nano जैसे उपकरणों पर किया, जो छोटे, किफायती कंप्यूटर हैं जिनका उपयोग अक्सर रोबोटिक्स और स्मार्ट उपकरणों में किया जाता है। परिणामों ने दिखाया कि सिस्टम Raspberry Pi पर 62 मिलीसेकंड और Jetson Nano पर मात्र 28 मिलीसेकंड में चेहरे से पहचान संबंधी विशेषताओं को निकाल सकता है। बाद के सत्यापन चरण और भी तेज़ थे, जिसमें सियामी चेक में केवल 1.7 मिलीसेकंड और ग्राफ-आधारित तर्क में 9 से 14 मिलीसेकंड का समय लगा।

सिस्टम की दक्षता गति से परे डेटा ट्रांसमिशन की मात्रा तक फैली हुई है। पूर्ण वीडियो फ्रेम के बजाय केवल संक्षिप्त पहचान वेक्टर भेजकर, शोधकर्ताओं ने विजुअल डेटा ट्रांसमिशन में लगभग 94 प्रतिशत की कमी हासिल की। बैंडविड्थ में यह भारी कमी सिस्टम को उन नेटवर्क के लिए व्यवहार्य बनाती है जहाँ डेटा महंगा या सीमित है। कैप्चर किए गए फ्रेम से लेकर यह निर्णय लेने तक का कुल समय कि क्या संचार सत्र जारी रखने की अनुमति दी जानी चाहिए, 110 मिलीसेकंड से कम मापा गया था, जो रिमोट हेल्थकेयर परामर्श या ऑपरेटर-टू-मशीन संचार जैसे इंटरैक्टिव परिदृश्यों को बिना किसी ध्यान देने योग्य लैग के समर्थन देने के लिए पर्याप्त तेज़ है। शोधकर्ताओं ने अपनी विजुअल रिकग्निशन क्षमताओं को दो प्रसिद्ध डेटासेट्स, 'लेबलड फेसेस इन द वाइल्ड' (Labeled Faces in the Wild) और 'सेलेबए' (CelebA) का उपयोग करके मान्य किया, जिनमें विभिन्न पोज़, प्रकाश व्यवस्था और भावों के साथ हजारों चित्र शामिल हैं। इन परीक्षणों ने पुष्टि की कि सिस्टम अलग-अलग व्यक्तियों के बीच अंतर कर सकता है, भले ही चित्र कठिन हों, जैसे कि जब चेहरा आंशिक रूप रूप से बाधित हो या असामान्य कोण से देखा गया हो।

अध्ययन स्पष्ट रूप से इस विचार को खारिज करता है कि गतिशील वातावरण में विश्वसनीय प्रमाणीकरण के लिए एकल-फ्रेम जांच पर्याप्त है। लेखक तर्क देते हैं कि केवल एक स्नैपशॉट पर निर्भर रहना बहुत नाजुक है क्योंकि यह लाइव बातचीत के दौरान होने वाले प्राकृतिक बदलावों को ध्यान में नहीं रख सकता। इसके बजाय, वे प्रदर्शित करते हैं कि एक फ्रोजन (frozen), प्री-ट्रेन किए गए विजुअल एनकोडर को ग्राफ-आधारित रीजनिंग इंजन के साथ जोड़ना एक बहुत अधिक स्थिर और विश्वसनीय आधार प्रदान करता है। सिस्टम को प्रत्येक नए एप्लिकेशन के लिए मुख्य विजुअल मॉडल को भारी, ऊर्जा-गहन पुन: प्रशिक्षण की आवश्यकता नहीं होती है; इसके बजाय, यह शक्तिशाली विस्कल एनकोडर को स्थिर रखता है और केवल हल्के निर्णय लेने वाले 'हेड्स' (heads) को प्रशिक्षित करता है। यह पृथक्करण इस तकनीक को विभिन्न प्रकार के उपकरणों और सेवाओं, जैसे स्मार्ट क्लासरूम से लेकर औद्योगिक नियंत्रण कक्षों तक, बिना किसी बड़े कंप्यूटेशनल संसाधनों की आवश्यकता के तैनात करने की अनुमति देता है।

अपने निष्कर्ष में, शोधकर्ता इस बात पर जोर देते हैं कि यह ढांचा एक अंतिम, पूर्ण समाधान नहीं है, बल्कि एज युग में सुरक्षित, पहचान-जागरूक संचार की दिशा में एक महत्वपूर्ण कदम है। वे नोट करते हैं कि जबकि उनका प्रोटोटाइप व्यवहार्यता और गति प्रदर्शित करता है, भविष्य के कार्य को पूर्ण वास्तविक समय वीडियो सत्रों, संभावित रीप्ले हमलों (जहाँ हमलावर पुराने डेटा को रिकॉर्ड और फिर से भेजता है), और विभिन्न जनसांख्यिकीय समूहों के बीच सिस्टम की निष्पक्षता को संबोधित करने की आवश्यकता होगी। यह पेपर एक स्पष्ट मार्ग प्रस्तुत करता है: एक ऐसा सिस्टम जो न केवल डेटा की रक्षा करता है, बल्कि अधिकृत मानव की उपस्थिति की भी रक्षा करता है, जो उन्नत विजुअल लर्निंग, ग्राफ-आधारित तर्क और भविष्य के अनुकूल क्रिप्टोग्राफी के संयोजन का उपयोग करता है। कच्चे वीडियो ट्रांसमिशन से बुद्धिमान, संक्षिप्त पहचान टोकन की ओर ध्यान केंद्रित करके, शोधकर्ताओं ने दिखाया है कि सबसे सीमित उपकरणों पर भी उच्च सुरक्षा और गोपनीयता बनाए रखना संभव है, यह सुनिश्चित करते हुए कि स्क्रीन पर मौजूद व्यक्ति वास्तव में वही है जो वह होने का दावा कर रहा है।