Nell'era digitale, ci siamo abituati all'idea che la crittografia sia lo scudo ultimo per le nostre comunicazioni. Confidiamo nel fatto che, se un messaggio viene cifrato durante la trasmissione, rimanga al sicuro dagli occhi indiscreti. Tuttavia, una lacuna critica rimane in questa logica: la crittografia protegge i dati, ma non prova chi stia impugnando il dispositivo o se la persona dall'altra parte sia ancora lo stesso individuo che ha iniziato la conversazione. In ambienti ad alto rischio come la chirurgia remota, il controllo industriale o la telepresenza sicura, sapere che una connessione è criptata non è sufficiente; bisogna anche sapere che l'essere umano autorizzato è effettivamente presente e che il dispositivo non è stato sostituito con un impostore malevolo. Questa sfida richiede un sistema in grado di verificare continuamente l'identità, non solo al momento del login, ma durante l'intera durata di una sessione, anche quando la luce cambia, i volti si girano o le telecamere faticano a causa di una scarsa visibilità.

I ricercatori dell'SRM Institute of Science and Technology in India hanno proposto una nuova architettura progettata per risolvere questo problema per l' "edge" di internet — la rete di telecamere intelligenti, robot e dispositivi mobili che operano con una potenza di calcolo limitata. Il loro lavoro, intitolato "Quantum-Resilient Identity-Aware Communication for Edge IoT", introduce un sistema che si allontana dall'invio di flussi video grezzi, pesanti e vulnerabili, e invia invece riassunti matematici compatti del volto di una persona. Questi riassunti, noti come embedding, sono generati da un potente modello di intelligenza visiva chiamato DINOv2, che è stato pre-addestrato per riconoscere schemi senza dover essere istruito su volti specifici. Il sistema utilizza quindi due metodi specializzati per verificare l'identità: una rete Siamese, che agisce come un rigoroso guardiano che confronta due osservazioni per vedere se corrispondono, e una Rete Neurale a Grafo (Graph Neural Network), che analizza la sequenza di osservazioni nel tempo per garantire che l'identità della persona rimanga coerente e logica.

Il cuore di questa ricerca risiede nel modo in cui gestisce i dati visivi. Invece di trasmettere un intero fotogramma video, che consumerebbe molta larghezza di banda ed esporrebbe informazioni visive sensibili, il dispositivo cattura un singolo fotogramma, lo elabora localmente ed estrae un vettore quantizzato minuscolo che rappresenta l'identità della persona. Questo vettore viene poi inviato a un gateway edge sicuro. Il gateway non si limita a controllare se il volto corrisponde a una foto memorizzata; impiega una valutazione continua della fiducia. Utilizza la rete Siamese per verificare che il volto attuale corrisponda all'utente registrato e utilizza la Rete Neurale a Grafo per ragionare sulla relazione tra l'osservazione attuale e quelle precedenti nella sessione. Se il grafo rileva uno spostamento improvviso e illogico — come un volto che somiglia all'utente ma appare in un modo che rompe il modello di movimento o di illuminazione stabilito — il sistema può segnalare un'anomalia. Questo approccio consente al sistema di gestire complicazioni del mondo reale come una persona che gira la testa, un'ombra che cade sul volto o una telecamera parzialmente ostruita, pur mantenendo un alto livello di sicurezza.

Per garantire che questo sistema sia pronto per il futuro, i ricercatori hanno integrato la crittografia post-quantistica, una forma di cifratura progettata per resistere agli attacchi dei futuri computer quantistici. Ciò significa che le firme digitali e le chiavi utilizzate per proteggere i dati di identità non sono solo sicure contro i computer di oggi, ma sono anche preparate per la potenza di calcolo avanzata che potrebbe esistere nei decenni a venire. L'intera pipeline è progettata per essere abbastanza leggera da poter essere eseguita su comune hardware edge. Il team ha testato il prototipo su dispositivi come il Raspberry Pi 4 e il Jetson Nano, piccoli computer economici spesso utilizzati nella robotica e nei dispositivi intelligenti. I risultati hanno dimostrato che il sistema può estrarre le caratteristiche di identità da un volto in 62 millisecondi su un Raspberry Pi e in soli 28 millisecondi su un Jetson Nano. Le successive fasi di verifica sono state ancora più veloci, con il controllo Siamese che ha richiesto solo 1,7 millisecondi e il ragionamento basato sul grafo tra i 9 e i 14 millisecondi.

L'efficienza del sistema si estende oltre la velocità alla quantità di dati trasmessi. Inviando solo il compatto vettore di identità invece di un intero fotogramma video, i ricercatori hanno ottenuto una riduzione della trasmissione di dati visivi di circa il 94 percento. Questa massiccia riduzione della larghezza di banda rende il sistema praticabile per reti in cui i dati sono costosi o limitati. Il tempo totale dal catturare un fotogramma al prendere una decisione su se consentire la continuazione della sessione di comunicazione è stato misurato in meno di 110 millisecondi, una velocità sufficientemente rapida per supportare scenari interattivi come consultazioni mediche remote o comunicazione operatore-macchina senza ritardi percepibili. I ricercatori hanno convalidato le loro capacità di riconoscimento visivo utilizzando due dataset ben noti, Labeled Faces in the Wild e CelebA, che contengono migliaia di immagini con diverse pose, condizioni di luce ed espressioni. Questi test hanno confermato che il sistema può distinguere tra diversi individui anche quando le immagini sono difficili, come quando un volto è parzialmente oscurato o visto da un angolo insolito.

Lo studio esclude esplicitamente l'idea che un controllo a singolo fotogramma sia sufficiente per un'autenticazione affidabile in ambienti dinamici. Gli autori sostengono che fare affidamento su un solo scatto sia troppo fragile perché non può tenere conto delle variazioni naturali che si verificano durante una conversazione dal vivo. Invece, dimostrano che combinare un encoder visivo pre-addestrato e fisso con un motore di ragionamento basato su grafi fornisce una base molto più stabile e affidabile. Il sistema non richiede il processo pesante e dispendioso di energia di ri-addestrare il modello visivo principale per ogni nuova applicazione; al contrario, mantiene il potente encoder visivo fisso e addestra solo le parti decisionali leggere. Questa separazione permette alla stessa tecnologia sottostante di essere distribuita su diversi tipi di dispositivi e servizi, dalle classi intelligenti alle sale di controllo industriale, senza la necessità di enormi risorse computazionali all'endpoint.

Nella loro conclusione, i ricercatori sottolineano che questo framework non è una soluzione finale e perfetta, ma un passo significativo verso una comunicazione sicura e consapevole dell'identità nell'era dell'edge. Notano che, sebbene il loro prototipo dimostri fattibilità e velocità, il lavoro futuro dovrà affrontare le sessioni video in tempo reale completo, i potenziali attacchi di replay in cui un attaccante registra e reinvia vecchi dati, e l'equità del sistema tra i diversi gruppi demografici. Il documento presenta una chiara strada da seguire: un sistema che protegge non solo i dati, ma la presenza dell'essere umano autorizzato, utilizzando una combinazione di apprendimento visivo avanzato, logica basata su grafi e crittografia a prova di futuro. Spostando l'attenzione dalla trasmissione di video grezzi a token di identità intelligenti e compatti, i ricercatori hanno dimostrato che è possibile mantenere un'alta sicurezza e privacy anche sui dispositivi più limitati, garantendo che la persona sullo schermo sia veramente chi afferma di essere.