Ujjlenyomat-hitelesítés — mi ez, működési elv és alkalmazás

Mi az ujjlenyomat-hitelesítés?

Az ujjlenyomat-hitelesítés egy biometrikus azonosítási módszer, amely az ujj felszínén lévő egyedi papilláris mintázatot elemzi a felhasználó személyazonosságának ellenőrzésére. Minden embernek egyedi gerinc- és völgymintázata van, amely a méhen belüli fejlődés 12. hetében alakul ki, és fizikai sérülések kivételével az egész életen át változatlan marad.

Az ujjlenyomat az egyik a három biometrikus jellemzőtípus közül, amelyet a legmegbízhatóbbnak tartanak az automatikus azonosításhoz, a szem írisze és a retina mintázata mellett. A papilláris vonalak jellegzetes jegyeket — minúciákat képeznek: végződéseket, elágazásokat, pontokat és kereszteződéseket. Az ujjlenyomat egyediségét a 40–100 minúcia elhelyezkedése és típusa határozza meg a szkennelési területen, ami két különböző személy esetében 1 a 64 milliárdhoz matematikai valószínűséget ad.

Az első automatizált ujjlenyomat-azonosító rendszerek (AFIS) az 1970-es években jelentek meg a bűnüldöző szervek számára. A tömeges bevezetés a fogyasztói eszközökben 2013-ban kezdődött az iPhone 5S és Touch ID megjelenésével. Ma az ujjlenyomat-szkennereket okostelefonokba, laptopokba, táblagépekbe, ajtózárakba és fizetési terminálokba építik.

Hogyan működik az ujjlenyomat-szkenner?

Az érzékelő típusától függetlenül az ujjlenyomat-hitelesítés folyamata három szakaszból áll: kép rögzítése, feldolgozás és jellemzők kinyerése, összehasonlítás a referenciasablonnal. Minden szakasz végrehajtható az operációs rendszer szintjén és a Trusted Execution Environment szintjén is, a megvalósítástól függően.

Az ujjlenyomat képének rögzítése

Az érzékelő rögzíti az ujj fizikai mintázatát. A kapacitív mátrixok a gerincek (amelyek érintik a mátrixot) és a völgyek (amelyek nem érintik) közötti elektromos potenciálkülönbséget mérik. Az optikai szkennerek LED megvilágítással világítják meg az ujjat, és a visszaverődő fényt CMOS érzékelőn keresztül rögzítik. Az ultrahangos érzékelők hanghullámot bocsátanak ki, és elemzik a bőr különböző mélységeiből visszaverődő visszhangot — ez egy háromdimenziós képet ad, amely ellenáll az ujj felületén lévő szennyeződéseknek.

Minúciák kinyerése és sablon létrehozása

A rögzített kép szűrésen megy keresztül: zajeltávolítás, kontrasztnormalizálás és binarizálás (fekete-fehérré alakítás). Az algoritmus kinyeri a papilláris vonalak gerinceit, csontvázasítja (1 pixel szélességűre vékonyítja) és megtalálja a minúciákat — a vonalak végződéseit és elágazásait. Minden minúciát koordináták (x, y), irányszög és típus ír le. A 2–10 KB méretű matematikai sablon nem tartalmazza az eredeti képet, és nem teszi lehetővé az ujjlenyomat rekonstrukcióját.

Összehasonlítás és döntéshozatal

A szkennelés során kapott sablon összehasonlításra kerül a regisztrációkor elmentett referenciasablonnal. Az algoritmus kiszámítja az egyező minúciák számát. A sikeres ellenőrzéshez legalább 12–15 minúcia egyezése szükséges (gyártó által állítható). Ha az egyező pontok száma meghaladja a küszöbértéket, a hitelesítés sikeresnek tekinthető. Mobil eszközökben a küszöböt úgy állítják be, hogy a FAR ne haladja meg a 0.001%-ot, az FRR pedig körülbelül 2% legyen.

Az ujjlenyomat-szkennerek típusai

A modern mobileszközökben három fő ujjlenyomat-szkenner típust használnak, amelyek a leolvasási technológiában, pontosságban és gyártási költségben különböznek. A típus kiválasztása az eszköz árkategóriájától és a biztonsági követelményektől függ.

2025–2026-ban egyre népszerűbbek a kijelző alatti (in-display) szkennerek, amelyek közvetlenül az OLED kijelző alá vannak beépítve. Lehetnek optikai (olcsó szegmens) és ultrahangos (prémium szegmens) típusúak is. Előny — nincs külön gomb vagy zóna a házon, ami lehetővé teszi a keret nélküli kijelzőt. Az optikai kijelző alatti szkennerek hátránya — érzékenység az erős napfényre, amely átvilágítja a CMOS mátrixot a kijelző pixelein keresztül.

Ujjlenyomat és arcfelismerés összehasonlítása

Az ujjlenyomat-hitelesítés és az arcfelismerés a két domináns biometrikus technológia a mobileszközökben. Mindegyiknek vannak erős és gyenge pontjai, amelyek befolyásolják a választást az adott használati forgatókönyvekben.

• Pontosság (FAR) — ultrahangos ujjlenyomat-szkenner: 0.0005%, 3D Face ID: 0.0001%. Az arcfelismerés pontosabb mélységi kamera használata esetén
• Sebesség — kapacitív szkenner: 200–300 ms, optikai: 400–600 ms, 3D arc: 600–1000 ms. Az ujjlenyomat gyorsabb statikus forgatókönyv esetén
• Érintésmentesség — a Face ID és 2D arc nem igényel érintést; az ujjlenyomat fizikai érintkezést igényel a szkennerrel
• Körülmények — az ujjlenyomat nem működik nedves ujjakkal, de maszkkal és kesztyűvel működik; a Face ID nem működik maszkkal (Apple Watch nélkül) és az IR kamera szennyeződésekor
• Érzékelő költsége — kapacitív szkennerek: ~0.5–1.5 dollár, ultrahangos: ~3–5 dollár, 3D TrueDepth kamera: ~12–15 dollár

A mobilalkalmazás-fejlesztő számára fontos, hogy az Androidon a BiometricPrompt és iOS-en a LocalAuthentication elvonatkoztatja az érzékelő típusát. Régebbi Android eszközökön (API < 28) azonban csak a FingerprintManager lehet elérhető — ebben az esetben az alkalmazásnak explicit módon ellenőriznie kell az érzékelő típusát, és alternatív hitelesítési módszert kell ajánlania.

Fingerprint Auth megvalósítása Androidon

Az Android 9 (API 28) előtt az ujjlenyomat-szkenner integrálásának egyetlen módja a FingerprintManager osztály volt, amely az API 23-ban került bevezetésre. Az Android 9-től kezdve a Google a BiometricPrompt használatát javasolja, amely egyesíti a munkát az összes biometrikus érzékelőtípussal. Az API 23–27-es eszközök esetében azonban a fejlesztőnek továbbra is szüksége lehet a FingerprintManager-re.

class FingerprintAuthHelper(
    private val context: Context
) {
    private val manager =
        context.getSystemService(Context.FINGERPRINT_SERVICE)
            as FingerprintManager?

    fun isFingerprintAvailable(): Boolean {
        return manager?.isHardwareDetected() == true
            && manager?.hasEnrolledFingerprints() == true
    }

    fun authenticate(callback: FingerprintManager.AuthenticationCallback) {
        if (isFingerprintAvailable()) {
            manager?.authenticate(
                null,
                CancellationSignal(),
                0,
                callback,
                null
            )
        }
    }
}

// Használat:
val helper = FingerprintAuthHelper(context)
helper.authenticate(object : FingerprintManager.AuthenticationCallback() {
    override fun onAuthenticationSucceeded(
        result: FingerprintManager.AuthenticationResult
    ) {
        // Ujjlenyomat felismerve — hozzáférés engedélyezve
        binding.showContent()
    }

    override fun onAuthenticationFailed() {
        binding.showError("Ujjlenyomat nem ismerhető fel")
    }
})

A bemutatott kód a teljes hitelesítési ciklust mutatja be FingerprintManager-en keresztül régebbi Android eszközökhöz. Fontos megjegyezni, hogy a FingerprintManager alapértelmezés szerint nem használ TEE-t — a hitelesítés eredménye a felhasználói térbe kerül vissza, ami kevésbé biztonságossá teszi, mint a BIOMETRIC_STRONG zászlóval ellátott BiometricPrompt. Új projektekhez mindig a BiometricPrompt-ot kell használni, a FingerprintManager-t pedig csak az API 23–27 visszafelé kompatibilitásához.

A FingerprintManager-ről BiometricPrompt-ra való migráláskor figyelembe kell venni a biztonsági modell változását: a BiometricPrompt garantálja az összes biometrikus művelet végrehajtását a TEE-ben (Trusted Execution Environment). A TEE-n belül kriptográfiai kulccsal aláírt hitelesítési eredmény nem hamisítható meg felhasználói kódból. Az AndroidX Biometric könyvtár emellett biztosítja a BiometricPrompt.AuthenticationResult.getCryptoObject() interfészt a biometrikus hitelesítés kriptográfiai műveletekhez — kulcsok titkosításához és adatok aláírásához való kapcsolásához.

Biztonsági szabványok és hamisítás elleni védelem

Az ujjlenyomatok hamisítás elleni védelme a szkenner gyártók egyik kulcsfeladata. A modern érzékelők hardveres és algoritmikus módszerek kombinációját használják az élő ujj érzékelésére (liveness detection) és a másolatok blokkolására. Minden módszernek megvannak a korlátai, de együttesen gazdaságilag nem kifizetődővé teszik a hamisítást a tömeges támadásokhoz.

A fő védelmi módszerek a következők: bőrmélység elemzés (az ultrahangos szkennerek a visszhangjel visszatérési ideje alapján határozzák meg az epidermisz vastagságát), bőr spektrális elemzése (az optikai szkennerek a bőr visszaverődési együtthatóját értékelik különböző hullámhosszakon — a szilikon és a zselatin eltérő spektrummal rendelkezik), pulzáció érzékelés (az ujj kapillárisaiban a véráramlás mikrorezgései) és potenciometriai ellenőrzés (az élő bőr meghatározott elektromos impedanciával rendelkezik, amely eltér a szintetikus anyagokétól).

Az ISO/IEC 30107-3:2023 szabvány meghatározza a biometrikus rendszerek prezentációs támadásokkal szembeni ellenálló képességének szintjeit (presentation attack detection, PAD). Pénzügyi alkalmazásokhoz a 2. szint (PAD Level 2) ajánlott, amely legalább 95%-os támadásészlelést követel meg másolatok használata esetén, legfeljebb 0.01%-os FAR mellett. A Samsung és Qualcomm 3D Sonic Sensor ultrahangos szkennerei megfelelnek a PAD Level 2 követelményeinek, míg az olcsó optikai szkennerek általában nem kapnak Level 1-nél magasabb tanúsítást.