项目理念——生物哈希：双因素认证

我们都希望，没有我们的许可，任何人都不能访问我们的私人数据。为此，我们在不同的小工具或ATM卡中使用密钥（密码或PIN）。但这个秘密密钥可能会被盗，一旦被盗，我们将无法控制我们的数据。

另一种用于保护数据的方法是使用我们的生物测量数据，如指纹、虹膜或人脸图案。与前一个相比，它有一些优势，因为它不能被窃取，因为用户只能在验证位置验证他们的身份。但这一标准的缺点是，它会导致 错误拒绝率 ，即，由于验证时生物计量数据失真，不允许有效用户访问其数据。

可以使用更好的方法，使用上述两种方法，并将其合并为一个密钥。这就是为什么它被称为双因素认证。

实施： 每个用户都有一个 随机种子 只有用户知道。此随机种子用作 布卢姆·布卢姆·舒布 随机数发生器。它使用两个大素数（p和q）作为起点，并找到M=p*q。这里，X0是对M的联合素数的种子。然后新的输出被导出为Xn+1=power（Xn，2）mod M。我们可以通过应用生成大量素数来选择这两个素数 埃拉托斯坦筛 算法，并从中选择两个随机素数。我们通过采用位奇偶校验将所有这些随机数存储在m*n阶矩阵中（每个n维的m个向量），即存储Xn+1模2。

然后，我们申请 Gram-Schmidt正交归一化 处理所有这些向量。它使所有向量相互正交（垂直），并且具有一个单位大小。

然后，我们提取生物测量特征数据（为了简单起见，让我们采用一维随机矩阵）并应用 离散余弦变换（dct） 基于这些生物测量数据。然后取这些dct的标量积，应用gram-schmidt正交归一化得到数据。然后，我们将获得的数据与预设的阈值保持值进行比较，并按照以下标准进行存储：如果获得的数据大于预设值，则存储1或0。这些存储的数据称为 生物哈希码 .

这个生物哈希代码是我们的密钥，它为我们的真实数据提供隐私或保护。这意味着，当我们需要访问数据时，所有上述过程都会发生，然后将获得的数据与存储的生物哈希代码进行比较。如果找到匹配项，则授予访问权限，否则拒绝访问。

所有这些过程的代码都在我的github链接上 https://github.com/kaditya139/Project

本文由 阿迪蒂亚·库马尔 .如果你喜欢GeekSforgek，并想贡献自己的力量，你也可以使用 贡献极客。组织 或者把你的文章寄到contribute@geeksforgeeks.org.看到你的文章出现在Geeksforgeks主页上，并帮助其他极客。

如果您发现任何不正确的地方，或者您想分享有关上述主题的更多信息，请写下评论。