Kiến trúc hệ thống xác thực khuôn mặt an toàn và có khả năng mở rộng

Xác thực khuôn mặt đã trở thành một phần quen thuộc trong đời sống số, từ mở khóa điện thoại đến chấm công nơi làm việc. Nhưng khi hệ thống phải phục vụ hàng nghìn người dùng cùng lúc, những kiến trúc đơn giản thường nhanh chóng bộc lộ điểm yếu chí mạng.

Khi lưu lượng tăng vọt, hệ thống đồng bộ gục ngã

Hãy hình dung một doanh nghiệp có ba nghìn nhân viên. Vào đúng thời điểm bắt đầu ca làm việc, tất cả cùng đứng trước máy chấm công và thực hiện xác thực khuôn mặt. Nếu mỗi lần xác thực đều là một lệnh gọi API đồng bộ gửi thẳng lên máy chủ trung tâm, hệ thống sẽ đối mặt với ba nghìn yêu cầu nặng nề cùng lúc.

Mỗi yêu cầu như vậy đều phải tải một hình ảnh lên, chờ máy chủ phát hiện khuôn mặt, trích xuất đặc trưng, so khớp với cơ sở dữ liệu và trả kết quả về. Toàn bộ chuỗi này diễn ra tuần tự, và máy chủ chỉ có thể xử lý một số lượng hữu hạn yêu cầu đồng thời. Kết quả là hàng đợi dài dằng dặc, thời gian phản hồi tăng vọt, thậm chí hệ thống sụp đổ hoàn toàn.

Đây không phải là vấn đề hiếm gặp. Nó là hệ quả tất yếu của việc thiết kế hệ thống theo mô hình đồng bộ mà không tính đến khả năng mở rộng theo chiều ngang.

Kiến trúc bốn lớp cho lưu lượng lớn

Để giải quyết bài toán này, Praveen Kumar Gopalakrishnan đề xuất một kiến trúc bốn lớp, trong đó mỗi lớp đảm nhận một vai trò riêng và có thể mở rộng độc lập.

Lớp 1: Lọc phía máy khách

Thay vì gửi mọi hình ảnh lên đám mây, thiết bị đầu cuối có thể thực hiện một số bước kiểm tra ngay tại chỗ. Ví dụ, thiết bị có thể tự đánh giá chất lượng ảnh, kiểm tra xem khuôn mặt có nằm trong khung hình hay không, hoặc loại bỏ những hình ảnh mờ nhòe, thiếu sáng.

Cách tiếp cận này mang lại lợi ích kép. Thứ nhất, nó giảm đáng kể lượng dữ liệu phải truyền lên đám mây. Thứ hai, nó cắt giảm chi phí tính toán trên máy chủ. Theo tác giả, việc lọc phía máy khách có thể cắt giảm tới 30% chi phí đám mây.

Lọc ngay tại nguồn không chỉ tiết kiệm chi phí mà còn giảm độ trễ, bởi những yêu cầu chắc chắn thất bại sẽ không bao giờ chạm tới máy chủ.

Lớp 2: Tách rời phát hiện và xác minh

Đây là thay đổi kiến trúc quan trọng nhất. Thay vì gộp chung phát hiện khuôn mặt và xác minh danh tính vào một lệnh gọi duy nhất, hai bước này được tách thành hai dịch vụ riêng biệt, giao tiếp qua hàng đợi tin nhắn.

• Dịch vụ phát hiện nhận hình ảnh, tìm khuôn mặt và trích xuất đặc trưng sinh trắc học.
• Dịch vụ xác minh nhận đặc trưng đã trích xuất và so khớp với cơ sở dữ liệu.

Nhờ tách rời, mỗi dịch vụ có thể mở rộng độc lập dựa trên tải thực tế. Khi lượng ảnh cần phát hiện tăng, ta chỉ cần thêm instance cho dịch vụ phát hiện mà không đụng đến dịch vụ xác minh. Cách tiếp cận này cho phép mở rộng gấp 10 lần so với kiến trúc nguyên khối ban đầu.

Lớp 3: Ngưỡng động dựa trên rủi ro

Không phải mọi giao dịch đều cần cùng một mức độ xác thực. Một nhân viên chấm công vào buổi sáng có mức rủi ro khác hoàn toàn với một người đang cố truy cập vào phòng máy chủ hoặc thực hiện giao dịch tài chính giá trị lớn.

Hệ thống ngưỡng động điều chỉnh độ chặt chẽ của việc so khớp tùy theo ngữ cảnh. Với tác vụ rủi ro thấp, ngưỡng có thể nới lỏng để tăng tốc độ và giảm tỷ lệ từ chối sai. Với tác vụ rủi ro cao, ngưỡng được siết chặt, thậm chí yêu cầu thêm yếu tố xác thực thứ hai.

Lớp 4: Bảo mật zero-trust và quyền riêng tư

Dữ liệu sinh trắc học là loại dữ liệu nhạy cảm nhất. Một khi bị rò rỉ, người dùng không thể "đổi khuôn mặt" như đổi mật khẩu. Vì vậy, lớp thứ tư tập trung vào bảo vệ dữ liệu theo nguyên tắc zero-trust.

• Cổng đồng thuận: Người dùng phải chủ động đồng ý trước khi dữ liệu khuôn mặt được thu thập và xử lý.
• Tự động xóa dữ liệu: Dữ liệu sinh trắc học được xóa tự động sau một khoảng thời gian nhất định hoặc ngay sau khi hoàn thành mục đích xác thực.
• Tuân thủ quy định: Kiến trúc này được thiết kế để đáp ứng các yêu cầu khắt khe của GDPR (châu Âu) và HIPAA (Mỹ).

Trong hệ thống zero-trust, không có thành phần nào được tin tưởng mặc định, kể cả các dịch vụ nội bộ. Mọi truy cập đều phải được xác thực và cấp quyền.

Ý nghĩa với doanh nghiệp Việt Nam

Với các doanh nghiệp Việt Nam đang số hóa quy trình chấm công, kiểm soát ra vào hoặc định danh khách hàng, bài học từ kiến trúc này rất đáng lưu tâm.

Thứ nhất, đừng chờ đến khi hệ thống sập mới nghĩ đến khả năng mở rộng. Việc tách rời các thành phần ngay từ đầu giúp tiết kiệm rất nhiều công sức về sau.

Thứ hai, chi phí đám mây có thể kiểm soát tốt hơn nhiều nếu xử lý thông minh ngay tại thiết bị đầu cuối, đặc biệt khi các mẫu điện thoại và thiết bị edge ngày càng mạnh.

Thứ ba, tuân thủ quy định về dữ liệu cá nhân đang ngày càng được siết chặt tại Việt Nam, đặc biệt sau Nghị định 13 về bảo vệ dữ liệu cá nhân. Thiết kế hệ thống với cổng đồng thuận và cơ chế xóa dữ liệu tự động ngay từ đầu sẽ giúp doanh nghiệp tránh được nhiều rắc rối pháp lý về sau.

Kết luận

Xác thực khuôn mặt quy mô lớn không chỉ là bài toán của thuật toán nhận dạng. Nó là bài toán kiến trúc hệ thống, nơi khả năng mở rộng, chi phí vận hành và quyền riêng tư phải được cân nhắc đồng thời. Kiến trúc bốn lớp với lọc phía máy khách, tách rời dịch vụ, ngưỡng động và bảo mật zero-trust là một bản thiết kế tham khảo đáng giá cho bất kỳ ai đang xây dựng hệ thống sinh trắc học ở quy mô lớn.