Bunu Neden İnşa Ettim?
"Staj dönemimde, yalnızca statik parolalara dayanan geleneksel sistemlerin zafiyetlerini gidermek için geliştirildi. Sisteme erişim izni vermeden önce hem kriptografik parola özetlerini hem de gerçek zamanlı uzamsal biyometrileri (yüz tanıma) doğrulayan dinamik bir pipeline kurmam gerekiyordu. Altta yatan sinir ağını eğitmek için gereken veri setlerini, daha önce geliştirdiğim C++ tabanlı `OpenCV-Face-Features-Toolkit-For-ML` aracımla otonom olarak çıkardım."
Mimari & Kararlar
Uygulama .NET 6.0 üzerinde çalışır. Gerçek zamanlı video yakalama ve uzamsal yüz çerçeveleme, algılama aşamasındaki CPU yükünü minimize etmek için Haar Cascade'ler kullanan `OpenCvSharp` kütüphanesine devredilmiştir. İzole edilen yüz matrisleri, sınıflandırma (classification) işlemi için gömülü bir ML.NET hesaplama grafiğine (önceden eğitilmiş bir ResNet50 Derin Sinir Ağı) aktarılır. Kullanıcı kaydı doğrulama ve durum senkronizasyonu, Firebase Realtime Database (`FireSharp`) üzerinden asenkron olarak yönetilir ve veri tabanında parola güvenliği için SHA-256 kriptografik özetleme (hashing) zorunlu kılınır.
Temel Özellikler
- 01.`OpenCvSharp` native sarmalayıcıları (bindings) kullanılarak gerçek zamanlı video yakalama ve uzamsal yüz izolasyonu
- 02.Yüksek doğrulukta sınıflandırma için ResNet50 DNN mimarisini kullanan gömülü ML.NET çıkarsama (inference) hattı
- 03.Dağıtık kullanıcı kaydı yönetimi için asenkron Firebase Realtime Database entegrasyonu
- 04.SHA-256 kimlik özetleme ile lokalize sinir ağı doğrulamasını birleştiren Biyometrik Çift Faktörlü Kimlik Doğrulama (2FA)