Odbrana doktorske disertacije na Fakultetu organizacionih nauka u Beogradu

Kandidat Nenad Badovinac je 2016. godine upisao doktorske akademske studije na Fakultetu organizacionih nauka, Univerziteta u Beogradu (studijski program: Informacioni sistemi i kvantitativni menadžment, izborno područje: Informacione tehnologije). Nakon što je položio planom sve predviđene ispite, kandidat je 20.11.2019. godine prijavio Pristupni rad na doktorskim studijama. Odlukom 05-01 br. 3 /150-13 od 17.12.2019. godine, formirana je Komisija za pregled i odbranu Pristupnog rada i ocenu naučne zasnovanosti prijavljene doktorske disertacije. Za potencijalnog mentora rada je imenovan dr Dejan Simić, redovni profesor, Univerzitet u Beogradu, Fakultet organizacionih nauka. Pristupni rad pod naslovom „Model autentifikacije korisnika zasnovan na primeni biometrije u sistemima elektronskog plaćanja“ odbranjen je 10.07.2023. godine.

Odluka o usvajanju izveštaja Komisije o naučnoj zasnovanosti prijavljene doktorske disertacije doneta je na Nastavno-naučnom veću Fakulteta organizacionih nauka 06.09.2023. godine, pod brojem 05-01 br. 3 /95 -8 . Odlukom Veća naučnih oblasti tehničkih nauka Univerziteta u Beogradu od 11.09.2023.02 br. 61206 -3026 /2 -243 data je saglasnost na predlog teme doktorske disertacije Nenada Badovinca pod nazivom „ Model autentifikacije korisnika zasnovan na primeni biometrije u sistemima elektronskog plaćanja“. Na Nastavno-naučnom veću Fakulteta organizacionih nauka od 27.09.2023. godine odobrena je izrada doktorske disertacije kandidata. Za mentora je imenovan prof. dr Dejan Simić. Mentor dr Dejan Simić je 04.07.2025. godine izvestio Nastavno-naučno veće Fakulteta organizacionih nauka da je Nenad Badovinac završio izradu doktorske disertacije. Nastavno -naučno veće Fakulteta organizacionih nauka je odlukom 05-01 br. 3 /68 -4 od 10.07.2025. godine imenovalo Komisiju za pregled i ocenu završene doktorske disertacije u sastavu:

1. dr Miroslav Minović, redovni profesor, Univerzitet u Beogradu-Fakultet organizacionih nauka – predsednik Komisije;
2. dr Ivan Milenković, docent, Univerzitet u Beogradu-Fakultet organizacionih nauka;
3. dr Veljko Dmitrović, vanredni profesor, Univerzitet u Beogradu-Fakultet organizacionih nauka;
4. dr Miloš Milić, vanredni profesor, Univerzitet u Beogradu-Fakultet organizacionih nauka;
5. dr Boško Nikolić, redovni profesor, Univerzitet u Beogradu- Elektrotehnički fakultet

U okviru ove doktorske disertacije primarni zadatak je istraživanje modela i metoda autentifikacije korisnika zasnovanih na primeni biometrije u elektronskim sistemima plaćanja i davanje predloga za unapređenje postojećih modela i metoda u post-COVID19 periodu. Doktorska disertacija pripada naučnoj oblasti tehničke nauke, područje organizacionih nauka i užoj naučnoj oblasti informacione tehnologije. Mentor dr Dejan Simić poseduje odgovarajuće kompetencije za vođenje disertacije u vidu objavljenih radova u naučnim časopisima međunarodnog značaja iz oblasti informacionih sistema kao izbornog područja i informacionih tehnologija kao uže naučne oblasti. Odgovarajući naučni radovi mentora su navedeni prilikom prijave teme doktorske disertacije kandidata.

Disertacija sadrži ukupno jedaneast poglavlja. Prvo poglavlje je Uvod u kojem se nalaze potpoglavlja predmet istraživanja, problem istraživanja i struktura rada. U ovom poglavlju opisani su ciljevi istraživanja, hipoteze i metodologija istraživanja. Prvo poglavlje se sastoji od tri potpoglavlja. U drugom poglavlju Biometrija opisana je biometrija i Biometrijski sistemi i dat je prikaz multimodalne biometrije kao i primena alata veštačke inteligencije u biometrijskim sistemima. Opisana je podela biometrije na fiziološke bihejviorističke biometrijske modalitete, kao i kombinovani biometrijski modaliteti. Data je analiza biometrijskih sistema na osnovu njenih sastavnih delova kroz četiri elementa. U nastavku poglavlja dat je opis multimodalne biometrije i pet tipova integracije unimodalnih sistema u multimodalni biometrijski sistem. U ovom poglavlju opisana je fuzija podataka sa primerima pet vrsti fuzije koje su poznate u biometrijskim sistemima. U nastavku poglavlja je potpoglavlje sa opisom glavnih karakteristika veštačke inteligencije i njihova primena u biometrijskim sistemima. Ovo poglavlje se sastoji od osam potpoglavlja. U trećem poglavlju Elektronski platni sistemi opisani su sistemi elektronskog plaćanja kroz prikaz modela procesora plaćanja i kroz upotrebu savremenih platnih sistema, kao što su platne kartice, mobilna plaćanja, kriptovalute, i digitalne valute centralnih banaka (CBDC). U sledećem potpoglavlju Postojeće stanje problema u sistemima elektronskog plaćanja obrađena je tema: problemi koji su aktuelni kod porasta primene elektronskog plaćanja s obzirom na porast korišćenja mobilnih uređaja. Isto tako dat je uvid u porast broja transakcija elektronskog plaćanja za vreme pandemije COVID-19. Opisani su problemi kao što su: Poverenje korisnika u elektronsko plaćanje, uticaj pandemije COVID-19 na povećanje broja transakcija elektronskog plaćanja sa statističkim prikazom broja transakcija pojedinih kategorija elektronskog plaćanja u periodu pre i posle pandemije COVID-19. U potpoglavlju Prevare u autentifikaciji elektronskog plaćanja, dat je osvrt na različite vrste napada koje hakeri koriste u sistemima elektronskog plaćanja. U narednom potpoglavlju Problemi primene CNN algoritama u biometrijskoj autentifikaciji, opisani su problemi koji se javljaju kod primene modela dubokog učenja u procesu biometrijske autentifikacije. Na kraju je dat uvid u zaštitu privatnosti korisnika u sistemima elektronskog plaćanja. Ovo poglavlje sadrži dva potpoglavlja.

Poglavlje broj četiri Modeli i metode autentifikacije sadrži u prvom potpoglavlju Arhitekturu modela autentifikacije. Opisani su najvažniji elementi arhitekture modela autentifikacije. Zatim je dat prikaz Modela autentifikacije u sistemima elektronskog plaćanja, i Metode autentifikacije u sistemima elektronskog plaćanja. Kroz ova tri potpoglavlja data je analiza dosadašnjih naučnih istraživanja o dostupnim modelima i metodama autentifikacije elektronskog plaćanja. U sekciji Faktori autentifikacije opisana je podela na tri tipa autentifikacije, od kojih se u disertaciji analiziraju autentifikacije primenom biometrije. Ovo poglavlje ima ukupno četiri potpoglavlja. U poglavlju broj pet dat je Predlog modela biometrijske autentifikacije sa blok dijagramima procesa registracije, identifikacije i verifikacije, kao i sa opisom komponenti, opisom procesa i toka podataka u predloženom modelu. Opisani su i modeli podataka, i elementi arihitekture predloženog modela. Na kraju se nalazi blok dijagram sistema elektronskog plaćanja koji koristi predloženi model biometrijske autentifikacije. U poglavlju broj šest Predlog metode biometrijske autentifikacije AC-CNN zasnovane na klastersko orijentisanoj adaptivnoj CNN vektorizaciji slike lica, predstavljena je metoda biometrijske autentifikacije koja koristi konvolutivne neuronske mreže za enkodiranje slike lica. U prvom potpoglavlju data je Metodologija predstavljene metode sa blok dijagramom procesa registacije i verifikacije, i sa opisom procesa i toka podataka registacije i verifikacije. Prikazani su algoritmi mašinskog učenja koji se koriste u prepoznavanju lica sa prikazom rezultata evaluacije performansi. U sledeća dva potpoglavlja date su performanse predložene metode. U nastavku se porede performanse predstavljene metode sa performansama referentne Е3FRM (a three-way decision based Ensembled Face Recognition Mechanism) metode sa izvršenim eksperimentima na AFW (eng. Annotated Faces in the Wild) datasetu. Zatim se evaluiraju performanse predstavljene metode koristeći MDMFR (eng. Mask Detection and Masked Facial Recognition) dataset sa maskiranim slikama lica. U petom potpoglavlju predložena je metoda biometrijske autentifikacije PIN brojem koji je generisan iz slike lica. Ova metoda primenjuje model dubokog učenje pomoću kojeg se eksportuju karakteristične tačke slike lica. Na kraju poglavlja opisani su rezultati istraživanja i zaključeno je da predstavljene metode imaju prednosti, ali i određene nedostatke. U svrhu prevazilaženja njihovih evidentiranih nedostataka, u disertaciji je predložena treća metoda koja je opisana u sedmom poglavlju. Ovo poglavlje se sastoji od pet potpoglavlja.

U poglavlju broj sedam Predlog metode biometrijske autentifikacije POC-DNN zasnovane na personalizovanim modelima dubokog učenja, predstavljena je treća metoda biometrijske autentifikacije. Prikazane su komponente procesa registracije, identifikacije i verifikacije. Data je tabela podataka registrovanog korisnika koja je zapisana u bazi podataka. U nastavku poglavlja nalaze se algoritamski i tehnički opisi predložene metode. U četvrtom potpoglavlju je urađeno eksperimentno istraživanje POC-DNN metode, dok su u petom potpoglavlju dati eksperimentalni rezultati primene algoritama za prepoznavanje lica i modela dubokog učenja. U sledećem potpoglavlju prikazano je poređenje performansi vremena obrade procesa treniranja modela dubokog učenja u CPU i GPU okruženju, dok su u nastavku performanse vremena obrade enkriptovanja i dekriptovanja biometirjskih podataka koristeći različite algoritme za enkriptovanje. U poslednjem potpoglavlju dat je zaključak uređanih eksperimentalnih istraživanja. Ovo poglavlje se sastoji od osam potpoglavlja.

U poglavlju osam nalaze se opisani dalji pravci istraživanja. Na kraju disertacije je zaključak, rečnik termina i pregled korišćene literature.

Tema koja je opisana u doktorskoj disertaciji opisuje izazove biometrijske autentifikacije koji su prisutni u uslovima kada se klasične metode biometrijske autentifikaciju suočavaju sa problemima poput problema prisutnih u post-COVID19 periodu. Tada je smanjena mogućnost prepoznavanja slike lica s obzirom da je tada lice delomično prekriveno maskom. Zbog otežanog prepoznavanja slike lica, kada su dostupni samo delimični biometrijski podaci, u disertaciji se ignorišu konvencionalni algoritmi prepoznavanja lica (poput SIFT i LBP), i prednost je data primeni modela dubokog učenja. Modeli dubokog učenja se treniraju za svakog korisnika posebno, koristeći pri tom male skupove podataka. U tom smislu model i metoda biometrijske autentifikacije koje su predstavljene u disertaciji omogućavaju verifikaciju identiteta pomoću modela treniranih na manjim skupovima delomično dostupnih biometijskih podataka. Na osnovu izloženog, može se zaključiti da doktorska disertacija donosi novine u odnosu na postojeće stanje i otvara prostor za dalja istraživanja.

Doktorska disertacija sadrži ukupno 199 literaturnih navoda. Za izradu doktorske disertacije korišćena je relevantna literatura koju su publikovali vodeći svetski izdavači (IEEE, Springer, Elsevier, ACM). U referentnoj literaturi mogu se pronaći relevantni opisi tehničkih standarda poput PCI-DCC v4.0, uputstva za EMV, kao i publikacije Evropske centralne banke i međunarodnih institucija koje se bave elektronskim plaćanjem i digitalnim valutama centralnih banaka. Literatura uključuje istraživanja objavljena tokom i nakon COVID-19 pandemije, koja se bave izazovima biometrijske autentifikacije slikom lica koje je delimično prekriveno maskom. U popisu literature su naučni radovi koji se bave primenom modela dubokog učenja za biometrijsko prepoznavanja slike lica, otiska prsta i dr. Neki od njih su u literaturnim navodima [20], [28], [29], [40], [43], [44], [104], [184]. Postoje i studije o dubokim neuronskim mrežama koje imaju arhitekturu autoenkodera i oni se nalaze u navodima [32], [33], [45]. Naučna literatura u kojoj su opisani konvencionalni algoritmi prepoznavanja lica, kao što su SIFT, SURF i LBP nalaze se u istraživanjima [187], [188], [189]. U popisu literature su i radovi koji se odnose na sigurnost elektronskih plaćanja i zaštitu privatnosti biometrijskih sistema [13], [112], [132], [133], kao i radovi koji uključuju istraživanja enkriptovanja biometrijskog templejta sa homomorfnim i AES algoritmima [72], [73], [195], [196], [197], [198], [199]. U literaturnim navodima su i radovi u kojima su analizirane regulative i standardi u oblasti digitalnih plaćanja kao što su PCI (eng. Paymet Card Industry), Payment Tokenization Specification i GDPR [57], [58], [69], [107], [108], [109] i [110]. Literatura obuhvata radove u kojima autori proučavaju aktuelnu ponašajnu biometriju i u kojima se istražuje stepen prihvaćenosti sistema elektronskog plaćanja i biometrijske tehnologije od strane korisnika [1], [63], [65], [89]. U disertaciji postoje literaturni navodi iz oblasti mobilnih autentifikacionih sistema, koje uključuju adaptivne, kontinuirane i multifaktorske autentifikacije [99], [148], [158].

Takođe, u popisu literature su radovi koji obuhvataju primenu modela dubokog učenja u procesu verifikacije na pametnim telefonima i nosivim uređajima [36], [37]. U literaturnim navodima nalaze se datasetovi sa slikama lica AFW (eng. Annotated Faces in the Wild) [174], zatim MDMFR specijalizovani dataset sa maskiranim i nemaskiranim licima [175], 3D Dynamic Facial Expression Dataset (Yin et al.) sa različitim izrazima lica [179], kao i Sejong Face Database [181] koji je multimodalna baza slika lica koja sadrži slike nemaskiranih lica i slike lica sa različitim tipovima maskiranja. U literaturnim navodima su radovi u kojima autori istražuju prednosti, nedostatke, zaštitu privatnosti i ostale etičke izazove koji se javljaju kod primene biometrije na javnim mestima [25]. Postoji naučna literatura u kojoj se istražuje blokčejn tehnologija za razvoj digitalnih valuta centralnih banaka [54], [56], [75], [76], [79], [81]. U popisu literaturnih navoda su i autorski naučni radovi [80], [115], [177] u kojima autor istražuje metode biometrijske autentifikacije. Literaturni navodi sadrže i pregledne radove iz oblasti elektronskog plaćanja, biometrije, veštačke inteligencije i autentifikacije [4], [6], [7], [10], [12], [15], [18], [27], [28], [29], [34], [98], [99], [114], [152], [158], [160], [169], [183], [184]. U Tabeli 1 klasifikovani su najvažniji literaturni navodi po kategorijama oblasti koja se istražuje.

Predloženi model i tri metode biometrijske autentifikacije mogu se primeniti u sektorima koji zahtevaju informacionu sigurnost i biometrijsku autentifikaciju koja se primenjuje u ekstreminm uslovima koji se javljaki u post-COVID19 periodu kada je lice prekriveno maskom.

Institucije koje mogu koristiti predložene metode su:

1. Banke i finansijske institucije koje koriste biometrijsku autentifikciju;
2. FinTech kompanije;
3. Državni organi koji koriste elektronsku verifikaciju građana (eID);
4. Vojska i ministarstvo odbrane koji koriste biometrijske sigurnosne sisteme (kao što je kontrola pristupa u zgradama, granični prelazi, sistemi za evidenciju prisutnih);
5. Kompanije koje razvijaju rešenja u oblasti sajber sigurnosti;
6. Zdravstvene ustanove koje koriste biometriju za pristup ličnim zdravstvenim podacima;
7. Obrazovne institucije koje proveravaju identitete u sistemima za onlajn ispitivanja;
8. Naučne institucije koje razvijaju sigurnosne biometrijske sisteme.

Iz tog razloga može se smatrati da su rezultati evaluacije predloženog modela i metoda relevantni.

Tokom sprovedenog istraživanja u oblasti teme disertacije, koja se odnosi na razvoj i primenu personalizovanih modela dubokog učenja u sferi biometrijske autentifikacije, ostvareno je više naučnih i stručnih doprinosa. Najznačajniji doprinos ovog rada je u unapređenju klasičnog procesa registracije i biometrijske verifikacije. Razvijena je metoda biometrijske autentifikacije koja se zasniva na personalizovanim modelima dubokog učenja koji se koriste u procesu donošenja verifikacione odluke. Metoda ostvaruje povećanu tačnost u ekstremnim uslovima (npr. kada je lice maskirano, kada je slabije osvetljenje i sl.).

Predstavljeni model i metoda zasniva se na sledećim principima:

1. Personalizacija: za svakog korisnika trenira se personalizovani model dubokog učenja.
2. Sigurnost: biometrijski templejti su enkriptovani i zaštićeni su od neovlašćenog korišćenja.
3. Adaptibilnost: model i metoda koristi sistemski parametar koji određuje broj i tip biometrijskog podatka koji će se koristiti za treniranje personalizovanog modela dubokog učenja, zatim parametar koji određuje CPU ili GPU procesorsko okruženje, i parametar koji određuje tip algoritma za enkritovanje biometrijskog templejta. Kao najvažniji naučni doprinosi doktorske disertacije mogu se izdvojiti:
4. razvoj modela biometrijske autentifikacije zasnovanog na personalizovanim modelima dubokog učenja;
5. razvoj metode biometrijske autentifikacije zasnovane na klasterski adaptivnoj CNN vektorizaciji slike lica;
6. razvoj metode zasnovane na transformaciji slike lica u PIN;
7. razvoj metode biometrijske autentifikacije zasnovane na personalizovanim modelima dubokog učenja.

Stručni doprinosi:

Od realizovanog istraživanja dobijeni su jasni stručni doprinosi koji mogu biti primenjeni u različitim stručnim i naučnim oblastima: u oblastima elektronskog plaćanja, biometrijske identifikacije i verifkacije, kao i za zaštitu privatnosti korisnika. Konkretnije kao najvažniji stučni doprinosi mogu se izdvojiti:

1. analiza algoritama veštačke inteligencije koji se primenjuju u biometrijskoj autentifikaciji;
2. prikaz performansi algoritama veštačke inteligencije koji se koriste u biometriji;
3. analiza stanja problema u sistemima elektronskog plaćanja;
4. sistematizacija znanja o postojećim modelima i metodama biometrijske verifikacije; • analiza prednosti i nedostataka faktora autentifikacije i nivo njihove sigurnosti;
5. analiza uticaja maske na licu na rezultat tačnosti biometrijske verifikacije;
6. evaluacija performansi CNN algoritma treniranog od nule;
7. evaluacija performansi CNN algoritma prethodno treniranog na manjem skupu podataka;
8. evaluacija performansi CNN algoritma prethodno treniranog na velikim skupovima podataka;
9. evaluacija performansi CNN verifikatora koji su trenirani na slikama lica jednog korisnika;
10. evaluacija performansi CNN algoritama za prepoznavanja slike nemaskiranog i maskiranog lica;
11. poređenje performansi treniranja modela dubokog učenja u CPU i GPU okruženju;
12. evaluacija performansi vremena obrade enkriptovanja biometrijskog templejta sa homomorfnim i AES algoritmima.

Na osnovu izloženog, može se zaključiti da dobijeni rezultati doktorske disertacije predstavljaju originalni naučni doprinos u odnosu na postojeće stanje u ovoj oblasti, te da omogućavaju dalja istraživanja.

Uvidom u disertaciju, polazne hipoteze i ciljeve istraživanja, ostvarene rezultate, naučne i stručne doprinose, Komisija konstatuje da je kandidat uspešno analizirao i sistematizovao postojeća naučna saznanja istraživanjem obimne literature, da je uspešno realizovao kompleksno istraživanje vezano za biometrijsku autentifikaciju sa fokusom na primenu presonalizovanih modela dubokog učenja. Ostvareni rezultati istraživanja opravdavaju početna istraživačka pitanja i ispunjavaju tražene zahteve doktorske disertacije. Pored ostvarenog naučnog doprinosa, disertacija sadrži i rezultate koji su značajni za praktičnu primenu predloženog rešenja. Sve postavljene hipoteze su verifikovane kako teorijskim razmatranjima, tako i eksperimentalno kroz naučno-istraživački rad i projektni angažman kandidata, a dobijeni rezultati su i dokazani, te je time ostvaren značajan doprinos korpusu saznanja relevantnih za naučnu i stručnu zajednicu iz ove oblasti

Na osnovu pregleda doktorske disertacije pod nazivom „Model autentifikacije korisnika zasnovan na primeni biometrije u sistemima elektronskog plaćanja“, kandidata Nenada Badovinca, Komisija konstatuje da je doktorska disertacija napisana u skladu sa svim zahtevima standarda naučno-istraživačkog rada, kao i da ispunjava uslove predviđene Zakonom o visokom obrazovanju, standardima, pravilnicima i Statutom Fakulteta organizacionih nauka, Univerziteta u Beogradu. Rezultati istraživanja iz doktorske disertacije su i verifikovani objavljivanjem jednog naučnog rada u časopisu od međunarodnog značaja sa SCIe liste sa impakt faktorom, zatim i radovima objavljenim i u drugim časopisima kao i na međunarodnim i nacionalnim konferencijama. Na osnovu rezultata i zaključaka prikazanih u doktorskoj disertaciji, Komisija konstatuje da je kandidat Nenad Badovinac uspešno završio doktorsku disertaciju, u skladu sa predviđenim predmetom i postavljenim ciljevima istraživanja. S obzirom na naučnu aktuelnost disertacije, originalnost prikazanih rezultata i metodološku i tematsku adekvatnost, doktorska disertacija zadovoljava sve potrebne kriterijume i kvalifikuje kandidata za samostalan naučno-istraživački rad. Ceneći navedene naučne i stručne doprinose doktorske disertacije, Komisija konstatuje da su ostvareni postavljeni ciljevi istraživanja i pozitivno ocenjuje disertaciju. Na osnovu svega navedenog, Komisija predlaže Nastavno-naučnom veću Fakulteta organizacionih nauka da se doktorska disertacija pod nazivom „Model autentifikacije korisnika zasnovan na primeni biometrije u sistemima elektronskog plaćanja“, kandidata Nenada Badovinca prihvati, izloži na uvid javnosti i uputi na konačno usvajanje Veću naučnih oblasti tehničkih nauka Univerziteta u Beogradu.