False Rejection Rate (FRR)

📌 1. False Rejection Rate(FRR)란?

False Rejection Rate (FRR, 오인 거부율)은 정상적인 사용자가 인증을 시도했을 때, 시스템이 이를 잘못 거부하는 비율을 의미합니다.
즉, 실제 사용자인데도 불구하고 인증에 실패하는 경우를 나타냅니다.

• 공식 (비율 계산)

• 거부된 올바른 인증 시도: 실제 사용자가 인증을 시도했으나 실패한 횟수
• 전체 올바른 인증 시도: 정상적인 사용자가 시도한 전체 인증 횟수

📌 2. False Rejection Rate(FRR)의 예시

• 지문 인식: 실제 사용자가 올바른 지문을 입력했으나, 피부 상태나 센서 오류로 인해 인증이 거부됨.
• 얼굴 인식: 조명 조건이나 얼굴 표정 변화로 인해 실제 사용자가 인식되지 않음.
• 음성 인증: 감기나 배경 소음으로 인해 본인의 목소리가 정상적으로 인식되지 않음.

📌 3. FRR이 높은 경우 발생하는 문제

• 사용자 불편 증가: 실제 사용자임에도 인증이 실패하면 여러 번 시도해야 하거나 추가적인 보안 절차(예: SMS 인증 등)를 거쳐야 함.
• 서비스 품질 저하: 사용자가 불편함을 느껴 해당 서비스 사용을 꺼릴 수 있음.
• 비용 증가: 잘못된 거부로 인해 고객센터 문의 증가, 추가적인 인증 절차 필요.

📌 4. False Rejection Rate(FRR) vs False Acceptance Rate(FAR)

지표	설명	영향
FRR (False Rejection Rate, 오인 거부율)	실제 사용자를 거부하는 비율	사용자 불편 증가
FAR (False Acceptance Rate, 오인 허용율)	허가되지 않은 사용자가 인증되는 비율	보안 위협 증가

• FRR과 FAR은 서로 반비례 관계
  • FRR을 낮추면 FAR이 높아질 가능성이 있음 (사용자 편의를 증가시키면 보안이 낮아질 수 있음).
  • 반대로 FAR을 낮추면 FRR이 높아질 가능성이 있음 (보안을 강화하면 사용자 불편이 증가할 수 있음).

📌 5. FRR을 줄이는 방법

1. 생체 인식 시스템 최적화
   • 고해상도 센서 사용 (예: 고급 카메라, 정밀한 지문 스캐너)
   • 다양한 환경에서도 인식이 가능하도록 알고리즘 개선
2. 다중 모드 인증(Multi-modal Authentication) 도입
   • 얼굴 + 지문 + 비밀번호 등 여러 인증 방식을 조합하여 FRR을 줄일 수 있음
3. 딥러닝 및 AI 기반 보정 기술 사용
   • 머신러닝을 활용한 적응형 생체 인식 시스템 도입
   • 조명이나 환경 변화에 강한 알고리즘 개발

✅ 결론

False Rejection Rate(FRR)은 실제 사용자가 인증을 시도했을 때, 시스템이 이를 잘못 거부하는 비율입니다.
FRR이 높아지면 사용자 경험이 나빠지므로, 적절한 알고리즘 최적화와 다중 인증 방식을 통해 개선해야 합니다. 💡