📌 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
- 생체 인식 시스템 최적화
- 고해상도 센서 사용 (예: 고급 카메라, 정밀한 지문 스캐너)
- 다양한 환경에서도 인식이 가능하도록 알고리즘 개선
- 다중 모드 인증(Multi-modal Authentication) 도입
- 얼굴 + 지문 + 비밀번호 등 여러 인증 방식을 조합하여 FRR을 줄일 수 있음
- 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. 💡