指紋模塊fpc和用戶認證，是伴隨著賬號系統產生的需求。為了保證數據安全就需要加密，加密也就意味著需要認證解鎖。QQ/微信/支付寶/微博/郵箱等網絡工具越來越多，加密和用戶認證的頻次和安全要求也跟著提升。對用戶認證的方便和安全性要求，催生出了復雜的密碼和用戶認證學科。

認證方式分為“知識因素（用戶知道的）、所有權因素（用戶擁有的）和用戶自有特征”3種，這也是用戶認證歷史的發展路徑：PC的交互方式主要是鍵盤和鼠標，最核心和基礎的用戶認證方式依舊是數字和字母密碼。

在輸入不便但帶有大量隱私信息的移動端，最簡單的數字PIN碼到圖形解鎖，對應的是“用戶所知道的知識因素”；后來的NFC和藍牙標簽，對應用戶的所有權因素；再后來的人臉和指紋等生物認證，對應的則是用戶的自有特征。百花齊放，腦洞大開的生物識別

用戶認證最核心的是方便和安全性，用大白話講就是需要別人難以破解，但用戶卻可以輕松完成認證。毫無疑問，生物認證才是用戶認證的終極方式，這就是指紋識別可以在短短的4年間從高端功能變成了所有手機標配功能的核心原因。

生物認證遠遠不止指紋一種方式，其概念已經存在了數萬年之久，最古老的例子莫過于人類自身通過人臉對其他個體的識別，不同個體之間的語音、步態、簽名都是可用于生物認證的特征。

雖然人類漫長的進化史留下了多種多樣的生物特征，但不同的生物特征及其認證機制的難易程度千差萬別，最后能適用于移動平臺的方案屈指可數。

目前應用最廣泛，方案最成熟的生物認證方案主要包括指紋、眼睛、人臉/耳朵和語音識別有4種。當中的語音識別，是最早實現但卻一直沒有大規模使用的方案。錄音和校對即可完成語音識別，但聲音這個物理量本身的限制太多：負載信息極其有限、容易受環境音影響、甚至人類年齡和身體狀況都會影響聲音。

最致命的，是聲音實在是太容易記錄和復制了，即便是預設的語句校驗，只要一定的運算量和時間，人工合成的聲音就能欺騙認證系統，安全性有天然的缺陷。

眼睛識別的認證方案主要包括視網膜、虹膜和鞏膜血管識別，它們分別對應眼球的底部以及大家俗稱的眼珠和眼白。這些都是高度異像的生物特征，現在都只能通過光學的方式進行采集和認證。

當中的視網膜的位置太深入，難以采集圖像，而虹膜、鞏膜血管都可以通過普通的光學攝像頭進行采樣，且有一定的防偽造能力，應用場景更加廣闊，早在1年前的Note7上，就已經大規模使用虹膜識別了。

人臉和耳朵都是基于物理的深度信息進行認證，同樣是光學識別方案，通過采集的圖像和深度信息，對人臉和耳朵輪廓的特征點進行擬合。最著名的應用，肯定是蘋果iPhone X的Face ID，當年的微軟Kincet本質上也能有類似能力。

人臉認證可能會受到眼鏡、帽子、毛發的影響，也會受到光學方案無法避免的環境光影響，用戶年齡、疾病和體重都會導致面容的變化，蘋果的方案為了減輕這方面的影響，主要通過人工智能深度學習和使用過程中的后臺多重錄入進行規避。雖然增加了工作量，但安全性已經非常高了。

生物識別中，最耳熟能詳的肯定是指紋識別了。人類指尖皮膚上的脊會形成獨特圖案，幾乎沒有重復的隨機特性是極佳的認證數據源。指紋和其他幾種方案，最核心和本質的分別在于，指紋是接觸式識別，可以留下壓力、溫度，甚至聲學的信息，是現在識別方式最豐富的生物認證方式之一。

主流的指紋識別方案包括光學、電容、超聲波、熱感、壓力等5種，當中的主動熱感和壓力指紋，分別受限于功耗和壓感材料的熱敏特性，暫時無法在移動設備中大規模應用。電容指紋識別，就是現在手機上應用最廣泛的識別方案，瑞典FPC、中國匯頂、美國Synaptics都已經是業內耳熟能詳的電容方案供應商了。

而最近興起的主要有超聲波識別和光學兩種，而它們崛起的主因，卻是大家都預料不到的全面屏。