Simülasyon ve Sanal Gerçeklikin Autopilot System Testinde Rolü

Giriş: Robust Autopilot için Emperatif

Autopilot sistemleri, Boeing 777 uç-by-tel veya Garmin otomatik iniş, trafik çarpışması önleme ve en uygun şekilde otomatik olarak otomatik olarak otomatik olarak yapılan otomatik ölçümler için gerekli olan sanal uygulamaları doğrulayan ve güvenli bir şekilde kullanarak, sanal sistemlerde yapılan otomatik olarak doğrulanan bir şekilde test edilen otomatik olarak otomatik olarak doğrulanan bir şekilde test edilen otomatik olarak otomatik olarak otomatik olarak otomatik olarak otomatik olarak otomatik olarak otomatik olarak doğrulanabilir.

Autopilot Testinin Evrimi: Fiziksel Prototiplerden Sanal Proving Grounds

Geleneksel olarak, otomatik pilot sistemler artarak test edildi: İlk olarak bir masaüstünde yazılım modelleri olarak, o zaman bir ticari uçak için entegre edilen bir sistem, gerçek eylemcilerle birlikte, son olarak uçuş testleri veya yol denemeleri ile ilgili olarak, gerçek bir test sistemiyle, gerçek bir testte, gerçek bir testte, gerçek zamanlı olarak, gerçek bir testte, gerçek zamanlı testlerin sayısının on iki katına çıkarılmasına izin verdi.

Simülasyon ve VR Neden Tanımlanabilir: Derin bir görünüm Faydaları

Maliyet, güvenlik ve kapsamanın yüksek seviyeli avantajlarının ötesinde, simülasyon ve VR, modern otomatik pilot gelişimi için kritik olan birkaç teknik fayda sağlamaktadır.

• [FONT:0)Deterministic Tekrarlanabilirlik:[Dönetici:[Dönetici:0) Simülasyon, mühendislere aynı senaryoyu ilk şartlarla tekrar oynamalarına izin verir, bu dekonuşturucu stochastic veya non-deterministic davranışları için gerekli olan, sadece belirli zaman veya sensör-noise profillerinde meydana gelebilecektir.
• [FONT:0]Sensor Degradasyon ve Başarısızlık: Sanal ortamlar gerçekçi sensör hataları enjekte eder - GPS damlat, IMU sürüklenme, kamera tıkanıklığı veya LIDAR gürültü - tam olarak belirtilmiş anlarda, fiziksel donanım olmadan hata tespiti ve kurtarma (FDIR) mantığını zorlar.
• [FONTD:0)Eğletici Edge Case Coverage:[Dönetici senaryosu, takımlar milyonlarca parametreli varyasyonu kaplayabilir (örneğin, hava, aydınlatma, trafik yoğunluğu, ya da davranışı) gerçek dünya testlerinde uygulanabilir.
• [FONT:0]İnsan-in-Loop Değerlendirmesi: ) VR, insan ve makine arasında insan-otopilot etkileşimi incelemek için güvenli bir ortam sağlar.

Bu avantajlar, fiziksel testin tek başına başaramayacağı, simülasyon ve VR'yi birçok alanda otomatik pilot sertifikasyon için de facto standart haline getirebilmelerini kolektif olarak sağlar.

Core Simülasyon Türleri: Autopilot Test için Teknik Vergionomy

Modern otopilot testleri bir tabakalı simülasyon stratejisini kullanıyor, her tekniğin sistem yığınının farklı bir yönünü ele alıyor.

Model-in-the-Loop (MIL)

En erken tasarım aşamasında, kontrol algoritmaları ve karar verme mantığı basitleştirilmiş, yüksek çözünürlük modelleri ve ortamı kullanılarak test edilir. MIL test algoritmalarının doğruliğini doğrulamaktadır - örneğin, bir PID kontrolörünün özellikleri içinde bir araya gelmediğini veya bir yol planlayıcının genellikle gerçek zamanlı olmayan bir şekilde engellendiğini onaylayın.Demek, kontrol teorisi veya zamanlayıcısı ile ilgili düzeltmeye odaklanır. MIL testleri entegrasyonu veya zamanlamasının doğrulayıcısı ortaya çıkarırken, örneğin, örneğin, bir PID kontrolörü işlevsel gereksinimlerinin en hızlı bir şekilde doğrulanması ve genellikle doğrulayıcı araçları doğrulayıcı olarak entegre edilir.

Yazılım-in-the-Loop (SIL)

SIL testi gerçek üretim yazılımı (veya sık sık, yakın üretim inşa) araç dinamikleri, sensör modelleri ve fiziksel dünya ile ilgili yazılımları taklit eden bir sanal ortama karşı çalışır. Test altındaki yazılımlar, tam olarak aynı girişleri tamamen gerçek donanımdan alır - iyi veri akışları, eylemciler ve iletişim otobüsleri çalıştırabilir.SIL, yarış koşulları, buffer overflowlar, yanlış devlet makinesi geçişleri veya zamanlama ihlalleri gibi hataları yakalamak için gerekli olan binlerce senaryoyu çalıştırabilir.

Donanım-in-the-Loop (HIL)

HIL testi gerçek donanıma ekleniyor - bir uçuş kontrol bilgisayarı, elektronik kontrol ünitesi (ECU), veya bir sensör işleme ünitesi - simülasyon döngüsüne doğru doğru ilerler. Donanımın şarj edilebilir davranışı ile ilgili sinyalleri (örneğin, ARINC 429, FlexRay, CAN otobüs) ve simülasyon yapanların veya bitki modellerini doğru şekilde doğru şekilde doğrulamaktadır.

Süreçor-in-the-Loop (PIL) ve Hızlı Kontrol Prototipleme (RCP)

PIL ve HIL arasında orta bir zemindir, yazılım hedef işlemci mimarisi için derlenmiş ancak bir geliştirme kurulunda (son donanım değil) algoritmalarının veya işlemciye özgü sorunları erken tespit edilmesine izin verir. RCP, aksine, uygulama alanı içinde yüksek performanslı bir prototyping platformu kullanarak algoritmaları gerçek zamanlı olarak kontrol etmek için kullanır.

Sanal Gerçeklik: İnsan-Autopilot Interaction ve Scenario Design

Sanal gerçeklik basit 3D görselleştirmenin ötesine geçer; tam duygusal bir simülasyon aracının insan davranışını test etmek için gerekli olan interaktif, immersive ortamı yaratır, manuel performansları ve HMI tasarımlarını deneyimlemek için pilotlar sağlar.

Modern bir Simülasyon Testbedinin Teknik Mimarisi

Otomatik pilot sistemler için bir üretim seviyesi simülasyon testi karmaşık, dağıtılmış bir sistem, senkronizasyonda çalışan birkaç anahtar bileşenden oluşan bir sistemdir. Bu mimariyi anlamak, teknoloji dahil etmenin derinliğini sağlamak için önemlidir.

• [FONT=0)Real-Time Simülasyon Motoru: [Dönerge: · 1 °T:0) Aracın fizik modelini (örneğin, altı derece-of-özgür katı vücut dinamiklerini uçak veya bisiklet model için lastik için sürtünme ile) ve çevresel gürültü (atmosphere, arazi, sensör) için 1-10 ms'tan oluşan standart zaman aralığı.
• [FONT=0]Sensor Model Suite: [Dönetici: [Dönetici: 0,8|gönetici kamera görüntüleri (Ray tracing veya rasterization), LIDAR noktası bulutlar, radar geri döndürür, ultrasonik mesafe ölçümler ve inersal sensör testleri, yüksek sadakatli araç algılama testleri gibi popüler.
• [FONT:0]Scenario Manager:[Dönetici: Tüm varlıkların ilk durumunu kontrol ederek testi uygular, dövme olayları (örneğin, lastik darbe, ya da da da geç) ve sistemi takip eder. Gelişmiş senaryo yöneticileri parametreli özellikleri kullanır (örneğin, OpenSCENARIO standard) ssperatorial ve arama bazlı testlere olanak sağlar.
• [FONT=0)Data Logging and Analytics pipeline: Tüm sensör akışları, iç devletler ve yazılım çıktıları yüksek kodlu olarak kullanılır.Bu veriler, test sonrası ve eğitim verileri için kullanılabilir. Cloud-based solutions likeFLTR veya veya DAHADÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜSÜSÜSÜ[DÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜye Olmayanlar)
• [FONT:0)Visualization Frontend (VR/Desktop): [DDD][D][B][D][B][FONT=FONT=FONT=FONT=0) · 3D][/D=FONT=FONT=FONT=FONT=TRNT=FONT=TRNT=FONT=FONT=TRNT=FONT=TRNT=FONT=TRNT=TRNT=TRNT=TRNT=TRNT=S FONT=TRNT=TRNT=S FONT=STRNT=S=S TRNT=S FONT=STRNT=S TRNT=S=S=S=S=S=S=S=S=S=S=S=S=STRNT=STRNT=STRNT=STRNT=STRNT=STRNT=S FONT=S TRNT=STRNT=TRNT=TRNT=TRNT=TRNT=S TRNT=S TRNT=S TRNT=S TRNT=S=STRNT=S TRNT=TRNT

Bu bileşenlerin tek, tutarlı bir platforma entegrasyonu önemli bir mühendislik meydan okumasıdır. Birçok kuruluş ZeroMQ, DDS (Data Dağıtım Servisi) veya Google Protokolü Buffers, düşük ücretli veri değişimi sağlamak için, çoğu zaman gerçek zamanlı bir ağ üzerinden garanti edilen senkronizasyon ile.

Senaryo Nesil: Sonsuz Bilinmeyen Bilinmeyeni Koruma Sanatı

Otomatik pilot testteki temel zorluk, olası gerçek dünya senaryolarının sayısı etkili bir şekilde sonsuzdur. Simülasyon tabanlı testin amacı her şeyi test etmek değildir, ancak güvenlik ve sertifikasyon hedeflerini karşılamak için yeterli işlevsel olarak ilgili koşullara ulaşmaktır. Modern senaryo nesli birkaç sofistike teknik kullanır.

• [FONT:0)Combinatorial Parametreizasyon:[Dönetici:[Dönetici: 0) Testler, çevresel koşullar ve sistem davranışları arasındaki etkileşimleri tanımlamak için özellikle etkili.
• [[Dönerli Test:[Dönetici:[Dönetici:0) Arama-Temel Test:[Dönetici:0) Optimizasyon algoritmaları (örneğin, genetik algoritmaları, Bayesian optimizasyon), test platformu, belirli sonuçları üreten senaryoları bulmak için parametre alanını bağımsız olarak araştırıyor - bir çarpışma, güvenlik kısıtlamaları ihlali veya bir sistem kesintisi gibi.
• [FONT=0)Adversarial ve Corner Case Generation: Otomobil pilotu veya takviye öğrenme öğrenmesini sağlamak için sistem özellikle mevcut otomatik pilot sürüm için zorlanan senaryoları üretmek için öğrenir. Örneğin, bir adversarial ya da hareketçi, otopilotun onları tespit etmesi muhtemel olabilir.
• [[Dönetici:0)Log-Based Replay:[Dönetici:[Dönetici:[Dönesel) Scenarios gerçek dünya sürüş loglarından veya uçuş veri kayıt kasetlerinden elde edilen doğrudan bağlantıya sahip olduğunu doğrulamak için simülasyonda yeniden oynatılır.

Etkili senaryo nesli aktif bir araştırma alanıdır ve genellikle simülasyon testlerinin en yoğun kısmıdır. Otomatik olarak oluşturulabilme, yürütme ve milyonlarca senaryoyu değerlendirme yeteneği güvenli otonom sistemler geliştirmek için önemli bir rekabetçi avantajdır.

Simülasyonda Yapay Zeka ve Makine Öğrenmesinin Entegrasyonu

AI, simülasyon ve otopilot testleri arasındaki ilişki iki yönlüdür. AI simülasyonu geliştirir ve AI tabanlı otopilotlar için eğitim ve doğrulama için simülasyon gereklidir. AI-güdümlü simülasyon teknikleri şunları içerir:

• [FONT:0]Intelligent Scenario Generation: [Dönümüzde açıklandığı gibi, makine öğrenme modelleri zorlu senaryolar üretmeyi öğrenir, en değerli nerede test çabasını odaklanır.
• [FONT=0]Neural Network Sensör Modelleri: [Dönetici: 1) El-varlı fizik tabanlı sensör modelleri yerine, derin sinir ağları, gerçek sensör veri kümelerinin daha gerçekçi sentetik sensör akışlarını oluşturmak için eğitilir. Bu, algı sistemleri için "mevcut" boşluğu önemli ölçüde azaltır.
• [FONT:0) Sim'te Uygulama Öğrenme (RL) Eğitimi: [Dönetici: 0 3) Birçok end-to-end veya modüler derin öğrenme otopilotları, ajanın milyonlarca simüle edilen bölüm boyunca bir politika öğrendiğinde tamamen RL kullanarak, simülasyon ortamındaki sadakat ve çeşitliliğine doğrudan bağlı.
• [FONT:0)Anomaly Tespit ve Online İzleme: Simülasyon testinde, AI tabanlı anomaly dektörler bir hata veya test edilmemiş bir koşul gösterebilir, senaryo resmi bir başarısızlıkla sonuçlanmazsa bile.

Ancak, otomatik pilot sistemlerdeki AI kullanımı da yeni geçerlilik zorlukları yaratıyor. Neural ağ tabanlı algı ve planlama bileşenleri, geri dönüşlere karşı savunmasız olabilir ve bu nedenle hedefli şekillerdeki bu bileşenleri vurgulamak için tasarlanmalıdır.

Geçerlilik, Sertifika ve Düzenleme Çerçeveleri

Ticari havacılık ve otonom araçlar için giderek daha fazla, simülasyon tabanlı test sadece en iyi bir uygulama değildir - sertifikasyon için bir gerekliliktir. düzenleyici manzara hızla gelişiyor, ancak birkaç temel çerçeve simülasyon kanıtlarının nasıl kabul edildiğini yönetiyor.

• [FONT:0]DO-178C / DO-331: Hava yoluyla yazılım için, DO-178C, yazılımların gerekliliklerini ve tüm kodun yeterli kapsama alanıyla birlikte yürütülmesi gerektiğini gösterir. Modeled tabanlı geliştirme ve simülasyon tabanlı testler, sertifika verilerinin bir parçası olarak modeller için rehberlik sağlar. Simülasyon, yazılımın gerekliliklerini karşılaması ve tüm kodun yeterli kapsaması gerekir.
• [FONT:0]DO-160 / MIL-STD-810: [Dönetici: 1) Bu standartlar elektrik, mekanik ve termal stres için HIL testi dahil olmak üzere çevresel ve donanım sağlamlığı kapsıyor. Simülasyon, yaşam döngüsü testlerini hızlandırmaya alışkındır (örneğin, haftalar içinde 10.000 saate eşdeğer).
• [FONT=0)FAA AC 20170B/EASA AMC 20170: [Döneticiler, otomatik pilotlar dahil olmak üzere uçuş kontrol sistemlerinin sertifikasyonu için belirli bir rehberlik sağlar.
• [FONT=0) ISO 26262 / ISO 21448 (SOTIF): [CFONT: [CFONT: 0:0) ISO 26262, elektrik/elektronik sistemlerinin işlevsel güvenliğini kapsarken, ISO 21448 amaçlanan bir fonksiyon güvenliği (SOTIF), bu, doğrudan otomatik pilot/ADAS sistemlerini değerlendirmek için geçerlidir. SOTIF açıkça sistemin kenar davalarında davranışının geçerliliğini gerektirir, birçok tanesi simülasyonda test edilebilir.
• [[Dönetici:0)UL 4600:[Döneticileri Laboratuvarlarından Bu standart, söz konusu işlem analizi, senaryo ve simülasyonun geçerliliği boşluklarının kullanımı dahil olmak üzere otonom araç güvenliği için daha kapsamlı bir rehberlik sağlar (profesyonel ve gerçek dünya performansı arasındaki fark).

Sertifika yetkilileri, simülasyon aracının kendisi için uygun olduğu varsayılan verileri daha fazla kabul ediyorlar (örneğin, amaçlanan kullanım için yeterince doğru olduğu kanıtlanmaktadır). Tool nitelikleri, gerçek dünya verilerine karşı simülasyon ortamının titiz testlerini içerir, bu da önemli bir mühendislik çabasıdır.

Vaka Çalışmaları ve Endüstri Uygulamaları

Simülasyon ve VR'nin teorik yararları, dünya çapında havacılık ve otomotiv mühendisliği organizasyonlarında günlük olarak gerçekleştirilmektedir.

• [FONT:0)Boeing 787 Autopilot Test: Boeing kredi simülasyonu, ilk uçaktan ayrılan binlerce başarısız durumdaki hataların tamamının test edilmesi için gerekli olan 787'yi %30'dan fazla bir süre boyunca entegre etti. HIL rigs, yüksek sadakatli uçuş simülatörüyle entegre ettiren pilotların tasarım döngüsünde geri bildirimde bulunmalarına izin verdi.
• [FONT:0] Waymo'un Carcraft Simülasyonu:[Döneticileri, Carcraft olarak bilinen simülasyon platformu, muhtemelen her gün milyonlarca sanal mil sürmeyi iddia ediyor, gerçek zamanlı olarak gerçek zamanlı olarak, sistemli senaryoları oluşturmak ve genel dağıtım için yeterince güvenli olduğunu iddia ediyor.
• [FONTA'nın Uçuş Otomobil Pilotu Araştırması: [Dönetici:0] NASA'nın Langley Araştırma Merkezi, insan araştırmalarının gerçek zamanlı, pilotlu simülatörlerle simülasyonlar için deneysel otopilot simülasyon altyapısını kullanarak, yeni hava araçlarının sertifikasyonu için doğrudan bilgi sahibi olur.
• [FONT:0]Airbus A350 Sürekli Simülasyon: Airbus, uçuş yönetimi ve rehberlik sisteminin her yeni versiyonunu 10.000'den fazla senaryoya karşı otomatik olarak test eden, normal, anormal ve acil koşullar altında uygulamaktadır. Simülasyon sonuçları, VR'nin "Virtual Cockpit"te, Airbus'ın Toulouse tesislerinde yeni HMI konseptlerini değerlendirmek ve pilotlarını otomatik olarak ele alması için uygun bir şekilde kullanılır.

Bu örnekler simülasyon ve VR'nin periferik aktiviteler olmadığını gösteriyor ancak mühendislik sürecine ve dünyanın en gelişmiş otopilot sistemleri için güvenlik argümanına merkezi.

Future Trends and Emerging Technologies

Birkaç konvering trendleri, önümüzdeki on yıl boyunca otomatik pilot testinde simülasyon ve VR rolünü daha da derinleştirecektir.

• [FONT:0] Dijital Twins Across the Lifecycle:[Dönetici:0) Platformlar, Asys Twin Builder) ve [[Dönetici: 4))[Döneticileri[Dönetici: 4 )[Dönetici) ile karşılaştırılarak, bu ikizin üzerinde operasyonel verileri alan fiziksel araçların sürekli olarak güncellenmiş bir sanal kopyalama konseptine göre, otomatik pilotun performansına karşılaştırılabilir.
• [FONT:0)Fotoğraf Gerçekçi Gerçek Zamanlı Maske: GPU-akcelerated ışın tracing ve sinirsel formlama, simülasyon ve gerçek dünya arasındaki görsel gerçek boşluğu kapatıyor. Bu, özellikle de sentetik kamera görüntülerinin kalitesi doğrudan eğitim ve test için simülasyonun kullanışlılığını belirler.
• [FONT=0]Haptic ve Multimodal VR:[Dönetici: 0 ) Sonraki nesil VR sistemleri haptik eldivenler, hareket platformları ve tam donanımlı bir insan deneyimi sağlamak için mekansal ses.Bu, karmaşık el ele geçirme senaryoları test etmek için kritik olacaktır, çünkü ani bir sistem başarısızlığı sırasında insan sürücüsüne bir kontrol etmek için, fiziksel bir frenleme veya direksiyon toplanlama hissinın önemli bir parçasıdır.
• [FONT:0)Cloud-Native, Dağıtılmış Simülasyonu: Bulut platformları (AWS, Azure, GCP) yüzlerce aktılı örnekle yapılan büyük toplu simülasyon kampanyaları yürütmek için kullanılır. Bu, organizasyonlara haftalar içinde son derece geniş parametre uzaylarında hassasiyet analizi gerçekleştirmelerini sağlar.
• [FONT=0)Formal Verification Entegrasyonu:[Dönetici:[Dönetici:0) Efforts, simülasyon tabanlı testleri resmi doğrulama ile birleştirebilmek için alttadır, matematiksel kanıtların kontrol algoritmalarının belirli güvenlik özelliklerini ayrıntılı olarak doğrulamak için kullanılır. Simülasyon daha sonra resmi modellerin varsayımlarını doğrulamak ve resmi yöntemler kapsamının ötesindeki senaryoları tartışmak için kullanılır.

Bu trendler simülasyonun sadece bir test ortamı olmadığı bir geleceğe doğru işaret eder, ancak otonom sistemler için birincil tasarım ortamı, simülasyona dayalı güvenlik davasının son geçerliliği olarak hizmet eden fiziksel testlerle.

Meydanlar ve Sınırlar: Sim-to-Real Gap ve Diğer Pitfalls

Onun gücüne rağmen, simülasyon tabanlı test bir panacea değildir. Bazı temel zorluklar yanlış güvenden kaçınmak için dikkatli bir şekilde yönetilmelidir.

• [FONT:0] Sim-to-Real Gap: Simülasyonun gerçek dünya test verilerine karşı simülasyon modellerinin titiz bir şekilde doğrulanması ve simülasyonun güvenilir olduğu koşullar arasındaki ayrımlar.
• [FONT:0] Simülasyonun Kendi başına Açıklaması: Simülasyonunuzun sertifikasyon için yeterince doğru olduğunu nasıl doğruyorsunuz? Bu, simülasyon sonuçları ile gerçek dünya sonuçları ile geniş bir çeşitlilik arasında karşılaştırmanız gerekiyor, ancak bu, en çok endişelenen senaryolar hakkında endişe duyuyor olabilir (rare edge cases) gerçek dünya veri setinizde var olmayabilir.
• [FONT:0)C ⁇ Maliyeti:[Dönetici: 0,4] Yüksek sadakat, gerçek zamanlı simülasyon, fotorealist sunum ile hesaplamak için sayısal olarak pahalı. milyarlarca senaryoyu yürütmek önemli bulut altyapısı gerektirir ve önemli maliyet ve enerji tüketimine sahip kuruluşlar, geniş kapsama ihtiyacı olan daha yüksek sadakat arzusunu dengelemelidir.
• [FONT:0) Simülasyona Genel Bakış:[Dönetici: 0,0)Etkinlik (özellikle eğitim sırasında derin bir öğrenme tabanlı bir tane) bunu hafifletebilir, ancak sentetik veriler üzerinde iyi performans gösterir, ancak alan rastgeleleştirme gibi teknikler (varlıklı bir şekilde ifade parametreleri, sensör gürültü ve fizik sabitleri).
• [FONT=0)VR Limitleri: [Dönetici:[Dönetici:0) Mevcut VR teknolojisi sınırlı görüş alanı, değişken latencies ve insan faktörlerinin geçerliliğini etkileyebilecek simülasyon hastalığı için potansiyel. Haptic geri bildirimler hala sürüş veya uçan zengin tactile deneyimi ile karşılaştırılabilir.

Bu zorlukların ele alınması disiplinli bir mühendislik yaklaşımı gerektirir: Doğal modelleme, simülasyon çıktılarının sağlam istatistiksel doğrulama, muhafazakar güvenlik marjları ve güvenlik iddialarına yönelik simülasyon kanıtlarından net bir izlenebilirlik zinciri. Organizasyonlar, simülasyonu kara kutu olarak tedavi eden örgütler kaçınılmaz olarak boşluk tarafından şaşırır; boşlukları anlamak ve ölçmek için yapılan yatırımlar haklı güven ile simülasyon kullanabileceklerdir.

Sonuç: Simülasyon ve VR Güvenli Özerk Sistemlerin Yataklı Bulunduğu

Otomatik pilot sistemlerinin testleri derin bir dönüşüme maruz kaldı. Bir zamanlar öncelikle fiziksel prototiplere ve pahalı alan denemelerine dayanan denemelere bağlı olarak, sanal gerçeklik ortamları, AI odaklı senaryo nesli ve titiz bir istatistiki doğrulama araçlarına dayanıyor. Simülasyon ve VR, maliyet ve hız programları için yalnızca temel bir kaynak olarak değil - gerçekleştirilmiş bir şekilde dijital kimlik doğrulama için gerekli olan tüm güvenlik durumlarını sağlamak için gerekli olan tüm güvenlik durumlarını ve gerçekleştirilmiş bir şekilde güvenli hale getirmek için gerekli olan tüm dijital kimlik doğrulama yöntemleridir.