[論文レビュー] An Overview of Privacy-enhancing Technologies in Biometric Recognition

Pietro Melzi, Christian Rathgeb+3 more|arXiv (Cornell University)|Jun 21, 2022

Biometric Identification and Security被引用数 14

ひとこと要約

本論文は、生体認証におけるプライバシー強化技術（PETs）を評価する統一フレームワークを提示し、プライバシー、認識精度、ソフトバイオメトリック属性漏洩への影響を分析する。キャンセルラブルバイオメトリクス、バイオメトリック暗号システム、同相暗号化、ディープラーニングベースのPETsを比較し、プライバシー向上と認識性能低下のバランスを取るためにプライバシー・ゲイン・アイデンティティ・ロス係数（PIC）を導入する。

ABSTRACT

Privacy-enhancing technologies are technologies that implement fundamental data protection principles. With respect to biometric recognition, different types of privacy-enhancing technologies have been introduced for protecting stored biometric data which are generally classified as sensitive. In this regard, various taxonomies and conceptual categorizations have been proposed and standardization activities have been carried out. However, these efforts have mainly been devoted to certain sub-categories of privacy-enhancing technologies and therefore lack generalization. This work provides an overview of concepts of privacy-enhancing technologies for biometrics in a unified framework. Key aspects and differences between existing concepts are highlighted in detail at each processing step. Fundamental properties and limitations of existing approaches are discussed and related to data protection techniques and principles. Moreover, scenarios and methods for the assessment of privacy-enhancing technologies for biometrics are presented. This paper is meant as a point of entry to the field of biometric data protection and is directed towards experienced researchers as well as non-experts.

研究の動機と目的

• 生体認識におけるプライバシー強化技術（PETs）の既存の分類体系に一般化の欠如があるのを是正するため、統一された概念的フレームワークを提示すること。
• キャンセルラブルバイオメトリクス、バイオメトリック暗号システム、同相暗号化、ディープラーニングベースのPETsなどの異なるPETsを、主要な処理ステップごとに体系的に比較すること。
• プライバシー・バイ・デザイン（PbD）、偽名化、データ最小化などのコアなデータ保護原則に基づいてPETsを評価すること。
• プライバシー・ゲイン・アイデンティティ・ロス係数（PIC）を導入・検証し、プライバシー向上と認識性能の低下のバランスを取る指標とする。
• 計算コスト、ストレージ要件、ソフトバイオメトリック属性漏洩に対する耐性といった側面を含む、PETsの実用的評価フレームワークを提供すること。

提案手法

• 生体認証パイプライン全体（登録、テンプレート保護、認証）をカバーする、汎用的で段階的なPETs分析フレームワークを提案する。
• PETsを4つの主要なカテゴリに分類する：キャンセルラブルバイオメトリクス、バイオメトリック暗号システム、同相暗号化、ディープラーニングベースのPETs。
• プライバシー向上と認識性能低下の両方を重み付けする複合指標として、プライバシー・ゲイン・アイデンティティ・ロス係数（PIC）を導入する。
• 標準指標を用いてPETsを評価する：固定された偽陽性率（FMR）における偽非一致率（FNMR）と、ソフトバイオメトリック属性推定の精度。
• 処理の複雑さを、演算回数または実行時間で測定し、登録ユーザー1人あたりのストレージ要件（ビット単位）を評価する。
• 保護されたデータ上で訓練された複数の分類器を用いて、PETsのソフトバイオメトリック属性推定に対する耐性をテストする。

実験結果

リサーチクエスチョン

• RQ1 異なる生体認識用プライバシー強化技術（PETs）は、プライバシー保護、認識精度、ソフトバイオメトリック属性漏洩に対する耐性の観点で、どのように比較できるか？
• RQ2 PETsは、生体テンプレートが逆引き可能でなかったり、個人と関連付けられなくなったりするのを保証しつつ、認識性能をどの程度維持できるか？
• RQ3 PETs間で計算コストとストレージ要件はどのように変動し、リソース制限のあるシステムへの実装にどのような影響を及えるか？
• RQ4 ディープラーニングベースのPETsは、保護されたデータ上で訓練された場合でも、ソフトバイオメトリック属性の抽出を効果的に防げるか？
• RQ5 プライバシー・ゲイン・アイデンティティ・ロス係数（PIC）は、プライバシーと認識性能のトレードオフを評価する信頼できる指標としてどのように機能するか？

主な発見

• プライバシー・ゲイン・アイデンティティ・ロス係数（PIC）は、プライバシー向上と認識性能低下のトレードオフを定量的に評価する手段を提供する。
• ディープラーニングベースのPETsは、保護されたデータ上で複数の分類器が訓練されても、ソフトバイオメトリック属性を効果的に保護でき、属性推定に対する強い耐性を示す。
• 同相暗号化は意味的セキュリティを確保し、暗号化された状態での比較が、平文での操作と同等の結果をもたらすが、高い計算コストを伴う。
• キャンセルラブルバイオメトリクスとバイオメトリック暗号システムは、それぞれ非可逆変換とエラー訂正方式のため、識別能が低下し、認識精度の低下を引き起こす。
• ストレージ要件は顕著に異なるが、特にバーコードや埋め込みシステムでは、元のテンプレートよりもはるかに多くのビット数をユーザー1人あたり要するPETsがある。
• 秘密に依存するPETs（例：バイオメトリック暗号システム）は、攻撃者が秘密を入手していない限り、ソフトバイオメトリック保護を提供するが、攻撃者の脅威モデルに強く依存している。