[論文レビュー] Deep Learning in the Field of Biometric Template Protection: An Overview

Christian Rathgeb, Jascha Kolberg+2 more|arXiv (Cornell University)|Mar 5, 2023

Biometric Identification and Security被引用数 7

ひとこと要約

本調査では、深層学習が再構築攻撃およびクロスマッチング攻撃に対して耐性を持つ、堅牢でプライバシー保護型の特徴表現を可能にすることにより、生体認証テンプレート保護をどのように向上させるかを検討する。本調査では、安全なテンプレート生成、アライメント、および同型暗号化統合のための深層学習ベースの手法をレビューするとともに、テンプレート保護方式に対する新興の深層学習駆動型攻撃についても分析する。

ABSTRACT

Today, deep learning represents the most popular and successful form of machine learning. Deep learning has revolutionised the field of pattern recognition, including biometric recognition. Biometric systems utilising deep learning have been shown to achieve auspicious recognition accuracy, surpassing human performance. Apart from said breakthrough advances in terms of biometric performance, the use of deep learning was reported to impact different covariates of biometrics such as algorithmic fairness, vulnerability to attacks, or template protection. Technologies of biometric template protection are designed to enable a secure and privacy-preserving deployment of biometrics. In the recent past, deep learning techniques have been frequently applied in biometric template protection systems for various purposes. This work provides an overview of how advances in deep learning take influence on the field of biometric template protection. The interrelation between improved biometric performance rates and security in biometric template protection is elaborated. Further, the use of deep learning for obtaining feature representations that are suitable for biometric template protection is discussed. Novel methods that apply deep learning to achieve various goals of biometric template protection are surveyed along with deep learning-based attacks.

研究の動機と目的

• 深層学習が生体認証テンプレート保護技術に与える影響を分析すること。
• 深層学習が安全なバイオメトリクスシステムのための特徴表現をどのように改善するかを特定すること。
• キャンセル可能な安全なバイオメトリクステンプレートを生成するための深層学習ベースのアプローチを調査すること。
• 既存のテンプレート保護方式に対する深層学習駆動型攻撃の脅威を検討すること。
• 深層学習と同型暗号化を組み合わせたハイブリッド技術を活用して、セキュリティを強化すること。

提案手法

• 2015年から2023年までの生体認証テンプレート保護における深層学習に関する最近の文献を系統的レビューする。
• テンプレート保護における深層学習の応用を、特徴学習、アライメント、暗号化統合の3つに分類する。
• 深層学習ベースの攻撃、特に偽受容攻撃および保護済みテンプレートからの再構築試行について分析する。
• キャンセル可能なバイオメトリクスで用いられる摂動（例：画像のねじれ変形）に対して、深層学習の耐性を評価する。
• 指紋および虹彩テンプレートのための深層ニューラルネットワークを用いた事前アライメント技術の調査。
• 暗号化されたバイオメトリクスデータ上で安全な計算を可能にする、深層学習と同型暗号化を組み合わせた手法の検討。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの特徴抽出器は、生体認証テンプレート保護システムのセキュリティとパフォーマンスをどのように向上させるか？
• RQ2 深層学習ベースの攻撃にさらされた既存のテンプレート保護方式に、どのような脆弱性が存在するか？
• RQ3 キャンセル可能なバイオメトリクスで用いられる摂動に対して、深層学習モデルはどれほど耐性を示すか、あるいは逆に悪用されるおそれがあるか？
• RQ4 深層学習を同型暗号化と統合することで、暗号化されたテンプレート上で安全なバイオメトリクス比較を実現する方法は何か？
• RQ5 深層学習ベースの事前アライメント手法は、保護されたバイオメトリクステンプレートの安全な比較をどのように可能にするか？

主な発見

• 深層学習ベースのバイオメトリクスシステムは、優れた認識精度を達成しており、しばしば人間水準のパフォーマンスを上回る。
• 深層学習により、安全なテンプレート保護に適したコンパクトで識別性の高い特徴表現が可能になる。
• 既存の深層学習ベースのテンプレート保護攻撃は限定的であるが、完全な公開モデル下では再構築攻撃が実現可能である。
• 深層学習モデルは画像ねじれ変形などの特定の摂動に対して耐性を示すが、これにより従来のキャンセル可能なバイオメトリクス技術の有効性が損なわれるおそれがある。
• 深層ニューラルネットワークに基づく事前アライメント手法は、指紋および虹彩システムにおける保護済みテンプレート比較の精度を向上させる。
• 深層学習と同型暗号化を組み合わせることで、暗号化されたバイオメトリクスデータ上で安全な分類が可能となり、秘密鍵が漏洩した場合でも残存する保護が得られる。