[論文レビュー] HoneyFaces: Increasing the Security and Privacy of Authentication Using Synthetic Facial Images

Mor Ohana, Orr Dunkelman+2 more|arXiv (Cornell University)|Nov 11, 2016

Biometric Identification and Security参考文献 30被引用数 4

ひとこと要約

HoneyFaces は、顔認識認証のセキュリティとプライバシーを向上させるために、生物特徴データベースに多数の識別不能な合成顔テンプレートを挿入することで、実際のユーザーのデータを計算的に隠します。この手法は認証精度（93.33% TPR、0.01% FPR）を維持しながら、データ漏洩の困難さを著しく高め、使いやすさの負担や脆弱な仮定に依存しない強力な漏洩検出を可能にします。

ABSTRACT

One of the main challenges faced by Biometric-based authentication systems is the need to offer secure authentication while maintaining the privacy of the biometric data. Previous solutions, such as Secure Sketch and Fuzzy Extractors, rely on assumptions that cannot be guaranteed in practice, and often affect the authentication accuracy. In this paper, we introduce HoneyFaces: the concept of adding a large set of synthetic faces (indistinguishable from real) into the biometric "password file". This password inflation protects the privacy of users and increases the security of the system without affecting the accuracy of the authentication. In particular, privacy for the real users is provided by "hiding" them among a large number of fake users (as the distributions of synthetic and real faces are equal). In addition to maintaining the authentication accuracy, and thus not affecting the security of the authentication process, HoneyFaces offer several security improvements: increased exfiltration hardness, improved leakage detection, and the ability to use a Two-server setting like in HoneyWords. Finally, HoneyFaces can be combined with other security and privacy mechanisms for biometric data. We implemented the HoneyFaces system and tested it with a password file composed of 270 real users. The "password file" was then inflated to accommodate up to $2^{36.5}$ users (resulting in a 56.6 TB "password file"). At the same time, the inclusion of additional faces does not affect the true acceptance rate or false acceptance rate which were 93.33\% and 0.01\%, respectively.

研究の動機と目的

• 生物特徴がパスワードのように再設定できないため、生物特徴テンプレートの漏洩から保護するという重要な課題に取り組むこと。
• セキュアスケッチやファジー抽出器のような既存のプライバシー保護技術の限界を克服すること。これらの技術は認識精度を低下させるとともに、検証不能な仮定に依存している。
• 使いやすさや認証パフォーマンスに影響を与えることなく、生物特徴システムのセキュリティとプライバシーを向上させるメカニズムを設計すること。
• データベースを膨大に拡大することで、大規模なデータ盗難を計算的・時間的に不可能にする。
• HoneyWords で用いられる二サーバー型アーキテクチャのような他のプライバシー保護メカニズムとの統合を可能にすること。

提案手法

• 実際の顔と統計的に識別不能な合成顔画像を、生物特徴テンプレートデータベースに挿入する。
• 生成モデル（例：GANベース）を用いて、データセット内の実際の顔の統計的分布と一致する合成顔を生成する。
• 同じ顔認識システムとマッチングアルゴリズムを維持し、合成顔の存在が実ユーザーの認証に影響を与えないようにする。
• データベースを 270 名の実ユーザーから最大 $2^{36.5}$ 名（56.6 TB）まで拡大し、攻撃者の検索空間を拡大する。
• 部分的なデータ漏洩シミュレーション（例：10 個の AM コエフィシャントの漏洩）を用いて、システムの情報漏洩に対する耐性を評価する。
• 統計的および機械学習的手法を適用し、実際の顔と合成顔を区別できるかをテストし、メンバーインファレンス攻撃の成功率を評価する。

実験結果

リサーチクエスチョン

• RQ1 統計的分布および外観において、実際の生物特徴テンプレートと識別不能な多数の合成顔テンプレートを生成できるか？
• RQ2 合成顔の挿入により、顔認識システムの真陽性率（TAR）や偽陽性率（FAR）が低下するか？
• RQ3 特にオフラインネットワークのような低帯域幅環境において、合成顔によるデータベースの拡大が、データ漏洩の困難さをどの程度高めるか？
• RQ4 攻撃者が部分的な表現（例：10 個の AM コエフィシャント）を用いて、実ユーザーを特定したり、実顔と合成顔を区別できるか？
• RQ5 HoneyFaces メカニズムは、HoneyWords の二サーバーアーキテクチャのような他のプライバシー強化モデルと統合可能か？

主な発見

• HoneyFaces システムは、データベースを $2^{36.5}$ 名まで拡大した後も、真陽性率が 93.33%、偽陽性率が 0.01% を維持し、認証精度に劣化がないことを実証した。
• 統計的および機械学習的手法では、実顔と合成顔を区別できず、両者の分布が同一であった。
• データ漏洩を試みる攻撃者は、56.6 TB のデータを 1 Kbit/sec の速度で送信する場合、100 年以上を要するため、大規模な盗難は現実的ではない。
• 1 人あたり 10 個の AM コエフィシャントを漏洩させても、メンバーインファレンス攻撃は効果を発揮せず、外部者顔の 98.90% および実ユーザー顔の 99.26% が 0.01% の距離閾値を下回り、識別はほぼ不可能であった。
• より寛容な閾値を採用しても、外部者の 71.08% および実ユーザーの 74.07% がシステム内に誤って分類されたため、部分的データ漏洩は攻撃者にとって実用的な利点をもたらさないことが示された。
• 10 個の係数から再構築した顔は、元の顔と視覚的に類似しておらず、視覚的マッチングが大規模なスケールでも不可能であることが確認された。