[논문 리뷰] An Overview of Privacy-enhancing Technologies in Biometric Recognition

Pietro Melzi, Christian Rathgeb외 3명|arXiv (Cornell University)|2022. 06. 21.

Biometric Identification and Security인용 수 14

한 줄 요약

이 논문은 생체인식 분야에서 개인정보 보호 기술(PETs)을 평가하기 위한 통합 프레임워크를 제시하며, 개인정보 보호, 인식 정확도, 소프트-생체정보 특성 泄露에 미치는 영향을 분석한다. 취소 가능한 생체인식, 생체암호시스템, 히든 암호화, 딥러닝 기반 PETs를 비교하며, 개인정보 보호 향상과 인식 성능 저하 간의 균형을 맞추기 위해 '개인정보 향상 정체성 손실 계수(PIC)'를 도입한다.

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.

연구 동기 및 목표

• 기존 생체인식을 위한 개인정보 보호 기술(PETs)의 분류 체계가 일반화되지 않은 데 대비하여 통합 개념적 프레임워크를 제안하기 위해.
• 취소 가능한 생체인식, 생체암호시스템, 히든 암호화, 딥러닝 기반 PETs와 같은 다양한 PETs를 핵심 처리 단계에 걸쳐 체계적으로 비교하기 위해.
• 개인정보 보호 원칙의 핵심 요소인 개인정보 설계 원칙(PbD), 가명처리, 데이터 최소화를 기반으로 PETs를 평가하기 위해.
• 개인정보 향상 정체성 손실 계수(PIC)를 도입하고 검증하여, 개인정보 보호 향상과 인식 성능 저하 간의 균형을 맞추는 데 사용 가능한 지표로 활용하기 위해.
• 계산 비용, 스토리지 요구사항, 소프트-생체정보 특성 泄露에 대한 내성 등 실용적인 평가 프레임워크를 제공하기 위해.

제안 방법

• 생체인식 전 과정인 등록, 템플릿 보호, 인증 단계에서 PETs를 분석하기 위한 일반적이고 단계별 프레임워크를 제안한다.
• PETs를 네 가지 주요 유형으로 분류한다: 취소 가능한 생체인식, 생체암호시스템, 히든 암호화, 딥러닝 기반 PETs.
• 개인정보 향상 정체성 손실 계수(PIC)를 도입한다. 이는 개인정보 보호 향상과 인식 성능 저하 간의 가중치를 고려한 복합 지표이다.
• 표준 지표를 사용해 PETs를 평가한다: 고정된 거짓 매칭률(FMR)에서의 거짓 비매칭률(FNMR), 소프트-생체정보 특성 추정 정확도.
• 계산 복잡도를 운영 횟수 또는 런타임 측정으로 평가하고, 등록된 사용자당 비트 단위로 스토리지 요구사항을 측정한다.
• 보호된 데이터로 훈련된 다수의 분류기를 활용해 PETs의 소프트-생체정보 특성 유추에 대한 내성 여부를 테스트한다.

실험 결과

연구 질문

• RQ1 다양한 생체인식용 개인정보 보호 기술(PETs)은 개인정보 보호, 인식 정확도, 소프트-생체정보 특성 泄露에 대한 저항성 측면에서 어떻게 비교될 수 있는가?
• RQ2 PETs는 생체인식 템플릿이 뒤바뀐다거나 개인과 연결될 수 없도록 보장하면서도 인식 성능을 얼마나 유지할 수 있는가?
• RQ3 PETs 간의 계산 및 스토리지 오버헤드는 어떻게 달라지며, 자원 제약이 있는 시스템에 실제 구현에 미치는 영향은 무엇인가?
• RQ4 딥러닝 기반 PETs는 보호된 데이터로 훈련된 다수의 분류기들에 대해서도 소프트-생체정보 특성의 추출을 효과적으로 방지할 수 있는가?
• RQ5 개인정보 향상 정체성 손실 계수(PIC)는 개인정보 보호와 인식 성능 간의 트레이드오프 평가에 신뢰할 수 있는 지표로 기능할 수 있는가?

주요 결과

• 개인정보 향상 정체성 손실 계수(PIC)는 개인정보 보호 향상과 인식 성능 저하 간의 균형을 정량적으로 평가할 수 있는 방법을 제공한다.
• 딥러닝 기반 PETs는 여러 분류기가 보호된 데이터로 훈련되어도 소프트-생체정보 특성을 효과적으로 보호할 수 있으며, 특성 추론에 대한 강력한 저항성을 확보한다.
• 히든 암호화는 의미적 보안을 보장하고 암호화된 비교를 가능하게 하며, 비암호화된 연산과 동일한 결과를 도출하지만 높은 계산 비용을 수반한다.
• 취소 가능한 생체인식과 생체암호시스템은 각각 비가역 변환과 오류 수정 기법으로 인해 분별력을 저하시켜 인식 정확도 저하를 초래한다.
• 스토리지 요구사항은 크게 다를 수 있으며, 특히 바코드나 임베디드 시스템에서는 원본 템플릿보다 훨씬 많은 비트 수가 필요로 하는 PETs가 존재한다.
• 비밀번호를 기반으로 하는 PETs(예: 생체암호시스템)는 비밀번호가 공격자에게 노출되지 않은 경우에만 소프트-생체정보 보호 기능을 제공하므로, 치명적인 위협 모델 의존성이 드러난다.