[논문 리뷰] Deep Learning in the Field of Biometric Template Protection: An Overview

Christian Rathgeb, Jascha Kolberg외 2명|arXiv (Cornell University)|2023. 03. 05.

Biometric Identification and Security인용 수 7

한 줄 요약

이 종합 검토는 딥 러닝이 재구성 및 크로스 매칭 공격에 저항하는 개인정보 보호 기능을 갖춘 강력한 특징 표현을 가능하게 하여 생체 인식 템플릿 보호를 향상시키는 방식을 탐구한다. 이 논문은 안전한 템플릿 생성, 정렬, 그리고 히든 암호화 통합을 위한 딥 러닝 기반 기법을 검토하며, 동시에 생체 인식 템플릿 보호 체계에 대한 신규 딥 러닝 기반 공격을 분석한다.

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.

연구 동기 및 목표

• 딥 러닝이 생체 인식 템플릿 보호 기술에 미치는 영향을 분석하는 것.
• 딥 러닝이 안전한 생체 인식 시스템을 위한 특징 표현을 어떻게 향상시키는지 밝혀내는 것.
• 취소 가능한 생체 인식 템플릿을 생성하기 위한 딥 러닝 기반 접근법을 조사하는 것.
• 기존 템플릿 보호 체계에 대한 딥 러닝 기반 공격의 위협을 검토하는 것.
• 딥 러닝과 히든 암호화를 조합한 하이브리드 기법을 통해 보안을 향상시키는 방법을 탐구하는 것.

제안 방법

• 2015년부터 2023년까지 생체 인식 템플릿 보호 분야의 최근 문헌에 대한 체계적 검토.
• 템플릿 보호 분야에서의 딥 러닝 응용을 특징 학습, 정렬, 암호화 통합으로 분류.
• 딥 러닝 기반 공격 분석, 특히 보호된 템플릿에서의 재구성 시도 및 오류 수락 공격 포함.
• 이상치에 대한 딥 러닝의 강건성 평가, 예를 들어 취소 가능한 생체 인식에서 사용되는 이미지 왜곡과 같은 변형에 대한 저항력.
• 지문 및 아이ris 템플릿을 위한 딥 신경망 기반 사전 정렬 기법에 대한 조사.
• 암호화된 생체 인식 데이터에서의 안전한 계산을 가능하게 하는 딥 러닝과 히든 암호화의 통합 조사.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 특징 추출기가 생체 인식 템플릿 보호 시스템의 보안성과 성능을 어떻게 향상시키는가?
• RQ2 딥 러닝 기반 공격에 노출되었을 때 기존 템플릿 보호 체계의 취약점은 무엇인가?
• RQ3 딥 러닝 모델이 취소 가능한 생체 인식에서 사용되는 변형에 얼마나 저항하거나 악용될 수 있는가?
• RQ4 딥 러닝을 히든 암호화와 통합하여 암호화된 템플릿에서의 안전한 생체 인식 비교를 어떻게 실현할 수 있는가?
• RQ5 딥 러닝 기반 사전 정렬 방법이 보호된 생체 인식 템플릿 간의 안전한 비교를 어떻게 지원하는가?

주요 결과

• 딥 러닝 기반 생체 인식 시스템은 높은 인식 정확도를 달성하며, 종종 인간 수준 성능을 초월한다.
• 딥 러닝은 안전한 템플릿 보호에 적합한 작고 구별력 있는 특징 표현을 생성할 수 있도록 한다.
• 기존의 딥 러닝 기반 공격은 제한되어 있으나, 전체 공개 모델 하에서는 재구성 공격이 가능하다.
• 딥 러닝 모델은 이미지 왜곡과 같은 특정 변형에 대해 강건성을 보이며, 기존의 취소 가능한 생체 인식 기법의 효과를 떨어뜨린다.
• 딥 신경망 기반 사전 정렬 방법은 지문 및 아이ris 시스템에서 보호된 템플릿 비교 정확도를 향상시킨다.
• 딥 러닝과 히든 암호화를 조합하면 암호화된 생체 인식 데이터에서의 안전한 분류가 가능하며, 비밀 키가 유출된 경우에도 잔여 보호 기능을 제공한다.