[논문 리뷰] DeepMasterPrints: Generating MasterPrints for Dictionary Attacks via Latent Variable Evolution

Philip Bontrager, Aditi Roy외 3명|arXiv (Cornell University)|2017. 05. 21.

Biometric Identification and Security참고 문헌 23인용 수 7

한 줄 요약

이 논문은 훈련된 생성 적대 기반 네트워크(GAN)의 잠재 변수를 진화시켜 완전하고 현실적인 지문 이미지를 생성하는 방법인 잠재 변수 진화(Latent Variable Evolution, LVE)를 소개한다. 이를 통해 지문 인식 시스템 전반에서 위조 매칭을 극대화하는 '딥마스터프린트(DeepMasterPrints)'를 생성한다. 이 방법은 1%의 가짜 매칭률(FMR)에서 77%의 위조 성공률를 기록하며, 이는 기존의 템플릿 수준의 방법들보다 뛰어나며 이미지 수준의 사전 공격의 실용 가능성을 입증한다.

ABSTRACT

Recent research has demonstrated the vulnerability of fingerprint recognition systems to dictionary attacks based on MasterPrints. MasterPrints are real or synthetic fingerprints that can fortuitously match with a large number of fingerprints thereby undermining the security afforded by fingerprint systems. Previous work by Roy et al. generated synthetic MasterPrints at the feature-level. In this work we generate complete image-level MasterPrints known as DeepMasterPrints, whose attack accuracy is found to be much superior than that of previous methods. The proposed method, referred to as Latent Variable Evolution, is based on training a Generative Adversarial Network on a set of real fingerprint images. Stochastic search in the form of the Covariance Matrix Adaptation Evolution Strategy is then used to search for latent input variables to the generator network that can maximize the number of impostor matches as assessed by a fingerprint recognizer. Experiments convey the efficacy of the proposed method in generating DeepMasterPrints. The underlying method is likely to have broad applications in fingerprint security as well as fingerprint synthesis.

연구 동기 및 목표

• 실제 지문의 지문 패턴을 알지 못한 채, 실제 지문 인식 시스템을 위조 공격할 수 있는 현실적이고 이미지 수준의 마스터프린트를 생성하는 방법을 개발하는 것.
• 기존 연구가 단지 합성된 분지 템플릿만 생성하여 물리적 위조 공격에 적용되지 못하는 한계를 극복하는 것.
• 여러 개의 템플릿이 아닌 하나의 합성 지문 이미지를 사용하여 효과적인 사전 공격를 가능하게 하는 것.
• 훈련된 GAN의 잠재 공간 최적화가 다양한 지문 매칭기 및 데이터셋에 일반화되는 매우 효과적인 딥마스터프린트를 생성할 수 있음을 입증하는 것.

제안 방법

• 실제 지문 이미지에 대해 GAN을 훈련시어 자연스러운 지문 패턴의 분포를 학습하는 것.
• 훈련된 GAN 생성기의 잠재 공간에서 확률적 최적화를 수행하기 위해 공분산 행렬 적응 진화 전략(Covariance Matrix Adaptation Evolution Strategy, CMA-ES)을 사용하는 것.
• 생성된 이미지를 실제 지문 데이터베이스와 비교할 때 지문 매칭기가 반환하는 위조 매칭 수를 기반으로 적합도 함수를 정의하는 것.
• 시각적 현실성과 지문 유사 구조를 유지하면서도 위조 매칭 수(즉, 위조 성공률)를 극대화하기 위해 잠재 벡터를 진화시키는 것.
• 최종적으로 진화된 잠재 벡터를 생성기 네트워크로 디코딩하여 완전하고 이미지 수준의 위조물인 딥마스터프린트를 생성하는 것.
• 다양한 지문 매칭기(Bozorth3, VeriFinger, Innovatrics)와 데이터셋(롤링 및 커패시티브 센서)을 대상으로 방법의 일반화 능력을 평가하기 위해 검증하는 것.

실험 결과

연구 질문

• RQ1 GAN 기반 생성기가 지문 인식 시스템을 위조 공격하는 데 효과적인 현실적인 지문 이미지를 생성할 수 있는가?
• RQ2 훈련된 GAN의 잠재 공간에서의 진화 최적화가 이전의 템플릿 수준의 방법보다 높은 위조 성공률를 달성하는 딥마스터프린트를 생성할 수 있는가?
• RQ3 생성된 딥마스터프린트는 다양한 지문 매칭기와 센서 유형 간에 얼마나 잘 일반화되는가?
• RQ4 여러 개의 템플릿 대신 단일의 합성 지문 이미지로만 제한된 상황에서도 이 방법이 여전히 효과적인가?

주요 결과

• 제안된 잠재 변수 진화(Latent Variable Evolution, LVE) 방법은 전체 데이터셋에서 1%의 가짜 매칭률(FMR)에서 77%의 위조 성공률를 달성하는 딥마스터프린트를 성공적으로 생성하였다.
• 0.1%의 가짜 매칭률에서 이 방법은 23%의 위조 성공률를 기록하여 엄격한 보안 기준 하에서도 효과적임을 입증하였다.
• 이전 방법들에 비해 뚜렷한 성능 향상을 보였으며, 단일 딥마스터프린트가 다섯 개의 템플릿 수준 마스터프린트의 조합와 유사한 성능을 달성하였다.
• Bozorth3, VeriFinger, Innovatrics 등 다양한 지문 매칭기에서 잘 일반화되어, 매칭기 고유의 특징에 대한 민감도가 낮음을 시사하며 강건성을 입증하였다.
• 커패시티브 센서에서 생성된 딥마스터프린트는 매칭기 간에 일관된 성능을 보이며, 보편적인 지문 패턴을 악용할 수 있음을 시사한다.
• 딥마스터프린트는 무작위 이미지보다 약 10배 더 효과적인 위조 공격 능력을 보이며, 높은 실용적 위협 잠재력을 확인하였다.