[논문 리뷰] HoneyFaces: Increasing the Security and Privacy of Authentication Using Synthetic Facial Images

Mor Ohana, Orr Dunkelman외 2명|arXiv (Cornell University)|2016. 11. 11.

Biometric Identification and Security참고 문헌 30인용 수 4

한 줄 요약

HoneyFaces는 생체 인증 데이터베이스에 수많은 구분할 수 없는 합성 얼굴 템플릿을 주입함으로써 생체 인증 보안성과 프라이버시를 향상시킨다. 이 방법은 진짜 사용자 데이터를 계산적으로 가려내며, 정확도는 그대로 유지(93.33% TPR, 0.01% FPR)하면서도 데이터 유출의 난이도를 극도로 높이고, 사용성에 부담을 주지 않으면서도 안정적인 누출 탐지 기능을 제공한다.

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.

연구 동기 및 목표

• 비밀번호처럼 재설정이 불가능한 생체 특성의 유출을 방지하는 데 있어 핵심 과제를 해결하기 위해.
• 기존의 프라이버시 보존 기법인 Secure sketch 및 Fuzzy Extractors의 한계를 극복하기 위해, 이들은 정확도를 저하시키며 검증 불가능한 가정에 의존하기 때문이다.
• 사용성이나 인증 성능에 영향을 주지 않으면서도 생체 인식 시스템의 보안성과 프라이버시를 향상시키는 메커니즘을 설계하기 위해.
• 대규모 데이터 유출를 계산적으로나 시간적으로 불가능하게 만들기 위해 데이터베이스를 확장함으로써 데이터 유출 탐지를 가능하게 하기 위해.
• HoneyWords에서 사용하는 이중 서버 아키텍처와 같은 다른 프라이버시 기법과의 통합을 지원하기 위해.

제안 방법

• 실제 얼굴과 통계적으로 구분할 수 없는 수많은 합성 얼굴 이미지를 생체 인식 템플릿 데이터베이스에 주입하기.
• 실제 데이터셋의 통계 분포를 반영한 GAN 기반의 생성 모델을 사용해 합성 얼굴을 생성하기.
• 실제 사용자 인증에 영향을 주지 않도록 동일한 얼굴 인식 시스템과 매칭 알고리즘을 유지하기.
• 실제 사용자 270명에서 $2^{36.5}$명(56.6 TB)까지 데이터베이스를 확장하여 해커의 탐색 공간을 증가시키기.
• 부분적 데이터 유출 시뮬레이션(예: 10개의 AM 계수만 유출)을 통해 시스템의 정보 유출에 대한 내성 평가하기.
• 실제 얼굴과 합성 얼굴을 식별할 수 있는지 검증하기 위해 통계적 및 머신러닝 방법을 적용하고, 소속성 추론 공격의 성공률 평가하기.

실험 결과

연구 질문

• RQ1 실제 생체 인식 템플릿과 분포와 외관에서 구분할 수 없도록 수많은 합성 얼굴 템플릿을 생성할 수 있는가?
• RQ2 합성 얼굴의 포함으로 얼굴 인식 시스템의 진짜 수락률(TAR)이나 가짜 수락률(FAR)이 떨어지는가?
• RQ3 특히 공기 격리 네트워크와 같은 저대역폭 환경에서, 합성 얼굴을 통한 데이터베이스 확장이 데이터 유출의 난이도를 얼마나 높이는가?
• RQ4 적대자가 부분적 표현(예: 10개의 AM 계수)을 사용해 실제 사용자를 식별하거나 합성 얼굴과 구분할 수 있는가?
• RQ5 HoneyFaces 메커니즘이 HoneyWords의 이중 서버 아키텍처와 같은 다른 프라이버시 강화 모델과의 통합을 지원하는가?

주요 결과

• HoneyFaces 시스템은 데이터베이스를 $2^{36.5}$명까지 확장한 후에도 진짜 수락률이 93.33%이고 가짜 수락률이 0.01%로 유지되어, 인증 정확도에 하락이 없음을 입증했다.
• 통계적 및 머신러닝 방법이 실제 얼굴과 합성 얼굴을 구분하지 못했으며, 양쪽의 분포가 동일하기 때문이다.
• 데이터를 유출하려는 적대자가 겪는 시간적 비용은 막대하다: 1 Kbit/sec 속도로 56.6 TB를 유출하려면 100년이 넘게 소요되어 대규모 도용은 실현 불가능하다.
• 사용자당 10개의 AM 계수만 유출된 경우에도 효과적인 소속성 추론가능성이 없었으며, 98.90%의 외부자 얼굴과 99.26%의 실제 사용자 얼굴이 0.01% 거리 임계값 이하에 위치하여 식별이 거의 불가능했다.
• 더 유연한 임계값을 적용한 경우에도 71.08%의 외부자와 74.07%의 실제 사용자가 시스템 내부로 잘못 분류되었으며, 이는 부분적 데이터 유출가 보유한 공격자에게 실질적인 이득이 없음을 시사한다.
• 10개의 계수로 복원된 얼굴은 원본과 시각적으로 유사성이 없었으며, 이는 비록 데이터가 열악하게 손상되더라도 시각적 매칭이 대규모로는 불가능함을 확인한다.