[论文解读] Deep Learning in the Field of Biometric Template Protection: An Overview

Christian Rathgeb, Jascha Kolberg+2 more|arXiv (Cornell University)|Mar 5, 2023

Biometric Identification and Security被引用 7

一句话总结

本综述探讨了深度学习如何通过实现鲁棒且保护隐私的特征表示来增强生物特征模板保护，从而抵御重建攻击和跨匹配攻击。综述涵盖了基于深度学习的安全模板生成、对齐以及同态加密集成方法，同时分析了针对模板保护方案的新兴深度学习驱动攻击。

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.

研究动机与目标

• 分析深度学习对生物特征模板保护技术的影响。
• 识别深度学习如何改善安全生物识别系统中的特征表示。
• 调查基于深度学习的可取消和安全生物特征模板生成方法。
• 考察基于深度学习的攻击对现有模板保护方案构成的威胁。
• 探索结合深度学习与同态加密以增强安全性的混合技术。

提出的方法

• 对2015年至2023年期间关于深度学习在生物特征模板保护中应用的近期文献进行系统性综述。
• 将深度学习在模板保护中的应用分类为特征学习、对齐和加密集成。
• 分析基于深度学习的攻击，包括误接受攻击以及从受保护模板中尝试重建原始生物特征的攻击。
• 评估深度学习对可取消生物特征中使用的扰动（如图像扭曲）的鲁棒性。
• 调查基于深度神经网络的预对齐技术在指纹和虹膜模板中的应用。
• 研究结合深度学习与同态加密以实现在加密生物特征数据上安全计算的方法。

实验结果

研究问题

• RQ1 基于深度学习的特征提取器如何提升生物特征模板保护系统的安全性和性能？
• RQ2 当暴露于基于深度学习的攻击时，现有模板保护方案存在哪些漏洞？
• RQ3 深度学习模型在多大程度上能抵抗或被可取消生物特征中使用的扰动所利用？
• RQ4 如何将深度学习与同态加密结合，以实现在加密模板上进行安全的生物特征比对？
• RQ5 基于深度学习的预对齐方法在实现受保护生物特征模板安全比对中发挥何种作用？

主要发现

• 基于深度学习的生物特征系统实现了卓越的识别准确率，通常超过人类水平表现。
• 深度学习能够生成紧凑且具有区分性的特征表示，适用于安全模板保护。
• 现有的基于深度学习的模板保护攻击仍有限，但在完全披露模型下，重建攻击是可行的。
• 深度学习模型对某些扰动（如图像扭曲）表现出鲁棒性，从而削弱了传统可取消生物特征技术的有效性。
• 基于深度神经网络的预对齐方法显著提升了指纹和虹膜系统中受保护模板比对的准确性。
• 结合深度学习与同态加密可实现在加密生物特征数据上的安全分类，即使密钥被泄露，仍能提供残余保护。