[论文解读] DeepMasterPrints: Generating MasterPrints for Dictionary Attacks via Latent Variable Evolution

Philip Bontrager, Aditi Roy+3 more|arXiv (Cornell University)|May 21, 2017

Biometric Identification and Security参考文献 23被引用 7

一句话总结

本文提出潜在变量演化（LVE）方法，通过在训练好的生成对抗网络（GAN）的潜在空间中演化潜在变量，生成完整且逼真的指纹图像（称为DeepMasterPrints），以最大化在各类指纹识别系统中的伪造匹配成功率。该方法在1%误匹配率下实现77%的伪造成功率，显著优于以往基于模板的方法，并展示了图像级字典攻击在实际中的可行性。

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.

研究动机与目标

• 开发一种生成逼真、图像级MasterPrints的方法，可在不依赖目标实际指纹信息的情况下欺骗指纹识别系统。
• 克服以往仅生成合成细节点模板的局限性，这些模板无法用于物理伪造攻击。
• 通过单张合成指纹图像而非多组模板实现有效的字典攻击，提升实际攻击的可利用性。
• 证明在训练好的GAN的潜在空间中进行优化，可生成在不同指纹匹配器和数据集间具有良好泛化能力的高效DeepMasterPrints。

提出的方法

• 在真实指纹图像上训练生成对抗网络（GAN），以学习自然指纹图案的分布。
• 使用协方差矩阵自适应演化策略（CMA-ES）在训练好的GAN生成器的潜在空间中执行随机优化。
• 基于指纹匹配器将生成图像与真实指纹数据库比对后返回的伪造匹配数量，定义适应度函数。
• 演化潜在向量，以最大化伪造匹配数量（即伪造成功率），同时保持视觉真实感和指纹样结构。
• 将最终演化得到的潜在向量通过生成器解码，生成完整的、图像级的伪造物，即DeepMasterPrints。
• 在多个指纹匹配器（Bozorth3、VeriFinger、Innovatrics）和数据集（滚压式与电容式传感器）上验证该方法，以评估其泛化能力。

实验结果

研究问题

• RQ1 基于GAN的生成器能否生成在欺骗指纹识别系统方面有效的逼真指纹图像？
• RQ2 在训练好的GAN的潜在空间中进行演化优化，能否生成比以往模板级方法更高效的DeepMasterPrints？
• RQ3 所生成的DeepMasterPrints在不同指纹匹配器和传感器类型之间的泛化能力如何？
• RQ4 当仅限使用单张合成指纹图像而非一组模板时，该方法是否仍具有效力？

主要发现

• 所提出的潜在变量演化（LVE）方法成功生成了DeepMasterPrints，在整个数据集上于1%误匹配率下实现了77%的伪造成功率。
• 在0.1%误匹配率下，该方法实现了23%的伪造成功率，表明其在严格安全阈值下依然有效。
• 与以往方法相比，DeepMasterPrints的性能显著提升，单张DeepMasterPrint的成效可媲美五组模板级MasterPrints的集合。
• 该方法在不同指纹匹配器（包括Bozorth3、VeriFinger和Innovatrics）之间表现出良好的泛化能力，表明其对匹配器特异性伪影具有鲁棒性。
• 电容式传感器生成的DeepMasterPrints在各类匹配器中表现一致，表明其可能利用了普遍存在的指纹模式。
• 与随机图像相比，DeepMasterPrints的伪造效率高出约10倍，证实其具有极高的实际威胁潜力。