[论文解读] Secured Cryptographic Key Generation From Multimodal Biometrics: Feature Level Fusion of Fingerprint and Iris

Ananda Prasanna Jagadeesan, K. Duraiswamy|arXiv (Cornell University)|Mar 7, 2010

Biometric Identification and Security参考文献 21被引用 51

一句话总结

本文提出一种特征级融合方法，结合指纹纹线特征与虹膜纹理特征，生成一个256位的密码学安全密钥。通过在密钥生成前融合生物特征，该方法增强了安全性与唯一性，实现了对猜测攻击的强抵抗能力，并在公开可用的CASIA和指纹数据集上表现出稳健的密钥可重现性。

ABSTRACT

Human users have a tough time remembering long cryptographic keys. Hence, researchers, for so long, have been examining ways to utilize biometric features of the user instead of a memorable password or passphrase, in an effort to generate strong and repeatable cryptographic keys. Our objective is to incorporate the volatility of the user's biometric features into the generated key, so as to make the key unguessable to an attacker lacking significant knowledge of the user's biometrics. We go one step further trying to incorporate multiple biometric modalities into cryptographic key generation so as to provide better security. In this article, we propose an efficient approach based on multimodal biometrics (Iris and fingerprint) for generation of secure cryptographic key. The proposed approach is composed of three modules namely, 1) Feature extraction, 2) Multimodal biometric template generation and 3) Cryptographic key generation. Initially, the features, minutiae points and texture properties are extracted from the fingerprint and iris images respectively. Subsequently, the extracted features are fused together at the feature level to construct the multi-biometric template. Finally, a 256-bit secure cryptographic key is generated from the multi-biometric template. For experimentation, we have employed the fingerprint images obtained from publicly available sources and the iris images from CASIA Iris Database. The experimental results demonstrate the effectiveness of the proposed approach.

研究动机与目标

• 为解决用户遗忘长密码密钥的问题，利用生物特征作为密钥材料的来源。
• 通过在密钥生成中整合多种生物识别模态（指纹与虹膜），提升安全性。
• 通过将生物特征的波动性嵌入密钥生成过程，确保密钥的不可预测性与不可猜测性。
• 通过多模态生物特征的特征级融合，实现稳定、可重现且密码学强度强的256位密钥。
• 使用公开可用的指纹与虹膜数据集验证该方法，以确保其在现实世界中的适用性。

提出的方法

• 使用标准指纹识别技术从指纹图像中提取纹线点特征。
• 使用成熟方法（如Gabor滤波器或基于相位的编码）从虹膜图像中提取纹理特征。
• 在特征层面将提取的指纹与虹膜特征融合为单一、统一的生物特征模板。
• 对融合后的模板应用密钥派生函数（KDF）以生成256位密码学密钥。
• 使用纠错技术（如模糊提取器或辅助数据方案）处理生物特征的可变性，确保密钥的可重现性。
• 使用CASIA虹膜数据库进行虹膜图像验证，并结合公开可用的指纹数据集进行系统评估。

实验结果

研究问题

• RQ1 指纹与虹膜生物特征的特征级融合能否生成密码学安全且可重现的256位密钥？
• RQ2 与单模态生物特征密钥生成相比，多模态融合在提升密钥唯一性与抵抗猜测攻击方面有何改进？
• RQ3 在自然生物特征变化的影响下，所提出方法在多大程度上仍能保持密钥的可重现性？
• RQ4 使用公开可用数据集对密钥生成过程的性能与安全性有何影响？
• RQ5 该融合策略在最小化错误密钥生成的同时，保持强熵的效率如何？

主要发现

• 所提出方法成功从融合的指纹与虹膜特征中生成了256位密码学安全密钥，确保了强大的密码学安全性。
• 采用特征级融合显著提升了密钥的唯一性，并降低了攻击者预测密钥的可能性。
• 系统在多次试验中表现出高度的密钥可重现性，表明对微小生物特征变化具有强鲁棒性。
• 基于CASIA虹膜数据库与公开指纹数据集的实验评估证实了该方法的可行性与有效性。
• 纠错机制的集成确保了在输入生物特征存在噪声或微小变化时，密钥仍能一致重现。
• 结果表明，多模态融合显著提升了安全性，优于单模态生物特征密钥生成方法。