[논문 리뷰] SynFi: Automatic Synthetic Fingerprint Generation

M. Sadegh Riazi, Seyed M. Chavoshian외 1명|arXiv (Cornell University)|2020. 02. 16.

Biometric Identification and Security참고 문헌 17인용 수 14

한 줄 요약

SynFi는 생성적 적대적 네트워크(GAN)와 초해상도 기반의 프레임워크를 제안하여 대규모로 고해상도이자 계산적으로 구분 불가능한 합성 지문을 생성한다. 제한된 실제 데이터로 훈련함으로써 최신 기술 수준의 성능을 달성하였으며, 심지어 최고의 기계학습 분류기라도 합성 지문과 실제 지문을 구분하는 데 랜덤 추측보다 뿐만 아니라 0.43% 뿐 높은 성능을 보였다.

ABSTRACT

Authentication and identification methods based on human fingerprints are ubiquitous in several systems ranging from government organizations to consumer products. The performance and reliability of such systems directly rely on the volume of data on which they have been verified. Unfortunately, a large volume of fingerprint databases is not publicly available due to many privacy and security concerns. In this paper, we introduce a new approach to automatically generate high-fidelity synthetic fingerprints at scale. Our approach relies on (i) Generative Adversarial Networks to estimate the probability distribution of human fingerprints and (ii) Super-Resolution methods to synthesize fine-grained textures. We rigorously test our system and show that our methodology is the first to generate fingerprints that are computationally indistinguishable from real ones, a task that prior art could not accomplish.

연구 동기 및 목표

• 개인정보 및 보안 우려로 인해 공개적으로 이용 가능한 지문 데이터베이스의 부족 문제를 해결하기 위해.
• 모든 지문의 중요한 미니티아 특징(결말, 분岐 등)을 유지하면서 고품질의 전체 지문 합성 지문을 생성하기 위해.
• 합성 지문이 실제 지문과 계산적으로 구분 불가능하도록 보장하여 보안 핵심 응용 분야에서 사용 가능하게 하기 위해.
• 수동적인 특징 공학 없이 완전 자동화되고 확장 가능한 시스템을 개발하기 위해.
• 적대적 공격에 대한 강건성 및 데이터베이스 불균형 완화를 포함한 지문 기반 시스템의 강력한 평가를 지원하기 위해.

제안 방법

• 지문 생성을 두 가지 병렬 딥러닝 작업으로 공식화함: 전역 구조 생성을 위한 조건부 GAN과 세밀한 무늬 생성을 위한 초해상도.
• 랜덤 초기화에서부터 다양한 고수준 지문 패턴을 생성하기 위해 노이즈 벡터를 GAN의 입력으로 사용함.
• 저해상도의 GAN 출력을 향상시키기 위해 초해상도 네트워크를 활용하여 릿지 및 미니티아와 같은 미세 구조 복원함.
• 실제 지문의 진정된 분포를 학습하기 위해 최소 최대 목표함수를 사용하여 GAN을 훈련함.
• 초해상도 브랜치에서 다중 척도 손실 함수를 적용하여 구조적 및 무늬적 정밀도 유지함.
• 이진 분류 작업을 통해 여섯 가지 다양한 기계학습 모델(LR, SVM, RF, DNNs)을 사용하여 구별 불가능성 검증함.

실험 결과

연구 질문

• RQ1 비교적 높은 정밀도를 유지하면서도 핵심 미니티아 특징을 보존하면서 대규모로 합성 지문을 생성할 수 있는가?
• RQ2 합성 지문을 얼마나 계산적으로 실제 지문과 구분 불가능하게 만들 수 있는가?
• RQ3 딥러닝 기반 생성 기법이 이전의 수학적 모델 및 저데이터 기반 딥러닝 접근법의 한계를 극복할 수 있는가?
• RQ4 최신 기술 수준의 분류기가 합성 지문과 실제 지문을 얼마나 잘 구분할 수 있는가?
• RQ5 합성 지문을 이용해 생체인식 저장 시스템의 보안을 향상시킬 수 있는가?

주요 결과

• 가장 높은 성능를 보인 분류기인 사층 DNN는 합성 지문과 실제 지문을 구분하는 데 50.43%의 정확도에 그쳤으며, 이는 거의 랜덤 추측 수준임을 시사함.
• 모든 모델에서 거짓 양성률(FPR)은 24% 이하를 유지하였고, 거짓 음성률(FNR)은 77% 초과로 나타나 분별 능력이 낮음을 확인함.
• 수신기 작동 특성(ROC) 곡선은 어떤 분류기라도 랜덤 추측을 초월하지 못하며, 모든 곡선이 대각선 기준선 근처에 집중되어 있음을 보여줌.
• 합성 지문은 빌드 및 구조적으로 실제 NIST 데이터셋 샘플과 유사하며, 릿지 구조, 분岐점, 릿지 종료점 등 핵심 요소를 유지함.
• 수동적 특징 공학 없이도 전체 지문 인식을 성공적으로 생성하여 높은 확장성 확보함.
• GitHub에 공개된 구현 코드를 통해 연구 공동체가 재현, 검증 및 확장이 가능함.