[论文解读] An Overview of Privacy-enhancing Technologies in Biometric Recognition

Pietro Melzi, Christian Rathgeb+3 more|arXiv (Cornell University)|Jun 21, 2022

Biometric Identification and Security被引用 14

一句话总结

本文提出了一种统一框架，用于评估生物识别中的隐私增强技术（PETs），分析其在隐私保护、识别准确率以及软生物特征泄露方面的表现。该研究对比了可撤销生物识别、生物特征密码系统、同态加密以及基于深度学习的PETs，并引入隐私增益身份损失系数（PIC），以平衡隐私增益与识别性能损失。

ABSTRACT

Privacy-enhancing technologies are technologies that implement fundamental data protection principles. With respect to biometric recognition, different types of privacy-enhancing technologies have been introduced for protecting stored biometric data which are generally classified as sensitive. In this regard, various taxonomies and conceptual categorizations have been proposed and standardization activities have been carried out. However, these efforts have mainly been devoted to certain sub-categories of privacy-enhancing technologies and therefore lack generalization. This work provides an overview of concepts of privacy-enhancing technologies for biometrics in a unified framework. Key aspects and differences between existing concepts are highlighted in detail at each processing step. Fundamental properties and limitations of existing approaches are discussed and related to data protection techniques and principles. Moreover, scenarios and methods for the assessment of privacy-enhancing technologies for biometrics are presented. This paper is meant as a point of entry to the field of biometric data protection and is directed towards experienced researchers as well as non-experts.

研究动机与目标

• 为解决现有生物识别隐私增强技术（PETs）分类体系缺乏泛化能力的问题，提出一个统一的概念性框架。
• 系统性地比较不同PETs（如可撤销生物识别、生物特征密码系统、同态加密以及基于深度学习的PETs）在关键处理步骤中的表现。
• 基于核心数据保护原则（包括隐私默认设计（PbD）、去标识化以及数据最小化）评估PETs。
• 提出并验证隐私增益身份损失系数（PIC）作为衡量隐私提升与识别性能退化之间权衡的指标。
• 提供一个实用的PETs评估框架，涵盖计算成本、存储需求以及对软生物特征泄露的鲁棒性。

提出的方法

• 提出一种通用的、分步的框架，用于分析生物识别全生命周期中PETs的表现：注册、模板保护和认证。
• 将PETs划分为四大类：可撤销生物识别、生物特征密码系统、同态加密以及基于深度学习的PETs。
• 引入隐私增益身份损失系数（PIC），一种复合指标，用于权衡隐私提升与识别性能损失。
• 采用标准指标评估PETs：在固定假匹配率（FMR）下的假非匹配率（FNMR），以及软生物特征估计的准确率。
• 通过测量操作次数或运行时间评估计算复杂度，以每位注册用户所需的存储位数衡量存储需求。
• 使用多个在受保护数据上训练的分类器，测试PETs对软生物特征推断的鲁棒性。

实验结果

研究问题

• RQ1 不同生物识别隐私增强技术（PETs）在隐私保护、识别准确率以及对软生物特征泄露的抵抗能力方面如何比较？
• RQ2 PETs在确保生物特征模板无法被逆向还原或与个人关联的同时，能在多大程度上保持识别性能？
• RQ3 PETs的计算与存储开销如何变化？其对资源受限系统中实际部署的影响是什么？
• RQ4 基于深度学习的PETs是否能有效防止即使在受保护数据上训练多个分类器的情况下，仍能提取软生物特征？
• RQ5 隐私增益身份损失系数（PIC）如何作为可靠指标，用于评估隐私与识别性能之间的权衡？

主要发现

• 隐私增益身份损失系数（PIC）提供了一种可量化的评估方式，用于衡量隐私提升与识别性能退化之间的权衡。
• 基于深度学习的PETs即使在多个分类器于受保护数据上训练的情况下，也能有效保护软生物特征，对属性推断表现出强抵抗力。
• 同态加密确保语义安全，并支持加密比较，其结果与未加密操作等效，但计算开销较高。
• 可撤销生物识别和生物特征密码系统分别因非可逆变换和纠错方案导致可区分性降低，从而引起识别准确率下降。
• 存储需求差异显著，部分PETs每位用户所需的存储位数远超原始模板，尤其在条形码或嵌入式系统中更为明显。
• 依赖密钥的PETs（如生物特征密码系统）仅在密钥对攻击者未知时才提供软生物特征保护，凸显其对威胁模型的强依赖性。