[论文解读] Fast and Accurate Likelihood Ratio Based Biometric Comparison in the Encrypted Domain

Joep Peeters, Peter Andreas+1 more|arXiv (Cornell University)|May 28, 2017

Cryptography and Data Security参考文献 4被引用 4

一句话总结

本文提出了一种安全且高效的生物特征认证系统，通过在椭圆曲线上使用同态ElGamal加密，在加密的生物特征数据上执行基于似然比的分类。该方法实现了高精度（EER为0.3%）和低延迟（低于330毫秒），实现了无需解密敏感数据的实用隐私保护生物特征认证。

ABSTRACT

As applications of biometric verification proliferate, users become more vulnerable to privacy infringement. Biometric data is very privacy sensitive as it may contain information as gender, ethnicity and health conditions which should not be shared with third parties during the verification process. Moreover, biometric data that has fallen into the wrong hands often leads to identity theft. Secure biometric verification schemes try to overcome such privacy threats. Unfortunately, existing secure solutions either introduce a heavy computational or communication overhead or have to accept a high loss in accuracy; both of which make them impractical in real-world settings. This paper presents a novel approach to secure biometric verification aiming at a practical trade-off between efficiency and accuracy, while guaranteeing full security against honest-but-curious adversaries. The system performs verification in the encrypted domain using elliptic curve based homomorphic ElGamal encryption for high efficiency. Classification is based on a log-likelihood ratio classifier which has proven to be very accurate. No private information is leaked during the verification process using a two-party secure protocol. Initial tests show highly accurate results that have been computed within milliseconds range.

研究动机与目标

• 解决生物特征系统中的隐私风险，防止在验证过程中暴露性别、种族或健康特征等敏感数据。
• 克服现有安全生物特征解决方案中准确率与效率之间的权衡，这些方案通常因计算或通信开销过高而受限。
• 实现在加密域内的安全生物特征认证，同时不牺牲准确率或性能。
• 设计一种系统，防止生物特征模板泄露，同时在诚实但好奇的攻击者模型下保持高分类保真度。

提出的方法

• 系统使用基于椭圆曲线的同态ElGamal加密，在加密的生物特征模板上执行计算，确保验证过程中不暴露明文数据。
• 采用对数似然比（LLR）分类器实现高精度生物特征分类，并针对量化后的加密特征进行适配。
• 生物特征数据经过量化以降低计算成本，特征量化参数（k）、得分量化参数（Δ）和位精度（b）经过调优，以平衡速度与准确率。
• 采用两方安全协议，确保任一方均无法获知对方的输入或输出，从而在整个比较过程中保护隐私。
• 通过优化的同态操作在加密域内执行阈值比较，性能以阈值比较次数（α）衡量。
• 通过为每项服务使用不同的加密密钥，该架构支持多种应用场景，提升多样性与安全性。

实验结果

研究问题

• RQ1 能否在不显著损失准确率的前提下，安全地将基于似然比的生物特征分类器适配至加密生物特征数据上运行？
• RQ2 如何高效地应用同态加密于生物特征认证，以实现适合现实世界部署的低延迟性能？
• RQ3 在加密生物特征比对中，量化参数与系统准确率之间的权衡关系如何？
• RQ4 在不损害分类性能的前提下，生物特征系统中隐私保护的实现程度如何？

主要发现

• 系统在加密生物特征认证中实现了0.3%的等错误率（EER），仅略高于非量化最优情况（0.2%）。
• 在最准确的配置下，验证时间低于330毫秒，当准确率要求放宽时，性能可提升至150毫秒以下。
• 阈值比较次数（α）随得分量化更精细（Δ更小）而呈指数级增长，但该权衡允许根据需求调节速度或准确率。
• 更大的特征集（k = 10, 20）相比更小的特征集（k = 5）显著提升了准确率，表明特征选择对性能有显著影响。
• 系统保持了强大的隐私保障，因为从加密模板中无法提取任何关于生物特征数据的信息，满足安全模板的三项特性。
• 该方法具备可扩展性和可扩展性，具有向其他加密分类任务（不限于生物特征）推广的潜力。