[论文解读] Security analysis of cancellable biometrics using constrained-optimized similarity-based attack

Hanrui Wang, Xingbo Dong+3 more|arXiv (Cornell University)|Jun 23, 2020

Biometric Identification and Security参考文献 19被引用 2

一句话总结

本文提出了一种约束优化相似性攻击（CSA），通过利用算法特定约束来改进原像生成，从而突破可撤销生物识别技术中的索引最大值（IoM）哈希机制。CSA在成功率上优于先前基于遗传算法的攻击方法，并揭示了哈希码长度与攻击成功率之间存在显著相关性。

ABSTRACT

Cancellable biometrics (CB) intentionally distorts biometric template for security protection, and simultaneously preserving the distance/similarity for matching in the transformed domain. Despite its effectiveness, the security issues attributed to similarity preservation property of CB is underestimated. Dong et al. [BTAS'19], exploited the similarity preservation trait of CB and proposed a similarity-based attack with high successful attack rate. The similarity-based attack utilizes preimage that generated from the protected biometric template for impersonation and perform cross matching. In this paper, we propose a constrained optimization similarity-based attack (CSA), which is improved upon Dong's genetic algorithm enabled similarity-based attack (GASA). The CSA applies algorithm-specific equality or inequality relations as constraints, to optimize preimage generation. We justify the effectiveness of CSA from the supervised learning perspective. We conduct extensive experiments to demonstrate CSA against Index-of-Max (IoM) hashing with LFW face dataset. The results suggest that CSA is effective to breach IoM hashing security, and outperforms GASA remarkably. Furthermore, we reveal the correlation of IoM hash code size and the attack performance of CSA.

研究动机与目标

• 解决因可撤销生物识别技术的相似性保持特性而被低估的安全风险。
• 通过在原像生成过程中引入算法特定约束，改进基于遗传算法的相似性攻击（GASA）。
• 利用LFW人脸数据集评估所提攻击在索引最大值（IoM）哈希上的有效性。
• 研究IoM哈希码长度与基于相似性的攻击成功率之间的关系。
• 从监督学习视角出发，为攻击的有效性及优化策略提供理论支持。

提出的方法

• 构建一个约束优化框架，在原像生成过程中应用源自IoM哈希算法的等式或不等式约束。
• 利用IoM哈希的结构性质——如最大激活指标的选择——定义约束，以引导有效原像的搜索。
• 通过最小化生成原像与目标保护模板在变换域中的距离，优化原像生成过程。
• 采用监督学习视角验证：与无约束方法相比，约束优化可提升收敛速度与攻击成功率。
• 将约束整合进迭代优化过程，以提高生成有效、可攻击生物特征原像的可能性。
• 通过生成原像与保护模板之间的交叉匹配，评估伪装成功的程度。

实验结果

研究问题

• RQ1 将算法特定约束引入后，对可撤销生物识别的基于相似性的攻击成功率有何提升？
• RQ2 所提出的CSA方法在攻击IoM哈希时，相较于现有GASA方法的优越程度如何？
• RQ3 IoM哈希码长度与CSA有效性之间存在何种关系？
• RQ4 监督学习视角能否验证原像生成过程中所用优化策略的有效性？
• RQ5 与无约束方法相比，约束优化方法是否能实现更高效、更准确的原像生成？

主要发现

• 所提出的CSA在IoM哈希上的攻击成功率显著优于GASA攻击。
• 通过利用IoM哈希算法的结构约束，约束优化方法实现了更准确、更高效的原像生成。
• 观察到IoM哈希码长度与攻击性能之间存在强烈的负相关性：码长越短，越容易受到CSA攻击。
• 结果表明，可撤销生物识别中的相似性保持特性，若与约束优化结合，将产生可被利用的漏洞。
• 监督学习视角为原像生成过程中优化策略的有效性提供了理论依据。
• 在LFW人脸数据集上的大量实验表明，CSA能够通过从保护模板生成有效原像，成功实现用户伪装。