English
Masquerade attack on transform-based binary-template protection based on perceptron learning
文件大小：
1104k
资源说明：生物识别系统安全、掩码攻击、感知器学习、二进制模板保护、感知器学习与伪装攻击、感知器学习与定制爬山算法、生物识别系统的安全性、非逆向性、一维转换模板保护技术、生物特征系统、非逆向性模板保护、掩码攻击算法、感知器学习算法、定制爬山算法、生物特征模板、授权访问、生物特征模板的存储、面部图像、非逆向性攻击、二进制模板、伪装攻击算法、排名识别率、CMU-PIE数据库、FRGC数据库。
随着生物识别系统的应用日益广泛，确保这些系统的安全性变得至关重要。本文讨论了一种针对基于感知器学习的变换二进制模板保护的伪装攻击。为了防止未经授权的访问，必须对注册的生物识别模板提供保护，以确保即使数据库遭到泄露，存储的信息也不会让任何攻击者能够冒充受害者获得非法访问权。
在过去十年中，存储经过一维转换（如Biohash）的二进制模板成为基准模板保护技术之一。这种保护方法的安全性建立在变换的非逆向性上，即从转换后的二进制模板中推导出相应的面部图像在计算上是不可行的。然而，本文将证明，无论变换方法的算法是否公开，都可以从二进制模板和被盗用的标记（存储投影和离散化参数）构建出一个合成的面部图像，以获得非常高的正面认证响应。
文章提出了伪装攻击算法，其主要组成是感知器学习和定制爬山算法的结合。通过实验结果表明，当变换算法（变换加离散化）已知时，攻击算法能够达到非常理想的识别率：在CMU-PIE数据库上达到100%，在FRGC数据库上达到98.3%。即使在变换算法未知的情况下，攻击算法也分别在两个数据库上实现了85.29%和46.57%的排名识别率。
本文的研究成果对于理解当前生物识别系统面临的威胁以及如何增强系统的安全性具有重要意义。同时，也揭示了即便在有着非逆向性保护措施的模板保护技术中，仍然存在潜在的安全漏洞，需要在未来的研究中进一步强化防护策略，防止这些攻击方法被滥用。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
