基于行为模式的二因素身份验证方法用于抵御木偶攻击
本研究使用行为生物识别,包括触摸动态和手机移动,创建和评估了用户身份验证方案。使用两个公开数据集,采用7种机器学习算法进行评估,准确率高达86%。
May, 2022
本文介绍了一种用于CVPR 2022宠物生物特征挑战赛中狗鼻纹认证(Re-ID)任务的方法,通过离线数据增强策略、交叉熵损失函数和集成模型等方法,最终在测试集上取得了86.67%的AUC。
May, 2022
通过分类总结深度学习 Fingerprint Presentation Attack Detection(FPAD)的方法,主要集中于近年来的 deep-learning FPAD 技术,涉及指纹认证、攻击检测、接触式和智能手机模式等主题。
May, 2023
通过在信号水平上选择关键策略,提出一种竞争式可取消方案的安全改进,以防止对人脸识别系统的敌对攻击。实验结果表明,基于最安全阈值的某些策略可以完全阻止迭代优化的敌对攻击,而对于最实用的阈值,攻击成功率可降低到约5.0%。
Oct, 2023
我们提出了一种用于无接触指纹的通用表现攻击检测方法,该方法使用了合成的无接触指纹进行模型训练,并结合了Arcface和Center loss进行联合损失函数的设计,最终取得了0.12%的正常认证错误率、0.63%的攻击展示分类错误率和0.37%的平均分类错误率。
Oct, 2023
我们提出了一种创新的反欺骗方法,将无监督自编码器与卷积块注意模块相结合,以解决现有方法的局限性,并具有有效推广性。我们的模型仅在真实图像上进行训练,未接触任何伪造样本,在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中,实现了平均BPCER为0.96%,APCER为1.6%。
Nov, 2023
在生物特征系统中的字典攻击是使用少量经过策略生成的图像或模板与大量身份成功匹配,从而破坏安全性。本文关注模板级别的字典攻击,特别是虹膜识别系统中使用的IrisCodes。我们提出了一种迄今未知的脆弱性,通过使用简单的按位运算符混合IrisCodes生成alpha-mixtures-alpha-wolves(组合一组“狼”样本)和alpha-mammals(通过搜索优化选择一组用户),这增加了错误匹配。我们使用IITD、CASIA-IrisV4-Thousand和Synthetic数据集评估了这种脆弱性,并观察到alpha-wolf(由两只狼)可以在FMR=0.001%时匹配最多71个身份,而alpha-mammal(由两个身份)可以在FMR=0.01%时匹配最多133个其他身份(IITD数据集)。
Nov, 2023
本研究针对现有指纹照片认证方法在面对呈现攻击时的脆弱性,提出了一种基于无监督深度学习的扩散模型的新方法。通过仅使用真实样本训练,构建的系统可以有效检测多样化的攻击样本,实验结果表明其在多个攻击类别上具有显著更好的检测准确率,展现出更强的泛化能力。
Sep, 2024