Nov, 2023

阿尔法狼与阿尔法哺乳动物：探究虹膜识别系统的字典攻击

HTML
PDF
TL;DR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）。
发现论文，激发创造
  • 统计分类中的对抗学习: 对抗攻击防御综述

    该论文对敌对学习进行了现代综述，重点关注了对统计分类器攻击的防御，并对最近关于测试时间逃避，数据污染和反向工程攻击以及对策进行了综述，最后提出了一些未解决问题和未来工作方向。

    Apr, 2019

  • SoK：自动语音识别和说话人识别系统遭受攻击的概览

    本研究探讨语音和说话人识别系统的漏洞，并提出一种分类方法来评估此类漏洞。实验表明，对这些模型的攻击普遍失败，因此需要进一步的工作来提供充分的缓解措施。

    Jul, 2020

  • 基于人脸关键点和生成对抗网络的面部变形攻击漏洞分析

    本研究提供了一个包含4种不同类型的变形攻击的新数据集，并通过基于OpenCV、FaceMorpher、WebMorph和生成对抗网络（StyleGAN）的变形攻击实验，评估了现有人脸识别系统的风险程度，其中发现VGG-Face虽然与FaceNet相比精度较低，但更加抗变形攻击。此外，本文指出了使用StyleGAN生成的低级变形攻击对人脸识别系统不构成重大威胁。

    Dec, 2020

  • 基于AR模型的虹膜纹理唯一性

    基于Daugman的方法和高斯码字的球装界，本研究提出了一种衡量虹膜识别系统可扩展性和质量的新方法，并在两个小数据集上应用该方法来确定可持续的最大种群。

    Jun, 2023

  • 理解生物识别熵和虹膜容量：避免在国家级别上的身份碰撞

    研究了通过虹膜模式进行身份注册而不发生身份冲突的人数与提取的生物特征熵和决策操作阈值之间的关系。采用与“生日问题”类似的组合问题的一般解，将其应用于全球人口规模的唯一生物特征识别，并引用来自美国NIST（国家标准与技术研究院）1.2万亿（1.2 x 10^(12)）虹膜比较的经验数据，证明了一个人的两个虹膜模式的熵足以实现全球身份的唯一性。

    Aug, 2023

  • 基于Transformer的光学字符识别对抗攻击的脆弱性分析

    基于Transformer的OCR模型的韧性评估表明，非定向攻击对其高度脆弱，而定向攻击相对较弱；在基准手写数据集上，非定向攻击几乎无法察觉，造成字符错误率超过1；而具有类似扰动大小的定向攻击可以以大约25％的成功率攻击单个标记，要求TrOCR从大词汇中输出第十个最可能的标记。

    Nov, 2023

  • 基于小波变换和深度残差神经网络的演示攻击检测

    本研究应用深度学习方法在生物特征访问控制系统中抵御演示攻击，通过应用小波变换提取生物特征图像的特征，并修改了深度残差神经网络来检测演示攻击。在ATVS虹膜数据集上，获得了93%的最佳准确率；在CASIA两类数据集和CASIA裁剪图像数据集上，分别实现了91%和82%的测试准确率。

    Nov, 2023

  • AttackNet: 通过定制的卷积神经网络架构增强生物特征安全性的方法

    AttackNet是一种巧妙设计的卷积神经网络架构，采用深度学习方法应对生物特征系统中的欺骗威胁，通过低级特征提取到高级模式识别无缝过渡的分层防御机制，具有优越的性能指标，并与当代模型进行了详细的比较分析，突出了深度学习在生物特征安全领域的潜力。

    Feb, 2024

  • 隐私安全的虹膜展示攻击检测

    本研究解决了虹膜展示攻击检测中存在的隐私泄露问题，提出了一种仅使用合成无身份信息泄漏的虹膜图像的方法。研究表明，通过合成数据训练的模型与使用真实人类虹膜图像训练的模型相比，尽管性能稍逊，但随着生成模型的逐步提升，开发隐私安全的虹膜PAD方法具有较大的潜力。

    Aug, 2024

  • 一个统一的虹膜反欺骗框架：引入IrisGeneral数据集和Masked-MoE方法

    本研究解决了虹膜反欺骗方法在跨领域能力方面的不足，尤其是缺乏能够评估虹膜反欺骗任务泛化能力的数据集。我们提出了IrisGeneral数据集，设计了三种评估协议，并引入了Masked-MoE方法，通过随机掩蔽部分令牌来提高模型的泛化能力，实验结果表明，该方法在IrisGeneral数据集上实现了最佳性能。

    Aug, 2024