使用多金库混淆模板的安全与隐私集成匹配器

生成式 AI 在数据生成方面提供了前所未有的真实性、多样性和效率，彻底改变了现代机器学习。这项技术在生物识别领域具有巨大潜力，包括用于保护敏感的和个人可识别的信息。鉴于生物识别样本的不可撤销性以及日益增长的隐私担忧，生物识别模板安全性和安全匹配是现代生物识别系统中最受追捧的特性之一。本文提出了一种使用生成式 AI 来增强生物识别模板安全性的新型混淆方法。我们的方法利用由生成对抗网络（GAN）生成的合成面部图像作为安全金库系统中的“随机杂凑点”。我们的方法从原始模板创建 n 个子模板，每个子模板用 m 个 GAN 杂凑点进行混淆。在验证期间，从每个金库中检索距离生物识别查询最近的 s 个向量，并将它们组合以生成哈希值，然后将其与存储的哈希值进行比较。因此，我们的方法通过采用 GAN 生成的合成图像，在训练和部署阶段保护了用户身份。我们的协议使用 AT&T、GT 和 LFW 人脸数据集进行了测试，ROC 曲线下面积分别达到了 0.99、0.99 和 0.90。我们的结果表明，所提出的方法能够保持与那些未受保护的模板方法相当的高准确率和合理的计算复杂度，同时显著增强了安全性和隐私性，突显了生成式 AI 在为生物识别系统开发主动防御策略方面的潜力。