数据驱动离线签名验证的深度生成攻击与防御措施
计算机视觉与模式识别
2024-07-19 v2 计算机与社会
摘要
本研究调查了数据驱动离线签名验证（DASV）系统在生成攻击下的脆弱性，并提出了鲁棒的防御措施。具体而言，我们探索了变分自编码器（VAE）和条件生成对抗网络（CGAN）在生成欺骗性签名以挑战DASV系统方面的有效性。使用结构相似性指数（SSIM）评估伪造签名的质量，我们评估了它们对基于Xception、ResNet152V2和DenseNet201架构构建的DASV系统的影响。初步结果显示，所有模型和数据集的错误接受率（FAR）在0%到5.47%之间。然而，暴露于合成签名后，FAR显著增加，范围从19.12%到61.64%。所提出的防御措施，即使用真实+合成数据集重新训练模型，非常有效，将FAR降低到0%到0.99%之间。这些发现强调了调查DASV等安全系统脆弱性的必要性，并强化了生成方法在增强数据驱动系统安全性中的作用。
引用
@article{arxiv.2312.00987,
title = {Deep Generative Attacks and Countermeasures for Data-Driven Offline Signature Verification},
author = {An Ngo and Rajesh Kumar and Phuong Cao},
journal= {arXiv preprint arXiv:2312.00987},
year = {2024}
}
备注
Ten pages, 6 figures, 1 table, Signature verification, Deep generative models, attacks, generative attack explainability, data-driven verification system