基于推断的随机化 Montgomery 域相似度搜索用于隐私保护生物特征识别

相似度搜索对许多重要应用至关重要，且常涉及基于与查询的相似性在大规模高维数据上进行搜索。在生物特征应用中，近期的脆弱性研究表明对抗式机器学习可通过利用生物特征相似度信息来破坏生物特征识别系统。现有的生物特征隐私保护方法一般基于安全生物特征模板的成对匹配，在搜索效率和可扩展性方面存在固有局限。本文中，我们提出了一种基于推断的 Hamming 空间隐私保护相似度搜索框架。我们的方法建立在可隐藏动态区间内 Hamming 距离的混淆距离度量之上。该机制使我们能够系统性地设计统计可靠的方法，以在不知确切距离值的情况下检索最可能候选。我们进一步提出应用 Montgomery 乘法生成可抵御对抗式相似度分析的搜索索引，并表明在随机化 Montgomery 域中的信息泄漏可变得可忽略地小。我们在公开生物特征数据集上的实验表明，该基于推断的方法可达到接近安全计算方法最佳性能的搜索精度，但相较于密码学原语其相关开销降低了数个数量级。