56、基于联邦学习的隐私保护生物特征虹膜识别方法

基于联邦学习的隐私保护生物特征虹膜识别方法

1. 引言

随着科技的飞速发展，个人信息保护变得愈发困难。在当今社会，计算机技术无处不在，传统的密码和密钥在面对复杂的黑客攻击时显得力不从心，成为公司安全系统中的薄弱环节。因为密码可能被共享，即使是高熵的密码也可能被破解。近期频发的网络安全漏洞和身份盗窃事件，凸显了可靠身份验证技术的重要性。

生物特征识别技术，如虹膜、语音、指纹和步态等，因其个体独特性，成为了有效的身份验证方式。其中，虹膜识别技术能够准确验证个人身份，它通过读取眼睛前部的虹膜信息来实现，这需要高性能的紫外线相机。需要注意的是，虹膜识别与视网膜识别不同。

传统的机器学习技术在实现安全解决方案时，大多依赖集中式数据集，这通常需要将客户端的数据传输到远程服务器。然而，共享敏感数据存在风险，可能被第三方滥用或遭遇数据泄露，从而侵犯用户隐私。为解决这一问题，联邦学习应运而生。

联邦学习采用独特的方法，可与图像分类、推荐系统和自然语言处理等标准人工智能应用协同工作。在联邦学习中，每个客户端本地实现并训练模型，仅将模型更新或梯度发送到中央服务器，而不共享客户端数据。此外，卷积神经网络（CNN）用于特征提取，Softmax激活函数作为分类器，以提高虹膜识别的性能。

2. 文献综述

• 现有虹膜图像数据库研究 ：有研究对可用的虹膜图像数据库进行了考察，重点关注数据集的可访问性和受欢迎程度。共发现158个不同的数据集，但只有81个真正可用。研究发现CASIA数据库在各种研究中被提及最多，并对可用数据库进行了全面描述，指出了不同数据库的优缺点，还为开发虹膜数据库提供了建议。