25、利用指纹认证的行为生物特征进行反欺骗

利用指纹认证的行为生物特征进行反欺骗

1. 引言

随着智能手机将指纹认证用于访问控制，其已成为日常生活的重要组成部分。然而，这也引发了更多伪造指纹以获取设备非授权访问的动机，从而危及用户隐私。伪造技术多种多样，且 3D 打印技术的进步使风险进一步增加。此外，伪造指纹还包括迫使授权用户提供指纹进行认证的情况。

机器学习（ML）方法在分类、识别和检测领域的长期成功已得到广泛认可，有许多方法可应用于特定场景。例如，对基于指纹的数据访问进行分类，以防止非法访问（如强迫他人使用指纹生物特征解锁智能手机）。深度神经网络（DNNs）在数值数据处理方面表现出色，而卷积神经网络（CNNs）在图像分类中具有强大的性能。CNNs 能够利用全局和局部信息区分图像间的细微差异。特征到图像转换（FIT）算法可将数值特征数据集转换为图像数据集，供 CNN 有效处理，从而扩展了 CNN 处理数值特征的能力。

在之前的工作中，我们从智能手机传感器收集的时间序列信号中提取了 18 个基于基本频率和幅度的定时序列（FAST18）特征，用于区分有意和伪造的智能手机访问。在本文中，我们通过多类和多用户测试，研究基于行为生物特征的反欺骗技术。我们测试了在三种有意（正常、愤怒和悲伤）和两种伪造（清醒时被迫和睡眠时被迫）条件下，指纹认证产生的信号之间的区分能力。本文主要有两个目标：一是测试 FAST18 特征和 FIT 方法在多类相关情况下的有效性；二是研究行为相关性的区分极限，并了解如何在实际应用中利用生物特征数据。这两个目标的结合有助于定义更复杂的应用。

2. 相关工作

• 指纹伪造技术与对策 ：有研究对传感器层面的指纹伪造技术进行