admin管理员组

文章数量:1630183

DeepMasterPrints: Generating MasterPrints for Dictionary Attacks via Latent Variable Evolution

深度万能指纹：通过潜变量进化生成用于字典攻击的万能指纹

本来这篇论文是想以阅读笔记的方式分享的，但是人工智能大作业说要翻译一篇论文，因此，我做了全文精细的翻译，配图排版的全文翻译，该论文的PPT，该论文的详细注解PDF，以及和本文相关的一篇论文MasterPrints【PDF】都分享到了我的CSDN下载区域，链接：https://download.csdn/download/luolan9611/10885261

PPT缩略图如下：忽略几个紫色的块，实在是有点赶，不太和谐哈哈哈哈。

"万能指纹解锁智能手机"这一亮点足够吸引人的眼球，发表于2018 BTAS会议 （生物识别国际会议：理论，应用和系统）。

首先还是前四条还是以简要的形式带大家粗略看一下这篇论文，第五条是全文精细翻译。

1.引入  2.本文提出的方法LVE  3.实验  4.总结  5.全文精细翻译

1.引入

    2017 年TIFS论文MasterPrint: Exploring the Vulnerability of Partial Fingerprint-Based Authentication Systems，作者Roy等人利用智能手机与其他电子产品所使用的指纹识别系统的漏洞提出了万能指纹的概念，万能指纹指的是能够和大量指纹重合的真实或合成的指纹。因此，攻击者可以利用它们启动一个针对特定主体的字典攻击，从而破坏指纹识别系统的安全性。也就是说，在不获取任何主体指纹相关信息的情况下「伪造」该主体指纹是可以实现的。

   左边的图摘自MasterPrint: Exploring the Vulnerability of Partial Fingerprint-Based Authentication Systems. TIFS2017

Roy等人方法的缺陷：

1.不生成图片。可以从模板重构图片，但一看就是合成的，太假了。

2.他们的方法只适用于基于微小点匹配的识别器，如果匹配器利用的是其它的信息那么就不会这么容易受到攻击了。

本文提出的方法：LVE（Latent Variable Evolution）潜变量进化

        本文要创建一个可以愚弄指纹匹配器的指纹图像，首先不仅要匹配器能识别出是指纹，还要将该指纹匹配到不同的主体。本文将进化优化和GAN相结合，允许神经网络约束搜索空间。

本文提出的方法叫潜变量进化分为两个部分：

1.训练生成指纹图片。

2.搜索潜变量以获得最佳万能指纹。

 

2.本文提出的方法LVE

使用WGAN生成图片，为了确保生成器生成的图片在采样图的范围内，训练分为3个步骤：

1.训练鉴别器判断真实样本为真

2.训练鉴别器判断生成样本为假

3.把鉴别器的梯度提供给生成器，训练生成器生成能被判定为真的图片。

这一训练过程不断重复，直到网络收敛于近似真实数据的分布。

        标准的GAN训练中，真实数据和生成数据之间的分布差异由Jensen-Shannon divergence（JS）metric方法评估，然而这个方法并不会为生成器处处提供梯度。因此本文使用WGAN方法，WGAN使用Wasserstein距离函数的近似测量真实和生成分布之间的差异，因为它处处可微，它为生成器提供了有意义的梯度。

2.1整体框架图

        因为我们的网络采用100个潜变量作为输入，最优解是一百维空间中的一个点。如后面的图所示，LVE采样大量的这些点，将它们转换为图像，然后对图像进行打分，以学习最优点随时间的分布。这些最优点就是DeepMasterPrints的基因型，然后可以将其映射到图像。

2.2指纹生成器

2.3进化优化搜索潜变量空间

</

本文标签： 注解指纹深度笔记全文

版权声明：本文标题：【BTAS 2018】DeepMasterPrints深度万能指纹（论文笔记+全文精读翻译+PPT+PDF注解） 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/xitong/1729071011a1185028.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。